5 декаБРЯ 2019

Искусственный кладовщик.
Примеры использования машинного обучения в логистике

Продолжение части 3 «Искусственный интеллект в логистике»
Автор Дмитрий Слиньков
СОДЕРЖАНИЕ

Часть I. Общие знания об искусственном интеллекте
Вступление
1.1 Что же такое искусственный интеллект?
1.2 Как же машины обучаются?
1.3 Тенденции ускоряющие ИИ
1.4 Вызовы и риски
1.5 Почему логистика? Почему сейчас?

Часть II. Примеры внедрения искусственного интеллекта в других отраслях
2.1 Потребительский ИИ: помощь на любой случай
2.2 Корпоративный ИИ: работать больше или умнее?
2.3 Искусственный Интеллект в ритейле: онлайн-персонификация, самообучение, пополнение запасов
2.4 Автономный транспорт. Инжиниринг и производство.

Часть III. Искусственный интеллект в логистике: примеры реализованных кейсов
3.1 Бэк-офисный ИИ
3.2 Предиктивная логистика — новая операционная модель
3.3 Говорящие, видящие и мыслящие логистические активы
Продолжение следует..

3.2 Предиктивная логистика — новая операционная модель

В нашем непредсказуемом и волатильном мире Искусственный Интеллект может помочь всем нам перейти от реактивных действий в бизнесе к проактивным. Для этого нужно превратить ИИ в «предсказательный интеллект». В этом посте мы поговорим о предиктивных возможностях как на уровне целой логистической сети, так и на уровне отдельных логистических процессов.

Предиктивное управление логистической сетью (далее — Сеть) дает, ни много ни мало, а настоящие конкурентные преимущества. Возьмём такой пример. Мировой объем авиаперевозок составляет всего один процент от всех перевозимых грузов в тоннах. Но если рассматривать стоимость перевозимого по воздуху, то получится уже 35% ценностей перевозимых в мире (источник 1). Десятилетиями авиаперевозки планируются на основе исторических данных и экспертных мнений профессионалов. DHL же разработал механизм машинного обучения предсказывающий время авиа доставки грузов. Это и есть проактивная позиция игрока логистического рынка. Анализируя 58 различных параметров, машинное обучение способно предсказывать флуктуации загрузки авиалиний на неделю вперед. Более того, это решение способно выявлять на ранних стадиях основные факторы, влияющие на задержки доставок грузов. ML может анализировать поступающую в него информацию о возникающих задержках авиарейсов и выдавать справки о том, как именно то или иное опоздание повлияет на конечную доставку. Это помогает операторам эффективно планировать свою работу и устраняет так называемую работу «рабочих догадок».

Необходимость предсказания спроса и объемов поставок очевидна. Возьмем историю с бумом спиннеров в 2017 году. Эта игрушка неожиданно была продана в количестве пятидесяти миллионов экземпляров всего за несколько месяцев. В США всплеск спроса на спиннеры привел к 20-и процентному росту игрушек вообще (источник 2). Разумеется, это вызвало ажиотаж во всей цепочке поставок.
Игра со спиннером
Источник: penfieldbuildingblocks.org
Первые видео того, как подростки делают всевозможные трюки со спиннером появились в феврале 2017 года. Если бы Искусственный Интеллект мог «видеть» и анализировать данные веб-страниц, просмотров YouTube видео, разговоров в социальных сетях, он бы быстро сообразил, что грядет взрывной «хайп». Потому что семантически понять происходящий «тектонический» сдвиг на рынке без ИИ очень трудно. Конечно, в ходе того спиннер-бума многие компании-звенья цепочки поставок проявили истинный героизм и удовлетворили возникший спрос. Но этого не пришлось бы делать будь у них на вооружении хороший инструмент машинного обучения.

У DHL есть барометр глобальных продаж – это уникальный программный продукт, который анализирует продажи по всему миру. Он использует огромное количество оперативных логистических данных, статистические модели и Искусственный Интеллект для того, чтобы предоставлять ежемесячный обзор глобальной экономики. «Движок» этого инструмента работает по принципу «снизу вверх» и используется для импорта/экспорта данных по семи странам, чтобы обеспечивать именно в них самый высокий уровень сервиса. Кроме того, система регулярно оценивает 240 миллионов переменных, значения которых поступают из семи стран: Китай, Германия, Великобритания, Индия, Япония, Южная Корея и США. Собственно, данные этих семи стран представляют собой 75 % глобального товарооборота (источник 3).

