Kunstig intelligens er ikke svaret på alt på lageret

Henrik Schärfe har været rundt i det meste af verden som keynote speaker eller konsulent, og han fortæller om en tankevækkende oplevelse, han havde for nogle år siden på et lager i Mexico: 

”Lagerchefen på lageret hos vores kunde i Mexico viser mig rundt på lageret og fremviser blandt andet, hvordan de modtager en stregkodemærket palle med kasser af varer, der netop er blevet leveret af en lastbil. En lagermedarbejder ankommer straks derefter i sin truck og plukker det øverste lag af pallens kasser. Laget af kasser bliver placeret på en tom palle, der gradvis bliver fyldt op af lag fra de næste paller, der kommer ind. Det studser jeg over, fordi stregkoden er jo på pallen, og de kasser, der bliver plukket, mister jo derved sporbarhed. Jeg spørger ham om årsagen til, at pallen bliver brudt – og han svarer med største selvfølgelighed, mens han peger ind på pallereolerne på lageret, at pallerne er en smule for høje, så de kan kun passe ind på pallelokationen, hvis de får plukket det øverste lag”.

Forskel på model og virkelighed

Han fortæller historien for at illustrere hvor stor forskel, der stadig er på AI modellernes billede af verden og den virkelige verden. ”Det kan godt være, at gode og valide AI-beregninger har vist, at den pågældende pakning af pallerne er den mest optimale for at udnytte kapaciteten i container og lastbil. Men AI-modellen har ikke indsigt i dimensionerne på det mexicanske pallelager. Den virkelige verden er stadig mange gange mere kompleks, nuanceret og levende end AI-modellerne kan rumme”.

Henrik Schärfe er keynote speaker og tidligere professor på Aalborg Universitet i krydsfeltet mellem data og forretning. Han er i dag forretningsarkitekt hos Lyngsoe og har som konsulent og rådgiver haft fingrene dybt nede i hundredvis af data- og forretningsprojekter i danske og internationale virksomheder.

Pas på med AI

”Jeg er lidt træt af AI hype. Til gengæld er jeg optaget af at navigere i komplekse teknologilandskaber for at skabe reel værdi for kunder og for os selv”. 

Han vil gerne udsende en generel advarsel mod at overvurdere værdien af at anvende AI alle steder på lageret. Han fremhæver, at det ofte er værd lige at spørge sig selv og kollegaerne: ”Har denne specifikke opgave reelt gavn af AI – eller kan vi løse opgaven bedre med kendte metoder eller teknologier?”.

Han nævner varernes placering på et lager som et eksempel. Den klassiske metode FIFO (first in first out) kan ofte være den bedste metode til at placere varer på et lager. 

Er der derimod tale om et lager med meget uforudsigelige plukkemønstre, så kan AI-teknologien maskinlæring (ML) meget vel være den bedste metode at anvende. ML er god til på basis af kompliceret historik og relevant input at forudsige det ’uforudsigelige’.

Læs også: Zolvo og Mujin vil udbrede intelligent robotautomation

AI er god til uforudsigelige mønstre

Han fremhæver et andet eksempel, nemlig et whiskey-lager i Skotland, hvor whiskeyen bliver lagret i tønder, mens det modner. Virksomheden markedsfører mange forskellige whiskey-produkter, blandt andet også forskellige blandingsprodukter, hvor de tapper whiskey fra forskellige tønder og blander sammen. Her kan ML hjælpe med at forudsige hvilke tønder, medarbejderne skal plukke og tappe fra – og ikke mindst hvor medarbejderne skal placere tønden igen, så sporbarheden er intakt og de står mest hensigtsmæssigt.

”Det kan også give en ny indsigt i lageret. ML kan hjælpe med at sørge for, at lagerets kapacitet bliver udnyttet bedst muligt, og at plukkearbejdet bliver så optimalt som muligt. Aftrykket bliver altså så minimalt som muligt. Det kan også hjælpe med at kortlægge logistikhåndteringsomkostninger, så salgsafdelingen kan prissætte blandingsproduktet, så det afspejler de reelle omkostninger. Man kunne kalde det cost-to-serve, altså hvad er de reelle og samlede omkostninger forbundet med denne vare?”, fortæller Henrik Schärfe.

Men datagrundlaget skal være i orden

Han fremhæver, at AI-værktøjer som ML, generativ AI og AI-agenter kan være stærke værktøjer til mange komplekse opgaver med store datamængder og mange variabler. ”Men det kræver, at datagrundlaget er i orden. Det kræver et modent udviklingsmiljø, hvor værktøjer og processer er tænkt igennem og samlet i en arkitektur. Det vigtigste er en systemisk indsats og brug af datastandarder. GS1-standarder er utrolig vigtige at gøre brug af, så alle maskiner, systemer og parter forstår, hvad det er for nogle data, der bliver udvekslet i forsyningskæden”.

Hvis databasen er bygget systemisk op og består af valide data, der overholder datastandarder, så åbner der sig store muligheder for at få værdi ud af AI-værktøjer. Så er det for eksempel muligt for AI-modellen at sende en chat-besked til databasen og lancere en samtale, der giver mening og skaber værdi. Hvis det modsatte er tilfældet – altså at databasen er opbygget på ad hoc-basis og består af fragmenterede data, der ikke overholder standarder, så vil AI-modellen naturligt producere tåbelig og ubrugelige svar eller anvisninger.

”Der er grund at være optimistisk med brug af AI i lageroptimering, men pas på med at overvurdere hvor meget, det kan bruges til. Lær at bruge det, der er mange faldgruber. Og det vigtigste; vær opmærksom på, at der er store forskelle på maskiner og mennesker, og menneskers viden om at leve i verden ikke kan overvurderes”, afslutter han.