Algoritmy a strojové učení se neobejdou bez kvalitních dat

Umělá inteligence (AI) patří k nejfrekventovanějším technologickým pojmům dnešní doby. Nejinak je tomu v logistice. Ve stále masivnějším měřítku se AI uplatňuje v logistických procesech, kde k jejich optimalizaci a automatizaci používá algoritmy a strojové učení.

Přinášíme vám článek z časopisu Systémy Logistiky 210 (březen–duben 2024). Je to ochutnávka originálního obsahu, který najdete každé dva měsíce v tištěném časopise. Nechodí vám časopis? Registrujte se k odběru a nezmeškejte žádné vydání. Zasílaní je pro uživatele logistických služeb zdarma.

Právě algoritmy a strojové učení mohou ve firmách účinně přispívat k efektivnější logistice, a to v řadě oblastí jejího fungování, ať už jde o optimalizaci tras dopravy, prediktivní údržbu autonomních či dalších klíčových zařízení, optimalizaci tras manipulační techniky uvnitř skladových prostor nebo třeba předpovídání spotřeby materiálu či zboží. „Výčet je opravdu velký. Obecně tedy mohou přispět ke snížení velikosti potřebných skladovacích prostor, zrychlení jednotlivých logistických procesů, kde dochází k manipulaci se skladovými položkami, k vyšší spolehlivosti jednotlivých zařízení, ke snížení chybovosti vznikající působením lidského faktoru či ke kontrole manipulovaného materiálu,“ vyjmenovává Jiří Vidlář, výkonný ředitel společnosti Kvados.

Reakce i adaptace na měnící se podmínky

S postupujícím rozvojem digitálních technologií stále více platí, že bez složitějších algoritmů se logistika s kvalitním systémem pro řízení skladu (WMS) neobejde. „Ať už se jedná o plánování tras, slotting zboží nebo předpovídání poptávky, dnes algoritmy najdeme za každým procesem, který řídí systém. Algoritmus má přesně stanovená pravidla a instrukce, ze kterých není možné uhnout,“ vysvětluje Petra Tylová, konzultantka ve společnosti Sluno. Strojové učení přináší možnost reagovat a adaptovat se na neustále se měnící podmínky. Učí se z praxe a přizpůsobuje rozhodování aktuální situaci. Tato flexibilita umožňuje lepší reakci na neočekávané události a nabízí velký potenciál pro zlepšení určitého (logistického) procesu.

Kromě již zmíněných možností uplatnění je zajímavou a rozvíjející se oblastí využití AI pro přímou podporu pracovníků – jde o tzv. co-piloty či komunikační aplikace. „To z pohledu efektivity přináší hodnotu v nižší potřebě zkušených pracovníků na určitých pozicích, kde právě co-piloty zabudované ve standardních řešeních a aplikacích provádějí pracovníka daným procesem a v zásadě mu předkládají nejvhodnější kroky v rámci jeho aktivit,“ poznamenává Jan Burian, head of IDC Manufacturing Insights EMEA ve společnosti IDC.

Patrně nepřekvapí, že pro správné využití algoritmů a strojového učení v logistice jsou klíčová data – kvalitní, relevantní, důvěryhodná, bezpečná a také v dostatečném objemu. Jan Burian podotýká: „Důležitý je přístup k datům v plné šíři procesu, tedy aby nedocházelo ke tvoření datových sil, která mohou vést k používání rozdílných dat týkajících se stejného procesu. A tedy k zavádějícím výstupům z aplikací využívajících umělou inteligenci ke zpracování dat.“

Podstatné je rovněž pochopení procesu, pro který hodláme tyto nástroje využít. „Existuje mnoho různých způsobů a modelů, jak strojové učení nebo algoritmy využít. Každý z nich je vhodný pro jiné typy dat a problémů,“ doplňuje Petra Tylová.

Komplexní úkol

Jak můžeme ve firmě co nejlépe začlenit tuto oblast do logistických procesů? „Jedná se především o náplň práce, kterou by měl mít na starosti procesní specialista v úzké kooperaci s IT oddělením. Bez dostatečné kapacity na těchto pozicích nelze jednoduše cokoliv implementovat do současného fungování intralogistiky či transportu,“ upozorňuje Jan Klička, chief operations officer ve společnosti Bonami. A jisté riziko spatřuje v převedení „papírových“ optimalizací do fyzické praxe, protože ze zkušeností především v intralogistice platí mnoho zásad BOZP či metod best practices, které se nezřídka do algoritmizace nedostanou. Pak může být konkrétní výsledek oproti simulacím nebo pouhé teorii zklamáním.

