Semua orang membicarakan tentang Kecerdasan Buatan, namun apa potensi penerapannya pada pergudangan dan rantai pasokan? Edward Napier-Fenning, Direktur Penjualan & Pemasaran perusahaan perangkat lunak rantai pasokan terkemukaBalon, mengeksplorasi lima bidang utama yang dapat meningkatkan kinerja – termasuk perencanaan rute, pengambilan, pelaporan manajemen tenaga kerja, dan entri data.
#Freightforwarder #DoortoDoor #Amazon #Ekspor #AirFreight #Jordanshipping #ChinashippingtoJordan #Jordanairfreight #Jordantrading #Jordan #Aqabashipping
Freight forwarder 3pl dropshipping DoortoDoor AirFreight agen Jordan pengiriman pusat pemenuhan agen pengiriman Cina
kapoklog logistik angkutan udara dari Cina ke Inggris DoortoDoor Amazon EksporAirFreight Jordan pengiriman ChinashippingtoJordan Jordanairfreight ship
化妆品 沙特空运-海运双清
مستحضرات التجميل، خدمة النقل الجوي من الباب إلى الباب في المملكة العربية السعودية
Kosmetik, Saudi melalui udara dan laut layanan door to door
#chinapurchasingagent #chinshippingagent #chinadropshipping #chinashippinglogistics
#fulfillmentcenter #onlinemarketing #3pl #dropshipping #doortodoor #consolidationshipping #chinashipping #freightforwarderchina #doortodoo #consolidationshipping #chinashipping #DDP #以色列 #约旦双清 #巴勒斯坦 #巴勒斯坦局势 #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
Logistik kapoklog Shenzhen Arab Saudi bea jelas dibayar DDP dari pintu ke pintu
DDP Tiongkok ke Arab Saudi
Shenzhen kapoklog logistik Dubai custom clearance layanan door to door DDP
DDP Cina ke Dubai
Shenzhen kapoklogLogistics Co., Ltd
Shenzhen kapoklog logistik Qatar custom clearance pintu ke pintu jalur DDP
DDP Tiongkok ke Qatar
Shenzhen kapoklog logistik Pakistan DDP
DDP Tiongkok ke Pakistan
Logistik kapoklog Shenzhen Jordan izin bea cukai dari pintu ke pintu DDP Cina ke Yordania
Shenzhen kapokloglogistics Mesir izin bea cukai ganda dari pintu ke pintu DDP
Logistik kapoklog Shenzhen bea cukai Jeddah, DDP Jeddah, pengiriman DDP Tiongkok ke Jeddah
Shenzhen Kapoklog logistik Oman ddp, Cina ke Oman DDP, pengiriman DDP Oman
Izin bea cukai Irak kapoklog Shenzhen, DDP Tiongkok ke Irak
Shenzhen Kapoklog Logistik Israel Custom Clearance DDP, Tiongkok ke Israel dari Pintu ke Pintu, Israel dari Pintu ke Pintu, Tiongkok ke Israel DDP
Tiba-tiba, Kecerdasan Buatan (AI) ada dimana-mana. Seperti halnya masa-masa awal banyak teknologi revolusioner lainnya, terdapat banyak klaim yang berlebihan, dan banyak dari apa yang saat ini disebut-sebut sebagai 'berkemampuan AI' sebenarnya hanyalah serangkaian algoritma, yang memang sangat cepat dan sangat cerdas, yang mengikuti alur logika. jalur yang dirancang oleh manusia. Kemampuan untuk memproses 'data besar' dalam jumlah besar dengan kecepatan kilat memang mengesankan dan sangat berharga, namun hal ini tidak dengan sendirinya merupakan Kecerdasan Buatan. True AI memiliki kemampuan untuk belajar dari data historis dan aktivitas saat ini, dan, dalam arti tertentu, menulis ulang algoritmanya sendiri.
Laju perkembangan AI semakin cepat dan kita sudah melihat beberapa bidang utama di bidang pergudangan dan logistik di mana AI dapat diterapkan.
