창고 관리를 위한 머신 러닝 및 AI에 대한 6가지 질문
AI 및 기계 학습 창고 관리 시스템
AI, 머신 러닝(ML) 및 IoT는 향후 10년 동안 공급망 및 물류에 큰 영향을 미칠 것입니다. 이 게시물은 사실과 허구를 구분하고 이러한 기술에 대한 몇 가지 기본적인 질문에 답합니다. 또한 창고 관리에서 ML을 사용할 수 있는 방법을 설명합니다.
1. 머신 러닝이란 무엇이며 AI와 어떤 관련이 있습니까?
인공 지능(AI)은 엄청난 과대광고를 받고 있는 광범위한 주제입니다. 이것은 마케팅 서비스에서 용어의 남용 및 오용으로 이어집니다. 예를 들어, 최근 연구에 따르면 유럽 AI 스타트업의 40%가 실제로 AI를 사용하지 않습니다.
카네기 멜론 대학의 AI 전문가는 마케팅과 현실의 차이를 제쳐두고 AI는 움직이는 표적이라고 지적합니다. 50년 전만 해도 체스 치는 컴퓨터는 최첨단 AI였습니다.
오늘날 AI의 많은 애플리케이션(음성 인식, Netflix 비디오 추천 등)은 기계 학습을 사용합니다. 머신 러닝은 학습 알고리즘을 대규모 데이터 세트에 적용하여 계획 및 의사 결정을 개선하기 위한 예측 모델을 생성하는 프로세스입니다. 모델은 새로운 데이터가 수신됨에 따라 시간이 지남에 따라 적응하고 개선됩니다. 인기 있는 ML 기술에는 딥 러닝 및 딥 뉴럴 네트워크가 포함됩니다.
중요한 점은 ML을 사용하는 시스템이 작업을 수행하기 위해 명시적 프로그래밍이 필요하지 않다는 것입니다. 명시적 프로그래밍의 예는 특정 단계를 따라 체스판에서 무엇을 움직여야 하는지 또는 주어진 활동을 수행하는 데 걸리는 시간을 계산하는 방법을 결정하는 소프트웨어 코드입니다. ML 시스템은 데이터를 분석하는 알고리즘을 사용하여 고유한 답을 제시하고 경험을 통해 적응 및 개선합니다.
2. ML은 어디에 사용됩니까?
기계 학습은 얼굴 인식 또는 음성 인식 과 같은 작업에 사용되며 Netflix에서 동영상 제안을 제공하거나 Amazon에서 쇼핑 제안을 제공하는 것과 같은 보다 일상적인 작업에도 사용됩니다. 공급망 공간에서 ML은 다중 사이트 재고 계획에 사용되고 로봇 공학 시스템은 기계 학습을 사용하여 창고 탐색과 같은 복잡한 작업을 마스터합니다. 창고 관리 영역에서 인력 계획 및 슬롯 배치를 포함한 다양한 기능에 적용될 수 있습니다.
3. 머신 러닝은 IoT와 어떤 관련이 있습니까?
머신 러닝은 데이터를 처리하기 위해 방대한 양의 세분화된 데이터와 엄청난 양의 컴퓨팅 성능을 필요로 합니다. 일반적으로 필요한 데이터는 일반적인 트랜잭션 데이터를 캡처하고 저장하는 ERP 또는 WMS와 같은 엔터프라이즈 컴퓨터 시스템에서 가져오지 않습니다.
세분화된 데이터의 대규모 스트림에 의존하기 때문에 ML은 종종 IoT(사물 인터넷)와 연결됩니다. IoT는 방대한 양의 실시간 데이터를 수집하고 공유하는 상호 연결된 기계(센서가 있는 컨베이어 또는 분류기 등)와 장치(프린터, 모바일 컴퓨터 등)를 의미합니다. ML은 IoT 장치에서 생성된 대량의 데이터를 사용하여 패턴을 식별하고 의미 있는 정보를 찾는 데 점점 더 가치가 있는 도구입니다.
4. 창고 관리에서 ML을 어떻게 사용할 수 있습니까?
창고 관리에서 머신 러닝은 명시적 프로세스 모델링 및 엔지니어링에 의존하는 기존 계획 및 최적화 도구의 대안으로 사용될 수 있습니다.
전통적인 접근 방식의 한 예는 공학적 노동 표준을 기반으로 하는 노동 관리 시스템입니다. ELS 기반 시스템은 미리 정의된 모델과 정의된 수의 변수를 사용하여 예상 작업 완료 시간(주어진 작업 또는 작업 그룹에 대해)을 계산하도록 명시적으로 프로그래밍되어 있습니다. ELS는 모델에 사용된 값을 산출하기 위해 엔지니어링 및 측정에 상당한 선행 투자가 필요합니다(선택을 하는 데 걸리는 평균 시간, 이동 x 거리, 카트 설치 등).
대조적으로 ML은 평균 값을 결정하기 위한 선행 엔지니어링 및 측정 없이도 세분화된 운영 데이터 스트림을 분석하여 주어진 작업을 완료하는 데 걸리는 시간을 예측하는 데 사용할 수 있습니다. 데이터는 창고 실행 시스템 , 모바일 장치 및 자동화 시스템(또는 WCS)을 비롯한 여러 소스에서 가져올 수 있습니다. 모델은 결과에 대한 간접적인 영향을 설명하고 시스템의 변경 사항을 감지하고 적응합니다.
엔지니어링 모델의 주요 제한 사항 중 하나는 계산에 영향을 줄 수 있는 관련 프로세스, 레이아웃 또는 기타 변경 사항을 설명하기 위해 업데이트해야 한다는 것입니다. 마찬가지로 결과에 영향을 줄 수 있는 모든 간접 변수를 쉽게 설명할 수 없습니다. 마지막으로, 엔지니어링된 모델이 더 복잡하고 포괄적일수록 데이터를 처리하고 출력을 제공하는 데 더 오래 걸립니다.
5. AI가 운영자와 관리자의 역할을 대체할 것인가?
AI에 대한 일반적인 오해 중 하나는 AI가 경영진의 의사 결정을 대체할 것이라는 것입니다. 반대로 ML 도구는 이러한 기능을 자동화하기보다는 관리 계획에 대한 정보를 제공합니다. 위의 노무 관리 예에서 ML은 ELS를 사용하는 시스템에 필요한 상세한 프로세스 모델링 및 엔지니어링 없이 노무 요구 사항을 예측하는 대체 방법을 제공합니다. ML을 사용하는 경우에도 목표 비율을 결정하고 관리하기 위한 관리 입력이 필요합니다.
6. 머신 러닝의 이점은 무엇입니까?
기존 엔지니어링 접근 방식과 비교하여 머신 러닝의 주요 이점은 다음과 같습니다.
더 나은 정확도. ML 시스템은 결과에 영향을 미치는 개인차와 간접 요인을 고려하여 보다 정확하고 유용한 예측을 제공합니다.
더 빠르고 저렴하게 구현할 수 있습니다. ML 시스템은 노동 집약적인 모델링 및 측정 프로세스의 필요성을 제거합니다. 예를 들어, ELS 시스템에는 현장 관찰, 소프트웨어 계산, 벤치마킹 및 검증의 조합이 필요합니다.
유연성 및 적응성. ML 시스템은 작업의 변경 사항을 학습하고 적응합니다. 엔지니어링된 시스템에는 지속적인 수동 보정 및 업데이트가 필요합니다.
댓글