h.sحمید سامیر
همهٔ خبرها

گارتنر چهار سطح هوش مصنوعی در خودکارسازی انبار را تشریح کرد

گارتنر کاربرد هوش مصنوعی در انبار را از بهینه‌سازی کلاسیک تا عامل‌های نیمه‌خودکار و رباتیک فیزیکی دسته‌بندی می‌کند و بر استقرار تدریجی، شفافیت تصمیم‌ها و نظارت انسانی تأکید دارد.

گارتنر در تحلیلی تازه، مسیر خودکارسازی انبار را در چهار سطح عملیاتی ترسیم کرده است: مدل‌های پیشرفته بهینه‌سازی، هوش مصنوعی مولد برای برنامه‌ریزی، عامل‌های نیمه‌خودکار و خودکارسازی فیزیکی. این دسته‌بندی بر دو محور استوار است: میزان پیچیدگی هوشمندی سامانه و اندازه اختیاری که برای اقدام عملی به آن سپرده می‌شود.

به گفته این مؤسسه پژوهشی، کمبود نیروی کار، کاهش هزینه اولیه برخی مدل‌های تجاری نرم‌افزار و قابل‌اعتمادتر شدن الگوریتم‌ها و ماشین‌آلات خودکار، استفاده عملی از این فناوری‌ها را تسریع کرده است. فدریکا استفانو، تحلیلگر ارشد گارتنر، این روندها را به‌هم‌پیوسته می‌داند؛ با این حال تأکید می‌کند که مدیران باید بتوانند منطق تصمیم‌های خودکار را ببینند و کارکنان انسانی همچنان در حل مسائل عملیاتی نقش داشته باشند.

از بهینه‌سازی تا برنامه‌ریزی مولد

مدل‌های بهینه‌سازی جدید به‌جای قواعد ثابت، داده‌های زنده کف انبار را برای پیش‌بینی تقاضا، برنامه‌ریزی شیفت، مسیریابی و جانمایی موجودی به کار می‌گیرند. سامانه می‌تواند با تغییر الگوی سفارش‌ها، حرکت کالا را دوباره محاسبه کند؛ در عین حال، ردپای قابل‌ممیزی تصمیم‌ها برای کنترل و الزامات سازمانی حفظ می‌شود.

در سطح بعد، مدل‌های یادگیری ماشین و مولد، داده‌های غیرساخت‌یافته‌ای مانند سوابق تعمیرات، رسیدهای تأمین‌کنندگان و گزارش رخدادها را می‌خوانند. عامل‌های نرم‌افزاری می‌توانند هنگام تأخیر تأمین‌کننده یا خرابی تجهیزات، دستورالعمل کاری و راهنمای رسیدگی متناسب با همان وضعیت تهیه کنند؛ اما کیفیت این خروجی‌ها به داده‌های تاریخی و کنترل‌های سازمانی وابسته است.

عامل‌ها و رباتیک با اختیار محدود

عامل‌های نیمه‌خودکار قادرند صف کارها را بررسی کنند، وظایف برداشت کالا را جابه‌جا کنند و تجهیزات را میان سکوها تخصیص دهند. در الگوی توصیف‌شده، مدیر انسانی اختیار لغو یا تأیید تصمیم‌های باارزش را حفظ می‌کند. در سطح فیزیکی نیز ربات‌ها و حسگرهای مکانی برای برداشت، بسته‌بندی، تفکیک مرسوله و انتقال پالت به کار می‌روند.

گارتنر پیشنهاد می‌کند سازمان‌ها ابتدا از موارد استفاده آزموده‌شده، مانند پیش‌بینی نیروی کار و جانمایی کالا، شروع کنند و سپس به هوش مصنوعی مولد، عامل‌ها و تجهیزات خودران برسند. ادعاهای مربوط به کاهش هزینه، افزایش سرعت یا ایمنی در هر انبار باید با داده‌های همان محیط سنجیده شود و این چارچوب به‌تنهایی اثبات‌کننده بازده یک استقرار مشخص نیست.

تصویر اصلی گزارش درباره هوش مصنوعی و خودکارسازی انبار
تصویر اصلی گزارش درباره هوش مصنوعی و خودکارسازی انبار

منبع: AI News