Sztuczna inteligencja już dziś wpływa na praktyki stosowane w logistyce, analizuje np. ogromne ilości danych generowanych przez systemy WMS czy TMS. AI wspiera klientów i dostawców oraz wspomaga uzyskanie informacji, np. które z towarów są najczęściej kompletowane razem czy które są najczęściej zamawiane. Umożliwia automatyczne rozróżnianie uszkodzeń i ich charakteru, pozwala samoczynnie rozpoznawać towary, czy podejmować decyzję o przypisaniu konkretnego pojazdu do danego ładunku.

Dla kogo to wszystko?

Marek Kuropieska, Prezes Zarządu, Aspekt, przypomina, że AI najczęściej wykorzystywana jest obecnie w logistyce do analizy danych w czasie rzeczywistym, prognozowania popytu, optymalizacji tras oraz automatyzacji procesów decyzyjnych. – Przykładowo, dzięki integracji np. z WMS Rewista czy Rewista Track & Trace, AI może wychwytywać anomalia (np. opóźnienia w dostawach, braki materiałowe) i sugerować działania korekcyjne, jeszcze zanim skutki dotkną klienta końcowego – dodaje M. Kuropieska.

Krzysztof Stachowicz, Dyrektor Działu Automatycznych Rozwiązań Intralogistycznych, AIUT, wspomina m.in. o zastosowaniu AI w analityce predykcyjnej, zarządzaniu zapasami oraz w systemach zarządzania flotą robotów transportowych AMR/AGV i optymalizacji tras dostaw. AI analizuje dane z wielu źródeł: od ERP i WMS po czujniki IoT w magazynie. – Wsparte sztuczną inteligencją systemy zarządzania magazynem zapewniają efektywną realizację zleceń, kontrolują wahania stanów magazynowych, lokalizują dostępne zapasy, zlecają uzupełnienia braków, optymalizują dostawy materiałów, wreszcie generują oceny pracy i wydajności obiektu – wylicza.

AI podejmie decyzję
– Sztuczna inteligencja coraz śmielej wchodzi w obszar autonomicznego zarządzania procesami w magazynie i na produkcji. W najbliższych latach systemy AI będą nie tylko analizować dane, ale również podejmować samodzielne decyzje, np. o zamówieniach czy alokacji zasobów. Równolegle rozwija się wykorzystanie AI do symulacji scenariuszy „co-jeśli”, wspierając strategiczne decyzje i zarządzanie łańcuchem dostaw. W perspektywie kilku lat możemy się spodziewać, że zaawansowane algorytmy zaczną pełnić rolę autonomicznych menadżerów procesów, integrując dane operacyjne, popytowe czy produkcyjne w czasie rzeczywistym.
Krzysztof Stachowicz
Dyrektor Działu Automatycznych Rozwiązań Intralogistycznych
AIUT

O tym, że rozwój AI to coraz lepsze sterowanie i wydajniejsza kooperacja człowiek–maszyna, wspomina Zbigniew Kępiński, Group Business Process Automation Manager, Grupa Raben. – AI traktujemy jako możliwości, jakie dają rozwiązania hiperautomatyzacji. Ten termin zdefiniowany przez firmę Gartner doskonale oddaje możliwości, które niosą nowoczesne rozwiązania pozwalające na szeroko pojętą automatyzację. Od ponad dekady wykorzystujemy możliwości platform LowCode/NoCode, tworząc naszą platformę myRaben. Od ponad pięciu lat korzystamy z coraz bardziej inteligentnych robotów RPA (Robotic Process Automation), które pozwalają na automatyzację coraz to nowych obszarów procesowych na styku naszych systemów IT, systemów naszych klientów, platform zewnętrznych itp. Na nasze potrzeby uruchomiliśmy ok. 400 procesów robotycznych, które są wykonywane przez 50 autonomicznych robotów RPA. Można powiedzieć, że dotarliśmy z robotyką procesową do większości obszarów, w których można je zastosować – tłumaczy Z. Kępiński, dodając, że firma użytkuje modele uczenia maszynowego, np. do wydobywania kluczowych informacji z dokumentów i nieustrukturowanych wiadomości e-mail. Uzyskuje z nich dane oraz rozpoznaje konteksty, w których dane mają być wykorzystane, dzięki czemu można automatycznie wykonać czynności, o które prosi klient w wiadomości mailowej do działu obsługi klienta, np. przekazać potwierdzenie wykonania dyspozycji lub przesłać zwrotnie informacje.

