Tout le monde parle de l’intelligence artificielle, mais quelles sont ses applications potentielles pour l’entreposage et la supply chain ? Edward Napier-Fenning, directeur des ventes et du marketing d'une importante société de logiciels de chaîne d'approvisionnementBallon, explore cinq domaines clés qui peuvent améliorer les performances, notamment la planification des itinéraires, la préparation des commandes, les rapports sur la gestion de la main-d'œuvre et la saisie des données.
#Freightforwarder #DoortoDoor #Amazon #Export #AirFreight #Jordanshipping #ChinashippingtoJordan #Jordanairfreight #Jordantrading #Jordan #Jordan #Aqabashipping
Transitaire 3pl dropshipping DoortoDoor AirFreight agent Jordan expédition Chine agent maritime centre de distribution
kapoklog logistique fret aérien de la Chine au Royaume-Uni DoortoDoor Amazon ExportAirFreight Jordan expédition Chineexpédition vers la Jordanie Navire de fret aérien
化妆品 沙特空运-海运双清
مستحضرات التجميل، خدمة النقل الجوي من الباب إلى الباب في المملكة العربية السعودية
Cosmétiques, service porte à porte saoudien par voie aérienne et maritime
#chinapurchasingagent #chinashippingagent #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
Shenzhen kapoklog logistique Arabie saoudite personnalisé droits payés porte à porte DDP
DDP Chine vers Arabie Saoudite
Shenzhen kapoklog logistique Dubaï dédouanement service porte à porte DDP
DDP Chine à Dubaï
Shenzhen kapoklogLogistics Co., Ltd
Shenzhen kapoklog logistique Qatar dédouanement porte à porte ligne DDP
DDP Chine au Qatar
Shenzhen kapoklog logistique Pakistan DDP
DDP de la Chine au Pakistan
Shenzhen kapoklog logistique Jordanie dédouanement porte à porte DDP Chine vers la Jordanie
Shenzhen kapokloglogistics Egypte double dédouanement porte à porte DDP
Shenzhen kapoklog logistique Jeddah dédouanement, Jeddah DDP, Chine à Jeddah DDP expédition
Shenzhen Kapoklog logistique Oman ddp, Chine vers Oman DDP, Oman expédition DDP
Dédouanement de Shenzhen kapoklog Irak, Chine vers Irak DDP
Shenzhen Kapoklog logistique Israël dédouanement DDP, Chine vers Israël porte à porte, Israël porte à porte, Chine vers Israël DDP
Tout à coup, l’intelligence artificielle (IA) est omniprésente. Comme aux débuts de nombreuses autres technologies révolutionnaires, il y a beaucoup de revendications excessives, et une grande partie de ce qui est actuellement présenté comme « activé par l'IA » n'est en réalité qu'une séquence d'algorithmes, certes très rapides et très intelligents, suivant une logique logique. voies conçues par les humains. La capacité de traiter d’immenses quantités de « big data » à une vitesse fulgurante est impressionnante et extrêmement précieuse, mais elle ne constitue pas en soi une intelligence artificielle. La véritable IA a la capacité d’apprendre des données historiques et des activités actuelles et, dans un sens, de réécrire ses propres algorithmes.
Le rythme de développement de l’IA s’accélère et nous pouvons déjà entrevoir certains domaines clés de l’entreposage et de la logistique où elle peut être appliquée.
1. Planification d'itinéraire améliorée
Jusqu'à présent, un conducteur partait avec un itinéraire fixe, peut-être un trajet régulier, ou un trajet prévu un ou deux jours plus tôt, et c'est à lui de trouver la meilleure réponse à un accident, un embouteillage ou un autre événement. au fur et à mesure de leur apparition. Désormais, la gestion du trafic peut être liée en temps réel à des ressources telles que Google, permettant non seulement de contourner un problème actuel, mais également d'utiliser son apprentissage pour prédire où les embouteillages sont susceptibles de se produire, ce qui, étrangement, n'est souvent pas le cas. lieu de l'incident réel. Cela constitue une recommandation d’évitement plus robuste et permet de maintenir les livraisons vers et depuis l’entrepôt dans les délais.
Cette approche de la planification d’itinéraires peut fonctionner en tandem avec la création dynamique de charges. Actuellement, il n'existe pas de fichier de commandes complet en début de journée ou au moment où les conducteurs et les itinéraires doivent être fixés pour les opérations du lendemain. L'itinéraire peut donc inclure des destinations où il n'y a pas réellement de dépose à effectuer, ou omettre des déposes qui auraient pu utilement être effectuées. Les systèmes intelligents peuvent continuellement replanifier, modifier et optimiser les itinéraires à mesure que le profil de commande se développe. Cela peut à son tour s'avérer utile pour le sujet suivant, celui de la préparation efficace des commandes, qui comporte bien sûr ses propres problèmes de cheminement et d'acheminement.
2. Une cueillette efficace
Une grande partie du bruit autour de l’IA dans la chaîne d’approvisionnement concerne des problèmes tels que les stocks et les commandes. L'amélioration est clairement importante ici, mais nous avons à peine commencé à aborder la manière de gérer l'entrepôt plus efficacement, ce qui représente des coûts de main-d'œuvre et d'administration très importants, ainsi que des économies potentielles.
