Artificiële Intelligentie in de logistiek

Artificiële intelligentie (AI) ligt op ieders lippen als een technologie van de toekomst. Er kan grofweg onderscheid worden gemaakt tussen drie overkoepelende technologieën die AI mogelijk kunnen maken: Whole brain emulation (WBE), Brain-computer interfaces (BCI) en Machine learning (ML). WBE is het hypothetische proces van het scannen van het volledige menselijk brein, inclusief het langetermijngeheugen, om deze vervolgens te kopiëren naar een computer. BCI is een technologie waarbij hersensignalen gemeten en gedigitaliseerd kunnen worden. Een computer kan deze vervolgens classificeren en omzetten in acties. Op deze wijze is het bijvoorbeeld mogelijk om robotprotheses aan te sturen. ML gaat over het creëren van algoritmen die kunnen leren van data. Vaak zeggen mensen dat een computer alleen doet waarvoor deze geprogrammeerd is, maar dat is niet altijd meer het geval. Het gaat bij machine learning over een revolutie waarin mensen niet meer programmeren (als dit, dan dat), maar waarin machines zelf regels afleiden uit data. Een machine learning-algoritme is in staat om zelfstandig patronen uit data te halen, modellen te bouwen en voorspellingen te geven over uiteenlopende zaken zonder voorgeprogrammeerde regels. De technologie is echter al in veel alledaagse toepassingen en producten aanwezig. Voorbeelden zijn: Spraakassistenten, slimme huizen, muziekstreaming, Facebook feed en advertenties, Amazons algoritme voor productsuggesties, taalvertaling, beeldcreatie/herkenning, begeleid en autonoom rijden en navigatie. De deelgebieden van artificiële intelligentie omvatten nu vele deelgebieden, waarvan het aantal voortdurend toeneemt: robots, voorspellend onderhoud, datamining, procesmining, neurale netwerken, machinaal leren, deep learning, en nog veel meer... Deep learning is momenteel de meest veelbelovende in artificiële intelligentie, is een machine learning-methode die gebruik maakt van verschillende gelaagde artificial neural networks. Deze algoritmen zijn geïnspireerd op de wijze waarop neuronen in ons brein werken. Deep learning-algoritmen kunnen uit de voeten met grote hoeveelheden ongestructureerde data en worden veelvuldig ingezet bij toepassingen op het gebied van onder andere beeldherkenning.

Het McKinsey Global Institute (MGI) ziet artificiële intelligentie als een belangrijke motor voor wereldwijde economische groei. Voor de studie "Artificial Intelligence The next digital frontier (2017)“ werden 3000 bedrijven uit 14 industrieën ondervraagd. Volgens de studie zijn de 5 AI-technologieën die in de toekomst het meest door bedrijven zullen worden gebruikt: automatische beeldherkenning, natuurlijke taal, virtuele assistenten, robotgebaseerde procesautomatisering en geavanceerd machinaal leren. Tegen 2030 zal ongeveer 70% van de bedrijven ten minste één van deze AI-technologieën gebruiken. Volgens de auteurs van de studie kunnen bedrijven die AI-technologieën vroeg implementeren hun cashflow verdubbelen, terwijl achterblijvers hun cashflow met ongeveer 20% zouden zien dalen ten opzichte van het huidige niveau.

Ook Duitse bedrijven hebben de opmars van de tijd ingezien. Volgens de digitale vereniging Bitkom gaat elke tweede Duitse onderneming er nu van uit dat machine learning of artificiële intelligentie de huidige bedrijfsmodellen blijvend zullen veranderen. 90% van de bedrijven stelt dat big data en data-analyse van zeer groot of tamelijk groot belang zijn voor het toekomstige concurrentievermogen van Duitse bedrijven. Een jaar geleden was dat nog maar 83%. Daarna volgen het Internet of Things met 81% (2019: 79%) en 3D-printen met 72% (2019: 68%). Er was ook een aanzienlijke stijging in autonome voertuigen van 57 naar 68% en in artificiële intelligentie van 60 naar 67%. Toch had slechts een op de vier bedrijven (24%) aan het begin van het jaar plannen om specifiek digitale bedrijfsmodellen te ontwikkelen.

De drie grootste hindernissen bij het gebruik van nieuwe digitale technologieën zijn volgens bedrijven eisen op het gebied van gegevensbescherming 79% (2019: 74%), technische beveiligingseisen 63% (2019: 57%) en een gebrek aan geschoolde werknemers 55% (2019: 48%). Dit wordt op ruime afstand gevolgd door een gebrek aan tijd in de dagelijkse gang van zaken (33%), een gebrek aan financiële middelen (25%) en een gebrek aan verkoopbare oplossingen (18%).