Musi być bezpiecznie
– Obecnie barierą staje się zbudowanie ekosystemu AI w taki sposób, aby była to platforma bezpieczna, zapewniająca poufność wykorzystywanych danych i zgodna z regułami oraz procedurami, jakie obowiązują w organizacji. Dobór komponentów AI z całej, ogromnej gamy dostępnych na rynku rozwiązań to nie tylko analiza ekonomiczna, ale również proces autoryzacji i certyfikacji rozwiązań z zaangażowaniem naszych działów Risk Management i IT Security.
Zbigniew Kępiński
Group Business Process Automation Manager
Grupa Raben

– Kilka dni temu podczas spotkania z klientem w sprawie automatyzacji magazynu zostałem zapytany, czy wyrażam zgodę na nagrywanie spotkania. Nagranie miało zostać przesłane do sztucznej inteligencji w celu deskrypcji, a następnie przetłumaczenia i podsumowania głównych zagadnień. Wyobrażam sobie, że w przyszłości zamiast ludzi będą „spotykać się”, a bardziej komunikować się, sztuczne inteligencje z firm, wymieniając się danymi – opowiada Robert Kosicki, Doradca Techniczno-Handlowy ds. Automatyki Magazynowej, Mecalux, i dodaje, że w efekcie tej interakcji zaproponują kilka wariantów automatyzacji z zaprezentowaniem, w celach porównawczych, pełnej analizy funkcjonalnej dla każdego rozwiązania oraz obliczeniem ROI.

Również Tomasz Pierzchała, Kierownik Działu Oprogramowania, IBCS Poland, widzi kluczową rolę AI w transformacji logistyki i zarządzaniu łańcuchem dostaw, wpływając zarówno na efektywność operacyjną, jak i zdolność adaptacji do dynamicznych warunków rynkowych. – Jednym z najważniejszych zastosowań AI jest prognozowanie popytu. Zaawansowane algorytmy analizują dane historyczne, trendy sezonowe i czynniki zewnętrzne (np. pogodę, wydarzenia), umożliwiając firmom precyzyjne planowanie zapasów i produkcji. Dzięki temu można znacząco ograniczyć zarówno nadmiary magazynowe, jak i ryzyko braków towarowych – wylicza T. Pierzchała, wspominając również o tym, że AI nie ogranicza się jedynie do danych liczbowych. Coraz częściej wykorzystywana jest także analiza obrazu, która wspiera logistykę na wiele sposobów. Jako przykład podaje automatyczną inspekcję i kontrolę jakości przesyłek – systemy wizyjne wykrywają uszkodzenia, błędne etykiety czy niezgodności w czasie rzeczywistym. Nasz rozmówca podkreśla, że IBCS Poland od pewnego czasu rozwija systemy wykorzystujące sztuczną inteligencję, zarówno w analizie danych w WMS, jak i w zaawansowanych rozwiązaniach opartych na analizie obrazu i wideo. – Jesteśmy w stanie wykrywać potencjalne anomalie i nieprawidłowości na wczesnym etapie, często zanim zauważy je klient lub zanim wpłyną na realizację procesu, co przekłada się na większą niezawodność procesów – konkluduje T. Pierzchała.

Sojusznik operacyjny
– Z punktu widzenia operacyjnego AI znacząco przyśpiesza procesy i minimalizuje liczbę błędów dzięki automatyzacji, lepszemu prognozowaniu oraz możliwości szybkiego reagowania na nieprawidłowości. Szczególnie istotne jest wczesne wykrywanie anomalii – zarówno w danych, jak i w analizie obrazu, co się przekłada na większą niezawodność operacji i lepsze doświadczenie klienta.
Tomasz Pierzchała
Kierownik Działu Oprogramowania
IBCS Poland

Patryk Grzelak, Dyrektor Zarządzający, interLAN, przywołuje przykład transportu, w którym sztuczną inteligencję już wdrożono, do interpretacji tekstu i obrazu. Pełni tu funkcję interfejsu pomiędzy danymi pochodzącymi z zewnątrz a systemem. – Zastosowanie AI w tym zakresie dotyczy przede wszystkim odczytu zleceń oraz wspomaganego wprowadzania ich treści do systemu. Ponadto sztuczna inteligencja wykorzystywana jest do analizy dokumentów transportowych, zwłaszcza CMR, gdzie jej zadaniem jest weryfikacja poprawności danych, identyfikacja ewentualnych braków, a także sprawdzenie obecności pieczątki i podpisu odbiorcy – mówi P. Grzelak.

