Искусственный интеллект все глубже проникает во все сферы жизни и сектора экономики — в том числе и в логистику. Михаил Красильников, директор департамента разработки и внедрения систем искусственного интеллекта BIA Technologies, рассказывает, в каких направлениях этой отрасли сегодня используются инструменты на основе ИИ и какие задачи они помогают решать.
Управление запасами
Производителям необходимо отслеживать, количество сырьевых материалов, хранящихся на складе, и контролировать потребность их пополнения. Если заказ будет сделан слишком поздно, это может привести к простоям. Если слишком рано — потребуются складские площади для хранения излишков, что приведет к замораживанию средств, вложенных в продукцию или товары. При этом запасы могут иметь ограниченный срок хранения.
Чем точнее прогнозируется потребность в запасах, тем выше эффективность работы компании или ответственного подразделения. Важно отметить, что на сложном производстве необходимо закупать не один компонент, а сотни. При этом скорость их расходования может быть неравномерной. Ранее процесс закупки материалов основывался на анализе их расхода за предыдущие отчетные периоды, будь то месяц или год. На основании этих данных осуществлялось приобретение аналогичных объемов, что позволяло поддерживать уровень резервов. Однако, чем больше был временной интервал анализируемых расходов, тем менее гибким был процесс планирования запасов.
При таком «упрощенном» подходе неизбежно возникают или излишки, или дефицит, поскольку запасы не адаптируются к изменчивому спросу на продукцию. В свою очередь, добиться более точного планирования потребности в запасах и спрогнозировать спрос на конечную продукцию можно, применив современные инструменты с использованием нейросетевых методов. Сегодня их использование позволяет учесть множество внешних факторов, таких как сезонность спроса, погодные условия, макроэкономические условия и т. д.
Кроме того, нейросетевая аналитика с элементами визуального контроля — а именно — отслеживание по видеокамерам — помогает точнее анализировать остатки и прогнозировать требуемые объемы запасов на следующий период.
Определение периодичности техосмотров и обслуживания
Для планирования технического обслуживания (ТО) транспортных средств (ТС) и техники сегодня широко используются инструменты, включающие ИИ-алгоритмы. Применение таких ИТ-решений позволяет оптимизировать график ТО, минимизировать простои и обеспечить более эффективное использование ресурсов.
Рассмотрим простой пример, когда тормозные колодки имеют незначительные износ, допустим на 30%, обращаться за их заменой рано, и поездка на станцию технического обслуживания (СТО) лишь приведет к ненужным простоям, поскольку на это время ТС выключается из рабочего процесса. С другой стороны, когда износ компонентов достигает критического уровня, обращение в сервисный центр может оказаться запоздалым, что увеличивает риск возникновения аварий.
Таким образом, ключевой задачей становится определение оптимального периода обращения за ТО. Кроме того, опытные специалисты знают, что крайне важно учитывать и зависимость между различными узлами ТС: к примеру, если выходит из строя деталь А, это может привести к повреждению детали Б. А поскольку таких взаимосвязей компонентов много, мониторинг состояния агрегатов в ручном режиме крайне сложен, а если речь идет о большом автопарке, то задача становится еще труднее.
Основываясь на большом объеме данных, включающих регламентные требования, данные диагностик и информацию с датчиков, ИИ подсказывает необходимую периодичность техническое обслуживание, техосмотров и техподдержки, помогает спрогнозировать, когда потребуется ТО, а также определять его характер и объем. Таким образом, более точная информация о времени износа агрегатов, позволяет соблюсти баланс между риском аварийных ситуаций и эффективностью использования оборудования.
Ценообразование
В прошлом методы формирования цены товара зависели от себестоимости, а также государственной политики, которая регулировала вопросы удовлетворения потребительского спроса. Можно вспомнить, как в период Советского союза цена на промтовары наносилась сразу на производстве и не менялась годами. Вне зависимости от того, где продавалась сковородка, ее цена была уже проштампована на дне.
Сегодня цены и ассортимент товаров могут варьироваться в зависимости от местоположения магазинов, маркетинговых стратегий производителя продукции и компаний, занимающихся распространением и продажей. Это позволяет учитывать региональные особенности, предпочтения потребителей, управлять спросом и добиваться максимальной прибыли.
Основанные на искусственном интеллекте системы ценообразования делают возможным предлагать товары и устанавливать цены, ориентируясь на конкретного покупателя, создавая более индивидуализированное предложение. Например, на e-commerce площадках цены и рекомендации при поисковой выдаче, сортировка списка по релевантности предложения адаптируются под каждого клиента, исходя из наблюдения за его поведением на сайте. Не редко два покупателя с разной историей заказов и предпочтений могут получить на один и тот же товар разную цену.
И хотя в прошлом такие ИИ-модели были достаточно простыми, их точность постоянно повышается. Сейчас алгоритмы прогнозирования оптимальной цены и системы выдачи рекомендаций позволяют учитывать все больше нюансов, которые помогут селлерам продавать более выгодно. При этом удовлетворенность клиентов останется на высоком уровне, поскольку система им предложит более релевантный товар по хорошей цене, а если запасов много, то она может быть дополнительно откорректирована в сторону снижения.
