28 dec AI in WMS: algoritmen, machine learning en deep learning

Een jaar geleden schreef ik nog dat AI nauwelijks zichtbaar was in WMS. Dat is nu anders. AI schuift snel richting magazijnvloer, al blijft het verschil tussen marketing en realiteit groot. Het is daarom goed om drie varianten te onderscheiden: algoritmen, machine learning en deep learning.

1. Algoritmen: beslisregels en optimalisatie

Algoritmen zitten al jarenlang in WMS-software. Ze rekenen met vastgelegde logica, en daarbinnen zijn er twee soorten.

Beslisregels volgen vaste logica die je bijstuurt via parameters. Een WMS gebruikt ze bijvoorbeeld om:

• nieuwe voorraad op de eerste vrije locatie in de juiste zone te zetten
• aanwezige voorraad volgens FIFO aan orders toe te wijzen
• orders in een vaste volgorde vrij te geven

Voordeel: eenvoudig te begrijpen en voorspelbaar.
Nadeel: de parameters moet je met de hand bijhouden als assortiment of vraag verandert.

Optimalisatie rekent uit wat de beste oplossing is voor de situatie van dit moment, uit alle mogelijke combinaties. Denk aan:

• de beste locatie per artikel op basis van de actuele omloop
• de kortste route langs alle picklocaties van een picklijst
• een planning die rekening houdt met dockcapaciteit, personeel en levertijden

Voordeel: past zich aan, omdat het bij elke nieuwe situatie opnieuw rekent, en de uitkomst is uitlegbaar.
Nadeel: vraagt goede data en een goed model van het magazijn.

Dit is het terrein van operations research en de basis van een Warehouse Optimization System.

2. Machine learning: software die patronen herkent

Machine learning leert van historische data en past de sturing automatisch aan. In WMS-pakketten zien we dit nog weinig terugkomen.

Voorbeelden:

• Voorspellen welke artikelen binnenkort harder gaan lopen
• Slim bepalen wanneer aanvullen nodig is
• Voorspellen van drukke zones en voorkomen van opstoppingen

Voordeel: neemt beheerwerk uit handen en past zich aan omstandigheden aan.
Nadeel: gevoelig voor rommelige of onvolledige data. Daarnaast kijkt machine learning vooral achteruit en mist het nieuwe ontwikkelingen.

3. Deep learning: krachtige modellen die complexe signalen verwerken

Deep learning gaat verder en kan tekst, beeld, spraak, beweging en grote datastromen interpreteren én genereren.

Voorbeelden:

• Magazijntaken laten uitvoeren door chatbots en agents
• Automatische kwaliteitsinspectie via camera’s
• Robots die losse stuks uit bakken of dozen kunnen pakken

Voordeel: neemt werk over dat tot nu toe menselijke waarneming vroeg, zoals zien, lezen en grijpen.
Nadeel: keuzes zijn lastig uit te leggen, wat tot wantrouwen kan leiden.

De kracht zit in de combinatie

De varianten versterken elkaar. Voorspellende modellen schatten in hoe de vraag zich ontwikkelt, optimalisatie rekent uit wat je met die voorspelling doet. Bij slotting bijvoorbeeld: een voorspelling van de omloop per artikel bepaalt welke artikelen straks snellopers zijn, en een optimalisatiemodel berekent vervolgens de beste indeling binnen de beschikbare ruimte en zones. Deep learning voegt daar waarneming aan toe, zoals camera’s die voorraad tellen of robots die grijpen. Een Warehouse Optimization System brengt voorspellen en optimaliseren samen, bovenop de uitvoering in het WMS.

AI gaat de aansturing van magazijnen drastisch veranderen, maar alleen met een stevige basis: goede data, voorspelbare processen en actief beheer. Omdat AI pas recent zijn intrede deed in WMS, zijn functies nog volop in ontwikkeling. Controleer daarom goed wat leveranciers vandaag daadwerkelijk ondersteunen, wat nog in de pilotfase zit en welke plannen op de roadmap staan.

Wat denk jij: waar gaat AI het verschil maken in magazijnen?