Rozumieć bez słów
– Oceniamy, że rozwój sztucznej inteligencji będzie zmierzał w kierunku tworzenia rozwiązań językowych dedykowanych branży logistycznej. Równolegle obserwujemy trend implementowania AI bezpośrednio w strukturę systemów, gdzie odpowiadać będzie za komunikację pomiędzy użytkownikiem a interfejsem. Sztuczna inteligencja przejmie rolę asystenta, który wykonuje polecenia – z czasem także te formułowane w sposób mniej precyzyjny. Zaczniemy się rozumieć niemal bez słów.
Patryk Grzelak
Dyrektor Zarządzający
interLAN

Policzyć korzyści

Co do tego, że wdrożenie AI w systemach logistycznych przynosi szereg korzyści, zarówno operacyjnych, jak i kosztowych nie ma wątpliwości Piotr Wiszniewski, Dyrektor ds. Produktu, DataConsult, i dodaje, że dzięki AI logistyka staje się bardziej zautomatyzowana, precyzyjna i elastyczna. – Wdrożenie AI pozwala znacznie obniżyć koszty operacyjne. Automatyzacja wielu procesów oznacza mniejsze zapotrzebowanie na pracę ludzką, co przekłada się na niższe wydatki związane z kosztami pracowniczymi. Lepsze zarządzanie zapasami pozwala także uniknąć strat wynikających z przechowywania nadmiarowego towaru. Optymalizacja tras i załadunków skutkuje mniejszym zużyciem paliwa, a tym samym obniżeniem kosztów transportu – podsumowuje P. Wiszniewski. Dostrzega też korzyści operacyjne, mówi o zarządzaniu zapasami (AI pozwala dokładnie przewidywać popyt na podstawie analizy danych historycznych i bieżących trendów rynkowych). Jako równie ważną traktuje zdolność AI do przewidywania awarii sprzętu i planowania konserwacji, jak również to, że zastosowanie robotów wspieranych przez AI pozwala na szybsze kompletowanie zamówień, precyzyjne rozmieszczanie produktów oraz minimalizację błędów ludzkich.

To trzeba uwzględnić
– Wiele firm podchodzi do AI jak do standardowego narzędzia IT, oczekując szybkich, wymiernych rezultatów zaraz po wdrożeniu. Tymczasem sztuczna inteligencja to system uczący się, który potrzebuje czasu, by dostosować się do specyfiki danego przedsiębiorstwa i jego unikatowych procesów. Każda firma logistyczna ma własną strukturę operacyjną, charakterystykę klientów, systemy informatyczne i wewnętrzne procedury. To oznacza, że AI musi „zrozumieć” tę specyfikę, zanim będzie mogła efektywnie wspierać decyzje lub automatyzować działania, dlatego wymaga to dużej świadomości wśród osób zarządzających transformacją technologiczną.
Piotr Wiszniewski
Dyrektor ds. Produktu
DataConsult

Podobne korzyści akcentuje M. Kuropieska (Aspekt), zwracając też uwagę na zwiększenie wydajności, m.in. dzięki automatyzacji powtarzalnych decyzji oraz wsparciu dla operatorów w czasie rzeczywistym, a także na lepszą jakość obsługi klienta, bo AI pomaga skracać czas realizacji zamówień i szybciej reagować na odchylenia od planu. – Jednym z przykładów może być nasze rozwiązanie ProGlove Warehouse 360. Wykorzystując analizę danych z urządzeń ubieralnych (wearables), AI potrafi wskazać wąskie gardła w procesach magazynowych i zarekomendować ich optymalizację. Dzięki temu jedna z firm z branży automotive poprawiła efektywność kompletacji o ponad 25% – opowiada M. Kuropieska

K. Stachowicz (AIUT) przypomina, że celem budowy inteligentnego ekosystemu magazynowego jest usprawnianie przepływu towarów w całym łańcuchu logistycznym i efektywna obsługa zleceń. Kluczową rolę odgrywa odpowiedni WMS, który pozwala analizować różne dane w czasie rzeczywistym i koordynować pracę maszyn oraz pracowników, monitorować efektywność procesów i tworzyć raporty. – Analizując historię zamówień, procesy kompletacji, ścieżki transportowe i stany magazynowe, zaawansowane systemy zarządcze są w stanie wykrywać określone wzorce zachowań konsumenckich. Pozwala to z wyprzedzeniem dostosować podaż do popytu i np. ograniczyć ilości produktów niepotrzebnie składowanych na magazynowych półkach lub z wyprzedzeniem przygotować towar do wysyłki – tłumaczy K. Stachowicz, wspominając też o wspomaganiu przez AI rozpoznawania obiektów i produktów w magazynie (np. zaawansowane metody analizy obrazowej, pozwalające automatycznie pobierać pudełka czy detale).

