همه در مورد هوش مصنوعی صحبت می کنند، اما کاربردهای بالقوه آن برای انبارداری و زنجیره تامین چیست؟ ادوارد ناپیر-فنینگ، مدیر فروش و بازاریابی شرکت پیشرو نرم افزار زنجیره تامینبالون، پنج حوزه کلیدی را بررسی می کند که می تواند عملکرد را افزایش دهد - از جمله برنامه ریزی مسیر، انتخاب، گزارش مدیریت نیروی کار و ورود داده ها.
#Freightforgerer #DoortoDoor #Amazon #Export #AirFreight #Jordanshipping #ChinashippingtoJordan #Jordanairfreight #Jordantrading #Jordan #Aqabashipping
حمل و نقل بار 3pl dropshipping DoortoDoor نمایندگی AirFreight نمایندگی اردن حمل و نقل چین مرکز انجام نمایندگی حمل و نقل
حمل و نقل هوایی لجستیک kapoklog از چین به بریتانیا DoortoDoor Amazon ExportAirFreight حمل و نقل اردن حمل و نقل چینی به اردن کشتی باربری جردن
化妆品 沙特空运-海运双清
مستحضرات التجميل، خدمة النقل الجوي من الباب إلى الباب في المملكة العربية السعودية
خدمات آرایشی و بهداشتی، عربستان سعودی به صورت هوایی و دریایی خدمات درب به درب
#نماینده خرید چین #نماینده حمل و نقل چینی #چینی دراپشیپینگ #خرید چینی
#تکمیل مرکز #بازاریابی آنلاین #3pl #dropshipping #doortodoor #تلفیقی حمل و نقل #chinashipping #freightforwarderchina #doortodoo #consolidationshipping #chinashipping #DDP #以色列 #约旦双清 #巴勒中东地区问题 #中东局势 #约旦门到门 #约旦物流#约旦DDP #约旦双清包税 #约旦海运 #约旦空运 #约旦海派 #约旦专线
شنژن کاپوکلوگ تدارکات عربستان سعودی از درب به درب DDP
DDP چین به عربستان سعودی
شنژن kapoklog لجستیک دبی ترخیص سفارشی درب به درب خدمات DDP
DDP چین به دبی
Shenzhen kapoklogLogistics Co., Ltd
شنژن kapoklog تدارکات قطر ترخیص سفارشی درب به در خط DDP
DDP چین به قطر
شنژن kapoklog تدارکات پاکستان DDP
DDP چین به پاکستان
شنژن kapoklog لجستیک اردن ترخیص کالا از گمرک درب به در DDP چین به اردن
شنژن kapokloglogistics مصر ترخیص دو برابر سفارشی درب به در DDP
ترخیص سفارشی لجستیک شنژن kapoklog جده، DDP جده، حمل و نقل DDP از چین به جده
Shenzhen Kapoklog لجستیک عمان ddp، چین به عمان DDP، عمان حمل و نقل DDP
شنژن kapoklog ترخیص کالا از گمرک عراق، چین به عراق DDP
شنژن کاپوکلوگ تدارکات اسرائیل ترخیص کالا از گمرک DDP , چین به اسرائیل درب به در , اسرائیل درب به در , چین به اسرائیل DDP
کاملاً ناگهانی، هوش مصنوعی (AI) همه جا را فرا می گیرد. مانند روزهای اولیه بسیاری از فناوری‌های انقلابی دیگر، ادعاهای زیادی وجود دارد، و بسیاری از مواردی که در حال حاضر به عنوان «دارای هوش مصنوعی» تبلیغ می‌شوند، در واقع فقط دنباله‌ای از الگوریتم‌های بسیار سریع و بسیار هوشمندانه هستند که از منطق پیروی می‌کنند. مسیرهای طراحی شده توسط انسان توانایی پردازش مقادیر عظیمی از "داده های بزرگ" با سرعت رعد و برق چشمگیر و بسیار ارزشمند است، اما به خودی خود هوش مصنوعی را تشکیل نمی دهد. هوش مصنوعی واقعی این توانایی را دارد که از داده های تاریخی و از فعالیت های جاری یاد بگیرد و به تعبیری الگوریتم های خود را بازنویسی کند.
