کاربرد هوش‌مصنوعی در لجستیک

اسفندیار جهانگرد*
با رشد سریع تجارت الکترونیک و افزایش حجم بسته‌ها که از مرزها عبور می‌کنند، بخش لجستیک جهانی و کشورها تحت فشار قرار گرفته است تا تقاضای افزایش‌یافته را مدیریت کرده و انتظارات روزافزون برای تحویل‌های سریع، قابل اعتماد و به‌موقع را برآورده کند. به‌طور ذاتی، فعالیت‌های لجستیکی شامل مدیریت پیچیده جریان کالاها از مبدا تا مقصد است که معمولا از چندین روش حمل‌ونقل استفاده می‌شود و از مرزهای مختلفی عبور می‌کنند، گمرکات را از سر می‌گذرانند و اطمینان حاصل می‌کنند که تحویل‌ها در آخرین مایل به‌طور بی‌وقفه انجام می‌شود. مدیریت این جریان‌ها کار دشواری است. با این حال، سیستم‌های هوش‌مصنوعی می‌توانند نقش حیاتی ایفا کنند، از کمک به مدیریت موجودی‌ها و انبارها تا هماهنگی حمل‌ونقل در کشورهای مختلف، پیش‌بینی روندهای آینده، بهبود دقت تحویل به موق، و ارتقای تجربه مشتری. علاوه‌بر این، استفاده بیشتر از حسگرها، کدهای ردیابی و سایر سیستم‌های متصل می‌تواند به سیستم‌های هوش‌مصنوعی در زمان واقعی اطلاعات بدهد و کارایی فرآیند را در سراسر زنجیره لجستیک به حداکثر برساند. یکی از وظایف به‌‌ویژه چالش‌برانگیز، مدیریت موجودی‌ها و فضای انبار است که نیازمند پیش‌بینی روندهای تغییرات و بهینه‌سازی حمل‌ونقل‌ها و زمان‌بندی‌هاست. سیستم‌های هوش‌مصنوعی می‌توانند به ایجاد «انبارهای هوشمند» کمک کنند که از حسگرها، بینایی کامپیوتری و فرآیندهای خودکار برای اطلاع‌رسانی فرآیندهای تصمیم‌گیری مربوط به ذخیره‌سازی و لجستیک استفاده می‌کنند. چندین مزیت استفاده از هوش‌مصنوعی در عملیات انبار شامل موارد زیر است:
افزایش بهره‌وری: سیستم‌های هوش‌مصنوعی می‌توانند برای ساده‌سازی و متمرکز کردن فرآیندهای عملیاتی در داخل انبار استفاده شوند؛ سرعت‌بخشی به فرآیند دریافت، شناسایی، طبقه‌بندی و استخراج محموله‌ها و بهبود کارآیی ربات‌های انبار.
بهبود دقت و به‌موقع بودن: سیستم‌های هوش‌مصنوعی از شبکه‌های عصبی پیشرفته برای پیش‌بینی روندهای مصرف‌کننده، تحلیل موجودی‌ها و برنامه‌ریزی فرآیندهای حمل‌ونقل همچون بارگیری، حمل، تخلیه و تحویل استفاده می‌کنند.
بهبود امنیت: استفاده از سیستم‌های هوش‌مصنوعی به پیش‌بینی و جلوگیری از خطرات امنیتی، جلوگیری از حوادث و آسیب به محموله‌ها و کاهش خطای انسانی در فرآیند لجستیک کمک می‌کند.برخی مثال‌های ابزارهایی که به انبارهای هوشمند مبتنی‌بر هوش‌مصنوعی کمک می‌کنند شامل موارد زیر است:
شناسایی با فرکانس رادیویی (RFID): فناوری RFID برای برچسب‌گذاری دیجیتال کالاها و بسته‌ها استفاده می‌شود و برچسب‌گذاری سنتی و بارکدهایی که زمان‌بر هستند را جایگزین می‌کند. علاوه‌بر این، RFID بر‌اساس امواج رادیویی کار می‌کند، بنابراین برچسب‌ها را می‌توان از فاصله دور اسکن کرد که این امر باعث می‌شود فرآیند پردازش سریع‌تر و پیدا کردن اقلام در انبارها سریع‌تر انجام شود. فناوری RFID همچنین کنترل موجودی را بهبود می‌بخشد و به پیدا کردن بسته‌های گمشده کمک می‌کند. داده‌های RFID می‌توانند به سیستم مدیریت انبار که توسط هوش‌مصنوعی کنترل می‌شود، منتقل شوند.