Co do tego, że nakłady ponoszone na automatyzację procesów z wykorzystaniem mechanizmów hiperautomatyzacji (w tym z każdym miesiącem coraz większej ilość komponentów AI) są opłacalne, nie ma wątpliwości Z. Kępiński (Grupa Raben), przekonując też, że te korzyści są zdecydowanie większe niż nakłady. To chociażby odzyskany czas pracowników, którzy po odciążeniu ze żmudnych zadań, jakie przejęły od nich roboty, mogą się zająć zadaniami zgodnymi z ich kompetencjami. Zwraca uwagę też m.in. na kwestie jakościowe, poprawę komunikacji z klientami oraz wskazówki do działań optymalizacyjnych, które są identyfikowane przez sztuczną inteligencję.

R. Kosicki (Mecalux) zwraca uwagę m.in. na dostępność 24/7 (systemy wspierane przez AI mogą działać bez przerw) oraz na dbałość o szczegóły, bowiem precyzja, jaką wnosi AI do realizacji zadań, wpływa na zmniejszenie liczby błędów. Wspomina też o poziomie zadowolenia klientów. – Chatboty szybko udzielają odpowiedzi na zapytania klientów i umożliwiają śledzenie wysyłek. Dodatkowo personalizacja wiadomości oraz rekomendacji poprawia doświadczenie zakupowe – tłumaczy R. Kosicki. Listę korzyści uzupełnia o optymalizację transportu (zarządzanie trasami, uwzględnianie różnych czynników, w tym całkowitej pojemności naczepy, prognoz meteorologicznych, informacji na temat ruchu drogowego oraz geolokalizacji pojazdów), jak również o zrównoważenie (nowa forma planowania tras transportu za pomocą algorytmów przyczynia się do ograniczenia emisji gazów cieplarnianych).

Kamil Tomaszewski, Dyrektor ds. rozwoju AVOCADO Soft, AVOCADO Soft & YOSI.PL, za jedną z największych korzyści uważa oszczędność czasu. Optymalizacja procesów, np. kompletacji czy pakowania, skraca czas potrzebny na ich realizację, dzięki czemu zespół może obsłużyć większy wolumen zamówień. – Dzięki AI podejmujemy decyzje o wiele precyzyjniej i z mniejszą liczbą błędów. To oznacza mniej pomyłek przy zamawianiu towaru, a więc chociażby ograniczenie tzw. martwego stanu magazynowego. Nadmiarowo zamówiony towar, którego nie jesteśmy w stanie sprzedać, generuje realne koszty. To zamrożony kapitał i przestrzeń, która mogłaby zostać przeznaczona na składowanie produktów o większym popycie i lepszej rotacji – zaznacza nasz rozmówca, dodając, iż w praktyce oznacza to, że lepsze prognozy i analizy przekładają się na optymalne zarządzanie zapasami, co chroni firmę przed niepotrzebnymi wydatkami oraz pozwala efektywniej wykorzystać zasoby.

Przeszkody

Korzyści są dość oczywiste, jednak aby je uzyskać, trzeba pokonać kilka barier. Za jedną z najistotniejszych P. Wiszniewski (DataConsult) uważa kwestię danych, bowiem AI potrzebuje dużych, wiarygodnych i dobrze uporządkowanych zbiorów danych, by móc efektywnie się uczyć i podejmować trafne decyzje. – Tymczasem w logistyce dane są często rozproszone w różnych systemach i aplikacjach, osobne dane mają działy magazynowe, transportowe, sprzedażowe czy obsługi klienta. Często są one prowadzone w różnym formacie, brakuje im spójności, a niektóre z nich są niekompletne lub zawierają błędy – dodaje P. Wiszniewski, podkreślając, że dla sztucznej inteligencji oznacza to ogromne utrudnienie, dane słabej jakości mogą prowadzić do nieprawidłowych prognoz, błędnych decyzji i niskiej efektywności algorytmów. – Firmy, które chcą wdrożyć AI, muszą najpierw uporządkować własne zasoby informacyjne – dodaje. Wspomina również o braku kompetencji w zakresie sztucznej inteligencji, w wielu firmach brakuje nie tylko specjalistów AI czy analityków danych, ale również pracowników operacyjnych i menedżerów, którzy rozumieliby, jak wykorzystać te technologie w praktyce.

