LPP testuje z PSI Polska projekt cyfrowego magazynu
Inżynierowie z PSI Polska pracują nad technologią z wykorzystaniem sztucznej inteligencji, która może zrewolucjonizować logistykę. Projekt pod nazwą Warehouse Intelligence uzyskał 3 mln dofinansowania z NCBIR a jeden z jego etapów został pilotażowo wdrożony w LPP. Pierwsze efekty prac są imponujące.


 REKLAMA 
 Baner srodtekstowy350x350 strona KSeF 
 
W Polsce jest niemal 24 mln mkw. powierzchni magazynowych i przemysłowych. Choć inwestycje rosną jak na drożdżach, to presja związana z kosztami paliwa, materiałów i pracy zmusza firmy produkcyjne i handlowe do poszukiwania sposobów optymalizacji. Branża logistyczna wiele obiecuje sobie szczególnie po automatyzacji i robotyzacji magazynów. Z raportu "Logistyka w Polsce" wynika, że 75% firm dostrzega w tym obszarze największe szanse na rozwój logistyki. Do tej pory stosowane technologie oparte o sztuczną inteligencję, miały jednak bardzo wąskie zastosowanie. To może się zmienić dzięki polskim inżynierom i naukowcom. Pracują oni nad technologią, która ma szansę zrewolucjonizować zarządzanie magazynem: sztuczna inteligencja będzie na bieżąco podpowiadać człowiekowi optymalne rozwiązania. Pierwsze testy pokazują, że robi to bardzo skutecznie.

Gra w wyzwanie

Ale zacznijmy od początku. Dwa lata temu inżynierowie z PSI Polska rozpoczęli współpracę z grupą naukowców z Politechniki Poznańskiej i Wrocławskiej, m.in. dr inż. Sławomirem Suszem z Wydziału Mechanicznego dolnośląskiej uczelni. Interdyscyplinarny zespół zaczął eksperymentować ze sztuczną inteligencją oraz uczeniem maszynowym. Choć nie są to nowe technologie, to wykorzystanie ich w logistyce jest wciąż w początkowym stadium.

Na rynku istnieją technologie wspierające pracowników bardzo wybiórczo, głównie w obszarze ścieżki zbiórki. Nikt wcześniej nie stworzył technologii opartej o sztuczną inteligencję, która byłaby w stanie optymalizować wszystkie procesy magazynowe, traktując problem całościowo. Zdecydowaliśmy się podjąć to wyzwanie – mówi Jerzy Danisz Kierownik Centrum Kompetencji WMS w firmie PSI Polska, opisując początki projektu.


Prace nad Warehouse Intelligence podzielono na pięć etapów. W pierwszym opracowano prototyp środowiska WI. W drugim inżynierowie PSI Polska rozpoczęli tworzenie symulacji, czyli stworzenie cyfrowego bliźniaka rzeczywistego magazynu.

Nasza idea polega na opracowaniu algorytmów sztucznej inteligencji, których zadaniem jest takie zarządzanie magazynem, aby osiągnąć optymalne wydajności poszczególnych procesów. Model ML (czyli algorytm machine learning/uczenia maszynowego) dostawał zadanie i miał znaleźć jak najlepsze rozwiązanie. Jeżeli udało mu się skutecznie zoptymalizować dany proces, wygrywał. Jeżeli nie, musiał próbować robić to dalej, aż do skutku. W ten sposób niejako metodą prób i błędów algorytm dochodzi to optymalnego rozwiązania, przy czym symulacja magazynu (cyfrowy bliźniak) pozwala na szybkie i praktycznie bezkosztowe przeanalizowanie setek tysięcy możliwych scenariuszy pracy magazynu – tłumaczy Jerzy Danisz.


Kolejne etapy pracy nad projektem to odpowiednio: trenowanie modeli ML, przygotowanie aplikacji, dzięki której użytkownik końcowy może przyjmować rekomendacje sugerowane przez sztuczną inteligencję oraz w końcu etap piąty zakłada pilotażowe uruchomienie całego systemu w magazynie LPP.

System optymalizuje picking

Pierwsze uzyskane wyniki są bardzo obiecujące. Okazało się, że wykorzystanie sztucznej inteligencji skróciło długość ścieżek kompletacyjnych w LPP aż o 30%. Jak to możliwe?

Podstawowym zadaniem wdrożonego algorytmu jest efektywne rozwiązywanie tzw. „problemu komiwojażera” (z angielskiego TSP). Polega on na wyznaczeniu najkrótszej trasy łączącej kilka punktów na mapie. W przypadku magazynu system musi wyznaczyć optymalną trasę przejścia dla kilkudziesięciu lokacji pickingowych. To, co na pierwszy rzut oka wydaje się proste, w rzeczywistości stanowi istotny problem dla matematyków od lat .– opowiada Jerzy Danisz z PSI Polska.