L'optimisation du chemin de prélèvement est un sujet brûlant dans l'entreposage, même si, en bas de gamme, cela revient à peine plus que de regrouper les commandes dans une séquence et de les découper en blocs de travail. C'est bien de pouvoir faire cela très rapidement, mais la véritable IA commence à être capable d'examiner la situation dans son ensemble de manière plus intelligente : où se trouvent les marchandises dans l'entrepôt, quelles marchandises peuvent ou non être combinées sur un chariot ou un conteneur donné ( et où se trouvent ces conteneurs), quelles sont les commandes prioritaires (ce qui a des liens clairs avec la question d'acheminement ci-dessus), et ainsi construire les routines de prélèvement les plus efficaces possibles.
L’IA pourra améliorer le choix et le fonctionnement des stratégies de picking – et l’optimum pourra différer selon le type de marchandise, voire l’heure de la journée. Les stratégies sont nombreuses et variées : par exemple la préparation par lots, qui consiste à parcourir un itinéraire, en prélevant un SKU à la fois pour un lot de commandes. Il peut également s'agir d'une sélection zonale ou « en cluster » dans laquelle l'opérateur sélectionne tous les SKU d'une « zone » pour un lot de commandes, et le bac (avec ou sans cet opérateur) passe ensuite à la zone suivante.
Le prélèvement groupé est généralement plus efficace, mais nécessite d'optimiser la disposition des marchandises dans l'entrepôt, de sorte que les marchandises les plus susceptibles d'apparaître dans les mêmes commandes soient regroupées et que les commandes soient regroupées autour de profils similaires. Cela signifie également que les commandes ne sont pas nécessairement préparées dans un ordre strictement chronologique, c'est-à-dire en fonction des heures de départ de l'itinéraire de livraison, et sont donc vulnérables aux retards liés aux embouteillages, peut-être en raison des allées étroites ou de la nécessité de séparer les piétons des camions et des camions. d'autres machines.
En collaboration avec le client Pets Corner, Balloon a développé un modèle de regroupement de commandes à usage général, qui peut fonctionner comme une fonction Web basée sur le cloud. La nouvelle technique a accéléré de 38 % le temps nécessaire pour préparer une vague de commandes. Cette approche n'utilise pas strictement une IA développée, mais nous pouvons facilement voir que l'IA pourrait permettre d'autres améliorations significatives à la fois dans la configuration et le fonctionnement de la préparation des commandes et dans la sélection de la stratégie la plus appropriée pour ces commandes, à l'heure actuelle. Nous travaillons, par exemple, sur les moyens par lesquels cette approche pourrait être étendue aux commandes multilignes et à la mise en place de « points de départ » pour les itinéraires de prélèvement à différents endroits de l'entrepôt. Cela devient rapidement assez complexe et l’IA sera très utile pour y parvenir.
Une source d'efficacité réside dans le fait que les opérations n'ont pas besoin d'être soumises à des processus « standards », qui parfois ne sont pas nécessaires. Un exemple mineur est le travail que nous avons récemment réalisé pour Birlea. Cette entreprise avait une procédure conventionnelle selon laquelle les marchandises prélevées recevaient une étiquette « WMS » indiquant la commande à laquelle elles sont affectées, et étaient envoyées pour contrôle et reconditionnement, après quoi elles recevaient une autre étiquette « transporteur ». Mais leurs meubles n’ont pas besoin d’être vérifiés ou réemballés. Il s'est avéré possible d'éliminer l'étiquette WMS pour ces marchandises et de reprogrammer le SQL afin que le système pense que l'étiquette du transporteur est l'étiquette WMS qu'il attendait à ce stade. Cela en soi ne nécessite pas d’IA, mais il est facile de concevoir des systèmes d’IA capables d’apprendre à reconnaître que pour un élément particulier, certains processus sont redondants et peuvent être éliminés – sans risquer qu’un opérateur humain fasse un mauvais choix.
3. Une gestion du travail plus efficace
Dans les conditions actuelles, le plus grand défi pour accroître l’efficacité est de savoir où répartir la main d’œuvre rare et coûteuse. Une installation dotée d'un bon logiciel de gestion d'entrepôt (WMS) et d'autres systèmes doit disposer d'une grande quantité de données de bout en bout : ce qui se passe lors de la réception, du rangement, de la préparation, du réapprovisionnement, etc. Cela devrait indiquer à l’opérateur où il doit placer ses employés, mais c’est complexe. Un WMS traditionnel gère cela, jusqu'à un certain point, mais s'appuie fortement sur les personnes qui créent, saisissent et maintiennent les données, depuis les heures standard pour les éléments de travail, jusqu'à qui est autorisé à effectuer certaines tâches, et ainsi de suite.
