AI w logistyce: od prognozowania popytu po skręty tylko w prawo

W tym odcinku Rozmów Logistyków Piotr Skobało i Adam Sobolewski rozmawiają o tym, gdzie sztuczna inteligencja już dziś zmienia magazyny, obsługę klienta i planowanie w łańcuchu dostaw. Wymieniają konkretne zastosowania AI dostępne nie tylko dla największych firm, wraz z przykładami polskich i europejskich dostawców.

CO NAPRAWDĘ ZNACZY "AI" W LOGISTYCE

Sztuczna inteligencja jest szersza niż uczenie maszynowe, które jest szersze niż uczenie głębokie — te technologie działają w logistyce od dekad, po prostu nie zawsze pod tą etykietą. Warto odróżniać dzisiejsze zastosowania od hollywoodzkiej wizji ogólnej sztucznej inteligencji (AGI) — to, co realnie działa, to konkretne, wąskie zastosowania do konkretnych problemów, nie uniwersalny "Skynet" zarządzający wszystkim naraz.

PROGNOZOWANIE POPYTU: NIE POPRAWIAJ MODELU O MAŁO

Amazon już od 2014 roku (inicjatywa "Hands off the Wheel") ograniczał ręczne korekty prognoz generowanych algorytmicznie, bo badania (m.in. książka Michaela Ganda "Business Forecasting") na próbie tysięcy prognoz pokazały, że ludzie poprawiający prognozy najczęściej pogarszają ich jakość. Praktyczna zasada: jeśli korygujesz prognozę, rób to o duży procent (nie 5-10%, tylko wyraźnie więcej) — mała korekta zwykle oznacza szum, nie realną wiedzę, której model nie uwzględnił. Rozwiązania oparte na sieciach neuronowych do prognozowania popytu są dziś dostępne nie tylko dla gigantów jak Amazon, ale i dla małych/średnich firm (polskie rozwiązanie Dgca, dawniej Slimstock, wdrożyło je w ramach grantu NCBR).

ZARZĄDZANIE RYZYKIEM: ANALIZA OBRAZU TAM, GDZIE DANE SĄ "BRUDNE"

O ile prognozowanie popytu pracuje na uporządkowanych danych tabelarycznych, o tyle zarządzanie ryzykiem transportowym wymaga analizy obrazu z kamer — inny typ danych, z którym klasyczne narzędzia sobie nie radzą. Polsko-niemiecka firma SNC wykorzystuje rozpoznawanie obrazu do monitorowania przestrzeni między kabiną kierowcy a naczepą — system wykrywa nacięcia na plandece czy nietypową obecność osoby i wysyła alert w czasie rzeczywistym, łącząc analizę wizyjną z internetem rzeczy.

PRZEWIDYWANIE RUCHU LUDZI W MAGAZYNIE, NIE TYLKO TOWARU

Poza klasycznym rozkładaniem towaru na podstawie rotacji (to głównie proste modele regresji, stosowane od lat przez dostawców WMS), pojawiają się systemy przewidujące w czasie rzeczywistym, gdzie znajdzie się konkretny pracownik — na podstawie harmonogramu, dotychczasowej produktywności i typu zamówień — po to, by unikać kolizji w alejkach między pracownikami. To nowsze zastosowanie: modelowanie ruchu ludzi, nie tylko optymalnego rozłożenia produktów.

OPTYMALIZACJA TRAS: NIEINTUICYJNE WYNIKI SĄ SIŁĄ, NIE WADĄ

System ORION (On Road Integrated Optimization) UPS analizuje setki możliwych tras dostaw, dając ok. 2-3% poprawy zużycia paliwa — przy skali floty UPS to ogromne kwoty w wartości bezwzględnej. Klasyczny, starszy przykład: UPS zaprogramował trasy tak, by unikać skrętów w lewo (czekanie na światłach generuje ryzyko kolizji i marnuje paliwo), co dało ponad 10% poprawy efektywności — mimo że to oznaczało więcej fizycznych skrętów w prawo. Wniosek praktyczny: gdy wdrażamy AI, nie próbujmy dopasowywać jej wyników do naszej intuicji — siła sieci neuronowych leży właśnie w wykrywaniu zależności, które człowiek przeoczy, bo wynikają z interakcji zbyt wielu zmiennych naraz.

OBSŁUGA KLIENTA: OD PROSTYCH BOTÓW DO PEŁNEJ AUTOMATYZACJI

Pierwsza fala botów obsługi klienta odciążała pierwszą linię prostymi pytaniami ("gdzie jest moja paczka"), przekazując trudniejsze sprawy do człowieka. Dziś granica przesuwa się dalej: boty zasilane własną bazą wiedzy firmy potrafią prowadzić merytoryczną rozmowę o produkcie, a kolejny krok to pełna integracja z systemem zamówień — automatyczne przekierowanie przesyłki w drodze, anulowanie lub modyfikacja zamówienia bez udziału człowieka, jeśli status na to pozwala.

JAK ZACZĄĆ, JEŚLI PROWADZISZ MAŁĄ LUB ŚREDNIĄ FIRMĘ

Pierwsze pytanie nie brzmi "jakie AI wdrożyć", tylko "gdzie w mojej organizacji boli najbardziej" — jeśli magazyn jest outsourcowany, szukaj rozwiązań w obsłudze klienta, nie w automatyzacji fizycznego procesu magazynowego. Ostrzeżenie z praktyki: jedna firma reklamowała się jako dostawca rozwiązań AI do klasyfikacji zdjęć, a w rzeczywistości zatrudniała zespół ludzi w Indiach ręcznie przeglądających i opisujących obrazy ("algorytm białkowy"). Warto dopytać dostawcę o konkretne zastosowane narzędzia i o to, gdzie faktycznie przechowywane są dane — większość rozwiązań AI działa w modelu chmurowym (SaaS), co oznacza przesyłanie danych poza własną infrastrukturę.