Ik ben lange tijd vrij sceptisch geweest over het gebruik van AI in magazijnoperaties. Vrijwel alle taken die met behulp van AI kunnen worden uitgevoerd, denk aan het oplossen en voorspellen van problemen, patroonherkenning of het nemen van beslissingen, kunnen ook (en met gegarandeerde hoge kwaliteit) automatisch worden uitgevoerd met klassieke gereedschappen. Denk aan statistiek (patroonherkenning en voorspellen) en operations research modellen (nemen van optimale beslissingen en voorspellen). Of ze kunnen handmatig en efficiënt, met behulp van de juiste IT, worden uitgevoerd.
Ik moet echter bekennen dat ik geleidelijk mijn mening heb moeten bijstellen. Er zijn steeds meer toepassingen waarbij AI een grote rol speelt die erg goed werken. Die toepassingen zijn terug te vinden in een groeiend aantal producten van leveranciers en worden gebruikt in een toenemend aantal operaties. Ik geef hieronder vijf voorbeelden.
Productidentificatie en classificatie
Wanneer een nieuw product ontvangen wordt, dient het geregistreerd te worden in het bestand met stamgegevens, voordat het kan worden verwerkt. Daartoe moet het opgemeten worden, gewogen, de leverancier moet opgezocht worden, enzovoort. Dit is tijdrovend werk, ondanks het gebruik van allerlei hulpmiddelen. Met behulp van 3D-camera’s en AI-gebaseerde patroonherkenning, kunnen al deze zaken in één klap in het systeem worden ingevoerd met grote nauwkeurigheid. Dit leidt tot tijdsbesparing, die vooral nuttig is bij bedrijven waar het assortiment voortdurend wijzigt.
Voorraadtellingen
Het is nog maar een paar jaar geleden dat Walmart de robots van Bossa Nova uit zijn winkels verwijderd heeft, wegens onvoldoende kwaliteit van de tellingen en prijsregistraties. Maar de succesvolle toepassingen zijn er nu. Inmiddels kunnen drones dit werk geautomatiseerd en nauwkeurig doen in palletmagazijnen. 3D-camera’s registreren pallets en kunnen automatisch het aantal dozen en daarmee de voorraad tellen, met uitstekende precisie. In magazijnen met aangebroken pallets en verpakkingen werkt de technologie nog niet nauwkeurig genoeg, maar ook dat is misschien anders in een paar jaar.
Gerobotiseerd orderpicken
Zo’n tien jaar geleden verschenen de eerste pickrobots op de markt. Deze robots konden losse producten verzamelen uit een bak. De prestaties waren echter niet indrukwekkend. Veel fouten bij het picken (product kon niet goed opgepakt worden, of viel uit de grijper), het ging langzaam, en eigenlijk moest een operator voortdurend standby staan om fouten op te lossen. Dat is veranderd. De snelheid van identificatie en grijpanalyse (relatieve productpositie, textuur- en zwaartepuntanalyse) is omhooggegaan, dankzij 3D-camera’s en snelle AI. Ook de snelheid van de robot is verbeterd. Het percentage foutieve picks is sterk teruggebracht. In combinatie met parts-to-picker systemen kunnen pickrobots daarom nu in toenemende mate kostenefficiënt worden ingezet.
Veiligheid op de werkvloer
De winnaar van de Logistica Award afgelopen jaar, Essensium, detecteert risico’s op de werkvloer met 3D-camera’s en een communicatiesysteem tussen magazijntrucks. De risico’s van een aanrijding worden geanalyseerd met AI en de snelheid van de trucks wordt automatisch aangepast. Omgekeerd kan de trucksnelheid ook verhoogd worden in het geval van veilige situaties, wat leidt tot hogere efficiëntie. Deze toepassing is slechts een voorbeeld; er zijn inmiddels vele systemen die processen kunnen bewaken en de veiligheid verbeteren.
Bonte pallets stapelen
Het stapelen van bonte pallets is nog steeds een uitdaging. Het doel is (gerobotiseerd) zoveel mogelijk bonte producten stabiel te stapelen op een pallet (of rolcontainer), rekening houdend met volgorde- en andere stapelbeperkingen. Het aantal combinaties is groot en bovendien kan elke doos ook nog geroteerd worden, wat het aantal mogelijkheden nog groter maakt. AI speelt een rol bij het identificeren van de doos en het beslissen over de oriëntatie. Hoewel op dit moment nog vooral gebruikgemaakt wordt van OR-algoritmen, verwacht ik veel van AI-gebaseerde patroonherkenning die potentieel snellere beslissingen kan nemen over de stapeling.
Dit zijn slechts vijf voorbeelden. Er zijn veel meer toepassingen en ze worden steeds beter. Zelfs gedegen OR-algoritmen kunnen in toenemende mate vervangen worden door op AI gebaseerde beslissingen op basis van patroonherkenning. De kwaliteit van deze beslissingen neemt toe. Kennis van OR is niet meer nodig. Het programmeren van een goed machine-learning algoritme wordt ook steeds gemakkelijker (bijvoorbeeld met behulp van AI, zoals ChatGPT, of Deepseek).
Natuurlijk heeft AI ook nadelen. Het bekendste nadeel is dat veel, gevarieerde, en onbevooroordeelde trainingsdata nodig is om het AI-algoritme goed te laten beslissen. Als de beslissing buiten het domein van de trainingsdata valt, zal de AI-beslissing slecht zijn. Echter, goede data zijn steeds meer voorhanden, doordat AI leert van nieuwe implementaties.
Kortom, ik ben om. Ook in magazijnen is AI niet te stoppen. Het zal leiden tot betere processen, meer efficiëntie en een veiliger werkomgeving. Echter, ondanks alle robotisering en AI zullen we, in ieder geval voorlopig, nog mensen nodig blijven hebben om het handwerk in magazijnen te doen.
Auteur: René de Koster, Erasmus Universiteit Rotterdam
