Робот на разборке: почему склад без людей сегодня на самом деле никому не нужен
Повальная роботизация сегодня воспринимается как панацея от всех болезней. Причем термин «роботизация» настолько широк, что под ним можно понимать как автоматизированные линии на складе, так и «сверхмашины» с искусственным интеллектом (AI), например IBM Watson. Применительно к логистике та же путаница. Поэтому стоять прояснить, что может означать «робот-кладовщик» или «робот-директор склада» и почему склад без людей еще очень долго не станет реальностью.
Для начала определимся с терминами «искусственный интеллект», «машинное обучение», «нейросеть», которые на сегодняшний день скорее больше мифологизированы, чем следовало бы. Нейронная сеть – это по сути структура объединенных нейронов, прямой ее аналог — это человеческий мозг. Машинное обучение – это процесс научения нейронной сети тем или иным «навыкам», это процесс поиска зависимости между исходными данными и результатом. Искусственный интеллект (AI) — это уже обученная нейронная сеть, или их комплекс. Обучение AI для складских задач ничем не отличается от стандартного – в нейросеть загружаются любые параметры, которые необходимо обрабатывать (для визуализации брака это могут быть, например, фото смятых коробок). Для комплексного решения в промышленном масштабе на базе AI таких параметров понадобятся сотни – касающиеся характеристик процесса, сотрудников, товара, процедур и т.д.
Простейшие «роботы» — это ставшее частью любого мало-мальски автоматизированного склада оборудование: краны-штабелеры, лифтовые стеллажи, «карусели» и т.д. Условно назовем их стационарными роботами – они позволяют автоматизировать отдельные операции, которые человеку просто физически сложно и долго выполнять.
Следующий этап – это так называемая техника AGV, то есть «роботы движущиеся»: всевозможные роботокары, управляемые тележки, автоматизированные погрузчики. Примеры – известные изделия Amazon Robotics или Toru Cube от Magazino.
Более продвинутую версию предлагает компания Symbotic – это роботизированная система склада, где людей почти полностью вытеснили роботы. Правда, для того чтобы технологией воспользоваться, склад придется полностью переделать. Обойдется сама система в сумму от $40 млн до $80 млн. Опять же, речь идет об автоматизированном или автоматическом складе, но без внедрения технологий искусственного интеллекта.
Отдельно стоящее решение, касающееся логистики? крайне коллатерально, но интересно иллюстрирующее проблемы с антропоморфными манипуляторами для складов — это робот Atlas компании Boston Dynamics, публично показанный в прошлом году. Попытки машины поднять коробку крайне удачны, даже в условиях помех со стороны человека, но даже на видео очевидно, что «руки» робота снабжены специальными пластинами, и назвать движения «антропоморфными» сложно.
Далее решения начинают переходить, условно говоря, «от железа к софту», когда задачи автоматизации решаются посредством специализированного программного обеспечения. Начальный этап автоматизации на базе ПО – внедрение WMS системы (Warehouse Management System, системы управления складом) – уже хорошо известен и активно используется всеми игроками рынка – от мини-складов до гигантских распределительных центров. Однако предел, на котором любая WMS система способна сократить издержки и повысить производительность склада, уже перейден, и остро ощущается необходимость нового качественного скачка. Революцию в эту область способны привнести технологии искусственного интеллекта на базе специально обученных искусственных нейронных сетей.
Несмотря на то что логистика в последние годы активно привлекает внимание большинства прогрессивных компаний, являясь одним из главных участников проектов по повышению качества, внедрение современных технологий (таких, как роботы и искусственный интеллект) в этой сфере стоит на одном из последних мест в мире. То, что ситуация должна в ближайшие годы в корне изменится, очевидно. Тотальная глобализация рынков, объединение технологий вокруг потребностей единичного потребителя, стремительный взлет e-commerce, и – как следствие – рост количества номенклатурных позиций и изменение структуры распределительных центров в сторону увеличения числа операций создают благоприятные условия для инвестиций.
Первым и единственным решением для оптимизации складских операций на базе нейросетей пока является проект, реализованный сетью магазинов Zalando (на базе решений компании Nvidia). Технологии AI учат находить оптимальные маршруты для работников склада и решать один из частных случаев задачи коммивояжера. Для решения проблемы управления складом была обучена нейронная сеть, которая оценивает кратчайший для работника маршрут на складе, фактически имплементируя логику покупателя в супермаркете. Скорость работника повышается вследствие решения «проблемы полной тележки» — когда «тележка» становится слишком тяжелой и просто бросается в проходе, а товар приносится в нее с удаленных рядов и полок. Работнику начали выдавать задания на оптимальное количество товара, вводя промежуточные списки, тем самым рациональнее используя труд работника и повышая общую скорость работы на складе.
В России сегодня решений в складской логистике на базе нейронных сетей просто нет. Мы экспериментируем с биотелеметрией, визуальным распознаванием бракованных упаковок, выявлением косвенно влияющих на KPI факторов.