1. Perencanaan rute yang ditingkatkan
Sampai saat ini seorang pengemudi telah berangkat dengan rute yang tetap, mungkin rute reguler, atau rute yang direncanakan satu atau dua hari sebelumnya, dan terserah pada dia untuk menentukan respon terbaik terhadap kecelakaan, kemacetan lalu lintas atau kejadian lainnya. kapan dan kapan hal ini muncul. Kini, pengelolaan lalu lintas dapat dihubungkan secara real-time ke sumber daya seperti Google, yang tidak hanya menyelesaikan masalah saat ini, namun juga menggunakan pembelajarannya untuk memprediksi di mana kemacetan akan terjadi, yang anehnya sering kali tidak terjadi. lokasi kejadian sebenarnya. Hal ini membuat rekomendasi penghindaran menjadi lebih kuat dan membantu menjaga pengiriman ke dan dari gudang sesuai jadwal.
Pendekatan terhadap perencanaan rute ini dapat berjalan seiring dengan pembangunan beban dinamis. Saat ini, belum ada file pesanan lengkap di awal hari, atau di titik di mana pengemudi dan rute harus diperbaiki untuk operasional hari berikutnya. Oleh karena itu, rute tersebut mungkin mencakup tujuan di mana sebenarnya tidak ada penurunan yang dapat dilakukan, atau mengabaikan penurunan yang sebenarnya dapat dilakukan. Sistem cerdas dapat terus merencanakan ulang, memodifikasi, dan mengoptimalkan rute seiring dengan bertambahnya profil pesanan. Hal ini pada gilirannya dapat membantu topik berikutnya, yaitu pengambilan pesanan yang efisien, yang tentu saja memiliki masalah jalur dan rutenya sendiri.
2. Pemetikan yang efisien
Banyak kebisingan seputar AI dalam rantai pasokan berkaitan dengan masalah seperti inventaris dan pemesanan. Perbaikan dalam hal ini jelas penting, namun kami baru saja membahas bagaimana cara menjalankan gudang dengan lebih efisien, dimana terdapat biaya tenaga kerja dan administrasi yang sangat besar – serta potensi penghematan.
Pengoptimalan jalur pengambilan adalah topik hangat di pergudangan, meskipun pada tingkat rendah, hal ini tidak lebih dari sekadar menempatkan pesanan secara berurutan dan membaginya menjadi blok-blok pekerjaan. Sangat menyenangkan untuk dapat melakukan hal ini dengan sangat cepat, namun AI yang sebenarnya mulai dapat melihat keseluruhan situasi dengan lebih cerdas: di mana barang berada di gudang, barang apa yang dapat atau tidak dapat digabungkan pada troli atau kontainer tertentu ( dan di mana kontainer tersebut berada), apa urutan prioritasnya (yang memiliki hubungan jelas dengan pertanyaan rute di atas), dan dengan demikian membangun rutinitas pengambilan yang paling efisien.
AI akan dapat meningkatkan pilihan dan pengoperasian strategi pengambilan – dan strategi pengambilan yang optimal mungkin berbeda tergantung pada jenis barang, atau bahkan waktu. Strateginya banyak dan beragam: misalnya pengambilan batch, yang melibatkan berjalan di suatu rute, memilih satu SKU dalam satu waktu untuk sejumlah pesanan. Atau bisa juga pengambilan zonal atau 'cluster' di mana operator mengambil semua SKU dalam satu 'zona' untuk sejumlah pesanan, dan tote (dengan atau tanpa operator tersebut) kemudian berpindah ke zona berikutnya.
Pengambilan cluster biasanya lebih efisien namun memerlukan tata letak barang di gudang yang dioptimalkan, sehingga barang yang paling mungkin muncul dalam pesanan yang sama dikelompokkan bersama, dan pesanan dikelompokkan berdasarkan profil yang serupa. Hal ini juga berarti bahwa pesanan tidak harus diambil berdasarkan urutan kronologis, yaitu berdasarkan waktu keberangkatan dari rute pengiriman, sehingga rentan terhadap penundaan kemacetan, mungkin karena lorong yang sempit atau kebutuhan untuk memisahkan pejalan kaki dari truk dan truk. mesin lainnya.
