Sztuczna inteligencja w logistyce

Sztuczna inteligencja w logistyce to coraz częściej nie ogólne hasło marketingowe, lecz konkretny zestaw funkcji analitycznych wbudowanych w oprogramowanie magazynowe. W Studio PWS.net od SoftwareStudio Group Sp. z o.o. sztuczna inteligencja pracuje na danych, które i tak powstają podczas codziennej ewidencji - na dokumentach przyjęć, wydań i saldach kontrahentów - i zamienia je w konkretne podpowiedzi: gdzie w obiegu palet pojawia się odchylenie od normy, ile nośników trzeba zamówić na kolejne tygodnie i który magazyn wymaga reorganizacji przestrzeni. To rozwinięcie procesu, który zaczyna się od zwykłej gospodarki paletowej - przyjmowania, przechowywania i rozliczania nośników - a kończy na modelach uczących się na historii tych operacji.

Zanim jednak system zacznie cokolwiek prognozować, musi najpierw sprawnie rejestrować to, co dzieje się w magazynie już dziś. Sztuczna inteligencja nie zastępuje więc podstawowych automatyzacji procesów magazynowych, takich jak generowanie kwitu paletowego czy aktualizacja salda po każdej operacji - buduje na nich kolejną warstwę: analizę wzorców, prognozę i ostrzeganie przed problemem, zanim ten urośnie do rozmiaru realnej straty.

Różnicę między tymi dwiema warstwami najłatwiej zobaczyć w zestawieniu tego samego zadania wykonywanego dwoma sposobami:

Zadanie	Automatyzacja regułowa	Funkcje z elementem AI w Studio PWS.net
Dokument i saldo	Generuje dokument PZ/WZ i aktualizuje saldo według stałej reguły po każdej operacji	Wykorzystuje te same zapisy do sprawdzenia, czy operacja odbiega od zwykłego wzorca kontrahenta
Powiadomienie o saldzie	Wysyła alert po przekroczeniu ustalonego progu liczbowego	Oznacza odchylenie od indywidualnego wzorca kontrahenta, nawet przed przekroczeniem progu
Zapotrzebowanie na nośniki	Pokazuje bieżący stan palet na magazynie	Prognozuje zapotrzebowanie na kolejne tygodnie na podstawie historii i sezonowości
Rozmieszczenie palet	Wymaga ręcznego ustalenia układu regałów	Podpowiada lokalizacje na podstawie częstotliwości wydań danego typu palety
Decyzja końcowa	Nie dotyczy - operator działa według instrukcji	Zawsze podejmuje ją człowiek - system tylko sygnalizuje i podpowiada

Jak sztuczna inteligencja analizuje dane o obiegu palet

Punktem wyjścia dla każdej funkcji AI w Studio PWS.net są te same dane, które magazynier i tak wprowadza do systemu:

• Liczba i typ palet na dokumencie.
• Kontrahent.
• Data operacji.
• Lokalizacja w magazynie.

Znaczna część tych zapisów trafia do systemu już w momencie skanowania etykiety logistycznej palety, więc model analityczny nie wymaga osobnego wdrożenia ani dodatkowego źródła danych - uczy się na historii ewidencji, którą buduje codzienna praca z programem.

Wykrywanie anomalii w obiegu palet

Wykrywanie anomalii porównuje bieżące operacje z typowym wzorcem zachowania danego kontrahenta lub lokalizacji. Jeśli firma, która zwykle zwraca 40-60 palet miesięcznie, nagle przestaje oddawać nośniki przez sześć tygodni, system oznacza to saldo jako odchylenie wymagające sprawdzenia - zamiast czekać, aż różnica urośnie do rozmiaru, który zauważy dopiero coroczna inwentaryzacja palet.