Выстраивание сборочных процессов на складах и РЦ
Во время формирования и сборки заказов, сделанных на онлайн площадках, сотрудник с тележкой, а в некоторых компаниях уже даже робот, перемещаются по складу и собирают нужные позиции. При увеличении количества позиций в заказе значительно возрастает расстояние, которое они преодолевают. В свою очередь, это приводит к росту трудозатрат персонала, увеличивается и времени сборки. Даже на автоматизированных центрах, протяженность перемещения роботов имеет значение поскольку они расходуют энергию аккумуляторов, несут временные затраты, что также влечет за собой финансовые издержки.
Однако, оптимальное расположение товаров на стеллажах склада или распределительного центра, может сократить суммарный пробег и сотрудников, и складской техники.
Организация пространства и продуманное, учитывающее спрос и неочевидную взаимосвязь предпочтений потребителей размещение товаров на складе позволяет сократить пробег, что в свою очередь, приводит к уменьшению числа занятых в этом процессе сотрудников или роботов. Например, если до оптимизации для выполнения задач требовалось пять сборщиков, то после может потребоваться всего четыре, при этом они будут способны эффективно справляться с теми же объемами работы.
Оптимизация маршрутов
Важнейшая задача для логистической отрасли — оптимизация транспортных маршрутов, которая теперь также решается с помощью ИИ-инструментов. Когда транспортное средство объезжает адреса, критически важно, чтобы один сбой не повлиял на всю цепочку доставки. Например, если клиент отсутствует или решает отменить заказ, необходимо, чтобы машина все равно успела доставить груз к остальным адресатам вовремя.
Эти инструменты не только могут оптимально собрать груз, но и рассчитывают маршруты с учетом различных внешних факторов, таких как прогнозирование возможных заторов на дорогах. Например, если необходимо прибыть в определённую зону после 12:00 и уехать до 14:00, это позволяет избежать задержек в часы пик. Такой подход значительно повышает эффективность доставки и минимизирует риски, связанные с непредвиденными обстоятельствами.
В качестве примера успешного применения ИИ в логистике можно привести кейс из практики нашего клиента — крупной транспортной компании «Деловые Линии». Ранее среднее количество доставок на одну машину составляло 31, что означало, что каждая машина успевала за день объехать 31 адрес и обслужить 31 клиента. При наличии парка из 5 000 машин общее количество доставок в день достигало порядка 155 000.
После внедрения сервиса на основе ИИ для планирования доставки компания смогла более точно учитывать такие факторы, как пробки на дорогах, время погрузки и разгрузки, а также другие переменные, влияющие на эффективность маршрутов. В результате число доставок на одну машину увеличилось до 34, что при парке в 5 000 машин означает дополнительно 15 000 доставок ежедневно. Эта оптимизация не только увеличила количество доставок, но и значительно повысила общую эффективность логистических операций. Более того, улучшение планирования маршрутов позволило сократить время в пути и снизить нагрузку на водителей, что положительно сказалось на качестве обслуживания клиентов.
Планирование расписаний персонала
Работа на складах характеризуется неравномерной загрузкой, поскольку машины приходят нерегулярно, в зависимости от сезона, спроса, объемов услуг и других факторов. К примеру, они могут приехать в 5 утра, потом в 8, потом в 12, и на этом в данный день все. В результате простои персонала могут составлять 15 — 20 часов. Поэтому важно составлять графики работы таким образом, чтобы в периоды пиковой нагрузки на рабочем месте было максимальное число сотрудников, а в менее загруженные часы — минимальное.
Усложняет задачу и широкий набор специальностей. В одни моменты требуется, присутствие всего персонала, в другие — только определенные специалисты. ИИ может значительно улучшить процесс планирования расписаний, позволяя избежать неэффективного использования рабочего времени. Это выгодно как для компании, так и для сотрудников, особенно если они работают на условиях сдельной оплаты.
Прогнозирование стоимости перевозки
Стоимость транспортировки груза варьируется в зависимости от множества факторов, включая различия в стоимости аренды и обслуживания автомобилей, расходе топлива и изменениях в дорожном трафике в разные дни. Учет этих переменных позволяет оптимизировать затраты на перевозку.
К примеру, расчеты в некой компании показали, что перевозки произведенной продукции по определенному направлению по вторникам на 30% дешевле, чем в другие дни. Знание этой информации открывает возможность для оптимизации производственного процесса: целесообразно организовать выпуск партии товаров так, чтобы она была готова к отправке во вторник.
Раньше такие расчеты велись в основном в Excel или другими традиционными методами, но в последнее время все чаще отдается предпочтение инструментам с ИИ, которые обеспечивают более высокую точность и эффективность в анализе данных и планировании логистики.
Можно предполагать, что в ближайшие годы направления, в которых применяются решения на основе искусственного интеллекта, останутся прежними. Однако точность этих решений будет значительно повышаться благодаря развитию технологий и алгоритмов. Кроме того, вероятно, произойдет агрегация процессов: в настоящее время многие задачи решаются независимо, и следующим логичным шагом станет их интеграция. Это позволит обеспечить более слаженную работу всех систем, повысить общую эффективность логистических операций и улучшить взаимодействие между различными подразделениями компании.