Bekerja sama dengan klien Pets Corner, Balloon telah mengembangkan model pengelompokan pesanan tujuan umum, yang dapat beroperasi sebagai fungsi web berbasis cloud. Teknik baru ini telah mempercepat waktu yang dibutuhkan untuk memilih gelombang pesanan sebesar 38%. Pendekatan ini tidak sepenuhnya menggunakan AI yang dikembangkan, namun kita dapat dengan mudah melihat bahwa AI dapat memungkinkan peningkatan signifikan lebih lanjut baik dalam tata letak dan pengoperasian pengambilan pesanan serta pemilihan strategi yang paling tepat untuk pesanan tersebut, saat ini. Misalnya, kami sedang mencari cara agar pendekatan ini dapat diperluas ke pesanan multi-jalur, dan memiliki 'titik awal' untuk memilih rute di berbagai tempat di gudang. Hal ini dengan cepat menjadi rumit, dan AI akan sangat membantu dalam menyelesaikan masalah.
Salah satu sumber efisiensi adalah bahwa operasional tidak perlu terlalu terikat dengan proses 'standar', yang terkadang tidak diperlukan. Contoh kecilnya adalah beberapa pekerjaan yang baru-baru ini kami lakukan untuk Birlea. Perusahaan ini mempunyai prosedur konvensional dimana barang yang diambil diberi label 'WMS' yang menunjukkan urutan penempatannya, dan dikirim untuk diperiksa dan dikemas ulang, setelah itu barang tersebut diberi label 'pembawa' yang berbeda. Namun perabot mereka tidak perlu diperiksa atau dikemas ulang. Hal ini terbukti memungkinkan untuk menghilangkan label WMS untuk barang-barang ini, dan memprogram ulang SQL sehingga sistem menganggap label pembawa adalah label WMS yang diharapkan pada saat ini. Hal ini tidak memerlukan AI, namun mudah untuk membayangkan sistem AI yang dapat belajar mengenali bahwa untuk item tertentu, proses tertentu bersifat mubazir dan dapat dihilangkan – tanpa risiko operator manusia melakukan kesalahan.
3. Manajemen ketenagakerjaan yang lebih efektif
Dalam kondisi saat ini, tantangan terbesar untuk meningkatkan efisiensi adalah bagaimana mengalokasikan tenaga kerja yang langka dan mahal. Sebuah fasilitas dengan Perangkat Lunak Manajemen Gudang (WMS) yang baik dan sistem lainnya harus memiliki banyak data dari ujung ke ujung: apa yang terjadi dalam penerimaan, penyimpanan, pengambilan, pengisian ulang, dan sebagainya. Hal ini seharusnya memberi tahu operator di mana mereka harus menempatkan orang-orangnya, namun ini rumit. WMS tradisional mengatur hal ini, sampai titik tertentu, namun sangat bergantung pada orang yang membuat, memasukkan dan memelihara data, mulai dari waktu standar untuk elemen pekerjaan, hingga siapa yang diperbolehkan melakukan tugas tertentu, dan seterusnya.
Sampai batas tertentu, kita sudah mampu mengatur barang, aktivitas, dan sumber daya secara lebih efektif dengan menggunakan catatan sejarah dan pengambilan data terkini untuk memungkinkan model manajemen tenaga kerja yang lebih kompleks. Namun AI tentu saja dapat memberikan kontribusi lebih lanjut dalam menarik data dari berbagai sumber dan memahaminya.
Penerapan yang efektif akan menjadi lebih penting ketika perusahaan mulai menggunakan robot dalam bentuk 'cobot' – mesin yang bekerja secara kolaboratif dengan manusia. Hal ini mungkin khususnya relevan bagi UKM, yang semakin mampu membeli otomatisasi jenis ini, dan membutuhkannya agar lebih fleksibel dibandingkan sistem otomatis 'barang-ke-orang' yang dioperasikan oleh operasi besar. Misalnya, pekerja dapat 'ditandai' dengan perangkat Bluetooth untuk menemukan lokasi mereka relatif terhadap posisi robot saat ini atau yang diinginkan serta posisi dan status pesanan prioritas saat ini, namun untuk memanfaatkan hal ini sepenuhnya memerlukan sistem cerdas.