Integrację różnych systemów IT, które nie zawsze zaprojektowano z myślą o współpracy i wymianie danych w czasie rzeczywistym, do największych wyzwań zalicza też M. Kuropieska (Aspekt). Dodatkowo – co podkreśla – często pojawia się opór po stronie pracowników, którzy obawiają się, że automatyzacja odbierze im pracę. Dlatego istotne jest, by proces wdrożenia był transparentny i powiązany z realnymi korzyściami dla zespołu, np. ograniczeniem monotonnych zadań. – Firmy, z którymi współpracujemy, radzą sobie z tymi wyzwaniami dzięki etapowemu podejściu, zaczynając od tzw. „szybkich wygranych” (quick wins), jak wdrożenie AI do analizy tras lub automatyzacji inwentaryzacji. Następnie rozbudowują systemy o kolejne funkcjonalności, łącząc je z ERP, WMS czy TMS – podsumowuje M. Kuropieska.

T. Pierzchała (IBCS Poland) zaznacza natomiast, że WMS, TMS czy ERP często nie są ze sobą w pełni kompatybilne. Firmy radzą sobie z tym poprzez stosowanie otwartych API, middleware lub wybór rozwiązań chmurowych, które ułatwiają komunikację między platformami. Zaznacza przy tym, że trenowanie modeli AI wymaga znacznych zasobów obliczeniowych i dużych wolumenów danych. – W IBCS Poland podchodzimy do tych wyzwań etapowo – koncentrujemy się na obszarach, gdzie dane są już dobrze dostępne, jak analiza obrazu czy monitoring procesów magazynowych. To pozwala na szybkie uzyskanie efektów i stopniowe skalowanie rozwiązań AI w całym łańcuchu dostaw – tłumaczy T. Pierzchała.

Na rozproszenie danych w różnych systemach, a także brak ich standaryzacji zwraca uwagę K. Stachowicz (AIUT) dodając, że częstą barierą jest też brak kompetencji po stronie użytkowników końcowych i związana z tym konserwatywna postawa względem inwestycji w nowe technologie.Firmy radzą sobie z tym, wdrażając stopniowe integracje (np. AI w jednym obszarze magazynu), korzystając z platform edge computing, budując kompetencje własne, a docelowo budując z partnerem technologicznym zintegrowany ekosystem, który umożliwia płynne łączenie danych z różnych źródeł w jednym środowisku decyzyjnym.

Przedstawiciel Raben Group przypomina natomiast, że kiedyś barierą był opór użytkowników, nieufność wobec nowych technologii, brak zrozumienia dla procesów automatyzacji czy AI, co jednak zmieniło się diametralnie od momentu, kiedy do definicji procesów zaczęto masowo i obowiązkowo używać dedykowanego oprogramowania, które rejestruje wszystkie czynności wykonywane przez użytkowników (ekrany, użyte skróty klawiszowe, przełączanie się pomiędzy aplikacjami itp.). – Zarejestrowany materiał staje się podstawą do analizy, czy proces spełnia wymagania automatyzacji, radykalnie skróciliśmy w ten sposób fazę definicji procesów – podkreśla Z. Kępiński.

P. Grzelak (interLAN) zaznacza z kolei, że rozwiązania AI dedykowane branży transportowej dopiero powstają. – Obecnie korzystamy głównie z dużych modeli językowych (LLM) o charakterze ogólnym, które na stosunkowo niewielkiej próbie zostały dostosowane do potrzeb sektora. To sprawia, że same w sobie stanowią istotne ograniczenie jakościowe. Dodatkowo ich stosowanie wiąże się z koniecznością rozliczeń transakcyjnych, niezależnie od efektów działania, co w praktyce może prowadzić do czasowego wstrzymania ich wykorzystania – tłumaczy.

