Перед российскими ИТ-компаниями стоят грандиозные задачи по обеспечению:
1) Инфраструктуры для облачного хранения;
2) По разработке облачной платформы, которая предоставит возможность разработки, выполнения приложений и хранения данных на серверах, расположенных в распределённых дата-центрах;
3) Предоставление модели распределённых вычислений, используемой для параллельных вычислений над очень большими, вплоть до нескольких петабайт, наборами данных в компьютерных кластерах.
4) По разработке алгоритмов для ИИ: нейронные сети, глубокое обучение;
5) Базы данных для хранение неструктурированных данных;
6) Интернет-вещи;
7) и т.д.
Для достижения всех плюсов цифровой трансформации, предприятию необходимо интегрировать все свои логистические функции (обработка входящих заказов, грузоперевозки, содержание складов и хранение запасов, управление запасами, планирование, дистрибьюцию) в единую систему управления цепями поставок, которая бы обеспечивала тесное взаимодействие с клиентами и поставщиками товаров и услуг.
Таким образом, для успешной интеграции современной WMS системы в цифровую среду предприятия, она должна иметь следующие возможности:
1) интеграции с интернет-вещами;
2) интеграции с облаком данных;
взаимодействия с ИИ.
Также современные политические реалии добавляют еще требований к системе WMS, которая должна работать на операционных системах созданных на основе LINUX и хранить данные в базах данных с открытым исходным кодом, таких как PostgreSQL .
Приведём примеры применения мировых информационных трендов в WMS:
1) Складские работники, для взаимодействия с Системой, используют голосовые помощники (например, при помощи GPT-подобной нейросети для обработки русского языка (YaLM 100B), которую бесплатно на Git разместил Yandex);
2) Ячейки отбора для товара назначаются алгоритмом ИИ;
3) Для размещения товара на погрузочной паллете с последующей загрузкой её в транспортное средство, также используется алгоритмы ИИ, для эффективной загрузки транспортных средств и контейнеров;
4) Складской работник работает не через реагирование на события и не на определенных правилах, а по прогнозным и рекомендующим сообщениям от Системы;
5) Складской работник перемещается по складу по оптимальному маршруту с максимальной эффективностью при выполнении задач (отбор, размещение, перемещение, пополнение);
6) Прогнозирование загруженности ворот, персонала и складских зон;
7) Контроль обслуживания оборудования: погрузчиков, ричтраков и т.д.;
8) Все WMS-системы, установленные на всех площадках одной компании, объединены в единую сеть и управляются из центральной «Системы Консолидация», интегрированной со всеми системами управления предприятием. В результате появляются «большие данные», которые позволяют производить необходимые расчёты для прогнозирования товаропотоков и которыми можно управлять используя ИИ.
Большую часть перечисленных задач компания Логикон, в первом приближении, уже решила и сейчас работает над «тонкими» настройками, увеличивая возможности и функционал для использования ИИ в составе WMS.
Однако, как уже было замечено выше, вся цепочка поставок не ограничивается одним складом, тут и работа с поставщиками, и управление спросом, и управление запасами с прогнозированием сезонных потребностей и многое, многое другое. Все эти звенья цепей поставок, на сегодня также являются целью внедрения ИИ, и заинтересованность сотрудников Логикон в решении подобных новых задач, несомненно даст результат.
#Оптимизация, #ИИ, #автоматизация, #прогнозирование, #управление, #склад, #wms, #спрос, #запасы, #обеспечение