Dans une certaine mesure, nous sommes déjà en mesure de gérer plus efficacement les biens, les activités et les ressources en utilisant les enregistrements historiques et la saisie de données actuelles pour permettre des modèles de gestion du travail plus complexes. Mais l’IA pourrait certainement apporter une contribution supplémentaire en extrayant des données de différentes sources et en leur donnant un sens.
Un déploiement efficace deviendra encore plus important à mesure que les entreprises utiliseront la robotique sous la forme de « cobots », des machines travaillant en collaboration avec les gens. Ceci est peut-être particulièrement pertinent pour les PME, qui peuvent de plus en plus se permettre ce type d'automatisation et qui ont besoin qu'elle soit beaucoup plus flexible que les grands systèmes automatisés « de biens à personne » exploités par les grandes entreprises. Par exemple, les travailleurs pourraient être « étiquetés » avec un appareil Bluetooth pour les localiser par rapport à la fois à la position actuelle ou prévue d'un robot et à la position et à l'état actuel des ordres prioritaires, mais pour en tirer pleinement parti, il faut des systèmes intelligents.
Nous ne considérons pas que l’utilisation de l’IA pour améliorer l’efficacité du travail vise principalement à réduire les effectifs. Il s'agit plutôt d'éliminer les « temps morts » et les activités non productives telles que se déplacer d'un bout à l'autre de l'entrepôt. Évidemment, cela améliore la productivité, mais il est également plus facile de fidéliser les bonnes personnes si elles ne passent pas la moitié de leur temps inactives et l'autre moitié dans une course effrénée, ce qui peut laisser le personnel à la fois fatigué et sous-évalué.
4. Rapports et analyses plus précis
Balloon participe activement à l’application de l’IA dans le domaine de la chaîne d’approvisionnement. L'activité du secteur connaît une croissance rapide. Il ne faut pas oublier que l'environnement de chacun est différent, en particulier parmi les PME, ce qui est l'une des raisons pour lesquelles la capacité de l'IA à apprendre de la situation, plutôt que de simplement traiter un algorithme dérivé de l'extérieur, est si attractive. Une autre considération est qu'une grande partie des données sont basées sur du texte, donc l'une des choses que nous faisons est d'extraire des données de plusieurs sources dans un package d'analyse Microsoft avec un modèle de données qui indique au système comment relier les données à différents objets. Nous pouvons créer un tableau de bord et en plus de cela, nous pouvons superposer des fonctionnalités de type ChatGPT – « montrez-moi un diagramme circulaire de la sélection de mon personnel par jour et par personne » – afin que les responsables n'aient pas à demander au service informatique de leur créer un rapport.
Les systèmes basés sur l'IA peuvent alléger une grande partie des coûts et du fardeau de la tenue manuelle des dossiers et de l'analyse, sans parler de l'élimination (ou du moins de la détection) des erreurs qui surviennent inévitablement dans les systèmes manuels. En fin de compte, il pourrait même y avoir des économies à réaliser en intégrant tous les différents systèmes utilisés par les opérations d'entrepôt et de distribution : l'IA pourrait être capable d'"apprendre" comment transférer des données d'un système à un autre, malgré des formats apparemment incompatibles, plutôt que de demander à quelqu'un de travailler laborieusement. écrivez du code pour chaque éventualité.
5. Reconnaissance d'image améliorée et réduction des ressaisies
L'IA fait déjà une différence dans ce domaine, par exemple dans la saisie de données, notamment la reconnaissance optique de caractères et l'imagerie.balayage– lui donner du sens, le relier aux autres éléments du système, et notamment rechercher les erreurs et les divergences. Il peut s'agir d'une différence de quantité entre une commande client et le bon de prélèvement correspondant ; ou il peut s'agir d'une adresse de livraison qui n'existe pas ou qui n'a pas de sens : auquel cas il peut être possible de configurer l'IA pour faire des suggestions intelligentes sur ce que devrait être l'adresse, avant que le livreur ne se lance dans une oie sauvage chasse.
Il se passe donc beaucoup de choses avec l’IA dans l’environnement des entrepôts. À l’heure actuelle, le paysage est une mosaïque de petits développements aidant les gens à intégrer des éléments d’IA à leurs opérations, souvent en commençant simplement par l’élimination de petits éléments de travail aux interfaces entre les systèmes, où, par exemple, les écarts de données ont tendance à se manifester. Mais cette mosaïque va sûrement se fusionner dans un délai assez court.
Cela concorde avec l'approche propre de Balloon, selon laquelle notre équipe d'innovation cible de petites poches de fonctionnalités avancées, le clustering étant l'un des premiers et où nous avons déjà constaté d'importants gains d'efficacité sur les sites clients.
La gestion des entrepôts se caractérise par de multiples entrées de données et de multiples décisions et scénarios de sortie possibles. Celles-ci dépassent la capacité des managers humains à optimiser de manière robuste et dans le temps, alors que les approches algorithmiques traditionnelles reposent sur des hypothèses et des simplifications qui ne sont souvent pas toujours ou entièrement valables. Pendant ce temps, une main-d’œuvre rare attend peut-être qu’on lui dise quoi faire. L’IA promet de fournir les outils nécessaires pour résoudre ces problèmes.