Ten sam mechanizm wychwytuje pojedyncze nieprawidłowości na poziomie dokumentu - na przykład sytuację, w której liczba palet wpisana na dokumencie wydania znacząco odbiega od średniej dla danego zlecenia, albo gdy jedna paleta pojawia się jednocześnie w dwóch różnych lokalizacjach magazynowych. Zamiast przeglądać ręcznie setki wpisów, operator dostaje krótką listę pozycji, które faktycznie warto sprawdzić.

Istotne jest to, że punktem odniesienia nie jest jedna, sztywna wartość graniczna wspólna dla wszystkich kontrahentów, tylko wzorzec wyliczony osobno dla każdego z nich. Inny próg naturalnej zmienności ma partner regularnie wymieniający kilkanaście palet tygodniowo, a inny klient składający jedno duże zamówienie raz na kwartał - dzięki temu system nie zgłasza fałszywych alarmów przy zwykłych wahaniach, które dla danego kontrahenta są normą.

Prognozowanie zapotrzebowania na nośniki

Prognozowanie zapotrzebowania analizuje historię dokumentów PZ i WZ z poprzednich tygodni i miesięcy, uwzględniając sezonowość zamówień i rotację palet u poszczególnych kontrahentów. Na tej podstawie system podpowiada, ile palet danego typu - EUR, EPAL czy nośników jednorazowych - firma powinna mieć w dyspozycji w najbliższych tygodniach, zanim brak nośników zatrzyma wysyłkę.

Prognoza uwzględnia też palety, które powinny wrócić od kontrahentów zgodnie z ustalonym terminem zwrotu. Dzięki temu dział zakupów wie wcześniej, czy niedobór da się pokryć oczekiwanymi zwrotami, czy trzeba zamówić dodatkowe nośniki - zamiast dowiadywać się o brakach dopiero w dniu załadunku.

Optymalizacja przestrzeni magazynowej i tras transportu

Druga grupa funkcji AI w Studio PWS.net dotyczy fizycznego rozmieszczenia nośników - w regale, na placu składowym i na trasie między punktami przeładunku.

Rozmieszczenie palet w magazynie

System analizuje częstotliwość, z jaką dany typ palety jest wydawany, i podpowiada, które nośniki warto trzymać bliżej rampy załadunkowej, a które - używane rzadziej - mogą zajmować dalsze lokalizacje. Ogranicza to czas, jaki magazynier spędza na przemieszczaniu się po hali podczas kompletacji wysyłki, i pozwala lepiej wykorzystać dostępną powierzchnię magazynu palet.

W praktyce oznacza to na przykład przeniesienie palet EPAL, które trafiają do jednego, dużego odbiorcy co tydzień, na lokalizacje najbliżej wjazdu na rampę, podczas gdy nośniki specjalistyczne wydawane raz na kwartał trafiają na wyższe poziomy regału. Rekomendacja aktualizuje się wraz ze zmianą wzorca wydań, więc nie trzeba ręcznie przeprojektowywać układu magazynu przy każdej zmianie sezonu.

Kolejność i trasy wydań palet

Gdy w ciągu dnia zaplanowanych jest kilka wydań do różnych kontrahentów, system podpowiada kolejność, która minimalizuje liczbę przejazdów wózka widłowego między lokalizacjami. Dane o trasie łączą się z dokumentem wydania, więc magazynier widzi nie tylko co ma wydać, ale też w jakiej kolejności najefektywniej to zrobić.

Przy planowaniu trasy system bierze pod uwagę nie tylko odległość między lokalizacjami, ale też priorytet zlecenia - wysyłka z ustalonym oknem czasowym u przewoźnika trafia na początek kolejki, nawet jeśli fizycznie znajduje się dalej od punktu startowego. Magazynier widzi jedną, uporządkowaną listę zamiast kilku osobnych zleceń do ręcznego uzgadniania.

Ta sama logika przydaje się przy projektowaniu obiegu opakowań zwrotnych na większą skalę - firmy śledzące pojemniki wielorazowe w kilku lokalizacjach jednocześnie korzystają z podobnych zasad przy projektowaniu WMS do śledzenia pojemników zwrotnych.