سرعت توسعه هوش مصنوعی در حال افزایش است و ما می‌توانیم برخی از حوزه‌های کلیدی در انبارداری و تدارکات را ببینیم که می‌توان از آن استفاده کرد.
1. برنامه ریزی مسیر پیشرفته
تا به حال یک راننده با یک مسیر ثابت حرکت کرده است، شاید یک دور معمولی، یا یک یا دو روز قبل برنامه ریزی شده باشد، و این به عهده اوست که بهترین واکنش را در برابر تصادف، ترافیک یا رویدادهای دیگر انجام دهد. همانطور که و زمانی که اینها بوجود می آیند. اکنون، مدیریت ترافیک را می توان در زمان واقعی به منابعی مانند Google مرتبط کرد، و نه تنها برای حل مشکل فعلی، بلکه با استفاده از یادگیری آن برای پیش بینی محل احتمال وقوع تراکم، که به طور عجیبی اغلب در این مورد نیست، استفاده می کند. محل حادثه واقعی این یک توصیه اجتنابی قوی‌تر می‌کند و کمک می‌کند تا تحویل به انبار و از انبار طبق برنامه انجام شود.
این رویکرد برای برنامه‌ریزی مسیر می‌تواند همراه با بارگذاری پویا کار کند. در حال حاضر، در ابتدای روز، یا در نقطه ای که رانندگان و مسیرها باید برای عملیات روز بعد تعمیر شوند، پرونده سفارش کاملی وجود ندارد. بنابراین، مسیر ممکن است شامل مقاصدی باشد که واقعاً در آنها جابه‌جایی انجام نمی‌شود، یا مواردی را که می‌توانستند مفید باشند، کنار بگذارد. سیستم های هوشمند می توانند به طور مداوم مسیرها را با ایجاد نمایه سفارش، مجدداً برنامه ریزی، اصلاح و بهینه کنند. این به نوبه خود می تواند به موضوع بعدی، یعنی انتخاب کارآمد سفارش کمک کند، که البته مشکلات مسیریابی و مسیریابی خاص خود را دارد.
2. چیدن کارآمد
بسیاری از نویزهای پیرامون هوش مصنوعی در زنجیره تامین مربوط به مسائلی مانند موجودی و سفارش است. بهبود در اینجا به وضوح مهم است، اما ما به سختی شروع کرده‌ایم که چگونه انبار را کارآمدتر اداره کنیم، جایی که برخی از هزینه‌های کار و اداری واقعاً بزرگ است - و همچنین پس‌اندازهای بالقوه.
بهینه‌سازی مسیر انتخاب یک موضوع داغ در انبارداری است، اگرچه در پایین‌ترین حد این موضوع چیزی بیشتر از قرار دادن سفارش‌ها در یک دنباله و خرد کردن آنها به بلوک‌های کاری است. خیلی خوب است که بتوانیم این کار را خیلی سریع انجام دهیم، اما هوش مصنوعی واقعی شروع به بررسی هوشمندانه‌تر به کل وضعیت کرده است: جایی که کالاها در انبار هستند، چه کالاهایی را می‌توان یا نمی‌توان روی یک چرخ دستی یا کانتینر معین ترکیب کرد ( و اینکه آن کانتینرها کجا هستند)، اولویت‌بندی‌ها چیست (که پیوندهای واضحی به سؤال مسیریابی بالا دارد)، و بنابراین کارآمدترین روال‌های انتخاب ممکن را ایجاد می‌کند.
