Как искусственный интеллект улучшает безопасность работы склада.

Одно из выявленных потенциальных направлений развития потребовало лучшего понимания коренных причин аварий с участием вилочных погрузчиков на объектах и поиска технологического решения, способного помочь предотвратить будущие инциденты.

Руководители высшего звена были заинтригованы преимуществами, которые инструменты искусственного интеллекта приносят в отрасли, и фирма инициировала пилотное партнерство с поставщиком решений OneTrack, разрабатывающая системы машинного зрения и управления для складской логистики.

Система работает следующим образом: установленная на подъемнике камера кругового обзора захватывает изображения с вилочного погрузчика, в то время как встроенные алгоритмы и программное обеспечение анализируют
расширенные данные из этих изображений, чтобы “разобраться” в том, что происходит на складе. Камеры подключаются к облачной системе OneTrack, которая предлагает аналитику и инструменты рабочего процесса в режиме реального времени.

Поскольку решение основано на алгоритмах машинного обучения, оно способно определять и распознавать закономерности — и, что наиболее важно, аномалии этих закономерностей — в собранных данных и прогнозировать, когда возникнут эти тенденции и/или аномалии. Например, технология может распознавать человека на изображении и отличать его от стойки или коробки. То же самое программное обеспечение также может распознавать, отвлекается ли оператор вилочного погрузчика или не выполняет стандартные процедуры, такие как требование нахождения обеих рук на руле во время вождения.

Нейронная сеть продолжает обучаться во время развертывания, не только предоставляя пользователям точные данные о первопричинах инцидентов, связанных с безопасностью, по мере их возникновения, но и помогая предотвращать будущие аварии на основе результатов прошлых моделей. Этот подход к постоянному совершенствованию позволяет пользователям
работать на основе опережающих показателей, а не реагировать на запаздывающие показатели.

Holman и OneTrack начали совместную работу на двух складах Holman в штате Вашингтон в начале 2019 года. Для пилотной программы OneTrack стремился продемонстрировать возможности своего программное обеспечение машинного обучения для обеспечения ощутимого улучшения безопасности и
производительности вилочных погрузчиков, которое превзойдет устаревшую систему телеметрии, которую Holman использовала для отслеживания нарушений техники безопасности.

Общая цель пилотного проекта состояла в том, чтобы определить, может ли система OneTrack помочь Holman успешно сократиnm количество инцидентов, связанных с безопасностью, происходящих на двух объектах. К тому времени были известны некоторые факторы, вызывающие несчастные случаи, включая:

• ошибки водителя
• неадекватное поведение водителя, включая использование мобильного телефона во время вождения
• агрессивное маневрирование транспортного средства
• другие факторы, не связанные с водителем, такие как размещение опасных объектов на склад

На протяжении всего пилотного проекта система OneTrack смогла предоставить дополнительные данные по целому спектру факторов, включая количество столкновений и типы столкновений , т.е. столкновения с машинами; с другим складским оборудованием, таким как конвейерные ленты, стеллажи, двери доков и т.д.; или с пешеходами в склад. Используя записи с камер в режиме реального времени, менеджеры склада могли мгновенно просмотреть записи инцидентов и проактивно проводить целенаправленное обучение водителей с целью улучшения поведения оператора погрузчика. Пилотная программа также стремилась продемонстрировать способность системы OneTrack прогнозировать с течением времени, когда такие инциденты могут произойти.

По завершении пилотного проекта Holman осознала значительное сокращение числа инцидентов, связанных с безопасностью, и решила продвигаться вперед с решением на своих собственных объектах.

Компания также начала использовать систему OneTrack в нескольких клиентских точках, включая складские и производственные помещения завод для глобальной компании CPG Kimberly-Clark. Этот объект площадью 440 000 квадратных футов, расположенный в Маумелл, штат Арканзас, является производственной площадкой для некоторых одноразовых бумажных изделий компании.

Одной из проблем, с которой столкнулся склад Maumelle с существующей
системой телеметрии на своих погрузчиках, было неэффективное соотношение “сигнал/шум”: он получал слишком много предупреждений о товарах, не требующих действий. Применявшаяся ранее система без искусственного интеллекта не смогла провести различие между типичными видами деятельности, которые происходят в области складской деятельности, такими как движение вилочных погрузчиков по трещинам / неровностям пола, обломкам или стыковочным плитам — и фактический инцидент с безопасностью. В результате менеджеры складов получали от системы слишком много ложноположительных предупреждений и тратили время на то, чтобы сосредоточиться на неточной информации.

Так как основанная на алгоритмах машинного обучения складская система OneTrack способна автоматически и точно классифицировать каждый инцидент с помощью искусственного интеллекта, она способна предоставлять менеджерам более точные и целенаправленные результаты. Менеджеры склада на заводе указывают на еще одно преимущество использования системы OneTrack: данные, полученные с помощью бортовой видеокамеры, являются окончательным доказательством обстоятельств каждого инцидента, связанного с безопасностью, что упрощает анализ первопричин. Видеоролики оказались незаменимыми в качестве инструментов для активного обучения водителей и используются во время обучения при приеме новых операторов
на предприятие. Сочетание инструментов искусственного интеллекта с повышенным вниманием к безопасности позволило предприятию
приблизиться к их цели - безаварийной эксплуатации.

