Kunstmatige Intelligentie (KI of AI) en Machine Learning kennen toepassingen doorheen nagenoeg alle sectoren en business units. Processen waarin veel data wordt verzameld lenen zich vanzelfsprekend uitstekend voor dergelijke toepassingen. Denk maar aan logistiek, supply chain en warehouse management. Aandachtspunten daar zijn o.a. planning, stockhoeveelheden en duur van stockage, welk traject producten hebben afgelegd, grootte en hoeveelheden van orders en zoveel meer. Daarom zetten we hier enkele toepassingen van AI en machine learning op een rijtje die hierbij directe meerwaarde creëren.
Track & trace in warehouse omgevingen
Een eerste reeks AI toepassingen die op tal van manieren wordt ingezet binnen logistieke processen zijn gebaseerd op Beeldherkenning of Image Recognition. Daar waar kwaliteitscontrole tijdens het productieproces in het verleden vaak door het menselijke oog plaats gebeurde, wordt er vandaag meer en meer overgeschakeld op AI gestuurde Beeldherkenning. Deze kan worden ingeschakeld om producten te scannen op basis van bepaalde kwaliteitseisen of afwerkingsgraad maar kan evenzeer gebruikt worden om bijvoorbeeld stuks te tellen voordat deze worden ingepakt.
Ook na het productieproces kan Beeldherkenning een belangrijke ondersteunende rol spelen om de workload in processen te reduceren. Het scannen van labels speelt een essentiële rol in de triage en inventarisatie van goederen. Deze systemen kunnen grote hoeveelheden goederen geautomatiseerd verwerken en bij twijfel kan een ultieme check nog uitgevoerd worden door een medewerker.
Dergelijke beeldherkenningstoepassingen kunnen eveneens worden ingezet met personen. Zo zijn er in heel wat logistieke centra belangrijke voorschriften inzake aangepaste (veiligheids)kledij. Via een Image Recognition algortime kan software getraind worden om personen te scannen op het dragen van de juiste kledij, fluohesjes, helmen, of veiligheidsbrillen. Deze scan kan nadien gebruikt worden om personen al dan niet toegang te verschaffen tot bepaalde zones. Ook kunnen dergelijke systemen afwijkingen of anomalieën van normaal gedrag voorspellen en zo een cruciale rol spelen in het detecteren en voorkomen van diefstal of ander ongeoorloofd gedrag.
Beeldherkenning kan dus op tal van manieren worden ingeschakeld bij logistieke processen en flows. Eigen aan dergelijke systemen is dat ze op erg grote schaal en met hoge snelheid beelden kunnen verwerken. En dit met een consistent lage foutenmarge en zonder dat bijvoorbeeld vermoeidheid of verveling een impact hebben op de performantie.
Digitale supply chain en order flow assistent
Het plannen van logistieke processen is een complex vraagstuk waarbij verschillende factoren in rekening dienen gebracht te worden. Los van de complexiteit van de planning zelf vergt het reeds een grote inspanning voor planners om te evalueren welke orders al dan niet mogen of kunnen ingepland worden. Om dit te bepalen dienen doorgaans heel wat factoren in rekening te worden gebracht zoals beschikbaarheid van chauffeurs en type transporten, haalbaarheid van trajecten en andere.
Artificiële Intelligentie is uitermate geschikt om in deze pre-planningsfase de grote hoeveelheid data te structureren, er patronen in te ontdekken en zo te helpen orders te evalueren. Een belangrijke Machine Learning functie hiervoor is classificatie. Bij een classificatietoepassing gaat een algoritme bepaalde content geautomatiseerd indelen, in door de gebruiker vooraf bepaalde klasses of categorieën. Het algoritme doet dit op basis van patronen die het autonoom heeft ontdekt in een historische dataset.
Dergelijke classificatietoepassing kan worden gebouwd op basis van een dataset van orders die in het verleden aanvaard of geweigerd werden. De machine kan hieruit leren welke factoren er in het verleden voor zorgden dat een order geweigerd of aanvaard kon worden. Wanneer een nieuw order binnenkomt kan door middel van kunstmatige intelligentie een score worden toegekend aan dat order. Hiervoor wordt historische data gecombineerd met real time data zoals beschikbaarheid van chauffeurs of vrachtwagens. Op basis daarvan kan vervolgens een score toegekend worden aan elk binnenkomend order. Dit geeft de planner al een goed beeld in welke mate een order inplanbaar is. Dit geeft de planner meer tijd en ademruimte om te focussen op de planning zelf.
Geautomatiseerd verwerken van administratieve orders
Een ander tijdrovend aspect in veel logistieke processen is de administratieve verwerking van bestellingen, aanvragen en tickets. Vaak zijn mensen vastgeroest in een bepaalde routine van hoe ze informatie doorsturen en verwerken. De ene stuurt een mail met wat losse en ongestructureerde tekst, de andere bezorgt steeds een mooie pdf met de nodige info. Het is vaak moeilijk om klanten in een bepaald stramien te krijgen waardoor informatie vaak ook nog manueel moet worden ingevoerd in de eigen, interne systemen.