هوش مصنوعی می‌تواند انتخاب و عملکرد استراتژی‌های انتخاب را بهبود بخشد - و بهینه ممکن است بسته به نوع کالا یا حتی زمان روز متفاوت باشد. استراتژی ها بسیار و متنوع هستند: به عنوان مثال انتخاب دسته ای، که شامل پیاده روی یک مسیر، انتخاب یک SKU در یک زمان برای دسته ای از سفارشات است. یا می‌تواند انتخاب منطقه‌ای یا «خوشه‌ای» باشد که در آن اپراتور تمام SKUها را در یک «منطقه» برای دسته‌ای از سفارش‌ها انتخاب می‌کند و کالا (با یا بدون آن عامل) سپس به منطقه بعدی می‌رود.
انتخاب خوشه‌ای معمولاً کارآمدتر است، اما نیاز به بهینه‌سازی چیدمان کالاها در انبار دارد، به طوری که احتمالاً کالاها در همان سفارش‌ها با هم گروه‌بندی می‌شوند و سفارش‌ها حول پروفایل‌های مشابه دسته‌بندی می‌شوند. همچنین به این معنی است که سفارش‌ها لزوماً به ترتیب زمانی دقیق انتخاب نمی‌شوند، یعنی بر اساس زمان حرکت مسیر تحویل، و بنابراین در معرض تأخیر ازدحام هستند، شاید به دلیل راهروهای باریک یا نیاز به جدا کردن عابران پیاده از کامیون‌ها و ماشین آلات دیگر
با کار با مشتری Pets Corner، Balloon در حال توسعه یک مدل خوشه‌بندی سفارش کلی است که می‌تواند به عنوان یک تابع وب مبتنی بر ابر عمل کند. تکنیک جدید زمان لازم برای انتخاب موج سفارشات را تا 38 درصد تسریع کرده است. این رویکرد به شدت از هیچ هوش مصنوعی توسعه‌یافته‌ای استفاده نمی‌کند، اما ما به راحتی می‌توانیم ببینیم که هوش مصنوعی می‌تواند در حال حاضر بهبودهای قابل توجهی را در طرح و عملکرد انتخاب سفارش و انتخاب مناسب‌ترین استراتژی برای آن سفارش‌ها انجام دهد. به عنوان مثال، ما در حال کار بر روی روش هایی هستیم که از طریق آنها می توان این رویکرد را به سفارشات چند خطی و برای داشتن "نقاط شروع" برای انتخاب مسیرها در مکان های مختلف در انبار گسترش داد. این به سرعت نسبتاً پیچیده می‌شود و هوش مصنوعی در انجام کارها بسیار مفید خواهد بود.
یکی از منابع کارآمدی این است که عملیات نباید تا این حد به فرآیندهای «استاندارد» محدود شود، که گاهی اوقات ممکن است ضروری نباشد. یک مثال کوچک، کارهایی است که اخیراً برای Birlea انجام دادیم. این شرکت یک رویه مرسوم داشت که به موجب آن به کالاهای انتخاب شده یک برچسب "WMS" داده می شود که نشان دهنده ترتیبی است که به آنها اختصاص داده شده است، و برای بررسی و بسته بندی مجدد ارسال می شوند و پس از آن برچسب "حامل" متفاوتی به آنها داده می شود. اما وسایل مبلمان آنها نیازی به بررسی یا بسته بندی مجدد ندارند. ثابت شد که حذف برچسب WMS برای این کالاها و برنامه ریزی مجدد SQL به طوری که سیستم فکر کند برچسب حامل همان برچسب WMS است که در این مرحله انتظارش را داشت. این به خودی خود نیازی به هوش مصنوعی ندارد، اما به راحتی می توان سیستم های هوش مصنوعی را تصور کرد که می توانند یاد بگیرند که برای یک مورد خاص، فرآیندهای خاصی اضافی هستند و می توان آنها را حذف کرد - بدون خطر تماس اپراتور انسانی.
