Szkolenie, czyli wyższy poziom programowania

Rovolution PickCenter firmy TGW: Korzystając ze sztucznej inteligencji, robot koryguje własne ewentualne błędy w procesie kompletacji bez konieczności interwencji człowieka

 

Sztuczna inteligencja (AI) już dziś upraszcza wiele dziedzin naszego codziennego życia. Badania wskazują, że w przyszłości będzie również odgrywać kluczową rolę w intralogistyce. Warto wiedzieć, że istnieją już dobre przykłady udanych wdrożeń – na przykład w obszarze kompletacji zamówień. Przedstawiamy analizę, którą przygotował Dr Maximilian Beinhofer, Head of Cognitive Systems Development w TGW.

 

Od dawna używamy sztucznej inteligencji w naszym codziennym życiu. Mamy jednostki nawigacyjne, które prowadzą nas po właściwej trasie, a kiedy przechodzimy do trybu online, możemy w ułamkach sekundy tłumaczyć e-maile na inne języki.

 

Klucz do zwiększenia wydajności w intralogistyce

AI ma już długą tradycję. Naukowcy zaczęli prowadzić badania w tej dziedzinie już w latach pięćdziesiątych XX wieku. Problem polegał na tym, że prymitywne komputery miały zbyt małą moc obliczeniową, aby obsłużyć więcej niż niewielką ilość danych. Pole badawcze tkwiło więc w niszy zamieszkanej głównie przez naukowców.

 

Eksperci przewidują, że sztuczna inteligencja będzie odgrywać główną rolę w zarządzaniu łańcuchem dostaw w nadchodzących latach. „Logistics Trend Radar 2020” Deutsche Post DHL stwierdza, że ​​sztuczna inteligencja będzie miała wyraźny wpływ na logistykę w ciągu zaledwie pięciu lat.

 

Jednak rozwój technologii chmury i ogromny wzrost niedrogich mocy obliczeniowych zmienił znacząco reguły gry. Każdego roku firmy takie jak Google i Microsoft inwestują miliardy w rozwój inteligentnych systemów.

W tym kontekście główne pytanie brzmi: w którym momencie system staje się rzeczywiście inteligentny? Mówiąc najprościej, możemy powiedzieć, że system lub maszynę uważa się za inteligentną, jeśli może się czegoś nauczyć bez zaprogramowania nowych informacji w jej własnym kodzie. Zasada brzmi: szkolenie zamiast programowania.

Uczenie maszynowe to termin, który można zastosować do około 95 procent wszystkich aplikacji AI. Młoda technologia wykorzystuje wartości empiryczne. System pobiera dane historyczne i wykorzystuje je do nauki przetwarzania nowych, wcześniej nieznanych danych. Takie algorytmy uczą się więcej i więcej z każdym nowym rekordem danych i mogą dostosowywać się niezależnie i dynamicznie do nowych sytuacji. Jest to klucz do zwiększenia wydajności w intralogistyce.

 

AI kluczowe w zarządzaniu łańcuchem dostaw przyszłości

Eksperci przewidują, że sztuczna inteligencja będzie odgrywać główną rolę w zarządzaniu łańcuchem dostaw w nadchodzących latach. „Logistics Trend Radar 2020” Deutsche Post DHL stwierdza, że ​​sztuczna inteligencja będzie miała wyraźny wpływ na logistykę w ciągu zaledwie pięciu lat. Efekty sztucznej inteligencji są większe niż na przykład drukowanie 3D lub blockchain.

Sztuczna inteligencja to temat, który jest również przedmiotem zainteresowania przemysłu i handlu detalicznego. W badaniu przeprowadzonym przez Inform w 2018 roku ponad 80 procent ankietowanych wskazało na sztuczną inteligencję jako ważny, przyszłościowy temat.

Jednocześnie jednak brakuje implementacji. Trzy czwarte respondentów badania nie posiadało wiedzy praktycznej, wystarczających środków na inwestycje lub niezbędnej infrastruktury informatycznej. Można zatem powiedzieć, że choć technologii jest jeszcze daleko od ugruntowania, to potencjał w wielu obszarach logistyki jest generalnie znany.

 

Powodem, dla którego eksperci ds. logistyki uważają, że sztuczna inteligencja ma tak duży potencjał, jest to, że w wielu miejscach w łańcuchu dostaw znajdują się ukryte informacje o dużych możliwościach w zakresie usprawnienia procesów. Dotyczy to działania całego systemu, jak również poszczególnych jego elementów. Dzięki wykorzystaniu uczenia maszynowego niektóre przepływy pracy mogą przynieść ogromną poprawę. Na przykład zamówienia mogą być kompletowane i wysyłane do klientów bez błędów i z maksymalną prędkością.

