Jak poruszać się po ogromnych magazynach, aby szybko zebrać towary? LPP używa do tego AI
Polscy inżynierowie i naukowcy pracują nad wykorzystaniem sztucznej inteligencji do zarządzania magazynem. System optymalizuje picking, czyli kompletowanie zamówień i ma przynosić oszczędności w przestrzeniach, gdzie występuje dużym wolumen zamówień, np. w e-commerce. Sam magazyn LPP to miliony produktów i setki pracowników.
Wykorzystanie sztucznej inteligencji oraz uczenia maszynowego w logistyce wciąż znajduje się w początkowym stadium. I to, pomimo że – jak wynika z raportu Logistyka w Polsce – 75 proc. firm dostrzega w tym obszarze największe szanse na rozwój. Napędzają je rosnące koszty paliwa i pracy.
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 – wyjaśnia Jerzy Danisz, kierownik centrum kompetencji WMS w firmie PSI Polska.
Obok zespołu Danisza nad rozwiązaniem problemu pracują naukowcy z Politechniki Poznańskiej i Wrocławskiej, którzy do automatyzacji procesów magazynowych podchodzą holistycznie.
Zaczęło się od stworzenia cyfrowego bliźniaka rzeczywistego magazynu
Miał on charakteryzować się cechami, którymi opisujemy prawdziwe magazyny. To m.in. topologia, układ regałów, opcje transportowe czy zalogowani pracownicy.
Obsłużenie wszystkich przypadków szczególnych, niuansów budowy magazynów, okazało się bardzo skomplikowane i pochłonęło więcej czasu, niż planowaliśmy na początku – wyjaśnia Danisz.
Było to jednak konieczne, aby oszczędzić czas później. Symulacja magazynu pozwoliła badaczom na szybkie i względnie tanie trenowanie algorytmu, który miał znajdować najlepsze rozwiązanie.
Agent (byt, który się uczy), uczy się optymalizacji środowiska poprzez interakcje z nim. Agent wykonuje akcje, środowisko przetwarza akcję i odpowiada stanem i nagrodą – dodaje Danisz.
Stan to zaś opis stanu środowiska po wykonaniu akcji. W magazynie to np. dostępność magazynierów, rozłożenie towaru w magazynie czy zestaw zleceń do wykonania. Nagroda z kolei definiuje jakość wykonanej akcji. Agent jest więc nagradzany za takie działania, które spowodują minimalizację czasu potrzebnego na wydanie towaru.
Problem komiwojażera
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.
Jego zespół postawił przed algorytmem zadanie rozwiązania tzw. problemu komiwojażera, który polega na znalezieniu najkrótszej trasy łączącej kilka punktów na mapie. System wyznacza więc optymalną trasę przejścia dla kilkudziesięciu lokacji pickingowych, co ma się przełożyć na krótszy czas realizacji zamówienia.
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 – tłumaczy Jerzy Danisz.
Jest nim na przykład optymalne przydzielenie magazynierów do operacji magazynowych, co przy 300 osobach na zmianie nie jest proste. Algorytm może również dzielić magazyn na strefy rotowalności i grupować zlecenia względem tych, które mają być przetwarzane razem.
Wybór optymalnej trasy
Szacuje się, że ponad jedna trzecia kosztów logistyki magazynowej pochodzi z kompletacji zamówienia. Im większy magazyn, tym ważniejsze staje się odpowiednie zaplanowanie trasy, aby elementy jak najszybciej znalazły się u klienta. Model przygotowuje więc rekomendacje, które w obecnej, pilotażowej formie, sprawdzane są w magazynie LPP.
Elementy 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 – opisuje Sebastian Sołtys, dyrektor ds. logistyki z LPP.
Pierwszy z modułów złamał utarte reguły i schematy, jakimi posługiwali się pickerzy na magazynie.
Magazynierzy, którzy przyzwyczajeni byli do swojej rutynowej trasy kwestionowali fakt, że algorytm każe im zawracać, sugerując, że to błąd. Algorytm z kolei brał pod uwagę fakt, że ten powrót jest realizowany tylko po to, żeby szybciej dojść do innego miejsca „położonego za rokiem” regału. W praktyce z czasem zaakceptowali ścieżki wyznaczane przez algorytm – dodaje Danisz.
Sztuczna inteligencja
Wykorzystanie sztucznej inteligencji skróciło długość ścieżek kompletacyjnych w LPP aż o 30 proc. Znajdowanie najlepszej ścieżki to dopiero początek wykorzystania uczenia maszynowego w procesach logistycznych. Twórcy już teraz mówią o optymalizacji wszystkich procesów magazynowych.
Zanim algorytm będzie gotowy trzeba go jeszcze dotrenować. Cały proces przygotowywania systemu do działania w docelowej lokalizacji trwa bowiem około trzy miesiące. W jego dokończeniu pomogą środku z NCBiR w wysokości 3 mln zł. Rozwiązanie ma być gotowe na początku przyszłego roku.
