Ottimizzazione dell’algoritmo di ‘slotting’ con l’IA
“L'algoritmo di ottimizzazione dello ‘slotting’ migliorerà l'efficienza nei magazzini con alta domanda”
Riguardo il progetto di ricerca
Nei magazzini con un elevato ricambio di prodotti, decidere dove collocare ogni articolo e quando spostarlo può fare la differenza tra efficienza e colli di bottiglia. L'Intelligent Logistics Systems Lab del MIT e Mecalux stanno sviluppando un sistema di assegnazione delle ubicazioni basato sull'intelligenza artificiale per consentire ai magazzini di adattarsi istantaneamente alla domanda in continua evoluzione. Le ricercatrici Selene Silvestri e Sarah Schaumann, del Center for Transportation and Logistics del MIT, spiegano come questo progetto congiunto aiuterà le aziende a ottimizzare le proprie operazioni, ridurre i costi e reagire meglio alla volatilità.
Mecalux intervista Selene Silvestri e Sarah Schaumann, ricercatrici del MIT CTL, per saperne di più sul progetto volto a migliorare l'efficienza dei magazzini con un elevato volume di attività.
-
In cosa consiste il progetto a cui state lavorando e qual è l'obiettivo principale?
Selene Silvestri: Il nostro obiettivo è migliorare la distribuzione degli spazi nel magazzino. In poche parole, vogliamo capire quando e dove sia opportuno riposizionare i prodotti all'interno dell'impianto, sia a causa di variazioni della domanda che dei parametri operativi.
Il sistema apprende dai dati, supporta il processo decisionale e offre una visione chiara dei motivi per cui i prodotti si trovano in determinate posizioni e perché si spostano
-
Quali vantaggi può apportare questo sistema basato sull'intelligenza artificiale alle operazioni di magazzino?
Sarah Schaumann: Lo scopo dell'algoritmo di ottimizzazione è quello di ridurre i costi di preparazione degli ordini, abbreviare i tempi di elaborazione degli ordini e minimizzare i percorsi di prelievo, sia per il personale che per i robot. La tecnologia che stiamo sviluppando apprende dai dati, supporta il processo decisionale e offre una visione chiara dei motivi per cui i prodotti si trovano in determinate posizioni e perché si spostano.
L'adozione di tecniche di machine learning e IA generativa nel progetto cambierà la gestione e le modalità operative nei magazzini. Influirà anche sulla redditività, poiché una collocazione più intelligente aumenta la produttività, riduce i livelli dello stock e migliora il ritorno sull'investimento.
-
In che modo l'apprendimento automatico contribuisce a ottimizzare la collocazione dei prodotti nel magazzino?
La nostra idea è quella di sviluppare un modello ibrido che combini la ricerca operativa con i metodi di machine learning, al fine di unire il potenziale di entrambi i mondi Selene Silvestri: Una delle applicazioni principali dell'apprendimento automatico è il raggruppamento dei prodotti. Sulla base dell'analisi dei dati storici relativi agli ordini, le tecniche di machine learning consentono di individuare quali gruppi di articoli vengono spesso ordinati insieme. In questo modo, l'algoritmo posiziona i prodotti con elevata affinità più vicini tra loro e riduce le distanze di prelievo. Inoltre, il sistema tiene conto di eventuali congestioni nel magazzino: le decisioni relative allo slotting che potrebbero causare un affollamento di operatori vengono penalizzate per favorire un flusso di lavoro più fluido.
-
In che modo ottimizzeranno l'assegnazione dello spazio per i pallet grazie all'intelligenza artificiale?
Sarah Schaumann: I metodi tradizionali spesso non si adattano bene ai cambiamenti, alla stagionalità e alla variabilità degli ordini. La nostra idea è quella di sviluppare un modello ibrido che combini la ricerca operativa con i metodi di machine learning, al fine di unire il potenziale di entrambi i mondi. Queste tecniche consentono di individuare modelli nei dati del magazzino che risultano difficili da individuare con i metodi di ottimizzazione tradizionali. In sintesi, l'algoritmo di ottimizzazione dello slotting migliorerà l'efficienza nei magazzini con alta domanda.