"De Corona-crisis heeft ons heel duidelijk laten zien hoe belangrijk digitale technologieën zijn voor de economie, de overheid en de samenleving. De crisis is een wake-up call om nu massaal door te gaan met digitalisering. We hebben in het verleden te lang gewacht met digitalisering", aldus Achim Berg, voorzitter van Bitkom. Hij voegde daaraan toe: "We moeten nadenken over de tijd na de Corona-crisis en overal de koers voor digitalisering uitzetten. We kunnen momenteel heel duidelijk zien dat meer gedigitaliseerde bedrijven en de digitale economie veel meer zijn dan een groeimotor. Ze zijn minder kwetsbaar in tijden van crisis, ze stabiliseren de economie en de arbeidsmarkt." Volgens een studie van TCS en Bitcom (3) heeft een meerderheid van de bedrijven (75%) hun investeringen al verhoogd als gevolg van de pandemie. Slechts een minderheid (7%) remt de digitale transformatie voorlopig af vanwege een gebrek aan financiën.

Hoewel de term en het onderzoeksgebied " artificiële intelligentie " al bekend zijn sinds de jaren 50, is de huidige hausse op het gebied van artificiële intelligentie een gevolg van de krachtige hardware die nu tegen lage kosten beschikbaar is. Pas nu zijn processoren, hogesnelheidsnetwerken en Big Data-opslagmogelijkheden beschikbaar die de praktische uitvoering van veel theoretische overwegingen mogelijk maken. AI en zijn algoritmen zijn bijzonder geschikt voor gebruik in de logistiek, aangezien de wijdvertakte logistieke netwerken het ideale toepassingsgebied voor artificiële intelligentie bieden. De oorzaak-gevolgrelaties in deze netwerken kunnen zeer goed worden berekend en voorspeld.

"Logistiek is al een van de meest gedigitaliseerde bedrijfssectoren. Maar met drones, autonome systemen en artificiële intelligentie staat de logistiek niet alleen voor een optimalisatie van bedrijfsprocessen, maar voor een ware revolutie", aldus Bitkom CEO Dr Bernhard Rohleder. Uit de resultaten van een representatief onderzoek (4) onder 508 bedrijven met logistieke processen in opdracht van de digitale vereniging Bitkom blijkt dat tweederde (65%) van de ondervraagde bedrijven denkt dat zelflerende AI-systemen veel taken in de logistiek zullen overnemen, zoals het plannen van de beste route of het in gang zetten van orderprocessen. 75% verwacht dat een databril medewerkers in de logistiek gaat ondersteunen. Zes op de tien (58%) bedrijven verwachten dat autonome drones voorraden gaan inventariseren. Een vergelijkbaar aantal (57%) verwacht dat goederen door autonome voertuigen zullen worden vervoerd. Vier op de tien (42%) denken dat drones en bezorgrobots de producten zelfs naar de klant zullen brengen.

De bedrijven waarderen de vele voordelen van digitalisering en artificiële intelligentie. 89% verwacht een verlaging van de logistieke kosten en een versnelling van het transport op de lange termijn (86%). 72% verwacht minder fouten in de transportketen en 58% een milieuvriendelijker transport. Digitalisering als geheel wordt door 88%als een kans gezien en door slechts 11% als een risico. Hieronder volgen enkele voorbeelden van het gebruik van AI in de logistiek en intralogistiek.

Het gebruik van artificiële intelligentie op logistiek gebied is bijzonder nuttig voor het voorspellen van toekomstige toestanden van het logistieke netwerk. Zelflerende AI-algoritmen kunnen worden gebruikt om grote hoeveelheden gegevens (big data) te evalueren die het gedrag van klanten in het verleden beschrijven. Door herkenning van patronen in deze gegevens is het mogelijk het optreden van bepaalde gebeurtenissen (bestelgedrag, enz.) met een bepaalde waarschijnlijkheid te voorspellen (voorspellende analyse). Dankzij deze voorspellende analyse kunnen computergegenereerde modellen van het logistieke systeem (bv. de toeleveringsketen) voor de toekomst worden opgesteld. Hieruit kunnen intelligente beslissingen worden afgeleid over toekomstige acties op dit gebied. Zo kan bijvoorbeeld worden voorspeld in welke regio een bepaald artikel bijzonder vaak zal worden besteld. Hieruit kunnen voor de logistiek uitspraken worden gedaan over de benodigde opslagruimte, vrachtwagens, magazijnmedewerkers, enz. en kunnen bepaalde acties worden afgeleid. Artikelen kunnen bijvoorbeeld worden opgeslagen in een magazijn dicht bij het huis van de klant voordat ze worden besteld, waardoor de levertijden worden verkort. Het risicobeheer van de hele toeleveringsketen kan ook anticiperender worden gemaakt. Zo kunnen bijvoorbeeld live-gegevens uit de toeleveringsketen, die tracking-sensoren leveren over de toestand van de vervoerde goederen, of verkeersrapporten in de gegevensmodellen worden opgenomen en kunnen passende maatregelen worden genomen. Dit is dus simulatiegebaseerde intelligente planning, die niet alleen in de logistieke sector, maar ook in vele andere sectoren reeds een revolutie aan het ontketenen is.