Automatyczne alerty i wsparcie decyzji magazyniera

Powiadomienia o przekroczonym saldzie lub zaległym zwrocie

Gdy saldo kontrahenta przekroczy ustalony próg albo minie termin zwrotu nośników zapisany na kwicie paletowym, system generuje powiadomienie do osoby odpowiedzialnej za dany rachunek. Zamiast ręcznie przeglądać zestawienie sald raz w tygodniu, dział logistyki reaguje w dniu, w którym problem faktycznie powstał.

Próg alertu ustawia się osobno dla różnych grup kontrahentów - inny dla stałego partnera z dużym obrotem, inny dla okazjonalnego odbiorcy. Dzięki temu system nie zasypuje zespołu powiadomieniami o drobnych, normalnych wahaniach salda, tylko sygnalizuje odchylenia, które faktycznie wymagają decyzji człowieka.

Raporty predykcyjne dla działu logistyki

Poza bieżącymi alertami system przygotowuje też zestawienia patrzące w przód - przewidywany stan nośników za dwa lub cztery tygodnie, listę kontrahentów, u których saldo rośnie szybciej niż zwykle, oraz szacowany koszt uzupełnienia floty palet. Raporty można eksportować albo przekazać bezpośrednio do arkusza używanego przez dział zakupów, podobnie jak przy standardowych zestawieniach opisanych w artykule o tym, jak działa program do rozliczania palet.

Zestawienie generowane jest automatycznie w ustalonym cyklu - najczęściej raz w tygodniu - i trafia do osoby odpowiedzialnej za zakupy nośników bez potrzeby ręcznego przygotowywania. Dzięki temu decyzja o zamówieniu dodatkowych palet zapada na podstawie tych samych, aktualnych danych, z których korzysta magazyn przy bieżącej ewidencji.

Jak wdrożyć funkcje AI w istniejącej gospodarce paletowej

Wdrożenie funkcji analitycznych nie wymaga osobnej infrastruktury ani zespołu data science po stronie klienta. Model uczy się na danych już zgromadzonych w systemie, więc im dłużej firma prowadzi ewidencję palet w Studio PWS.net, tym trafniejsze stają się podpowiedzi - pierwsze miesiące pracy systemu dostarczają danych treningowych, kolejne korzystają z coraz dokładniejszego rozpoznania wzorców.

Funkcje analityczne korzystają z tych samych danych, które Studio PWS.net wymienia z systemem ERP lub WMS używanym w firmie, więc nie trzeba budować osobnego kanału integracji na potrzeby samej sztucznej inteligencji. Jeśli firma już dziś rejestruje przyjęcia i wydania w module gospodarki paletowej, funkcje prognozy i wykrywania anomalii można włączyć bez zmian po stronie infrastruktury informatycznej.

Warunkiem trafnych podpowiedzi jest jakość danych wejściowych, nie ich ilość. Firma, która rzetelnie rejestruje każde przyjęcie i wydanie, zobaczy trafne prognozy szybciej niż firma z lukami w dokumentacji - dlatego wdrożenie AI zwykle zaczyna się od uporządkowania podstawowej ewidencji, a dopiero potem od włączenia modułów prognozy i wykrywania anomalii.

Funkcje AI wspierają decyzje, ale ich nie podejmują za magazyniera ani kierownika logistyki. System sygnalizuje odchylenie od normy i podpowiada prawdopodobną przyczynę, jednak to człowiek decyduje, czy kontrahenta trzeba wezwać do zwrotu, czy zamówić dodatkowe nośniki. Taki podział ról sprawdza się w praktyce lepiej niż w pełni automatyczne decyzje, bo pozostawia miejsce na wiedzę, której model nie ma - na przykład informację o trwającej renegocjacji umowy z danym kontrahentem.

Warto jasno powiedzieć, czego te funkcje nie robią: