Bir Sonraki AI Bölünmesi: Orta Ölçekli Lojistik Şirketlerinin AI’yı Kullanabilmeden Önce Altyapılarını Düzeltmeleri Neden Gerekiyor

AI etrafındaki konuşma genellikle erişime odaklanır, doğru modeller ve araçlara erişim sağlandığında, bir sonraki zorluğun bunları nasıl kullanacağını belirlemek olduğu varsayımıyla. Orta ölçekli lojistik şirketleri için sorun mutlaka bu noktada başlamaz.

Birçok depo ve üçüncü taraf lojistik sağlayıcı (3PL) arasında, boşluk nadiren eksik bir sistemden kaynaklanır. Çoğu zaten bir depo yönetim sistemi (WMS), bir kurumsal kaynak planlama yazılımı (ERP) ya da muhasebe paketi, taşıyıcı bağlantıları ve büyük müşterileriyle EDI’ye sahiptir. Sorun, bu sistemler arasındaki gerçekleşenlerdir.

Nokta-nokta bağlantılar zamanla birikir. Bir müşteri ya da ticari ortak bir şekilde bağlanırken, başka bir ortak başka bir şekilde bağlanır ve sonunda kimse neyin neyle iletişim kurduğunu tam olarak göremez. Entegrasyon ayrıca insanlara da bağlıdır; örneğin birinin müşteri portalından siparişleri yeniden girmesi ya da her sabah dünün sevkiyatlarını bir elektronik tabloyla uzlaştırması gibi. Bir 3PL, bir işlemin başarısız olduğunu müşterinin siparişinin nerede olduğunu sormasıyla öğrenebilir.

Bunların hiçbiri bir BT varlık listesinde yer almaz, bu da sorunu hafife almanın çok kolay olmasının nedenidir. 

Sorun Devir Noktalarında

En büyük operasyonel sorunlar genellikle devir noktasında ortaya çıkar; bir sipariş, alım veya sevkiyat bir sistemden ya da şirketten diğerine geçtiğinde:

• Geç gelen ya da hatalı biçimlendirilmiş bir gelen sipariş, kaçırılmış bir dalga ve gecikmiş bir sevkiyat tarihine yol açabilir. 
• Fiziksel olarak gelenle eşleşmeyen bir ön sevkiyat bildirimi, çalışanların her paleti incelemesi sırasında alımı durdurabilir. 
• Müşterinin sistemine hiç ulaşmayan bir sevkiyat onayı, faturalama gecikmesine ve perakendecinin uyumsuzluk için bir ceza kesmesiyle sonuçlanan bir geri iade (chargeback) yaratabilir.

Bir 3PL için bu sorunlar çoğalır çünkü her müşterinin kendi formatları, kuralları ve beklentileri vardır. Depo sahası genellikle sorunsuz çalışır, ancak etrafındaki bilgi akışı bozulur. 

Şirketler AI’yı operasyonlarına entegre ettikçe bu ayrım daha da önem kazanır; çünkü AI yalnızca kendisine sunulan bilgilerle çalışabilir. Bir sohbet botu ya da yardımcıyı tek bir sisteme bağlamak güzel bir gösterim olabilir, ancak bu sistemin birden fazla sistemi kapsayan bir operasyonu görmesini sağlamaz.

Lojistikte, faydalı sorular genellikle bu sınırları aşar; bu yüzden bir siparişle ilgili bir yanıt, WMS, ERP ve bir taşıma ya da müşteri sisteminden bilgi gerektirebilir. Sadece sürecin bir bölümünü görebilen bir AI aracı eksik bir tablo üzerinden çalışır.

Altyapısı AI’nın ihtiyaç duyduğu bilgilerle çalışmasını sağlayan şirketler ile sistemleri hâlâ bağlantısız kalan şirketler arasında artan bir boşluk var ve bu, bir sonraki AI bölünmesinin ortaya çıktığı yerdir. 

AI’nın Gerçekten Çalışabileceği Bir Temel Gerekiyor

Gerçekten AI’ya hazır bir altyapı, teknoloji terimleri yerine operasyonel terimlerle tanımlanmalıdır. Bir sipariş, alım, envanter hareketi ya da sevkiyat gibi her önemli olay, ortak bir hub üzerinden geçmelidir ayrı ayrı bağlantıların bir koleksiyonu yerine. Bir ticari ortağın gönderdiği format artık deponun sorunu olmamalıdır. X12, EDIFACT, XML ya da JSON, format hakkında düşünen herkesin önüne geçmeden aynı siparişe normalize edilmelidir.

Ekiplerin bir şeyin ne zaman arızalandığını dakikalar içinde, sorunun müşteriye ulaşmasından önce bilmesi gerekir. Çalışanların bu sorunları tanımlamak ve çözmek için kullandığı aynı bilgiler, mevcut izinleri koruyan temiz API’ler aracılığıyla yazılım ve AI ajanları tarafından da erişilebilir olmalıdır. Ayrıca, AI bir şey önerdiğinde bir kişinin nedenini kontrol edebilmesi için ne olduğunu gösteren bir kayıt da bulunmalıdır. 

Bu koşullar sağlandığında, AI eklemek çok daha basit hale gelir. Bu, orta ölçekli bir şirketin tüm teknoloji yığınına yenisini koyması gerektiği anlamına gelmez. Aslında, orta ölçekli bir 3PL, AI’ya hazır hâle gelmek için yeni bir WMS ya da ERP’ye neredeyse hiç ihtiyaç duymaz. Daha pratik yaklaşım, temel sistemleri olduğu gibi bırakıp aralarındaki bağlantıları düzeltmektir.

Her sistemin ve ortağın bağlandığı tek bir hub, tek tek bağlantı ağından çok daha kolay yönetilir.

AI Altyapıyı Oluşturmada Yardıcı Olabilir

Bu aynı zamanda AI’nın orta ölçekli şirketler için özellikle faydalı olabildiği yerdir. Geleneksel olarak, entegrasyon, insanların ortaklık spesifikasyonlarını okumasını, alanları elle eşlemesini ve bu eşlemeleri tek tek ticari ortak başına test etmesini gerektirmiştir. Tek bir ortak haritası, haftalarca el‑işi, test ve ortakla ileri‑geri iletişim gerektirebilir.

Mevcut AI modelleri, spesifikasyonları ve örnek dosyaları okuyabilir, eşleme önerebilir ve gerçek işlemlerle test edebilir. Daha sonra bir kişi sonucu gözden geçirip onaylayabilir.

AI, bir EDI eşlemesinin ilk sürümünü üretmek için gereken elle yapılan işi azaltabilir. Uzman, bir taslakla başlayıp, bunu gözden geçirip düzeltip, ardından ortak tarafın mevcut inceleme döngüsünden geçirerek, uzmanların alan alanına harcadıkları zamanı azaltırken nihai çıktının kontrolünü elinde tutmalarını sağlar.

Ancak entegrasyon için AI kullanmak ile entegrasyona AI’ye güvenmek arasında önemli bir ayrım vardır.

Bunu yaparken, “Öner, Temellendir, Doğrula, Onayla” diye adlandırdığım bir yaklaşım kullanıyorum.

AI, ortak tarafın kurulumunu ve alan eşlemesini önerir. Bu, alanları ya da kodları uydurmak yerine gerçek spesifikasyon ve örnek dosyalara dayanır. Ayrı bir doğrulama süreci, eşlemeyi gerçek bir belgeye alan bazında karşılaştırır. Ardından bir kişi, sonuç canlı müşteri akışına ulaşmadan önce onaylar.

AI tarafından oluşturulan eşlemeleri gerçek üretim belgeleriyle test ederek bu disiplinin neden önemli olduğunu öğrendik.

Bir testte, AI tarafından oluşturulan eşleme bir depo transfer belgesini hatasız okuyup yine de 15 satır öğesini düşürdü. Başka bir testte ise bir sevkiyat siparişindeki altı tarafı korudu fakat hangi tarafın alıcı olduğunu belirten kodu ve sokak adresini kaybetti. Otomatik kontrolümüz eşlemeyi temiz olarak işaretledi, ancak bir EDI uzmanı bu boşluğu fark etti.

Referans verileri bile hatalı olabilir. Çapraz kontrol edildiği iddia edilen bir standart dosyası, test ettiğimiz her tartışmalı segmentte yayınlanan standartla çelişiyordu.

Ders, eksik bir sonucun fark edilmesinden daha zor olabileceğidir. Doğrulama, gerçek bir belgede her alanı eşlemenin yakaladığıyla karşılaştırmalıdır. Bir belgenin ayrıştırıldığını onaylamak yeterli değildir.

Güvenilir sonuçlar, modelin kullanım şekli ve çıktılarının nasıl incelendiği gibi disiplinlere bağlıdır.

AI bir karar vermeden önce değer burada başlar

Altyapı çalışması, bir AI ajanının operasyonel önerilerde bulunmasından çok önce değer taşır. Çalıştığımız bir 3PL, SAP’yi depo sistemiyle paralel çalıştırıyordu. Her gelen alım kaydı üç ila beş dakika manuel giriş gerektiriyor ve SAP’deki envanter, rıhtımdan yaklaşık 20 dakika geride kalıyordu.

İki sistem doğrudan bağlandığında, bu gecikme neredeyse gerçek zamanlı hâle geldi. Operasyon, yılda 980’den fazla işçilik saatini, bunların 775’ini çıkış işlerinde tasarruf ederek kaydetti. Elektronik tablo takibi ortadan kalktı, etiketler, konşimento ve paket listeleri otomatik olarak üretildi. Depo mevcut iş akışlarını korudu, bu yüzden zemindeki kimsenin yeniden eğitilmesine gerek kalmadı.

Bu projeden aldığımız ders, sadece iş gücü tasarrufundan daha büyüktü. İki sistem aynı güncel resmi paylaştığında, bu aynı resim bir AI ajanının faydalı olabilmesi için gereken şeydir.

Onları bağlamak, sonrasındaki her şeyin mümkün olmasını sağlayan adımdır.

AI Hazırlığı Entegrasyonla Başlar

Başlangıç noktasını belirleyen şirketler için entegrasyon önce gelmelidir; AI entegrasyon işinin büyük bir kısmını üstlenir. Operasyonların sık yaptığı hata, AI’ı yalnızca sürecin sonuna ait bir şey olarak görmektir. Entegrasyon işini başlangıçta daha hızlı ve daha az maliyetli hâle getirebilir, ardından karar vermeye yardımcı olur bu temel oluşturulduğunda.

Orta ölçekli lojistik şirketlerinin mutlaka daha fazla teknolojiye ihtiyacı yoktur. Birçoğu zaten ihtiyaç duydukları sistemlere sahiptir. Fırsat, bu sistemlerin bir arada çalışmasını sağlamaktır. İşte AI, ekranda bir yanıt daha üretmenin ötesine geçen bir rol oynayabilir.