Механизм ИИ, совмещенный с другими не вычислительными аналитическими моделями, представляет собой единую ценность и может предсказывать рост или падение товарооборота на ближайшее два месяца. Тесты на исторических данных этого инструмента показали четкую корреляцию между его показаниями и реальным положением вещей, зарегистрированных в мире. Предиктивное управление рисками критично для безопасности и стабильности цепочек поставок.
Источник: www.resilience360.dhl.com
У DHL есть еще один инструмент который называется «Стабильность360» (Resilience360) — это облачная платформа, которая представляет собой решение для управления рисками, адаптированное под нужды глобальных логистических операторов. Следует понимать, что для лидеров логистической индустрии управление потоком компонентов от тысячи поставщиков — это просто ежедневный бизнес. А проблемы с поставщиками всегда были и будут: недопоставка по количеству или ко времени, невыполнение прочих обязательств, законодательные изменения. И всё это может повлечь за собой очень сильные разрывы в цепочке поставок.

В системе «Стабильность360» есть модуль «Часы поставщика», который наглядно демонстрирует всю мощь ИИ в деле минимизации всевозможных управленческих рисков. Используя продвинутый алгоритм машинного обучения и обработку естественного языка «Часы поставщика» мониторит контент до восьми миллионов постов публикуемых в сотнях социальных интернет-ресурсов (источник 4). Система понимает тональность онлайн-разговоров прямо из неструктурированного текста, чтобы заранее идентифицировать те или иные риски. Это позволяет менеджерам по закупкам и менеджерам управляющим цепочками поставок предпринимать корректирующие действия и по возможности избегать каких-либо взрывных событий.

Умная оптимизация маршрутов критична для логистических операторов. С ее помощью они могут разруливать узкие места при транспортировке, загрузке и поставке. Эксперты по поставкам на «последней миле» обычно получают важные и детальные знания о городах, включая их физические характеристики. Тем не менее, новые клиенты требуют четкие тайм-слоты поставок, забор товаров на ходу и мгновенные поставки, что создает новые вызовы умной оптимизации маршрутов. Deutsche Post DHL Group первой начала использовать инициативу SmartTruck еще с начала 2000-х. И первой же задачей SmartTruck было — обеспечение алгоритмов управления водителями в реальном режиме времени.

В городах постоянно вводится в эксплуатацию новая инфраструктура. Следовательно, только с помощью цифровых спутниковых карт, моделей трафика и данных из социальных сетей можно создавать действительно детальную информационную платформу на которой может работать SmartTruck.
С помощью «цифрового глобуса» спутники распознают детальные объекты с точностью до 30 см.
Источник: DigitalGlobe — сервис, предоставляющий спутниковые снимки
Компания DigitalGlobe обеспечивает сервис предоставления спутниковых снимков и карт (рисунок выше). Ее заказчики получают возможность обеспечивать своим клиентам надежную поставку в заданное время. Один из таких клиентов — мировой гигант Uber. С помощью таких снимков можно получать продвинутые возможности геопозиционирования, чтобы увеличивать точность забора товара и его поставки. В том числе для того, чтобы перегружать товары с машины на машину. Всё дело в том, что карты DigitalGlobe позволяют выделять новые дороги, ограничения, ремонтные работы, информацию о пробках еще до того, как город официально опубликует эти данные (источник 5).

3.3 Говорящие, видящие и мыслящие логистические активы

ИИ может значительно снижать зависимость бизнеса от физической рабочей силы. Роботы основанные на Искусственном Интеллекте, системе компьютерного зрения, разговорном интерфейсе и автономные беспилотные виды транспорта – это новые инструменты передовых логистических компаний. Благодаря им, рабочие могут сконцентрироваться на более серьёзных, не механических задачах.
Сортировка неструктурированных посылок — слишком много ручных задач. Источник: akket.com
Когнитивная роботизированная сортировка — очень эффективный высокоскоростной механизм, позволяющий сортировать письма, посылки и даже товары на полетах. Без такой сортировки современным службам доставки не выжить. Потому что ежедневно миллионы поставок (пример на рисунке выше 42) сортируются огромной армией почтальонов. Все это нужно сканировать с помощью ручного оборудования. Все помнят самостоятельное оформление покупок в Ikea? Теперь представьте, что вам придется этим заниматься всю рабочую смену. Как через четыре-шесть часов ваша усталость и точность действий начнут влиять на качество работы?

