Recentelijk heeft de groeiende relevantie van kunstmatige intelligentie (AI) de aandacht getrokken in diverse organisaties, deels dankzij de introductie van toepassingen zoals ChatGPT en een breder gebruik van AI-oplossingen. Toch wijst het jaarlijkse sectorrapport van MHI en Deloitte, dat inzicht biedt in innovatieve technologieën die supply chains duurzamer maken, uit dat op dit moment slechts 14% van de opslagfaciliteiten AI inzet. Desondanks beschouwt een toenemend aantal bedrijven in de toeleveringsketen technologie als een strategische noodzaak. Volgens een Gartner-onderzoek uit 2022 beschouwt 61% van de ondervraagde partijen technologie als een bron van concurrentievoordeel. Deze bedrijven erkennen de groeiende complexiteit van supply chains en zien in automatisering een manier om deze uitdagingen aan te gaan.
De dringende behoefte aan automatisering heeft geleid tot een golf van investeringen, waarbij momenteel 74% van de managers in supply chain investeert in nieuwe technologieën. Deze investeringen worden gedreven door de verwachting dat autonome, digitale supply chains tegen 2027 de norm zullen zijn. Bij Element Logic zijn we sinds de jaren tachtig actief in de ontwikkeling van software voor magazijnbeheer, en sinds 2018 hebben we ons gericht op de integratie van geavanceerde digitale intelligentie. AI en machinaal leren behoren tot de meest ingrijpende technologische vooruitgangen van onze tijd.
Procesoptimalisatie door AI
Volgens het Gartner-onderzoek zal AI diverse processen binnen de supply chain optimaliseren. Zo gelooft 16% van de ondervraagden dat AI leidt tot betere besluitvorming, en verwacht 21% dat automatiseringstools het transport verbeteren. Een groot deel van de respondenten ziet AI als oplossing voor het arbeiderstekort.
De groeiende belangstelling voor AI wordt mede gestimuleerd door de toenemende hoeveelheid data die afkomstig is uit verschillende systemen. Momenteel wordt deze data vaak gebruikt voor maandelijkse rapportage en KPI’s. Medewerkers analyseren deze rapporten en nemen beslissingen op basis van de bevindingen. Hoewel deze aanpak voordelen heeft in termen van snelle probleemoplossing door ervaren medewerkers, heeft het als nadeel dat de rapportages vaak vertraging oplopen en afhankelijk zijn van de kennis van de medewerker op dat moment.
Vroegtijdig signaleren van risico’s
Een volgende stap is het direct activeren van alarmen op basis van data bij foutmeldingen of procesproblemen, zodat medewerkers onmiddellijk kunnen ingrijpen. Bijvoorbeeld, als er een probleem in een systeem optreedt, kan het systeem een waarschuwing genereren voor onmiddellijke actie. Bovendien kan AI sensordata van apparatuur analyseren om onderhoudsbehoeften te voorspellen en kosteneffectieve onderhoudsstrategieën aan te bevelen. Hierdoor wordt het risico op magazijnstoringen en stilstand verminderd, en kunnen tijd en middelen voor onderhoud worden geoptimaliseerd. Een ander voorbeeld is het efficiënt inzetten van personeel op basis van de vertraagde aankomst van een vrachtwagen, wat zowel de productiviteit als de medewerkerstevredenheid bevordert.
Return on Investment door AI
Een volgende stap omvat AI die leert van dergelijke meldingen, waardoor het systeem zichzelf verbetert en toekomstige fouten voorkomt of automatisch reageert. Bijvoorbeeld, AI kan helpen om voorraadniveaus op tijd aan te vullen en inkoopbeslissingen automatisch te koppelen aan marketingacties.
Deze ontwikkelingen bieden aanzienlijke kansen voor organisaties. Deloitte-onderzoek toont aan dat AI de onderhoudskosten met 5-10% kan verlagen en de voorraadkosten met 5-20%. Een 2021-onderzoek door Vanson Bourne voorspelt dat Amerikaanse en Britse magazijnen binnen vijf jaar een gemiddelde ROI van meer dan 60% verwachten door het gebruik van AI-toepassingen.
Uitdagingen van AI
Het implementeren van kunstmatige intelligentie in magazijnbeheer heeft ook zeker uitdagingen, vooral vanwege de vroege fase van de technologie. AI-modellen, zoals Large Language Models (LLM’s) zoals ChatGPT, vereisen enorme datasets voor training en verfijning. Veel magazijnen hebben echter beperkte datasets, waardoor het verkrijgen van relevante data en het stellen van de juiste vragen, bekend als ‘prompt engineering’, een uitdaging vormen. In de komende jaren zullen magazijnen vooral streven naar het digitaliseren van deze kennis, die met name aanwezig is bij monteurs en andere betrokkenen bij het magazijnbeheer. Een andere uitdaging is het verbinden van data uit verschillende bronnen en daar zinvolle inzichten uit halen. Een oplossing hiervoor is eLogiq, een cloudgebaseerd dataplatform dat realtime gegevens uit meerdere bronnen verzamelt en analyseert.
Dit artikel is tot stand gekomen in samenwerking met Element Logic