ارتقای عملکرد انبار با هوش مصنوعی بینایی رایانه‌ای
فلایمینگو (Flymingo) شرکت فعال در حوزۀ «بینایی رایانه‌ای»[1] است که از طریق پردازش دوربین‌های موجود در انبار، خطاهای فرآیندهای عملیاتی زنجیرۀ تأمین را شناسایی می‌کند. بر اساس گزارش شرکت تحلیلگر مشاورۀ صنعتی ای‌آرسی ادوایزری (ARC Advisory Group)، این تنها شرکت نرم‌افزار زنجیرۀ تأمین به شمار می‌آید که هستۀ اصلی راهکارهایش هوش مصنوعی است. آنها از نوعی هوش مصنوعی برای تشخیص تصویر در ارتباط با «سیستم مدیریت انبار» (WMS)[2] استفاده می‌کنند. این راهکار برای ایجاد سطح بالایی از تعهد به «رویۀ عملیاتی استاندارد» (SOP)[3] در انبار استفاده می‌شود. «رویۀ عملیاتی استاندارد» برای ایمنی و قابلیت اطمینان حیاتی است.
یادگیری تقویتی در بینایی کامپیوتر
یادگیری تقویتی (Reinforcement learning) شکلی از یادگیری ماشینی است که به مدل‌های هوش مصنوعی اجازه می‌دهد فرآیند تصمیم‌گیری خود را بر اساس بازخورد مثبت، خنثی و منفی اصلاح کنند. برای نمونه، اگر می‌خواهید سیستم بینایی رایانه‌ای را برای تشخیص تصویر سگ آموزش دهید، با کمک انسان برای مشاهدۀ ده‌هاهزار تصویر از حیوانات شروع می‌کنید. انسان‌ها به عکس‌ها برچسب «این سگ است»، «این سگ نیست» یا «نامشخص» می‌زنند. سپس آن تصاویر به کامپیوتر ارائه می‌شود و سیستم می‌گوید: «این یک سگ است» یا «این یک سگ نیست». سپس الگوریتمِ تشخیصِ سگ بازخورد دریافت می‌کند: مثبت (بله، شما درست می‌گویید، این یک سگ است)، منفی (نه، این یک سگ نبود)، یا خنثی (ما واقعاً نمی‌دانیم که آیا این یک سگ است یا نه). با عبور سیستم از حلقه‌های بازخورد بیشتر و بیشتر، توانایی آن برای شناسایی صحیح یک تصویر تقویت می‌شود.
در راهکار فلایمینگو، دوربین‌های امنیتی موجود در انبار، تصاویری از اشیا - پالت‌ها، کامیون‌ها، کیس‌ها، افراد، مناطق صحنه و غیره - را به سیستم ارائه می‌دهند. سپس، سیستم تشخیص می‌دهد که چه نوع شی‌ای در حال نمایش است. ترکیبی از تصویر، و نیز داده‌های «سیستم مدیریت انبار» و قوانین مدون، به سیستم اجازه می‌دهد تا بفهمد آیا فرآیندها دنبال می‌شوند یا خیر.
سیستم مدیریت انبار و بینایی رایانه‌ای چگونه با هم کار می‌کنند؟
سیستم مدیریت انبار دسته‌‌ای از نرم‌افزارهای کاربردی است که از خدمات دریافت، جایگذاری، گزینش، حملونقل و ارزش افزوده پشتیبانی می‌کند. راه‌حل‌های سیستم مدیریت انبار برای ثبت تغییرات وضعیت آنی به سیستم‌های شناسایی خودکار – اغلب، دستگاه‌های اسکن فرکانس رادیویی که بارکدها را می‌خوانند - متکی هستند.