Человечество уже вплотную приблизилось к «возможности» затопления под вторсырьем упаковок, оболочек и прочей тары. Финская компания ZenRobotics еще в 2011 году разработала умного робота, который сортирует мусор. Их система под названием ZRR2 использует комбинацию компьютерного зрения и алгоритмов машинного обучения встраиваемых в роботизированные руки, которые работают прямо на ленте конвейера.
Обзор ZenRobotics сортировщик мусора.
Источник: Recycling Magazine
Искусственный Интеллект собирает данные с трех различных камер и всевозможных сенсоров. Он натренирован на то, чтобы идентифицировать большую линейку пищевых картонных отходов. Также эта система распознает логотипы, пометки и 3D-формы (источник 6). В результате получилась система, которая комбинирует в себе две автоматизированные руки, основанные на ИИ, и эти руки могут обучаться новым видам мусора и делать это на скорости 4000 элементов в час с очень высокой степенью точности (источник 7). Это тоже важное и нужное предложение для логистики. Аналогичные технологии могут быть применены в работе с посылками и поставками «размером с письмо». С их помощью можно уменьшать вовлеченность людей в монотонные работы и, как следствие, снижать проценты ошибок.

Автономные направляемые виды транспорта (AVG) уже играют большую роль в логистике. Согласитесь, мы с вами уже давно привыкли видеть множество людей, управляющих погрузчиками, домкратами, колесными платформами и даже автомобильными тягачами.
Чтобы уменьшить вовлечение обслуживающего персонала уже сегодня происходит освоение неиндустриальных коллоборативных роботизированных систем, включающих в свой контур направляемые автономные направляемые виды транспорта. Разумеется, ИИ играет важную роль в такой интеграции.
Направляемые беспилотные машины GreyOrange используют ИИ для навигации и самообучаются для того чтобы улучшать собственную продуктивность. Источник: GreyOrange
Сингапурская компания GreyOrange производит роботизированные автоматизированные комплексы предназначенные для встраивания в автопилотируемые направляемые транспортные средства. Пример — на рисунке выше. Софт, который управляет этими машинами, называется GreyMatter (источник 8)

Японский производитель мебели, компания Nitori, была одним из первых клиентов GreyOrange. Для них очень важна автоматизация производственных и логистических цепочек. GreyMatter помогает им не только со сбором данных, но и во взаимодействии разных компаний между собой в реальном режиме времени. Таким образом, автопилотируемые направляемые AGV-устройства получают задания, которые они сразу же начинают автоматически выполнять. Самое интересное то, что полуавтоматические платформы знают какие именно детали на них погружены. То есть, движение платформы начинается «осознанно», а маршрут движения разрабатывается в зависимости от того, какой груз лежит на платформе и, соответственно, где он востребован (источник 9). Благодаря такой системе, Nitori удается значительно сокращать сроки поставок и доставлять свою продукцию точно в срок.
Как мы говорили в главе 2 преимущества, которые дает нам компьютерное зрение, открывает перед нами поистине новые горизонты и новое восприятие мира. И логистика в этом плане — не исключение. Визуальные инспекции — еще одна точка приложения усилий Искусственного Интеллекта, обладающая очень высоким потенциалом.

Как известно, в таком индустриальном секторе, как логистика, повреждения операционных активов случаются буквально «на каждом шагу». IBM Watson использует когнитивные функции визуального распознавания для того, чтобы ремонтировать физические активы и совмещать ремонты с инспекцией. Используя специальные арки с камерами, система фотографирует проезжающие под ней вагоны. В ходе определенного периода обучения система научилась определять поведение этих вагонов на ходу, классифицировать повреждения и даже рекомендовать наиболее подходящие корректирующие воздействия. Камеры компьютерного зрения были установлены вдоль рельсов, чтобы делать снимки по мере того как поезд проходит мимо них. Далее, изображения поступали в движок IBM Watson, обрабатывались классификатором ИИ и каждое повреждение получало свою маркировку, свой тикет, в соответствие с которым производились ремонтные работы (рисунок ниже). Чем больше собиралось данных, тем выше становилась точность визуального распознавания, которая сейчас достигла уже более 90 %. (Источник 10)