ربات‌ها: سیستم‌های هوش‌مصنوعی می‌توانند به ربات‌ها دستور دهند تا کارهایی نظیر بارگیری یا تخلیه، ذخیره‌سازی یا کشیدن اقلام در انبار را انجام دهند. ربات‌ها می‌توانند با سرعت بالاتر و وزن بیشتری نسبت به انسان‌ها حرکت کنند که این امر به‌ویژه در انبارهای بزرگ مهم است. هوش‌مصنوعی همچنین برای بهینه‌سازی مسیری که ربات‌ها برای پیدا کردن و کشیدن کالاها طی می‌کنند استفاده می‌شود که زمان و فاصله را کاهش می‌دهد، این امر به‌ویژه برای انبارهای بزرگ که زمان زیادی صرف جستجو برای اقلام در راهروها می‌شود، مهم است.
حسگرها و سایر دستگاه‌ها: (اینترنت اشیا : IoT حسگرها به جمع‌آوری داده‌ها در زمان واقعی کمک می‌کنند و این داده‌ها به یک مکانیزم تصمیم‌گیری متمرکز مبتنی‌بر هوش‌مصنوعی منتقل می‌شوند. دستگاه‌های اینترنت اشیا (IoT) از حسگرها برای جمع‌آوری داده‌ها استفاده می‌کنند و قادر به ارتباط با سایر دستگاه‌های IoT هستند که یک اکوسیستم متصل در سراسر یک انبار ایجاد می‌کند. داده‌های زمان واقعی به یک سیستم تصمیم‌گیری متمرکز مبتنی‌بر هوش‌مصنوعی بازخورد داده می‌شود که داده‌ها را تجزیه و تحلیل کرده و دستورات مناسب را به دستگاه‌های فعال‌شده توسط IoT ارسال می‌کند. این امر باعث ایجاد هم‌افزایی جدید بین IoT و هوش‌مصنوعی می‌شود.
هوش‌مصنوعی همچنین می‌تواند نقش مهمی در کاهش انتشار گازهای گلخانه‌ای در سراسر زنجیره‌های ارزشی لجستیک ایفا کند، از طریق ارائه بینش‌های مبتنی‌بر داده‌های پیشرفته در مورد ردپای کربن و افزایش کارآیی عملیات خودکار در ترمینال‌های حمل‌ونقل. درحالی‌که کارآیی ماشین‌های خودکار و راه‌حل‌های هوش‌مصنوعی هنوز اثبات نشده است و استفاده از هوش‌مصنوعی خود ردپای کربنی دارد، با این حال، این پتانسیل وجود دارد که هوش‌مصنوعی و تجزیه‌وتحلیل داده‌های پیشرفته بتوانند تاثیرات زیست‌محیطی فعالیت‌های لجستیکی را در بلندمدت بهبود بخشند.
در ادامه موارد خاصی در کابرد هوش‌مصنوعی در لجستیک و انبارداری در دنیا مطرح است که می‌توان برای نمونه ارایه داد که شامل موارد دی‌اچ‌ال و مرسک (Maersk) است و که هر کدام بینش‌های فردی و تحلیل‌های مقایسه‌ای را ارائه و به ما این امکان را می‌دهند که الگوها را شناسایی کرده و به نتیجه‌گیری‌های خاص در زمینه‌های تاثیر هوش‌مصنوعی بر عملیات تجاری دست یابیم. با این حال، همانطور که در بیشتر رویکردهای مطالعات موردی وجود دارد، محدودیت‌هایی در مورد قابلیت تعمیم برای اقتصاد ما وجود دارد. یافته‌ها از این شرکت‌های خاص به‌صورت اکتشافی هستند و ممکن است به‌طور کامل کاربردهای هوش‌مصنوعی در بخش‌ها یا مناطق مختلف مثل ایران و مناطق آن را نمایان نکنند. بنابراین درحالی‌که این مطالعات موردی بینش‌های کیفی ارزشمندی ارائه می‌دهند، کاربرد آنها در چشم‌انداز وسیع‌تری از تجارت بین‌المللی ممکن است محدود باشد.