Robots die zijn uitgerust met artificiële intelligentie of deep learning-algoritmen kunnen intelligente autonome beslissingen nemen met betrekking tot de identificatie, analyse en telling van goederen, alsook de manipulatie en het vervoer ervan. Zo kan robotica bijvoorbeeld worden gebruikt om voorraden in magazijnen op te sporen, te lokaliseren en te verplaatsen. Pickingrobots, laadrobots en cobots (collaboratieve robots) zullen de toekomst van de intralogistiek vorm geven. Autonome orderverzamelrobots zijn vooral de moeite waard voor kleine partijen - bijv. in de onlinedetailhandel. Cobots ondersteunen in toenemende mate mensen bij hun werk in het magazijn. Er zijn onder andere cobots die medewerkers naar de artikelen binnen een pickzone leiden. Deze AI-gestuurde oplossing verhoogt niet alleen de picksnelheid met 200 tot 300%, maar helpt pickers ook sneller en nauwkeuriger te werken.

Autonoom rijden verwijst naar het volledig automatisch besturen van een voertuig zonder bestuurder. In de intralogistiek worden autonome voertuigen automatisch geleide voertuigen (AGV's) genoemd. AGV's kunnen het aantal lege en foute ritten massaal verminderen omdat de voertuigen automatisch naar het juiste rek rijden. Daarbij worden ze geleid door verschillende technologieën, zoals indicatiestroken, precisielasers, reflectoren of eenvoudige kleefbandtracks. Terwijl de meeste intralogistieke magazijnen vandaag nog steeds vertrouwen op transportvoertuigen op de werkvloer, zoals vorkheftrucks, waarvan de bestuurders op het zicht en op afroep rijden, volgen AGV's een automatisch geprogrammeerd pad. Hiervoor kan bijvoorbeeld een visueel spoor worden gebruikt, dat een AGV op zijn weg kan volgen. Knelpunten, botsingen of andere belemmeringen in de workflow kunnen zo bijna volledig worden geëlimineerd. Dit maakt de intralogistiek van een bedrijf sneller en efficiënter. De uitdaging ligt hier alleen in het creëren van een open infrastructuur. In de transportlogistiek kunnen onder meer autonome voertuigen en drones worden ingezet voor pakketbezorging.

Zogenaamde visuele artificiële intelligentie kan worden gebruikt voor schadedetectie en schadeclassificatie. Het is veel sneller en nauwkeuriger dan menselijke schadebeoordelaars. Een voorbeeld is het gebruik van visuele artificial intelligence bij de internetgigant Amazon. Hier worden containers met artikelen binnen zeer korte tijd uitgeladen en wordt de inhoud gecategoriseerd.

Visuele Artificiële Intelligentie of Deep Learning technologie kan worden gebruikt voor objectherkenning zonder barcodes, voor het tellen en meten van producten. Dit kan bijvoorbeeld worden gebruikt om goederenontvangst te automatiseren door producten zelfstandig te identificeren, productafmetingen en -gewicht te bepalen en indien nodig aanvullende informatie in te lezen. Verpakkingsprocessen kunnen worden versneld, bijvoorbeeld door producten niet meer te hoeven scannen en het 3D-verpakkingsschema weer te geven of door automatisch veel barcodes en QR-codes tegelijk te scannen. Objecten kunnen gelijktijdig worden geteld en gemeten via AI en computervisie.

Artificiële Intelligentie (AI) en Machine Learning (ML) toepassingen in logistiek, supply chain en warehouse management… Het hart van een slim magazijn is een intelligent magazijnbeheersysteem (WMS) om de productiviteit en efficiëntie te verhogen. Aandachtspunten daar zijn o.a. planning, stockhoeveelheden en duur van stockage, welk traject producten hebben afgelegd, grootte en hoeveelheden van orders en zoveel meer. Enkele toepassingen op een rij die directe meerwaarde creëren: Track & Trace in warehouse omgeving, Digitale supply chain en order flow assistent, Geautomatiseerd verwerken van administratieve orders, Voorspellen van ROP (reorder points) en andere forecasts, Chatbot voor customer support en order tracking, Inzichten in functie van het selecteren van leveranciers. Het WMS visualiseert en gebruikt gegevens over logistieke objecten op een consistente manier, detecteert onregelmatigheden voordat er problemen ontstaan en verwerkt de informatie om efficiënte optimalisaties te bereiken, zoals het verkorten van de routetijd. Automatiseringsoplossingen zoals AI-robots, AGV's, visuele artificiële intelligentie, RFID, pick-by oplossingen, bril met geargumenteerde realiteit en nog veel meer worden geïntegreerd in het slimme WMS. Energie kan ook enorm worden bespaard door de integratie van slimme elektriciteitsnetwerken en intelligente koel- en verwarmingssystemen.

Literature:

1 Wie Künstliche Intelligenz die Logistik revolutioniert, Bito-Fachwissen, Link 

2 Bughin Jacques et al., Artificial Intelligence - The next digital frontier, McKinsey Global Institute, 2017, San Francisco Amsterdam Shanghai 

3 Deutschland lernt KI - Wie Unternehmen digitale Technologien einsetzen, Bitkom Research GmbH und Tata Consultancy Services, 2020, Frankfurt, www.studie-digitalisierung.de   

4 Dr. Rohleder Bernhard, Digitalisierung in der Logistik, Präsentation, März 2017, Bitkom e.V., Berlin, download