To, że bez systematycznego i rzetelnego zbierania danych w firmowych systemach informatycznych zastosowanie AI jest praktycznie niemożliwe, zastrzega K. Tomaszewski (AVOCADO Soft & YOSI.PL) i dodaje, jak ważna jest ich standaryzacja oraz kodyfikacja, tak aby mogły być sprawnie przekazywane i przetwarzane przez AI. Nasz rozmówca tłumaczy, że nawet najlepsza infrastruktura nie rozwiąże problemu. – Wielu przedsiębiorcom brakuje doświadczenia i odpowiedniego wsparcia technologicznego. Sztuczna inteligencja, mimo że często obecna w mediach oraz publikacjach branżowych, wciąż jest dla wielu firm czymś nowym i abstrakcyjnym. To powoduje opory i zwlekanie z decyzjami – zaznacza K. Tomaszewski i radzi, by po prostu zacząć, nie czekając na idealne warunki. Zaleca, by na początek sięgnąć po gotowe rozwiązania oparte na modelach językowych, takich jak ChatGPT czy Gemini, które można wykorzystać w codziennych zadaniach, a które pozwalają szybko zobaczyć realne korzyści.

R. Kosicki (Mecalux) wylicza siedem głównych barier w implementacji sztucznej inteligencji. Są to: niejasne lub skomplikowane sposoby wdrożenia, ryzyko związane z bezpieczeństwem i niezawodnością, problemy z połączeniem wielu systemów informatycznych, zasilanie AI w odpowiednią wiedzę, brak kompetencji pracowników, koszty implementacji AI w praktyce, obawy pracowników, że AI zastąpi ich pracę.

To jeszcze nie koniec

P. Wiszniewski (DataConsult) jest zdania, że sztuczna inteligencja w logistyce będzie się rozwijać przede wszystkim w kierunku pełniejszej automatyzacji, samodzielnego podejmowania decyzji przez systemy AI, a także lepszej integracji z innymi technologiami, jak IoT czy robotyką. – Logistyka stanie się bardziej autonomiczna, elastyczna i odporna na zakłócenia, a firmy, które jako pierwsze wdrożą te rozwiązania, zyskają znaczącą przewagę konkurencyjną nie tylko w kosztach, ale też w jakości i szybkości obsługi klienta – tłumaczy.

Podobnego zdania jest szef firmy Aspekt. M. Kuropieska spodziewa się silnego rozwoju AI wspierającej decyzje operacyjne w czasie rzeczywistym, czyli tzw. inteligentnych asystentów. Jako przykład podaje nowego asystenta AI od Zebra Technologies, który na podstawie danych z urządzeń mobilnych wspiera pracowników sklepów i magazynów w bieżących zadaniach. – Drugim kierunkiem są systemy predykcyjne, które nie tylko reagują na problemy, ale potrafią im zapobiegać, np. przewidując ryzyko uszkodzenia sprzętu lub wystąpienia błędów kompletacyjnych. Trzecim trendem będzie połączenie AI z technologiami lokalizacyjnymi i RFID. Dzięki takim rozwiązaniom, jak nasze bramki Rewista Gate Control, możliwe staje się niemal całkowicie bezobsługowe śledzenie przepływu towarów, z automatycznym generowaniem zdarzeń i alertów w systemie WMS – mówi M. Kuropieska.

