1 апреля 2025 г.
Если в одних сферах искусственный интеллект используется точечно, например, для создания и работы с текстами или генерации изображений, то в других — способен решать сложные и разнообразные задачи. Хороший пример для второго случая — складская логистика, где алгоритмы машинного обучения внедряются в самые разные направления работы. Михаил Красильников, кандидат физико-математических наук и директор департамента разработки и внедрения систем искусственного интеллекта BIA Technologies, рассказывает о пяти областях применения инструментов ИИ в логистической отрасли.
Управление складскими запасами
В идеальной картине мира на складе должно храниться ровно столько товаров или сырья, сколько требуется до поступления новых запасов. Увы, на практике обычно бывает по-другому. Чаще заказ делается либо чуть позже, либо чуть раньше. В первом случае возникают дефицит и, если речь идет о сырьевых материалах, простои. Второй вариант кажется не таким критичным, но и он нежелателен: для хранения излишков нужны дополнительные складские площади, а вложенные в них средства будут «заморожены», поскольку товар лежит без движения. Еще хуже, если у запасов невысокий срок хранения: в этом случае затоваривание может привести к порче, списанию и прямым убыткам.
Поэтому важно как можно более точно прогнозировать, когда и в каком объеме необходимо пополнить запасы. Эта задача всегда была камнем преткновения и в ритейле, и в производстве, и в других отраслях, где складская логистика играет основную роль. Крупный ритейлер или промышленное предприятие ежедневно закупает даже не десятки, а сотни и тысячи номенклатурных единиц товаров и комплектующих, при этом расходуются они с неодинаковой скоростью. Еще несколько лет назад поступали так: смотрели, сколько единиц конкретного товара или материала было израсходовано за тот же самый период в прошлом, и на основе этих данных делали закупки. Но такой подход был слишком огрубленным, ведь сегодня экономика может претерпевать такие неожиданные и непрогнозируемые структурные изменения, что факторы, которые были актуальны для прошлых лет, могут в текущий момент не значить ничего. На спрос могут влиять как глобальные макроэкономические причины, так и локальные события. К примеру, в каком-нибудь городе летом проводился крупный фестиваль, что привело к росту спроса на прохладительные напитки. Но если ритейлеры будут делать закупки просто на основе продаж за этот период, случится затоваривание, поскольку годом позднее мероприятия уже не будет.
Добиться более точного прогнозирования помогают современные инструменты на основе нейросетей. Они не упустят из внимания подобный элемент влияния, а также учтут множество других факторов: сезонные колебания условия, погоду, состояние экономики, изменение уровня зарплат и все, что может повлиять на покупательскую способность, спрос на конкретные товары или на объемы производства.
Отдельно стоит упомянуть инструменты на основе ИИ с элементами визуального контроля, проще говоря — с возможностью отслеживания по видеокамерам. Они умеют следить за складскими запасами и анализировать изменения. Полученные данные способствуют повышению точности прогнозов.
Планирование техобслуживание
Автотехника, обслуживающая склады и обеспечивающая доставку, периодически проходит техосмотры и техобслуживание. Важно составить такой график, чтобы, с одной стороны, не допускать критичного износа, а с другой— не проводить обслуживание «вхолостую», ведь слишком частые осмотры приведут к ненужным издержкам. К примеру, если емкость аккумулятора снизилась до критического уровня, он может внезапно выйти из строя, что приведет к внезапной остановке автомобиля, проблемам с запуском двигателя и, как следствие, сбоям в логистической цепочке. То есть важно обнаружить износ, пока он не достиг критической отметки. Но при этом если емкость аккумуляторной батареи вследствие износа уменьшилась на 15%, это не критично — она все еще хорошо держит заряд. Поездка на СТО на этом этапе только выведет транспортное средство из рабочего процесса без необходимости.
Составить оптимальный график помогают ИТ-решения с искусственным интеллектом. ИИ-инструмент определяет подходящую частотность техосмотров, с учётом взаимосвязи износов различных агрегатов. К примеру, если неисправен водяной насос, это часто вызывает повреждение прокладки головки блока цилиндров. Таким образом ИИ подсказывает зоны возможных проблем, даже если они пока еще не дали о себе знать.
Держать все эти взаимосвязи в голове и вести мониторинг в ручном режиме крайне сложно, особенно в крупном автопарке. В то же время для искусственного интеллекта запоминание и анализ больших объемов данных не представляет проблемы. Он подсказывает, как часто проводить техобслуживание, в каком объеме, какие сервисные мероприятия должны в него входить. За счет этого техника используется с минимумом простоев, но при этом без повышения аварийных рисков.
