AI, ML, ורובוטיקה: חזיתות טכנולוגיות חדשות במחסנים

ניהול מחסנים הוא פעולה מורכבת שדורשת איזון רבים של אתגרים וסיכונים. לקוחות מצפים בהדרגה למשלוחים מהירים ומדויקים, מה שגורם לחברות רבות לעבור ל”מרכזי מילוי מיקרו” הממוקמים קרוב למרכזים עירוניים גדולים. כדי למלא הזמנות במהירות תוך כדי ניצול מרבי של שטח אחסון מוגבל, ארגונים מסתמכים בהדרגה על בינה מלאכותית (AI), למידת מכונה (ML) ורובוטיקה כדי לאפטימיזציה של פעולות מחסנים. באמצעות שימוש ב-AI ו-ML, מנהלי מחסנים יכולים לאוטומט את רכיבי הפעולות שלהם, כגון תחזית הביקוש ורמות המלאי, אופטימיזציה של שימוש בשטח ותכנון, שיפור יעילות האריזה והאריזה, והפחתת שגיאות ובזבוז. בינתיים, רובוטים יכולים לבצע משימות חוזרות עם דיוק ומהירות רבים יותר מעובדים אנושיים ולפעול בחללים הצרים מדי לעובדים אנושיים. ארגונים יכולים לנצל את הטכנולוגיות האלה כדי להגדיל את הרווחים, לשפר את הבטיחות והאבטחה, ולהגדיל את שביעות רצון הלקוחות ונאמנותם.

אתגרים העומדים בפני תעשיית המחסנים

המסחר המקוון מתרחב ומשתנה במהירות, והופך לעסק בשווי 4,117.00 מיליארד דולר ב-2024. לקוחות פונים לאינטרנט למגוון צרכים, כולל מוצרי מזון. בדרך כלל, ספקים מקוונים אחסנו את המלאים שלהם במחסנים גדולים מחוץ למרכזים העירוניים. עיור מהיר הוביל לכך שרבים מהלקוחות גרים במרכזי אוכלוסייה באזורים יקרים, ולקוחות מצפים בהדרגה למשלוחים מהירים, לעיתים קרובות באותו יום.

רבים מהספקים פתרו את הבעיה הזו על ידי יישום “מרכזי מילוי מיקרו” ליד מרכזי אוכלוסייה גדולים. מכיוון שהנדל”ן באזורים אלה יקר, חשוב יותר מתמיד שכל מטר רבוע של שטח אחסון יימצא בשימוש טוב. בינתיים, תעשיית המחסנים מתמודדת עם מחסור בכוח אדם, מה שהופך את מילוי ההזמנות בזמן לקשה יותר.

יישומים של AI/ML ורובוטיקה

אוטומציה, AI ו-ML יכולים לעזור לספקים להתמודד עם אתגרים אלה. התקדמות הראייה הממוחשבת הרחיבה את האפשרויות לרובוטיקה בחלל המחסן. לדוגמה, מערכות רובוטים ניידים אוטונומיים (AMR) משמשים בהדרגה לבחירה (בחירת הפריטים שלקוח מסוים הזמין), אריזה (הכנת הפריטים למשלוח) ואריזת פלטות (הנחת סחורות על פלטה לתובלה ואחסון). אוטומציה של משימות אלה מגדילה את המהירות, היעילות, הדיוק והגמישות. רובוטים יכולים גם לנצל שטחים אנכיים וצרים שקשה לבני אדם לגשת אליהם. שטח האחסון יכול להיות מותאם עוד יותר על ידי הצגת פתרונות אחסון חדשניים וצפופים כמו קוביות, צינורות ומערכות אחסון ואחזור אוטומטיות.

אלגוריתמים לאופטימיזציה המונעים על ידי AI ו-ML מנתחים כמויות עצומות של נתונים מן העולם האמיתי כדי ליצור תחזיות ופתרונות, ומעודכנים ככל שיותר מידע זמין. אופטימיזציה של מסלולים עוזרת לחברות לוודא שהסחורות משולחות לאורך המסלולים הקצרים והיעילים ביותר. תחזית הביקוש ודגמי תחזית משתמשים בנתוני הזמנות קודמים כדי לזהות תבניות ולעזור לספקים להעריך אילו מוצרים ייתכן שייבחרו על ידי לקוחות, ולוודא ששטח האחסון נמצא בשימוש יעיל, ומקטין את הזמן שמוצרים מבלים על המדפים. מודלים אלה מאפשרים גם אחסון מחסן יעיל יותר, שכן הפריטים שנבחרו תכופות יותר יכולים להיאחסן קרוב יותר לתחנות הבחירה.