اگر «رویۀ عملیاتی استاندارد» رعایت شود، سیستم مدیریت انبار می‌تواند دقت بسیار خوبی در عملیات گزینش و موجودی کالاها داشته باشد. انبار با برچسب بارکد هر جایگاه در مرکز توزیع مستقر شده است. برچسب‌های بارکد را می‌توان روی کیس‌ها، پالت‌ها و واحدهای نگهداری موجودی منفرد نیز قرار داد. برای نمونه، سیستم مدیریت انبار به یکی از همکاران یکی از راهروها می‌گوید که به موقعیت AX32 برود و دو مورد را انتخاب کند. همکار به محل مراجعه می‌کند، برچسب بارکد جایگاه را اسکن می‌کند تا تأیید کند که در مکان مناسب قرار دارد، و برچسب‌های بارکد را روی دو کیس اسکن می‌کند که نشان می‌دهد تعداد موارد مناسب انتخاب شده است. استفاده از سیستم مدیریت انبار در ارتباط با سیستم شناسایی خودکار[4] می‌تواند دقت موجودی را بیش از 99.9 درصد افزایش دهد.
اگرچه سیستم مدیریت انبار می‌تواند دقت بسیار بالایی داشته باشد - بسیار بالاتر از هر سیستم مبتنی بر کاغذ - دستیابی به این سطوح از دقت بستگی به تمرکز حواس کارگران و پیروی از «رویۀ عملیاتی استاندارد» دارد. برای نمونه، اگر کارگری به محل مناسبی برود و یکی از همکاران از کنارش رد شود و گفت‌وگوی سریعی را شروع کند، ممکن است وقتی به قفسه برمی‌گردد، سهواً موارد را از جایگاه اشتباه انتخاب کند. یا ممکن است به یکی از همکاران دستور داده شود که در زمانی که پالت در مکان مشخصی نزدی سکوی ارسال نصب می‌شود، برچسب حملونقل را بچسباند. همکار ممکن است روی دکمه‌ای روی دستگاه فرکانس رادیویی خود کلیک کند تا چاپگر برچسب به کار بیفتد. او قرار است برود و برچسب را بگیرد، به پالت برگردد و برچسب را روی پالت بگذارد. با این حال، اگر او تصمیم بگیرد قبل از رفتن به سراغ دستگاه لیبل، سری به دستشویی بزند، ممکن است یکی از همکاران دیگر برچسب او را بگیرد.
سیستم بینایی رایانه‌ای فلایمینگو، در ارتباط با سیستم مدیریت انبار، می‌تواند تشخیص دهد که احتمالاً خطایی رخ داده است. در همان مثال قرار دادن برچسب فرستنده روی پالت چند طبقه، سیستم بینایی ممکن است به‌گونه‌ای تنظیم شود که اگر شرکت در عرض سه دقیقه به محل پالت بازنگردد، خطایی محتمل را علامت‌گذاری کند. مدیر همکار می‌تواند از نوع خاصی از اشتباه آگاه شود، فیلم را مشاهده کند و تعیین کند که آیا در واقع اشتباهی رخ داده است یا خیر. سپس، مدیر می‌تواند به‌سرعت با هدایت مبتنی بر بینایی اقدام کند. بازخوردِ تقریباً فوری عملکرد نیروی کار را افزایش می‌دهد.
همۀ خطاها ناشی از اشتباه نیستند. برخی از همکاران عمداً «رویۀ عملیاتی استاندارد» را نقض می‌کنند. برای نمونه، ممکن است به یکی از همکاران گفته شود که به یک مکان خاص برود و دو مورد را انتخاب کند. آنها ممکن است تصمیم بگیرند که با نرفتن به مکان در وقت خود صرفه‌جویی کنند. در عوض، آنها از دستگاه تلفن همراه خود استفاده می‌کنند تا نشان دهند که آن جایگاه موجودی ندارد. به‌طور خلاصه، آنها به‌اشتباه ادعا می‌کنند که گزینش کالا ناممکن است. یا ممکن است دزدی در اسکلۀ حملونقل عمداً یک پالت را در کامیون یکی از همکارانش قرار دهد. در این موارد می‌توان از هوش بصری برای شناسایی کارمندان غیرقابل اعتماد استفاده کرد.