3. مدیریت کار موثرتر
در شرایط کنونی، بزرگترین چالش برای افزایش کارایی این است که در کجا باید نیروی کار کمیاب و گران قیمت را تخصیص داد. یک مرکز با نرم‌افزار مدیریت انبار (WMS) و سایر سیستم‌ها باید مقدار زیادی از داده‌ها را از انتها به انتها داشته باشد: آنچه در دریافت، کنار گذاشتن، انتخاب، پر کردن و غیره اتفاق می‌افتد. این باید به اپراتور بگوید که آنها باید افراد خود را در کجا قرار دهند، اما پیچیده است. یک WMS سنتی تا حدی این کار را مدیریت می‌کند، اما به شدت به افرادی که داده‌ها را ایجاد می‌کنند، وارد می‌کنند و نگهداری می‌کنند، از زمان‌های استاندارد برای عناصر کار گرفته تا افرادی که مجاز به انجام وظایف خاص هستند و غیره متکی است.
تا حدودی ما می‌توانیم کالاها، فعالیت‌ها و منابع را با استفاده از سوابق تاریخی و جمع‌آوری داده‌های کنونی به طور مؤثرتری به کار ببریم تا بتوانیم مدل‌های مدیریت کار پیچیده‌تری را فراهم کنیم. اما هوش مصنوعی مطمئناً می‌تواند سهم بیشتری در استخراج داده‌ها از منابع مختلف و درک آن داشته باشد.
زمانی که شرکت‌ها استفاده از روباتیک را در قالب «کوبات‌ها» - ماشین‌هایی که به صورت مشترک با مردم کار می‌کنند - استفاده می‌کنند، استقرار مؤثر اهمیت بیشتری پیدا خواهد کرد. این شاید مخصوصاً برای SMEها مناسب باشد، که به طور فزاینده ای می توانند این نوع اتوماسیون را بپردازند، و نیاز دارند که بسیار انعطاف پذیرتر از سیستم های خودکار بزرگ «کالا به فرد» که توسط عملیات بزرگ اداره می شوند، باشد. برای مثال، کارگران را می‌توان با یک دستگاه بلوتوث «برچسب» کرد تا هم نسبت به موقعیت فعلی یا مورد نظر یک ربات و هم موقعیت و وضعیت فعلی اولویت‌بندی‌ها را پیدا کند، اما استفاده کامل از این امر مستلزم سیستم‌های هوشمند است.
ما استفاده از هوش مصنوعی برای بهبود کارایی نیروی کار را در درجه اول در مورد کاهش تعداد کار نمی دانیم. بلکه در مورد حذف "زمان مرده" و فعالیت های غیرمولد مانند راه رفتن از یک سر انبار به سر دیگر است. بدیهی است که این کار بهره‌وری را بهبود می‌بخشد، اما همچنین اگر نیمی از زمان خود را بیکار نگذرانند و نیمی دیگر را در عجله و عجله سپری نکنند که باعث می‌شود کارکنان هم احساس خستگی و هم کم‌ارزش شدن کنند، نگهداری افراد خوب آسان‌تر است.
4. گزارش و تجزیه و تحلیل دقیق تر
Balloon به طور فعال در به کارگیری هوش مصنوعی در فضای زنجیره تامین مشارکت دارد. فعالیت در این بخش به سرعت در حال رشد است. باید به خاطر داشت که محیط هر کس متفاوت است، به خصوص در میان SMEها، که یکی از دلایلی است که توانایی هوش مصنوعی برای یادگیری از موقعیت، به جای پردازش یک الگوریتم مشتق شده خارجی، بسیار جذاب است. نکته دیگر این است که بسیاری از داده‌ها مبتنی بر متن هستند، بنابراین یکی از کارهایی که ما انجام می‌دهیم این است که داده‌ها را از چندین منبع به یک بسته تحلیلی مایکروسافت با یک مدل داده که به سیستم می‌گوید چگونه داده‌ها را به اشیاء مختلف مرتبط کند، بکشیم. ما می‌توانیم یک داشبورد ایجاد کنیم و در کنار آن می‌توانیم برخی از قابلیت‌های نوع ChatGPT را لایه‌بندی کنیم - «نشان دادن نمودار دایره‌ای از کارکنانم که به صورت روزانه و شخصی انتخاب می‌کنند» - بنابراین مدیران مجبور نباشند از IT بخواهند تا برایشان گزارش بسازد.