„Začlenění algoritmů a strojového učení do logistických procesů ve firmě je komplexní úkol, který vyžaduje pečlivé plánování a multidisciplinární spolupráci. Je potřeba říci, na které logistické procesy se konkrétně zaměříme, a pokud jde o první implementace algoritmů strojového učení, tak kde získáme první zkušenosti,“ popisuje Jiří Vidlář. Doporučuje definovat očekávání a cíle, např. zrychlení procesů, úsporu nákladů nebo snížení chybovosti. Současně je zapotřebí precizně sestavit tým jak z interních, tak externích odborníků, kteří pokryjí všechny potřebné dovednosti a znalosti, což je podle Jiřího Vidláře mnohdy obtížné. „Proto doporučuji nejprve implementovat algoritmy strojového učení v oblastech, kde již existují funkční, ověřená řešení a kde se naučené algoritmy následně přizpůsobí prostředí. Jen nezapomeňte, že i když se jedná o ověřené řešení, je nutné výstupy průběžně monitorovat a ověřovat,“ dodává.

Nasazení algoritmů a strojového učení se v zásadě neliší od jakéhokoli jiného implementačního projektu v logistice. „Zákazníci dnes nechodí a neříkají: ‚Potřebuji zavést AI v logistice.‘ Přijdou spíše s tím, že je trápí určitý proces a potřebují ho řídit systémem, a ne lidmi. Tento proces musíme vždy správně analyzovat a navrhnout jeho zlepšení,“ konstatuje Petra Tylová. Jde-li o řešení, které obsahuje zároveň i tyto nástroje, je vždy důležité správné nastavení a podrobné otestování nového modelu. Jestliže se této fázi nevěnuje dostatečný prostor, může po nasazení dojít k narušení logistických procesů a mohou nastat např. problémy v dodávkách zboží. „Neméně důležité je také uvědomit si, jaký bude mít nový model vliv na ostatní části supply chainu. Pokud se zaměříme jen na jednu oblast, kterou se nám povede zefektivnit, tak poté můžeme zjistit, že jsme si tím způsobili problémy v jiné části procesu. Proto je vždy nutné mít komplexní pohled,“ uzavírá Petra Tylová.

„Nepřeberné možnosti využití“

Ještě před několika lety jsme si nedokázali představit, čeho je umělá inteligence schopna. Dává nám nekonečné množství možností a čím výkonnější je výpočetní technika, tím rychleji lze takové procesy provádět. Mezi konkrétní případy použití patří rozpoznávání zcela neznámých artiklů, vzorů a trendů. A nemluvíme zde jen o nové technologii, ale o zcela nové formě dalšího vývoje robotiky a podobně.

Jörg Ziesmann, head of Sales Channels & Partners EMEA, Dematic

„Data, procesy a testování technologií“

Klíčová je data governance – tedy soubor zásad, politik a procesů zavedených organizací, které zajišťují dostupnost, kvalitu a bezpečnost dat v organizaci. Dále je třeba mít popsané procesy a jasně definovanou technologii pro zpracování jednotlivých procesů včetně datových vstupů a výstupů a odpovědnosti za zpracování daného procesního kroku. Je třeba mít také nastaven systém pro testování těchto nových technologií, neboť stále přicházejí nová řešení, nové možnosti využití AI a je třeba neustrnout na jednom řešení příliš dlouho, neboť konkurence se rovněž rapidně vyvíjí.

Jan Burian, head of IDC Manufacturing Insights EMEA, IDC

Článek připravil David Čapek

Související články:

Virtuální realita a umělá inteligence jako HR nástroje: v brandýském Continentalu školí pomocí vlastní gamifikované aplikace Mobilní aplikace pro řidiče paletové distribuce sleduje stav zásilek. Vyvinula ji PST CLC Mitsui-Soko GXO bude řídit logistiku pro Levi Strauss & Co v novém automatizovaném centru. Výrobci oblečení poskytne služby přidané hodnoty