Определение оптимальной цены
Давно прошли те времена, когда при ценообразовании опирались только на себестоимость продукта. Сегодня на цену влияет множество разных факторов: регион, сезон, расположение магазина в конкретной точке города и так далее, к тому же не стоит забывать о маркетинговых акциях, которые постоянно проводят как ритейлеры, так и производители товаров.
Применение систем ценообразования на основе ИИ помогает не только найти оптимальную цену, но и сделать ее гибкой, ориентируясь на конкретного покупателя. Особенно это актуально для интернет-магазинов и маркетплейсов: система отслеживает поведение потенциального покупателя и делает ему выгодные предложения, чтобы покупка состоялась, а также рекомендует релевантные товары. Правда при этом два разных покупателя могут увидеть один и тот же товар на одном и том же ресурсе по разной цене в зависимости от истории их заказов, действий и т. д.
Для решения таких задач используются достаточно простые и доступные, но при этом эффективные модели, обладающие высокой точностью и позволяющие учитывать максимум факторов. Их применяют все шире, поскольку они позволяют поддерживать лояльность покупателей и при этом выставлять максимально выгодную цену для продавцов.
Построение маршрутов доставки
Требования к скорости доставки постоянно растут. Чтобы успевать ко всем клиентам за кратчайшее время и при этом использовать меньше машин с водителями, необходимо тщательно составлять маршруты. Для крупных транспортных компаний с парком в несколько сотен или тысяч машин это не так-то просто. К тому же даже составленный опытным логистом маршрут может быть недостаточно эффективным, если возникнут непредвиденные факторы. Это может быть отсутствие на адресе доставки клиента, перенос времени или отказ от заказа, дорожные работы и т. д. Такие сбои в цепочке маршрута повышают риск нарушить выполнение компанией обязательств перед клиентами и повлечь за собой экономические издержки.
Алгоритмы машинного обучения с большой эффективностью решают такие задачи. Более того, ИИ просчитает, как грузить заказы в машину с учетом последовательности объезда, в режиме реального времени перестроит маршрут, когда клиента нет на месте, распределит нагрузку так, чтобы в часы пик на дорогах приходилось минимум точек, и многое другое.
Демонстрацией того, какую эффективность можно получить, внедрив в работу ИИ, служит кейс известной российской транспортной компании, которая внедрила ИИ-алгоритмы для построения маршрутов доставки и забора грузов. С помощью него, логистический оператор смог увеличить количество посещаемых адресов на одну машину с 31 до 34. Учитывая, что в парке компании более пяти тысяч машин, ежедневное количество адресов выросло на целых пятнадцать тысяч. Оптимизированное построение маршрутов снизило нагрузку на водителей, уменьшило издержки и в целом повысило эффективность логистики.
Оптимизация внутрискладской работы
Составить расписание персонала в складской логистике — такой же серьезный вызов, как и построение оптимальных транспортных маршрутов. Заказы поступают неравномерно, машины приезжают в разное время, нагрузка в течение дня меняется, и в одни часы персонала не хватает, а в другие — он простаивает.
Системы с ИИ позволяют построить расписание так, чтобы в периоды пиковой нагрузки на складе присутствовали необходимый максимум сотрудников, и минимальное количество работников в периоды затишья, причем ИИ учитывает потребность в различных специальностях.
Кроме того, инструменты с ИИ помогают при оптимизации маршрутов сотрудников или складской техники во время сборки заказов. Система рассчитывает, как сформировать заказ, преодолев минимально возможное расстояние между зонами склада, где лежат нужные товары. Это экономит время и усилия персонала, а также электрическую энергию, если речь идет о роботизированной технике, поскольку они работают на аккумуляторах. ИИ-алгоритмы можно использовать для такой оптимизации не только на этапе сборки заказа — они подскажут и как разложить товары на стеллажах, чтобы те позиции, которые часто заказывают вместе, оказались на соседних полках.
Конечно, этими пятью областями применение технологии в логистике не ограничивается. Но даже оптимизация одного из перечисленных направлений способна значительно повысить эффективность операций. А учитывая, что алгоритмы ИИ совершенствуются даже не с каждым месяцем, а с каждым днем, отдача от его внедрения со временем станет еще более весомой.
Источник: Михаил Красильников, директор департамента разработки и внедрения систем искусственного интеллекта BIA Technologies
