Το Artificial Intelligence (ΑΙ) αποτελεί ένα εργαλείο που έχει όλο και περισσότερες εφαρμογές στις εφοδιαστικές αλυσίδες και τα logistics. Το συνέδριο «Artificial Intelligence in Supply Chain», που διοργάνωσε το SUPPLY CHAIN INSTITUTE με την επιστημονική υποστήριξη της PLANNING στις 10 Δεκεμβρίου 2021, παρουσίασε τις αναδυόμενες τεχνολογίες, εστιάζοντας στο Artificial Intelligence και αναλύοντας τις βασικότερες εφαρμογές του στο Supply Chain & στα Logistics. Μερικά από τα κύρια συμπεράσματα του συνεδρίου, είναι ότι το 92% πιστεύει ότι η Τεχνητή Νοημοσύνη (ΤΝ) θα βελτιώσει την απόδοση των εφοδιαστικών αλυσίδων (IBM’s Cognitive Computing Study), ενώ μπορεί να βοηθήσει σε καλύτερη αντιμετώπιση μελλοντικών συμβάντων (COVID, Suez, Brexit κλπ) και οδηγεί στον επαναπροσδιορισμό του customer experience. Ως νο.1 πρόκληση της ΤΝ στην εφοδιαστική αλυσίδα αναδύθηκε ο διαμοιρασμός δεδομένων μεταξύ των εταιρειών.

Πλήρως αυτοματοποιημένες αποθήκες μέχρι το 2035
Οι προβλέψεις δείχνουν ότι μέχρι το 2035, οι πλήρως αυτοματοποιημένες αποθήκες θα είναι πραγματικότητα. Θα υπάρχουν ελάχιστοι άνθρωποι σε αυτές, αυτόνομα φορτηγά στη ράμπα και μηχανήματα που θα αναλαμβάνουν μόνα τους την παραλαβή και το ξεφόρτωμα των προϊόντων. Ωστόσο, η τάση αυτή επικεντρώνεται στην αντικατάσταση των χρονοβόρων διαδικασιών, όχι στην αντικατάσταση ανθρώπων. Στο συνέδριο υπογραμμίστηκε ότι, η ΤΝ και η μηχανική μάθηση (που αποτελούν megatrends στην εφοδιαστική αλυσίδα) εμφανίζονται πιο πολύ σε αποθήκες και κέντρα διανομής, καθώς οι τομείς αυτοί, παρέχουν γόνιμο έδαφος για τη μηχανική μάθηση. Τα ιστορικά δεδομένα αλλά και τα δεδομένα σε πραγματικό χρόνο είναι το κλειδί για την αποτελεσματική ΤΝ. Ακόμη, η ΤΝ ταιριάζει απόλυτα σε πολλά από τα καθημερινά θέματα διαχείρισης των αποθηκών και κέντρων διανομής, όπως ο προγραμματισμός προσωπικού & μηχανημάτων, η χωροθέτηση κωδικών κλπ.

Οι βασικότερες εφαρμογές Τεχνητής Νοημοσύνης σε αποθήκες και κέντρα διανομής:
1. Ρομπότ με Τεχνητή Νοημοσύνη
Για να μπορέσει, να διαχειριστεί αποτελεσματικά ένα ρομπότ συλλογής τα διάφορα αντικείμενα, χρειάζεται γνώση -ή με άλλα λόγια, Τεχνητή Νοημοσύνη. Η ΤΝ μαθαίνει μέσω της δοκιμής και του λάθους πώς να αντιμετωπίζει διαφορετικές εργασίες και να αναπτύσσει δικές της λύσεις, ενώ μπορεί να μοιράζει τη γνώση της μέσω cloud παγκοσμίως.
2. Βελτιστοποίηση πλοήγησης αποθήκης (picking route)
Ο χρόνος πλοήγησης σε μια αποθήκη μπορεί να αντιπροσωπεύει ένα μεγάλο κομμάτι του συνολικού κόστους εργασίας. Η ελαχιστοποίηση όμως, του χρόνου αυτού, δεν είναι η μόνη προτεραιότητα που πρέπει να λαμβάνουμε υπόψη, μιας και διαφορετικές παραγγελίες μπορεί να έχουν διαφορετικές προτεραιότητες (π.χ. προθεσμίες αποστολής), οι οποίες να αντικρούονται.
3. Δυναμική τοποθέτηση προϊόντων (slotting)

Το slotting, που βασίζεται σε ΤΝ μπορεί να προσφέρει καλύτερα αποτελέσματα και να μειώσει το κόστος υλοποίησης σε σχέση με τη χρήση των κλασσικών excel και της εισαγωγής δεδομένων με το χέρι.
4. Ενορχήστρωση ροής εργασίας ανθρώπων & μηχανημάτων
Οι διευθυντές στα κέντρα διανομής και στις αποθήκες πρέπει να βελτιστοποιούν τη χρήση συστημάτων και ανθρώπινου δυναμικού, αλλά και να βρίσκουν την τέλεια ισορροπία στη μεταξύ τους συνεργασία. Το κλειδί γι’ αυτό, είναι η ανάλυση δεδομένων σε πραγματικό χρόνο – εργασία, που είναι κατάλληλη για την ΤΝ.
5. Προγραμματισμός & διαχείριση εργατικού δυναμικού
Λογισμικά με ΤΝ είναι κατάλληλα στο να αναλύουν δεδομένα και να χρησιμοποιούν Μηχανική Μάθηση για να: ανιχνεύουν αποτελεσματικές διαδικασίες, αυτοματοποιούν τη διαχείριση του προσωπικού (βάρδιες), προτείνουν επιλογές βελτιστοποίησης.