Биотелеметрия – технология, реализованная на базе фитнес-браслетов, которая позволяет распределять нагрузки на сотрудников склада равномерно, в зависимости от состояния здоровья человека здесь и сейчас. Постепенно повышая нагрузки (как и в занятиях спортом), работник склада начинает выполнять больше действий, соответственно повышается производительность склада. Мы подсчитали, что даже на небольшом складе с 20 работниками, экономия при внедрении может достигать 1 млн рублей в год.
Технологию визуального распознавания бракованных упаковок мы запустили, обучив нейросеть распознавать некондиционные групповые и транспортные упаковки. Это важно при приемке товара на склад, когда оператор службы контроля качества может просто не заметить брака упаковки и принять на склад «битый» товар. Нейросеть идентифицирует замятия и порчу, и даст оператору сигнал перепроверить конкретную единицу товара.
Очень интересной задачей было выявление факторов, косвенно влияющих на KPI. Ключевые индикаторы эффективности используются практически везде, и наиболее часто используемым инструментом определения того, что же именно повлияло на рост или падение показателя, является каскадный анализ с детализацией выборки новыми измерениями в популярных BI-подсистемах. Мы же решили собирать данные не постфактум, а в процессе работы, обрабатывая данные при помощи AI, благодаря чему можно быстро определить «виновников» изменения показателя в лучшую или худшую сторону, выявить степень влияния и предпринять своевременные действия для разрешения ситуации. Такими косвенными факторами могут выступить человеческий фактор (ошибки, перегруженность работника, небольшой опыт сотрудника) или неисправность оборудования.
Следующим шагом стала для нас задача клиента распознавать брак при ручной сборке сложных механизмов, основываясь на оцифровке движений сборщика, – но это решение сегодня адаптировано для промышленности, и пока на складе мы для него поля применения на нашли.
Занимаясь разработкой подобных решений на базе глубинного обучения нейронных сетей, мы пришли к тому, что для склада сегодня необходима глобальная система управления складом с применением искусственного интеллекта. Любой отраслевой прорыв в будущем хорошо коррелирует с использованием возможностей AI – как надотраслевого консалтинга. Искусственный интеллект (как независимый консалтинг) может серьезно переформатировать любой рынок, дав игрокам равные возможности и как следствие фактически равную конкуренцию.
На сегодняшний день такие проекты пока не реализованы ни в одной из отраслей, но подвижки в направлении существенны. Пример – когда целые департаменты в компаниях заменяются AI –колл-центры, юридические службы, первичный прием врача. Надотраслевой консалтинг – это следующий шаг в переходе к управлению с помощью искусственного интеллекта отдельными отраслями.
Нейросеть может обучаться на огромном массиве данных, полученных из компаний одного сектора и со временем научается строить закономерности в процессах, делать выводы и подсказывать решения в кризисных ситуациях или предсказывать их появление, базируясь на накопленном опыте. Возьмем, к примеру, энергетическое машиностроение. Есть типовые производственные задачи и процессы, есть сходное оборудование, чертежи и схемы, логистика и специфика доставки, поддержки, ТО. Ситуация, в которой одно предприятие нашло решение, может стать хорошим примером для другого завода, подсказать какие последствия от принимаемых мер можно ожидать, где могут возникнуть убытки и т.д. При этом все данные, загруженные в систему, защищены и не могут быть переданы, но на их базе система учится оказывать консалтинговые услуги, просто холодно сопоставляя данные, не допуская ошибки в просчетах.
Однако препятствий сегодня больше, чем возможностей. Во-первых, поставщики таких решений сегодня не только не сформировали рынок, но их пока ничтожно мало и они пока работают над будущими проектами. Отдаленный пример – это расшаривание фреймворков, когда есть понимание, что развивать отрасль даже самые сильные игроки не могут в одиночку и они делятся знаниями и инструментами.
Во-вторых, есть «региональные» проблемы. Для Запада тормозом процесса перехода к AI-консалтингу является практика патентования, когда любое решение патентуется лидерами рынка. Таким образом, рынок крайне монополизирован и развить сеть операторов решений фактически невозможно. Для России до сих пор актуальна проблема «халифа на час» — когда долгосрочное планирование осуществляют единицы на рынке, а вкладывать немалое время и немалые деньги в долгосрочные проекты никто не хочет, потому что не уверен, что останется на рынке еще хотя бы несколько лет. «Научить» отраслевой AI на скудных данных от 3-4 игроков невозможно, или же уровень предсказаний будет крайне низким.
Попытаемся подвести черту и все же объяснить, почему склад без людей сегодня никому не нужен. Сейчас сложилась промежуточная ситуация, когда технологии уже активно отвоевывают у людей различные ниши применения, но пока настолько дороги и зачастую недоделаны, что самым оптимальным вариантом становится возможность совместить труд человека, «облагородив» его с помощью ИТ, помочь работнику быть быстрее, эффективнее, точнее.