Сообщения о поломках и повреждениях автоматически отправляются в ремонтные службы и, как вы понимаете, такая модель может быть использована и в других областях логистической отрасли, не только в воздушном и водном транспорте.
Как IBM Watson обучается визуальной инспекции логистических активов
Источник: IBM
Управление складскими запасами на основе компьютерного зрения становится реальностью сегодня, в особенности для индустрии ритейла. Французский стартап Qopius разрабатывает ИИ для компьютерного зрения, чтобы определять остатки на полках, отслеживать продукты и в целом улучшать эффективность розничных магазинов. Используя глубокое машинное обучение и распознавание графических имиджей, Qopius способен выделять характеристики на всех распознаваемых элементах: бренды, логотипы, цены, в том числе и специальные условия, в которых товар находится на полке. Например, каких товаров на полке не хватает, с какими товарами целевой продукт совместно находится на одной полке, а также в принципе сколько доступно наименований или какое количество конкретного продукта в данный момент находится на полке. Проиллюстрирован этот пример на рисунке ниже. В управлении складами используются похожие подходы для того чтобы определять остатки на складах в реальном режиме времени на уровне конкретного SKU.
Управление товарами на полке магазина с использованием компьютерного зрения: Qopius
Источник: Qopius
Канадский стартап TwentyBN работает над глубоким обучением ИИ, которое определяет сложные движения человека просто на основе видеосъемки. Предыдущие применения этой технологии включали в себя автономное детектирование видеопотоков таких событий, как: пожилой человек упал, агрессивное поведение в публичном транспорте, кражи в магазинах. Рассматривая то, что многие склады сегодня оборудованы видеокамерами в целях безопасности, такой тип технологии ИИ может быть использован для оптимизации продуктивности и повышения безопасности. Например, можно настроить автоматическое оповещение об инцидентах, возникших с рабочими, или определить — закончена ли (и успешно ли) та или иная операция, тот или иной заказ по размещению или по забору складского запаса.

Как мы говорили ранее, разговорные интерфейсы становятся все более применимы в потребительском рынке. Еще с 90-х годов прошлого века команды на складе раздаются просто голосом, но недавние достижения в области обработки натурального языка, несомненно, приносят больше возможностей в цепочке поставок.

Американский стартап AVRL снабжает традиционные индустриальные IT-платформы возможностями обработки натурального языка. До параллельного возникновения и продвинутого улучшения ИИ и технологии речевого распознавания инструменты голосовых команд были статичными. Они были жестко привязаны к ключевым словам и к аудио-меню. То есть, в конечном счете количество и разнообразие команд были фиксированными. Более того, эти системы были ограничены пределами итераций (взаимодействия с ними). Они поддерживали только жестко фиксируемый список языков, акцентов и диалектов. В результате, люди вынуждены были опираться на скриптованные диалоги, чтобы хоть как-то общаться с этими устаревшими негибкими системами.
Голосовая технология, которую предлагает AVRL, может интерпретировать семантические значения и интонацию какой-либо фразы, после чего соединяет голосовое упоминание с конкретным продуктом. Это позволяет логистическим операторам работать с системами класса ERP, WMS или TMS просто голосом. Прямо так, как если бы они разговаривали со своими коллегами. Кстати, эти системы легко переваривают неформальные «крепкие выражения». Возможность автоматического ввода хранения и извлечения информации через разговорное взаимодействие сокращает время и уменьшает сложность многих складских операций.
Зрение, разговор, мышление логистических операций
Источник: DHL
Автономные автопарки постепенно будут использоваться во всех частях индустрии цепочки поставок. Ранние признаки этого уже сейчас становятся заметными в таких сферах, как доставка "последней мили". В частности, у всех на слуху уже множество попыток создать такую доставку с помощью дронов.

