MIT og Mecalux lancerer AI-simulator til lageroptimering
Ny platform kan reducere omkostninger og optimere lagerbeholdning på tværs af logistikcentre ved hjælp af avanceret machine learning
“Den genetiske algoritme gør det muligt at køre flere simulationer med forskellige parametre indtil den mest effektive logistikstrategi er identificeret. Virksomheder kan sammenligne scenarier og vælge det, der passer bedst til deres operationer”, siger Dr. Matthias Winkenbach, direktør for forskning ved MIT Center for Transportation & Logistics og Intelligent Logistics Systems Lab. Foto: Mecalux
Massachusetts Institute of Technology (MIT), Center for Transportation & Logistics og Mecalux har udviklet en AI-baseret simulator, der kan optimere lagerdistribution på tværs af forskellige lagre inden for samme logistiknetværk. Platformen, der hedder Genetic Evaluation & Simulation for Inventory Strategy (GENESIS), anvender avancerede machine learning-modeller til at analysere tusindvis af mulige scenarier og bestemme det optimale lagerbeholdningsniveau i hvert lager og hvornår genopfyldning bør finde sted.
Den AI-baserede simulator tager højde for variabler som prognosticeret efterspørgsel i hver region, transportomkostninger og den operationelle kapacitet i hvert lager for at teste forskellige muligheder for lagergenopfyldning uden at påvirke virkelige operationer.
“Den genetiske algoritme gør det muligt at køre flere simulationer med forskellige parametre indtil den mest effektive logistikstrategi er identificeret. Virksomheder kan sammenligne scenarier og vælge det, der passer bedst til deres operationer”, siger Dr. Matthias Winkenbach, direktør for forskning ved MIT Center for Transportation & Logistics og Intelligent Logistics Systems Lab.
Når data og variabler er indtastet i systemet, genererer GENESIS den optimale løsning sammen med avancerede statistiske dashboards. Brugerne kan analysere indikatorer som blandt andet forbrugsmønstre, regioner med høj efterspørgselsvariabilitet eller lagre, der oplever forsyningsproblemer.
En af systemets nøglefunktioner er dets evne til at rebalancere lagerbeholdninger på tværs af lagre. I stedet for automatisk at placere nye ordrer hos leverandører, analyserer værktøjet, om det er mere effektivt at overføre produkter fra en anden facilitet inden for netværket, hvor der er overskydende lagerbeholdning. På den måde kan virksomheder reducere omkostninger og udnytte eksisterende lagerbeholdning bedre.
Læs også: 3 ud af 5 logistikcentre investerer stort i kunstig intelligens
Systemet anbefaler også, hvordan transport skal organiseres. Det foreslår for eksempel, om forsendelser skal konsolideres for at optimere lastbilbelægning, eller om specifikke ordrer skal opfyldes fra en bestemt lokation for at reducere leveringstider og omkostninger.
“Den virkelige udfordring var ikke at finde den rigtige algoritme — det var at gøre den hurtig nok til at være praktisk anvendelig. Vi udviklede GENESIS fra bunden til at evaluere tusindvis af scenarier samtidigt i stedet for sekventielt. Hvad der før tog dage, tager nu minutter, hvilket betyder, at virksomheder kan bruge det til reel taktisk planlægning ikke kun teoretisk analyse”, siger Rodrigo Hermosilla, forskningsingeniør ved MIT Intelligent Logistics Systems Lab.
I modsætning til analytiske løsninger, der er forbeholdt specialiserede brugere, er GENESIS designet til både tekniske teams og forretningsbeslutningstagere.
“Målet er at hjælpe virksomheder med at minimere den samlede omkostning for deres logistiknetværk samtidig med, at det højeste serviceniveau sikres”, siger Javier Carrillo, CEO hos Mecalux.
Kilde: Mecalux
/ PiB