سیستم‌های مبتنی بر هوش مصنوعی می‌توانند بسیاری از هزینه‌ها و بار نگهداری سوابق دستی و تجزیه و تحلیل را بردارند، بدون اینکه به حذف (یا حداقل شناسایی) خطاهایی که به طور اجتناب‌ناپذیر در سیستم‌های دستی ایجاد می‌شوند اشاره کنیم. در نهایت حتی ممکن است صرفه‌جویی در ادغام تمام سیستم‌های مختلفی که عملیات انبار و توزیع استفاده می‌کنند صرفه‌جویی شود: هوش مصنوعی ممکن است قادر باشد به‌جای داشتن شخصی به سختی، نحوه دریافت داده‌ها را از یک سیستم به سیستم دیگر، با وجود فرمت‌های ظاهراً ناسازگار، «یاد بگیرد». برای هر اتفاقی کد بنویسید
5. تشخیص تصویر پیشرفته و کاهش کلید مجدد
هوش مصنوعی در حال حاضر در اینجا تفاوت ایجاد کرده است، به عنوان مثال در ورود داده ها، از جمله تشخیص کاراکتر نوری و تصویراسکن کردن- معنا بخشیدن به آن، ارتباط آن با سایر عناصر سیستم، و به ویژه در جستجوی خطاها و مغایرت ها. این ممکن است تفاوت کمیت بین سفارش فروش و یادداشت انتخاب مربوطه باشد. یا ممکن است آدرس تحویلی باشد که وجود ندارد یا منطقی نیست: در این صورت ممکن است بتوان هوش مصنوعی را پیکربندی کرد تا پیشنهادات هوشمندانه‌ای در مورد آدرسی که باید باشد، قبل از اینکه راننده تحویل‌دهنده بر روی یک غاز وحشی حرکت کند، پیکربندی شود. تعقیب.
بنابراین چیزهای زیادی در مورد هوش مصنوعی در محیط انبار اتفاق می افتد. در حال حاضر چشم انداز مجموعه ای از پیشرفت های کوچک است که به افراد کمک می کند تا بخش هایی از هوش مصنوعی را در عملیات خود قرار دهند، اغلب برای شروع فقط با حذف قطعات کوچکتر کار در رابط بین سیستم ها، که به عنوان مثال، اختلاف داده ها در آن ظاهر می شود. اما این تکه تکه مطمئناً در یک زمان نسبتاً کوتاه به هم می پیوندند.
این با رویکرد خود Balloon مطابقت دارد که به موجب آن تیم نوآوری ما جیب‌های کوچکی از عملکردهای پیشرفته را هدف قرار می‌دهد، خوشه‌بندی یکی از اولین‌هاست، و یکی از مواردی است که قبلاً شاهد افزایش بهره‌وری در سایت‌های مشتریان بوده‌ایم.
مدیریت انبار با ورودی داده های متعدد و تصمیم گیری ها و سناریوهای خروجی متعدد مشخص می شود. اینها فراتر از توانایی مدیران انسانی برای بهینه سازی قوی و به موقع است، در حالی که رویکردهای الگوریتمی سنتی بر فرضیات و ساده سازی هایی تکیه می کنند که اغلب همیشه یا کاملاً معتبر نیستند. در همین حال، نیروی کار کمیاب ممکن است نشسته و منتظر بمانند که چه کاری انجام دهند. هوش مصنوعی قول داده است که ابزارهایی را برای حل این مشکلات فراهم کند.