Pierwszy z modułów Warehouse Intelligence złamał utarte reguły i schematy, jakimi posługiwali się pickerzy na magazynie i miał rację. Podpowiedzi algorytmu przyniosły już wymierne oszczędności. Szacuje się, że ponad 1/3 kosztów logistyki magazynowej pochodzi z kompletacji zamówienia. Ten proces jest kosztowny szczególnie w przestrzeniach, gdzie występuje dużym wolumen zamówień, np. w e-commerce.

Elementy poszczególnych zamówień są pobierane z miejsc ich składowania, a następnie pakowane i przygotowywane do wysyłki. Koszty kompletacji i pakowania zależą bezpośrednio od SKU, czyli jednostek magazynowych, a w naszym przypadku są to znaczące liczby. Dlatego optymalizacja w tym obszarze ma dla nas ogromne znaczenie. Wpływa bezpośrednio na wydajność magazynową i sprawność obsługi zamówień naszych klientów – opisuje Sebastian Sołtys, dyrektor ds. logistyki z LPP.


NCBIR dostrzegł potencjał

Efekt wdrożenia w LPP to tylko część projektu Warehouse Intelligence. Jego celem jest opracowanie innowacyjnego środowiska kompleksowej analizy, planowania i optymalizacji procesów intralogistycznych, który bazować będzie na algorytmie sztucznej inteligencji. Oznacza to de facto możliwość optymalizacji wszystkich procesów magazynowych. Wykorzystanie mechanizmów uczenia maszynowego ze wzmocnieniem okazało się na tyle innowacyjnym podejściem, że na dofinansowanie projektu środki przyznało Narodowe Centrum Badań i Rozwoju. NCBIR. Firma PSI Polska dostała grant na badania i rozwój w wysokości niemal 3 mln złotych.

Obecnie realizowany jest czwarty etap projektu, którego celem jest intensywne uczenie algorytmów sztucznej inteligencji. W całym procesie jest on kluczowy. Nie ma tutaj drogi na skróty. Trenowanie algorytmu po to, by był on zdolny do działania w docelowej lokalizacji trwa około trzy miesiące. Biorąc pod uwagę, że system będzie obsługiwał przestrzeń, w której znajdują się miliony produktów i w której pracują setki pracowników, jeden kwartał na naukę to tempo ekspresowe.

Stworzenie algorytmu obsługującego tak złożony obiekt, jakim jest magazyn, to bardzo skomplikowany i złożony proces. Algorytmy uczenia ze wzmocnieniem bazują na interakcji z tzw. środowiskiem. W naszym przypadku środowiskiem jest magazyn, a konkretnie jego wierna cyfrowa kopia. Poprzez wielokrotne (idące często w setki tysięcy) powtarzanie różnych wariantów pracy magazynu na środowisku treningowym algorytm uczy się postępowania z konkretnymi sytuacjami (np. doborem sposobu kompletacji w zależności od struktury zleceń wydania). Następnie eksponując algorytm na dane z rzeczywistego magazynu, jest w stanie błyskawicznie zasugerować kierownikowi magazynu optymalne rozwiązanie. – wyjaśnia Jerzy Danisz.


Dostawca szacuje, że ostatni, piąty etap zakończy się na początku przyszłego roku.

PEAR podpowie opłacalność inwestycji

Opisywana technologia będzie integralną częścią systemu PSIwms, dostawca nie zamyka jednak do niej drzwi firmom zewnętrznym. Warehouse Intelligence będzie mógł być integrowany z dowolnymi systemem klasy WMS i z jego zalet będzie mogła korzystać dowolna firma handlowa i produkcyjna. Technologia będzie dostępna w dwóch wersjach: automatycznej (algorytmy sztucznej inteligencji – Warehouse Intelligence) i jako analizator ze wsparciem człowieka, określony mianem PEAR. Pod tym terminem kryje się analizator procesu logistycznego, który pozwala przeprowadzać symulacje i obserwować je na trójwymiarowym modelu wraz z jego aktualnymi wskaźnikami KPI. Z tego rozwiązania już w najbliższym czasie będzie mogło skorzystać LPP.

PEAR pozwala estymować opłacalność potencjalnych lub planowanych inwestycji i zmian. Użytkownik dostaje informacje, czy konkretna reorganizacja np. zakup nowego sortera będzie opłacalna i w jakim stopniu wpłynie na biznesowe operacje. W takiej sytuacji zdecydowanie łatwiej podjąć decyzję – tłumaczy Jerzy Danisz.


Eksperci z Accenture prognozują, że do 2035 sztuczna inteligencja zwiększy wydajność w logistyce o ponad 40%. Warto podkreślić, że firmy, które zaczną korzystać z AI w operacjach logistycznych wcześniej niż ich rynkowi konkurenci dostaną premię za pierwszeństwo.

Źródło: PSI Polska

PRZECZYTAJ RÓWNIEŻ:


Back to top