فناوری جالبی است، اما آیا جواب می‌دهد؟
آوی بوآس (Avi Boas)، رئیس عملیات شرکت آبالاین (Abaline)، در جمع کاربران نرم‌افزار مدیریت انبار «مید فور نت» (Made4net)، در کنفرانس اینسپایر 2024 (Inspire 2024) سخنرانی کرد. آبالاین شرکت توزیع خصوصی خانوادگی با 25 کامیون است. مرکز توزیع اولیۀ آبالین، مرکزی به مساحت 165000 فوت‌مربعی است که در بایون (Bayonne) نیوجرسی قرار دارد. این توزیع‌کننده همچنین به مراکز مراقبت بهداشتی، موسسات آموزشی و سایر بخش‌ها خدمات می‌دهد.
آبالاین از نرم‌افزار مدیریت انبار «مید فور نت» استفاده می‌کند. با استفاده از این ابزار فلایمینگو، به‌عنوان یکی از بهترین سیستم‌های مدیریت انبار، این شرکت توانسته کارآمدی فرآیند را تا حد قابل توجهی بهبود بخشد. آقای بوآس گفت که قبل از اجرای برنامۀ فلایمینگو، ممکن است متوجه نشده باشند که برای هفته‌ها لوازم پزشکی اشتباهی را برای مشتری‌ای در خارج از کشور ارسال کرده‌اند. در آن‌زمان، او و مدیر شیفت ممکن بود ساعت‌ها به تماشای آرشیو فیلم‌های امنیتی بپردازند تا مشکلی رخ داده را پیدا کنند. هنگامی که مدیر در مورد اشتباه خود با همکار صحبت می‌کرد، او اغلب حالت تدافعی می‌گرفت و اشتباه را به گردن چیزی خارج از کنترل خود می‌انداخت.
اکنون، اشتباه فی‌الفور مشخص می‌شود. وقتی کارمندی احضار می‌شود، اغلب قبل از اینکه مدیر موضوع را مطرح کند، می‌تواند اشتباهش را دریابد. علاوه بر بهبود روابط با کارکنان، پایبندی بهتر به فرآیند، خدمات مشتری را ارتقا داده است.
پانوشت‌های مترجم
1. Computer Vision یا بینایی ماشین (Machine vision) حوزه‌ای از هوش مصنوعی است که کامپیوترها و سیستم‌ها را قادر می‌کند اطلاعات معنی‌داری را از تصاویر دیجیتال و فیلم‌ها و دیگر ورودی‌های بصری استخراج کنند و براساس آن اطلاعات، اقداماتی انجام دهند یا توصیه‌هایی ارائه کنند.
2. Warehouse Management Systems (WMS)
3. standard operating procedure: رویۀ استاندارد عملیاتی یاSOP سندی رسمی حاوی دستورالعمل‌هایی دقیق است که شیوۀ انجام کاری خاص را تعیین می‌کند. هدف سازمان‌ها از تدوین این سند کمک به کارکنان خود در انجام پایدار و باثبات کارهایی معین است.
4.Automatic identification : شناسۀ خودکار یا AutoID به فرآیند شناسایی «واحد نگهداری موجودی» (SKU) در طول فرآیند زنجیره تأمین، با استفاده از فناوری‌هایی مانند شناسایی فرکانس رادیویی (RFID)، بارکد و غیره اشاره دارد. فناوری‌های شناسایی خودکار می‌تواند دقت فرآیند شناسایی SKU را تا 99.99 درصد بالا ببرد.
منبع
این ترجمه از گزارش استیو بانکر در سایت «هوش مصنوعی»، بهانه‌ای بود برای آشنایی مخاطبان وبلاگ مرکز پردازش ایفا با آخرین دستاوردهای هوش مصنوعی در مدیریت انبار. موضوعی که ما نیز در ایفا در پی آن هستیم تا کیفیت خدمات یکپارچۀ لجستیکی انبارش، بسته‌بندی و ارسال خودمان را برای مشتریان، به‌ویژه فروشندگان آنلاین، بالا ببریم:
Supercharging A Warehouse’s Performance With AI-Driven Computer Vision
Artificial Intelligence | By Steve Banker 10/07/2024