Один менеджер склада суммирует улучшения, достигнутые в результате внедрения системы OneTrack, следующим образом: “Вместо того, чтобы реагировать, когда происходят столкновения, мы можем действовать проактивно. Нас предупреждают сразу же, как только происходят ошибки — или даже до того, как они происходят, — чтобы мы могли тренировать водителей и исправлять вождение до того, как произойдет следующее столкновение”. Документированный коучинг также позволяет проводить непрерывное сравнение поведения водителей до и после того, как произошли зарегистрированные инциденты
.
Компания Holman продолжает измерять и отслеживать свои данные о безопасности с момента внедрения системы One Track и добилась совокупного сокращения числа инцидентов почти по каждой категории инцидентов. Панель мониторинга One Track предоставляет отчеты по ключевым показателям инцидентов, включая агрессивные повороты и нарушения при использовании телефона, а также отслеживает удары, удары (мусор на полу) и стыковочную пластину происшествия.

Доказанные улучшения безопасности вилочных погрузчиков, достигнутые за счет использования искусственного интеллекта, стимулировали Holman к внимательному изучению других потенциальных применений технологии искусственного интеллекта в логистике и управлении складом. По сути, технологии искусственного интеллекта и машинного обучения превосходны в распознавании шаблонов, анализе больших массивов данных и наборов навыков, которые могут быть эффективно реализованы следующими способами:

• Снижение рисков на складах: Чистые и упорядоченные помещения являются отличительной чертой операций Holman, и фирма считает, что искусственный интеллект может помочь ей продолжать соответствовать текущим показателям и еще больше снизить количество случаев возникновения складских опасностей. Система искусственного интеллекта с компьютерным зрением может быть обучена распознавать предметы, которые находятся не на своем месте или не принадлежат предприятию, и автоматически предупреждать команду менеджеров о потенциальных опасностях, включая поддоны, оставленные вне надлежащего места хранения, наклонные штабеля поддонов или поврежденный продукт.
• Улучшение методов инвентаризации склада: В то время как большое внимание в отрасли было сосредоточено на автоматизации подсчета циклов с помощью дронов, внедрение использования дронов в реальном мире сценарии - это сложно и не всегда практично. Подсчет циклов дронов работает хорошо только в том случае, если весь продукт хранится на стеллажах с одной глубиной со штрихкодами наружу или оснащен RFID-метками — ни то, ни другое не применимо на большинстве реальных складов. С другой стороны, система искусственного интеллекта на основе видения, подключенная к WMS inventory, предположительно может быть обучена распознавать типы продуктов и сравнивать множество различных изображений запасов в каждом месте хранения. Такая установка потенциально может привести к такой точности подсчета запасов , которая намного превосходит человеческие возможности.
• Обеспечение непрерывного и автоматизированного совершенствования систем WMS (warehouse management system)и LMS (learning management system): Несмотря на то, что приложения WMS уже зарекомендовали себя как ценные инструменты для складских операций, поступление информации в систему зависит от людей. Технологические усовершенствования, такие как портативные устройства для сканирования штрих—кодов и голосовые инструменты, повысили надежность ввода данных, но человеческие ошибки, такие как сканирование неправильного штрих-кода или ввод неправильного количества выбранных товаров, по-прежнему снижают общую эффективность WMS. Кроме того, управление производительностью труда сотрудников до сих пор было зависит от разработанных вручную стандартов труда, которые обычно определяются и отслеживаются в системе управления трудом (LMS). Одна из самых больших проблем, связанных с традиционными LMS, заключается в том, что определение и установление инженерных стандартов труда требует много времени и затрат. Поэтому стандарты корректируются нечасто, теряя точность и актуальность, поскольку склады, для которых они были определены , постоянно меняются, чтобы адаптироваться к внешним факторам. ИИ обладает потенциалом для значительного улучшения возможностей LMS за счет автоматизации определения процесса и повышения эффективности отклонения в режиме реального времени, независимо от установленных вручную трудовых норм.

Система на основе искусственного интеллекта способна принимать и комбинировать данные из всех доступных систем: наборы данных о сотрудниках, транзакциях и заказах, а также данные с датчиков, которые отслеживают процессы на предприятии. С таким многомерным набором данных алгоритмы искусственного интеллекта могли бы научиться определять отклонения процесса на основе комбинации переменных, которые создают аномалию. В этом случае система непрерывного обучения нейронной сети берет на себя роль команды непрерывного совершенствования и предоставляет рекомендации по внесению изменений в конфигурацию системы или выполнение процесса с цель оптимизации для целевой метрики всего здания. Что подход настолько привлекательным, так это то, что целевые показатели могут быть привязаны к конечным показателям эффективности, таким как затраты на единицу продукции, своевременная производительность или сверхурочные часы. Каждая рекомендация системы напрямую связана с бизнес-целью. В прошлом цели отдельных процессов часто определялись только в контексте каждого процесса; теперь можно связать конкретную, детализированную деятельность на местах с бизнес-показателями высокого уровня. Эти усовершенствования WMS и LMS на основе искусственного интеллекта могут привести к таким результатам, как сокращение затрат на рабочую силу на единицу и времени простоя, а также улучшение
использования WMS и количества обработанных в человеко-час поддонов .

Вывод
Технологии и инструменты, основанные на искусственном интеллекте и алгоритмах машинного обучения, оказывают положительное влияние на управление широким спектром логистических операций, цепочек поставок и производственных операций. Дальновидные производители и дистрибьюторы готовой продукции и материалов, а также их партнеры по логистике , которые используют эти передовые решения и внедряют их в свой обычный бизнес
практику и стратегии привели к ощутимым улучшениям в области безопасности. Доказательства этого содержатся как в практических примерах использования, подобных представленному в этой статье, так и в литературе.

Источники: CISION Pr News, Holman Logistics.