Optymalizacja algorytmu slottingu z wykorzystaniem AI
„Algorytm optymalizacji slottingu zwiększy efektywność magazynów o wysokiej rotacji produktów”
O projekcie badawczym
W magazynach o wysokiej rotacji produktów właściwe rozmieszczenie każdego artykułu oraz decyzja o momencie ich relokacji może mieć kluczowe znaczenie dla efektywności operacyjnej przedsiębiorstwa i zapobieganiu powstawania wąskich gardeł. Laboratorium Inteligentnych Systemów Logistycznych Instytutu MIT oraz Mecalux opracowują system oparty na AI służący do przypisywania lokalizacji towarom, który umożliwi magazynom natychmiastowe dostosowanie się do zmieniającego się zapotrzebowania.
Selene Silvestri oraz Sarah Schaumann, badaczki z Centrum Transportu i Logistyki na MIT, wyjaśniają, w jaki sposób ten wspólny projekt pomoże firmom optymalizować procesy operacyjne, obniżać koszty i lepiej reagować na zmienność rynku konsumenckiego.
-
Na czym polega projekt, nad którym pracujecie i jaki jest jego główny cel?
Selene Silvestri: Naszym celem jest usprawnienie procesu przydzielania miejsc składowania w magazynie. Mówiąc w skrócie, chcemy zrozumieć, kiedy i gdzie warto przemieścić towar w obiekcie, mając na uwadze zarówno zmiany zapotrzebowania, jak i parametry operacyjne.
System uczy się na podstawie danych, wspiera podejmowanie decyzji i zapewnia przejrzysty obraz tego, dlaczego produkty są umieszczane w określonych lokalizacjach oraz powód ich przemieszczania
-
Jakie korzyści dla funkcjonowania magazynu może przynieść system oparty na AI?
Sarah Schaumann: Celem algorytmu optymalizacyjnego jest obniżenie kosztów i skrócenie czasu przygotowania zamówień oraz ograniczenie pokonywanych odległości, zarówno przez człowieka, jak i robota, podczas procesu kompletacji. Opracowywana przez nas technologia uczy się na podstawie danych, wspiera podejmowanie decyzji i zapewnia przejrzysty obraz tego, dlaczego produkty są umieszczane w określonych lokalizacjach oraz powód ich przemieszczania.
Zastosowanie w projekcie technik uczenia maszynowego i generatywnej AI zmieni sposób funkcjonowania i zarządzania magazynami. Działanie to wpłynie również na ich rentowność, ponieważ inteligentniejsze rozmieszczenie towarów podnosi produktywność, pozwala ograniczyć poziom zapasów i zwiększyć zwrot z inwestycji.
-
W jaki sposób uczenie maszynowe pomaga optymalizować rozmieszczenie produktów w magazynie?
Naszą ideą jest opracowanie modelu hybrydowego, który połączy badania operacyjne z metodami uczenia maszynowego celem wykorzystania potencjału obu podejść Selene Silvestri: Jednym z kluczowych zastosowań uczenia maszynowego jest grupowanie produktów. Na podstawie danych historycznych dotyczących zamówień, technologia ta może identyfikować jednostki, które są często zamawiane razem. Dzięki temu algorytm umieszcza artykuły o wysokim stopniu powiązania bliżej siebie, skracając odległości pokonywane podczas procesu kompletacji. Ponadto system uwzględnia możliwość wystąpienia zatorów w magazynie i przyznaje niższy priorytet rozwiązaniom slottingu, które mogłyby prowadzić do gromadzenia się pracowników w jednym miejscu — działanie to ma na celu zapewnienie płynniejszego przepływu pracy.
-
Jak sztuczna inteligencja zoptymalizuje przydzielanie miejsc paletowych?
Sarah Schaumann: Tradycyjne metody często nie są wystarczająco elastyczne, aby odpowiednio reagować na zmiany rynkowe, sezonowość i różnorodność zamówień. Naszą ideą jest opracowanie modelu hybrydowego, który połączy badania operacyjne z metodami uczenia maszynowego celem wykorzystania potencjału obu podejść. Techniki te pozwalają zidentyfikować wzorce w danych magazynowych, które trudno wychwycić za pomocą tradycyjnych metod optymalizacyjnych. Podsumowując, nowy algorytm optymalizacji slottingu zwiększy wydajność operacyjną magazynów o wysokiej rotacji produktów.