ژ دی‌اچ‌ال، یکی از شرکت‌های پیشرو در حمل‌و‌نقل در جهان، از هوش‌مصنوعی برای افزایش بهره‌وری، بهبود عملیات و ارائه خدمات بهتر به مشتریان استفاده می‌کند. در دی‌اچ‌ال، بهینه‌سازی زنجیره تامین یکی از کاربردهای مهم هوش‌مصنوعی است. تجزیه و تحلیل پیش‌بینی‌شده توسط هوش‌مصنوعی کمک می‌کند تا تاخیرات کاهش یابد و هزینه‌ها از طریق مدیریت سطوح موجودی، پیش‌بینی تقاضا و مقابله با اختلالات زنجیره تامین کاهش یابد. علاوه بر این، با تجزیه و تحلیل الگوهای ترافیکی، داده‌های جوی و دیگر عوامل، الگوریتم‌های هوش‌مصنوعی مسیرهای تحویل را بهینه می‌کنند که به تحویل سریع‌تر، کاهش مصرف سوخت و کاهش هزینه‌های عملیاتی منجر می‌شود. دی‌اچ‌ال از ربات‌های مجهز به هوش‌مصنوعی در خودکارسازی انبار برای کمک به بسته‌بندی، جابجایی و مرتب‌سازی محصولات استفاده می‌کند. این ربات‌ها با همکاری کارکنان انسانی، زمان پردازش سفارش را تسریع می‌کنند و دقت و تولید را افزایش می‌دهند. دی‌اچ‌ال شاهد افزایش 40‌درصدی در ظرفیت مرتب‌سازی، دقت 99‌درصد در مرتب‌سازی و 1000‌بسته مرتب‌شده در ساعت بوده است. سیستم‌های هوش‌مصنوعی همچنین برای مدیریت موجودی ضروری هستند زیرا فرآیندهای سفارش مجدد را خودکار کرده و نظارت بر سطح موجودی را به‌صورت لحظه‌ای فراهم می‌کنند که سطوح موجودی را با تقاضا هم‌راستا نگه می‌دارد. در نهایت، دی‌اچ‌ال از ربات‌های چت و دستیارهای مجازی مبتنی‌بر هوش‌مصنوعی برای خدمات مشتری استفاده می‌کند تا تجربه مشتری را با پاسخ‌گویی سریع و دقیق به سوالات، ارائه اطلاعات پیگیری لحظه‌ای و حل مشکلات معمولی بهبود بخشد. مرسک، یک شرکت برجسته در زمینه حمل‌و‌نقل و لجستیک بین‌المللی است که از هوش‌مصنوعی برای بهینه‌سازی عملیات خود، افزایش بهره‌وری و ارتقای رضایت مشتری استفاده می‌کند. مرسک به‌طور گسترده‌ای از هوش‌مصنوعی برای بهینه‌سازی زنجیره تامین استفاده می‌کند. مدل تحلیلی پیش‌بینی‌شده مبتنی‌بر هوش‌مصنوعی آن از تجزیه و تحلیل داده‌های زمان واقعی و تاریخی برای پیش‌بینی تقاضا، شناسایی اختلالات احتمالی و بهینه‌سازی مسیرهای حمل‌ونقل استفاده می‌کند. این امر فرآیندهای برنامه‌ریزی و تصمیم‌گیری را بهبود می‌بخشد. برای شناسایی موثرترین مسیرهای حمل‌ونقل و کاهش زمان سفر، هزینه سوخت و انتشار کربن، الگوریتم‌های هوش‌مصنوعی همچنین عواملی مانند وضعیت آب‌وهوا، ترافیک بنادر و مصرف سوخت را بررسی می‌کنند. مرسک از هوش‌مصنوعی در مدیریت ناوگان و تجهیزات برای پیگیری وضعیت کشتی‌ها و ماشین‌آلات در زمان واقعی و انجام نگهداری پیش‌بینی‌شده استفاده می‌کند. با تجزیه و تحلیل داده‌های سنسور، الگوریتم‌های نگهداری پیش‌بینی‌شده می‌توانند زمان مورد نیاز برای نگهداری را پیش‌بینی کرده، عمر دارایی‌ها را افزایش داده، از خرابی‌ها جلوگیری کرده و زمان‌های توقف را کاهش دهند. با ارزیابی داده‌ها در مورد عملکرد کشتی، وضعیت آب‌وهوا و شرایط دریا، هوش‌مصنوعی همچنین مصرف سوخت را بهینه می‌کند. هوش‌مصنوعی عملیات بندری را با مدیریت ترافیک و ارائه پایانه‌های خودکار بهبود می‌بخشد. با کنترل جرثقیل‌ها و سایر تجهیزات، خودکارسازی مبتنی‌بر هوش‌مصنوعی در تاسیسات بندری مرسک کارایی جابه‌جایی کانتینرها را افزایش داده و زمان‌های توقف را کاهش می‌دهد‌. این تحولات کارایی کلی لجستیک را با ساده‌سازی عملیات بندری افزایش می‌دهند.
* عضو هیات علمی دانشکده اقتصاد
دانشگاه علامه‌طباطبایی