Платунинг (от англ Truck Platooning) появился как умное объединение фур в караваны. С помощью коммуникаций M2M (машина с машиной) и технологий коллаборативного круиз-контроля группы от 2 до 5 фур может следовать одна за другой. Между ними беспилотно синхронизирована акселерация (педаль газа), руление, торможение и дистанция. Платун управляется водителем первого автомобиля и пока что для подстраховки в каждом автомобиле, который следует за ним, тоже сидит водитель (на всякий случай!).
В Англии уже проводятся испытания технологии платунинга
Источник: DAF
Британская библиотека исследований в области транспорта совместно с DHL и DAF Trucks собираются пилотировать проект платунинга в объединенном проекте в 2019 году. Это один из многих недавно упомянутых пилотных проектов платунинга (рисунок выше). Автономные транспортные средства и траки сегодня преодолевают трассы достаточно хорошо. Каждое такое испытание добавляет новые данные в машинное обучение, востребованное каждым траком, входящим в платунинг. Разумеется, в ходе этого обучения вырастает способность машин лучше реагировать на дорожные условия и достигать поставленной цели. Эксперты оценивают, что автономная доставка на длинные дистанции более менее уже достигнута и сейчас важной целью является доставка на маленьких улицах от автострады к конкретному городскому адресу. (Источник 11)

Одна из систем доставки последней мили из таких методов берет из базы данных или получает от вас ваше фото. Далее, с помощью автономных беспилотных летательных средств доставляет товар именно вам, персонально. Открытым вопросом здесь остается законодательная регуляторика и, в принципе, возможность разведения таких летательных аппаратов в пространстве во избежание каких либо несчастных случаев и помех. Более практичным применением автономности на последней миле остаются беспилотные наземные машины, которые оперируют полностью автономно или их дистанционно ведет оператор.
Технология Robby 2 компании Robby Technologies может передвигаться автономно на шести колесах и с помощью Искусственного Интеллекта обрабатывать препятствия и взаимодействовать с людьми. Источник: Robby.io
Американский стартап Robby Technologies разрабатывает Robby 2 – автономный непилотируемый наземный транспортировщик грузов (см видео выше). В него встроены элементы Искусственного Интеллекта для навигации и для взаимодействия (диалога) с людьми. Робот специально конструируется так, чтобы его не останавливала динамическая сложность прохождения городских территорий, например, лестницы, бордюры, рельсы. Предполагается, что встроенный прямо на борту Robby 2 ИИ сможет обучаться реагированию на внештатные ситуации прямо в ходе возникновения этих ситуаций. Встроенный разговорный ИИ помогает постоянно улучшать взаимодействие робота с людьми, например, прохожими, постовыми и клиентами. Если кто-то преграждает Robby 2 дорогу, приятный голос вежливо скажет «извините меня» и даже может сказать «спасибо» если кто-то уступил ему дорогу (источник 12). По мере роста спроса на доставку в густо населенных местах автономные роботы аналогичные Robby 2 могут очень сильно помогать существующим доставщикам последней мили, повышая их объемы поставок и понижая стоимость этих поставок.
Читайте в завершающей статье цикла "Искусственный интеллект в логистике":

3.4 Клиентский опыт на базе AI
3.5 Начало работы с ИИ в вашей цепочке поставок
Источники:
1. Boeing (2016), World Air Cargo Forecast 2016-2017, www.boeing.com
2. The Economist (2017), www.economist.com
3. DHL (2018a), DHL Global Trade Barometer
4. DHL (2018b), DHL Resilience360
5. Meyer, R. (2016), Uber takes to the skies
6. Kite-Powell, J. (2017), This Recycling Robot Uses Artificial Intelligence To Sort Your Recyclables, Forbes
7. ZenRobotics (2018), Robotic waste sorting with ZenRobotics Recycler, zenrobotics.com
8. GreyOrange (2018), Take your supply chain to the next level, www.greyorange.com
9. Francis, S. (2017), GreyOrange launches new AI for logistics robots and warehouse automation, Robotics & Automation News
10. IBM (2018), Watson Visual Recognition: Maintenance with AI-driven Visual Inspection, www.ibm.com
11. Chen, F. (2017), AI: What's Working, What's Not
12. Orr, J. (2017), Robots intend to reduce cost of 'last, The Mercury News.
Photo by news.northeastern.edu

Подписаться на новости

Мы обещаем отправлять вам на почту тщательно подобранные материалы и никакого спама!