In een druk magazijn met honderden autonome robots kan een kleine botsing of een opstopping snel uitgroeien tot een kettingreactie die de hele operatie vertraagt. Onderzoekers van MIT en het technologiebedrijf Symbotic hebben een nieuwe methode ontwikkeld die dit soort inefficiënties automatisch voorkomt. Het systeem leert zelf welke robots op elk moment voorrang moeten krijgen, gebaseerd op hoe de congestie zich vormt. Het past zich aan om robots te prioriteren die dreigen vast te lopen en kan ze op voorhand omleiden om knelpunten te vermijden.

De kracht van deze aanpak schuilt in de combinatie van twee technieken. Het systeem gebruikt deep reinforcement learning, een geavanceerde AI-methode, om het complexe prioriteringsprobleem op te lossen en te bepalen welke robot wanneer moet gaan. Vervolgens zet een snel en betrouwbaar planningsalgoritme deze beslissingen om in directe instructies voor de robots. Deze hybride aanpak stelt de robots in staat om snel te reageren op constant veranderende omstandigheden op de magazijnvloer.

In simulaties die gebaseerd waren op echte e-commerce magazijnindelingen, leverde deze nieuwe methode een winst op van ongeveer 25 procent in doorvoer vergeleken met andere bestaande methoden. Volgens de onderzoekers is dit een veelbelovende benadering omdat in zulke grote magazijnen zelfs een toename van 2 of 3 procent in doorvoer al een enorme impact kan hebben op de operationele efficiëntie en kosten. Een belangrijk voordeel is dat het systeem zich snel kan aanpassen aan nieuwe omgevingen, zoals magazijnen met een ander aantal robots of een andere lay-out.

Hoe kun je dit vandaag toepassen?

Deze specifieke technologie is nog in onderzoeksfase, maar het principe van AI-gestuurd verkeersmanagement is een krachtig concept dat ook op kleinere schaal relevant kan zijn voor logistiek en operations. Het gaat om het proactief sturen van middelen om knelpunten te voorkomen, in plaats van ze reactief op te lossen.

Als je een groeiend e-commercebedrijf runt en merkt dat orderpicktijden oplopen, zou je kunnen onderzoeken of je huidige magazijnmanagementsoftware (WMS) functies heeft voor geautomatiseerde taakprioritering. Veel moderne systemen gebruiken al eenvoudige regels om taken slim te verdelen. Je zou kunnen nagaan of deze systemen ook kunnen leren van historische data om toekomstige drukteperiodes te voorspellen en daarop de planning aan te passen.

Als je een productie- of assemblageproces beheert waar materialen en onderdelen door verschillende stations moeten stromen, is een vergelijkbaar principe van toepassing. Je zou kunnen overwegen om de doorlooptijden en wachttijden tussen stations te analyseren met data-analyse tools. Een mogelijke stap is om te kijken of eenvoudige simulatiesoftware je kan helpen om de flow te optimaliseren en te zien waar potentiële blokkades ontstaan voordat je de fysieke lay-out aanpast.

Als je een dienstverlenend bedrijf hebt met een team van monteurs of bezorgers, dan is route- en planningoptimalisatie een directe parallel. Je zou kunnen evalueren of de planningstools die je gebruikt voldoende rekening houden met dynamische factoren zoals verkeer, beschikbaarheid van onderdelen op locatie, en de urgentie van opdrachten. Het doel is om proactief vertragingen te voorkomen door de volgorde van opdrachten intelligent aan te passen.

Als je werkt met projectmanagement en meerdere teams die afhankelijk zijn van elkaars output, kun je het principe van ‘congestiemanagement’ toepassen op de workflow. Een optie is om te kijken naar digitale kanban-borden of projectmanagementsoftware die automatisch waarschuwt wanneer een taak te lang op een bepaald punt blijft hangen, wat een knelpunt kan veroorzaken voor het hele team. Het systeem kan dan voorstellen om resources tijdelijk te herprioriteren.

De kern is om te denken in stromen en knelpunten, en te zoeken naar manieren waarop technologie je kan helpen die stromen slimmer te sturen, of het nu om robots, mensen, orders of data gaat.

Bron: MIT News