R. Kosicki (Mecalux) dostrzega nowe kierunki rozwoju AI w logistyce wszędzie tam, gdzie człowiek wchodzi w interakcje z komputerem lub maszyną. Od planowania zaopatrzenia czy koordynacji wysyłek, do projektowania skomplikowanych systemów intralogistycznych. – Potencjał sztucznej inteligencji może być również wykorzystywany w pracy operatorów pickerów czy pakowaczy, za sprawą upowszechniającej się cyfryzacji zarządzania magazynem. Praktycznym przykładem rozwoju AI, z jakim osobiście miałem styczność, jest nowa opcja systemu Easy WMS od Mecalux. Program zyskał funkcję czatu opartego na generatywnej sztucznej inteligencji, który wykonuje następujące zadania: obrazowanie danych (użytkownicy mogą zadawać pytania dotyczące wszelkich aspektów funkcjonowania magazynu, takich jak status pilnych zamówień lub aktualna dostępność określonego produktu. Sztuczna inteligencja rozumie pytania i uzyskuje dostęp do danych zgromadzonych w systemie Easy WMS, by udzielić odpowiedzi w postaci liczb, list, tabel lub wykresów); generowanie dashboardów ze wskaźnikami KPI (AI ułatwia tworzenie graficznych sprawozdań umożliwiających monitorowanie procesu magazynowego); tworzenie raportów (AI inteligencja może generować raporty do pobrania zawierające dane potrzebne użytkownikom do zarządzania magazynem, takie jak lokalizacje z ograniczeniami); projektowanie widoków (użytkownicy mogą polecić sztucznej inteligencji wygenerowanie widoków, do których można uzyskać dostęp w dowolnym momencie z menu systemu Easy WMS. Pozwala to np. wyświetlić zajęte lokalizacje lub zapasy z najbliższą datą przydatności do spożycia) – wylicza R. Kosicki, dodając, że użytkownicy mogą poprosić też sztuczną inteligencję o wykonanie takich czynności, jak zatwierdzenie wszystkich pilnych zamówień albo odblokowanie określonego korytarza. Zapewnia, że wyposażenie Easy WMS w generatywną sztuczną inteligencję stanowi znaczący krok naprzód w optymalizacji procesu logistycznego. Czat pomaga efektywniej korzystać z gromadzonych w systemie danych oraz minimalizować błędy ludzkie. – Ponieważ model AI stale ewoluuje, ucząc się na podstawie dostarczanych na bieżąco informacji zwrotnych od użytkowników, jego odpowiedzi są coraz bardziej trafne i precyzyjne, a tym samym wzrasta ich przydatność w podejmowaniu decyzji mających na celu usprawnienie funkcjonowania magazynu – podkreśla nasz rozmówca. Informuje też, że zespół odpowiedzialny za rozwój i dostosowywanie Easy WMS do potrzeb klientów używa dwóch narzędzi opartych na sztucznej inteligencji. To Portal dla programistów (z pomocą AI programiści mogą zapoznać się z dokumentacją niezbędną podczas pracy nad systemem), a także Easy Builder – platforma programistyczna do budowania systemu Easy WMS (programiści mogą korzystać z asystenta AI, który jest pomocnym narzędziem do generowania kodu, identyfikowania błędów i nieefektywnych fragmentów oraz uzyskiwania objaśnień w postaci opisów w języku naturalnym).

Tego, że w najbliższych latach rozwój AI w logistyce będzie zmierzał w kierunku jeszcze większej autonomii, przewidywalności oraz integracji danych w czasie rzeczywistym, spodziewa się T. Pierzchała (IBCS Poland), prognozując, że jednym z kluczowych kierunków będzie rozwój systemów predykcyjnych, które nie tylko reagują na zdarzenia, ale potrafią je przewidywać z dużym wyprzedzeniem. Mowa tu o prognozowaniu opóźnień, ryzyk dostaw czy przeciążeń magazynów na podstawie dynamicznych danych i uczenia maszynowego. – Coraz większą rolę odegra również generatywna AI, która – poza analizą danych – zacznie wspierać decyzje operacyjne, np. generując alternatywne scenariusze transportowe, plany załadunku czy optymalizacje przestrzeni magazynowej w czasie rzeczywistym. Istotnym trendem będzie też integracja AI z technologiami wizyjnymi i edge computingiem, co pozwoli na natychmiastową analizę obrazu z kamer i sensorów bez konieczności przesyłania danych do chmury – dodaje T. Pierzchała (IBCS Poland już wdraża takie systemy w oparciu o lokalne zasoby).

K. Tomaszewski (AVOCADO Soft & YOSI.PL) wśród istotnych kierunków rozwoju wymienia coraz szersze wykorzystanie chatów opartych na sztucznej inteligencji, które staną się naturalnym interfejsem komunikacji w systemach logistycznych. Pracownicy będą mogli prowadzić rozmowy z AI, zadawać pytania, otrzymywać instrukcje czy raportować statusy w sposób naturalny i intuicyjny, bez potrzeby skomplikowanych szkoleń czy obsługi tradycyjnych interfejsów. Jako szczególnie ciekawe K. Tomaszewski traktuje zastosowanie takich rozwiązań w systemach z voice pickingiem, gdzie interakcja głosowa połączona z inteligentnym czatem znacząco podniesie komfort i efektywność pracy, uprości codzienne operacje oraz przyśpieszy przepływ informacji, podnosząc efektywność pracy w magazynie.

Michał Jurczak

Ten i inne artykuły znajdziesz w czasopiśmie Top Logistyk – dostępnym w naszym sklepie