ML, כאשר הוא משולב עם חיישנים על ציוד, יכול גם לאפשר אחזקה מונעת. ניטור רציף של חלקי ציוד מאפשר למחסנים לגלות מתי חלקים מכניים כמו גלגלים או רצועות מעבר מראים סימנים של עייפות או שבירה, ואפשר להחליפם לפני שתקרה כשל, ולמזער את זמן ההשבתה. על ידי יישום רובוטיקה ופתרונות מבוססי AI/ML, ספקים יכולים להגדיל את הדיוק והיעילות, תוך הבטחה שהשטח המוגבל שלהם נמצא בשימוש מלא.

כאשר AI ורובוטיקה משולבים לתוך המחסן, חשוב לשקול פרטיות, אתיקה ובטיחות המקום. חשוב לשקול את סודיות הנתונים ולוודא שמודלי AI אינם מדליפים נתונים רגישים של לקוחות. לא פחות חשוב הוא לפקח על מודלי AI בחיפוש אחר הטיה. לבסוף, חשוב להבטיח שפתרונות רובוטיים ואוטומציה עומדים בתקנים של מנהל הבטיחות והבריאות התעסוקתית (OSHA) כדי להגן על סביבת העבודה.

מדדים עיקריים לתהליכי מחסנים

ניטור מדדים עיקריים (KPI) מאפשר לחברות למדוד את יעילותן של פתרונות המחסן שלהן, ומאפשר שיפור רציף. מדדים עיקריים אחדים למחסנים כוללים:

• קצב – זה מייצג את מספר המוצרים שעברו בהצלחה דרך תחנת אריזה בזמן מסוים, למשל, מספר ההזמנות שמולאו לשעה.
• זמן אספקה – זה עוקב אחרי כמה מהר שמשלוחים יכולים להיעשות.
• ניצול קובייתי – זהו מדד לכמה היטב מחסנים מנצלים את קיבולת האחסון שלהם, ולעיתים קרובות מחושב על ידי חלוקת נפח החומרים האחסנים בקיבולת המחסן הכולל.
• משלוחים בזמן ובמלואם (OTIF) – זה מודד את אחוז ההזמנות שהושלמו במלואן עד לתאריך הרצוי.
• דיוק ספירת מלאי לפי מיקום – זה עוקב אחר מידת התאמה בין הסחורות האחסנות במחסן לנתונים. דיוק גבוה של מלאי הכרחי לכדי ניתוח מחסן יעיל.

לקטוף את התועלות של AI/ML במחסנים

AI, ML, ורובוטיקה הם מרכיבים משמעותיים במחסנים מודרניים וימשיכו לשנות את התעשייה. על פי דו”ח McKinsey אחרון, חברות תוכננו להגדיל באופן משמעותי את הוצאותיהן על פתרונות אוטונומיים למחסנים בחמש השנים הקרובות. ספקים גדולים כמו Target ו-Walmart הוציאו מיליונים של דולרים בשינוי שרשראות האספקה ופעולות האחסון שלהם עם לוגיסטיקה מונעת על ידי AI ו-ML. Walmart פיתחה כלי אופטימיזציה של מסלולים מונע על ידי AI, שכעת זמין לספקים אחרים במודל שירות-כ-סофטוור (SaaS). הספק גם משתמש ב-AI לתחזית הביקוש ולוודא מלאי מספק בימים עמוסים כמו יום שישי השחור. פתרונות אלה עוזרים לשפר את שביעות רצון הלקוח, תוך הגדלת הרווחים והורדת עלויות הפעילות. הם יכולים גם לעזור לחברות להתמודד עם אתגרים, כולל הפרעות לשרשרת האספקה ומחסור בכוח אדם.

AI, ML, ורובוטיקה הם המועילים ביותר במחסנים קטנים ובמרכזי מילוי מיקרו, שם הם יכולים לאופטימיזציה של שטח אחסון מוגבל. בנוסף לטכנולוגיות כמו מציאות מורחבת ופתרונות ענן, הם עוזרים להפוך משלוחים מהירים ומדויקים לסטנדרט. על ידי ניטור מדדים עיקריים והעדפת ציות ופרטיות נתונים, ארגונים יכולים לוודא שהם קוטפים את התועלות המלאות של AI, ML, ורובוטיקה.