Jak poruszać się po ogromnych magazynach, aby szybko zebrać towary? LPP używa do tego AI

Wykorzystanie sztucznej inteligencji oraz uczenia maszynowego w logistyce wciąż znajduje się w początkowym stadium. I to, pomimo że – jak wynika z raportu Logistyka w Polsce – 75 proc. firm dostrzega w tym obszarze największe szanse na rozwój. Napędzają je rosnące koszty paliwa i pracy.

Obok zespołu Danisza nad rozwiązaniem problemu pracują naukowcy z Politechniki Poznańskiej i Wrocławskiej, którzy do automatyzacji procesów magazynowych podchodzą holistycznie.

Miał on charakteryzować się cechami, którymi opisujemy prawdziwe magazyny. To m.in. topologia, układ regałów, opcje transportowe czy zalogowani pracownicy.

Było to jednak konieczne, aby oszczędzić czas później. Symulacja magazynu pozwoliła badaczom na szybkie i względnie tanie trenowanie algorytmu, który miał znajdować najlepsze rozwiązanie.

Stan to zaś opis stanu środowiska po wykonaniu akcji. W magazynie to np. dostępność magazynierów, rozłożenie towaru w magazynie czy zestaw zleceń do wykonania. Nagroda z kolei definiuje jakość wykonanej akcji. Agent jest więc nagradzany za takie działania, które spowodują minimalizację czasu potrzebnego na wydanie towaru.

Jego zespół postawił przed algorytmem zadanie rozwiązania tzw. problemu komiwojażera, który polega na znalezieniu najkrótszej trasy łączącej kilka punktów na mapie. System wyznacza więc optymalną trasę przejścia dla kilkudziesięciu lokacji pickingowych, co ma się przełożyć na krótszy czas realizacji zamówienia.

Jest nim na przykład optymalne przydzielenie magazynierów do operacji magazynowych, co przy 300 osobach na zmianie nie jest proste. Algorytm może również dzielić magazyn na strefy rotowalności i grupować zlecenia względem tych, które mają być przetwarzane razem.

Szacuje się, że ponad jedna trzecia kosztów logistyki magazynowej pochodzi z kompletacji zamówienia. Im większy magazyn, tym ważniejsze staje się odpowiednie zaplanowanie trasy, aby elementy jak najszybciej znalazły się u klienta. Model przygotowuje więc rekomendacje, które w obecnej, pilotażowej formie, sprawdzane są w magazynie LPP.

Pierwszy z modułów złamał utarte reguły i schematy, jakimi posługiwali się pickerzy na magazynie.

Wykorzystanie sztucznej inteligencji skróciło długość ścieżek kompletacyjnych w LPP aż o 30 proc. Znajdowanie najlepszej ścieżki to dopiero początek wykorzystania uczenia maszynowego w procesach logistycznych. Twórcy już teraz mówią o optymalizacji wszystkich procesów magazynowych.

Zanim algorytm będzie gotowy trzeba go jeszcze dotrenować. Cały proces przygotowywania systemu do działania w docelowej lokalizacji trwa bowiem około trzy miesiące. W jego dokończeniu pomogą środku z NCBiR w wysokości 3 mln zł. Rozwiązanie ma być gotowe na początku przyszłego roku.