Kami tidak melihat penggunaan AI untuk meningkatkan efisiensi tenaga kerja hanya bertujuan untuk mengurangi jumlah karyawan. Melainkan tentang menghilangkan 'waktu mati', dan aktivitas non-produktif seperti berjalan dari satu ujung gudang ke ujung lainnya. Tentu saja, hal ini meningkatkan produktivitas, namun juga lebih mudah untuk mempertahankan orang-orang baik jika mereka tidak menghabiskan separuh waktu mereka dengan menganggur dan separuh lainnya dalam keadaan terburu-buru, yang dapat membuat staf merasa lelah dan kurang dihargai.
4. Pelaporan dan analisis yang lebih akurat
Balloon secara aktif terlibat dalam penerapan AI di ruang rantai pasokan. Aktivitas di sektor ini berkembang pesat. Harus diingat bahwa lingkungan setiap orang berbeda, terutama di kalangan UKM. Hal ini merupakan salah satu alasan mengapa kemampuan AI untuk belajar dari situasi, dibandingkan hanya memproses algoritma yang diturunkan secara eksternal, sangatlah menarik. Pertimbangan lainnya adalah sebagian besar data berbasis teks, jadi salah satu hal yang kami lakukan adalah menarik data dari berbagai sumber ke dalam paket analitik Microsoft dengan model data yang memberi tahu sistem cara menghubungkan data ke objek berbeda. Kita dapat membuat dasbor dan yang lebih penting lagi, kita dapat melapisi beberapa fungsi tipe ChatGPT – 'tunjukkan diagram lingkaran yang dipilih staf saya berdasarkan hari dan orang' – sehingga manajer tidak perlu meminta TI untuk membuatkan laporan kepada mereka.
Sistem berbasis AI dapat meringankan banyak biaya dan beban pencatatan dan analisis manual, belum lagi menghilangkan (atau setidaknya mendeteksi) kesalahan yang pasti muncul dalam sistem manual. Pada akhirnya, mungkin ada penghematan yang bisa didapat dalam mengintegrasikan semua sistem berbeda yang digunakan oleh operasi gudang dan distribusi: AI mungkin bisa 'belajar' bagaimana cara memindahkan data dari satu sistem ke sistem lainnya, meskipun formatnya tampaknya tidak kompatibel, daripada harus bekerja keras dengan seseorang. menulis kode untuk setiap kemungkinan.
5. Peningkatan pengenalan gambar dan pengurangan pengekuncian ulang
AI sudah membuat perbedaan di sini, misalnya dalam entri data, termasuk Pengenalan Karakter Optik dan gambarpemindaian– memahaminya, menghubungkannya dengan elemen lain dalam sistem, dan khususnya dalam mencari kesalahan dan ketidaksesuaian. Itu mungkin perbedaan kuantitas antara pesanan penjualan dan catatan pengambilan yang relevan; atau mungkin alamat pengiriman yang tidak ada atau tidak masuk akal: dalam hal ini AI dapat dikonfigurasi untuk memberikan saran cerdas tentang alamat yang seharusnya, sebelum pengemudi pengiriman berangkat dengan sia-sia mengejar.
Jadi ada banyak hal yang terjadi dengan AI di lingkungan gudang. Saat ini, lanskap tersebut merupakan gabungan dari pengembangan-pengembangan kecil yang membantu manusia untuk menyesuaikan AI ke dalam operasi mereka, seringkali dimulai dengan hanya menghilangkan bagian-bagian kecil dari pekerjaan pada antarmuka antar sistem, yang mana, misalnya, perbedaan data cenderung muncul. Namun tambal sulam ini pasti akan menyatu dalam waktu yang cukup singkat.
Hal ini sejalan dengan pendekatan Balloon sendiri yang mana tim inovasi kami menargetkan sejumlah kecil fungsionalitas tingkat lanjut, pengelompokan menjadi salah satu yang pertama, dan kami telah melihat peningkatan efisiensi yang besar di situs pelanggan.
Manajemen gudang dicirikan oleh banyak masukan data dan berbagai kemungkinan keputusan serta skenario keluaran. Hal ini berada di luar kemampuan manajer manusia untuk mengoptimalkan secara tepat waktu, sementara pendekatan algoritmik tradisional mengandalkan asumsi dan penyederhanaan yang seringkali tidak selalu atau sepenuhnya valid. Sementara itu, tenaga kerja yang langka mungkin hanya duduk-duduk menunggu untuk diberitahu apa yang harus dilakukan. AI berjanji menyediakan alat untuk mengatasi masalah ini.