 

Uczenie maszynowe tam, gdzie przekłada się to na realne korzyści

TGW skupia się na tematyce sztucznej inteligencji w wielu obszarach. Misją jest celowe zastosowanie uczenia maszynowego w tych segmentach, które dają klientom największe korzyści. Dzieje się tak wszędzie tam, gdzie zadanie polega na identyfikowaniu wzorców w dużych bazach danych, optymalizacji procesów i przepływów pracy. TGW postrzega uczenie maszynowe z trzech punktów widzenia: poziomu obiektów, przepływu materiałów i maszyn.

W pierwszym przypadku: TGW opracowało innowacje, takie jak „Rovolution”, wielokrotnie nagradzany robot do kompletacji, który jest wyposażony w najnowocześniejszą technologię, dzięki której jest samouczący się i inteligentny. Podstawowe pytanie jest tutaj zawsze następujące: jakie właściwości ma określony przedmiot – czy to worek chipsów, czy pudełko używane jako opakowanie? I jaki jest najlepszy sposób jego odbioru?

W drugim przypadku, a więc uczenia maszynowego na poziomie przepływu materiałów, podstawowe pytanie brzmi: w jaki sposób firma może kontrolować swój system, aby nie było wąskich gardeł i aby wszystkie stacje robocze były równomiernie zajęte?

 

Upraszczając: system lub maszynę uważa się za inteligentną, jeśli może się czegoś nauczyć bez zaprogramowania nowych informacji w jej własnym kodzie. Zasada brzmi: szkolenie zamiast programowania.

 

Trzeci punkt widzenia, to uczenie maszynowe dla maszyn: zadanie polega na analizie i zrozumieniu stanu poszczególnych komponentów – na przykład w ramach monitorowania stanu. Zaleta: ograniczenie przestojów dzięki planowaniu dat i godzin konserwacji już na wczesnym etapie.

Firma TGW odniosła sukces w dziedzinie uczenia maszynowego. Robot do kompletacji zamówień Rovolution całkowicie samodzielnie (bez jakiejkolwiek interwencji człowieka) reaguje na nieoczekiwane zdarzenia, takie jak upadek przedmiotu podczas operacji chwytania. Sam koryguje operację. Korzyścią dla użytkownika jest to, że robot może być używany przez całą dobę bez żadnych przerw. Wysoce złożony algorytm analizuje dane w celu zrozumienia scenariusza, umożliwiając ocenę i klasyfikację stanu. Na tej podstawie robot może samodzielnie podejmować decyzje dotyczące sposobu postępowania z pobieranym artykułem.

Aby szybciej rozwijać się w tej dziedzinie, TGW inwestuje w projekty badawcze i współpracuje z wiodącymi na świecie uniwersytetami. Firma ma ponad pięćdziesięcioletnie doświadczenie w dziedzinie automatyki. Uczenie maszynowe zapewnia rozwiązania problemów użytkowników, których nie można pokonać przy użyciu samej tylko tradycyjnej technologii automatyzacji.

 

TEKST: Dr Maximilian Beinhofer, Head of Cognitive Systems Development w TGW

ZDJĘCIA: TGW Logistics Group

 

Dr Maximilian Beinhofer wraz ze swoim zespołem pracuje nad rozwojem tematów AI w TGW

 

Dr Maximilian Beinhofer, Head of Cognitive Systems Development w TGW

Dr Maximilian Beinhofer jest szefem działu rozwoju systemów poznawczych w siedzibie TGW Logistics Group w Marchtrenk w Austrii. Studiował matematykę na uniwersytetach w Aachen i Freiburgu, gdzie obronił doktorat z robotyki probabilistycznej na wydziale informatyki. W 2014 roku wniósł swoje silne doświadczenie akademickie i naukowe do TGW jako konsultant ds. logistyki i IT. Od 2016 roku kieruje zespołem deweloperskim w dziale Cognitive Systems Development.

 

 

 

Tagi: automatyka magazynowa, case study, centrum logistyczne, dystrybucja, logistyka, magazyn, magazynier, operator logistyczny, palety, regały, studia przypadków, system wms, wózek widłowy, wózki widłowe

         

COPYRIGHT © Warehouse Monitor 2020

 

Background Image

Header Color

:

Content Color

:

Strona korzysta z plików cookies w celu realizacji usług zgodnie z Polityką prywatności. Możesz określić warunki przechowywania lub dostępu do cookie w Twojej przeglądarce lub w konfiguracji usługi. Polityka prywatności.