Een AI techniek die zeer handig kan zijn om zo’n administratieve last te verlichten is “Named Entity Recognition” of kortweg NER. Dit is een techniek die gebaseerd is op Machine Learning en Natural Language Processing (NLP). Via Named Enitity Recognition kan een machine worden getraind om bepaalde entiteiten te herkennen. Denk hierbij aan zaken zoals naam, BTW nummer, locatie, datum, traject, … De machine herkent dus deze entiteiten in documenten en kan de daarbij horende informatie capteren en extraheren. Dit maakt het mogelijk om het manueel invoeren van informatie op grote schaal te gaan automatiseren.
Voorspellen van ROP (reorder points) en andere forecasts
Het stockeren van goederen kost handenvol geld: enerzijds bestaat deze uit kosten die inherent zijn aan het fysiek stockeren van goederen zoals gebouwen, verwarming en elektriciteit. Anderzijds zijn de liquide middelen die worden aangewend voor het aanleggen van stock niet beschikbaar voor andere investeringen die meer toegevoegde waarde kunnen opleveren. De kunst bestaat er dan ook in om een goed evenwicht te vinden tussen zo weinig mogelijk stock en toch steeds de gevraagde goederen uit voorraad te kunnen leveren.
De vraag naar goederen wordt doorgaans beïnvloed door een heleboel factoren, intern vs extern, micro- en macro economisch, waardoor het moeilijk wordt voor de mens om het overzicht te bewaren. Artificiële Intelligentie kan helpen met het voorspellen van de juiste tijdstippen om voorraden in te slaan en de benodigde hoeveelheden te bepalen voor een optimaal stockbeheer.
Dit kan via het genereren van een forecastingmodel op basis van historische data. Aan deze modellen kunnen externe databronnen worden gekoppeld, denk bijvoorbeeld aan weers- of verkeersvoorspellingen. Door het toevoegen van dergelijke data kunnen forecasting modellen nog accurater worden gemaakt. Het gebruik van dergelijke modellen kan in het algemeen bijdragen tot het beter voorspellen van de nodige stock, daar waar dit in het verleden vaak geschat moest worden. Hetzelfde type forecasting kan ook worden toegepast voor het voorspellen van andere factoren, zoals het voorspellen van de nodige personeelsbezetting.
Chatbot voor customer support en order tracking
Net zoals bij customer service desks in andere sectoren, komen ook bij logistieke dienstverlening vaak dezelfde vragen van klanten of tussenpersonen terug. Denk maar aan vragen rond leverdatum en -tijd of vragen inzake retour. Een groot aantal van deze vragen dient telkens beantwoord te worden met een gelijkaardig antwoord. Door een AI gestuurde chatbot in te schakelen kunnen al deze vragen worden herkend en automatisch worden beantwoord.
Voor vragen die een gepersonaliseerd antwoord vereisen, zoals vragen rond levermoment van goederen of vragen rond specifieke bestellingen, kunnen koppelingen met ERP of andere softwarepakketten worden voorzien waarbij de AI gestuurde chatbot in de database op zoek gaat naar de specifieke info. Zo kunnen dus ook vragen die een zeer gepersonaliseerd antwoord vereisen toch netjes automatisch worden beantwoord.
Door het filteren van de makkelijk of generiek te beantwoorden vragen door een AI gestuurde chatbot verdwijnt een groot deel van de workload voor de customer support afdeling. Enkel de vragen die niet door de chatbot kunnen worden beantwoord, worden nog naar de menselijke medewerkers doorgestuurd, zodat zij zich kunnen buigen over de meer complexe vraagstukken en zich meer kunnen toeleggen op persoonlijke service die écht het verschil maakt.
Inzichten in functie van het selecteren van leveranciers
Een supply chain bestaat uit veel verschillende schakels en stappen. Een cruciale schakel bevindt zich dan ook helemaal aan het begin van de supply chain, bij de keuze van de juiste en betrouwbare leveranciers. Leveranciers aan het begin van de keten zijn vaak allesbepalend voor de rest van het proces. De keuze van de meest geschikte leveranciers bepaalt mee het succes van de business. Ook hierin spelen AI en Machine Learning een belangrijke rol. Uit verzamelde procesdata kunnen inzichten verworven worden inzake on time delivery, kwaliteit van dienstverlening en mogelijke potentiële problemen of bottlenecks. Hiermee kunt u uw leverancier correct beoordelen en sturen, wat de kwaliteit op het eind van de keten ten goede komt.
Conclusie
Bij activiteiten als logistiek, supply chain en warehousing worden grote hoeveelheden data geproduceerd en gecapteerd, gaande van productie tot het tijdstip wanneer goederen uiteindelijk hun finale bestemming bereiken. Deze processen hebben veel baat bij de integratie van AI of machine learning toepassingen die in deze enorme datastromen relevante inzichten kunnen ontdekken en mee helpen deze processen te sturen. De veelzijdigheid van het Trendskout platform leent zich ertoe om de hierboven beschreven AI use cases stuk voor stuk uit te bouwen en te beheren. Wil je weten hoe? Neem dan contact op met één van onze medewerkers, wij helpen u graag verder.
