Sztuczna inteligencja w logistyce to modele językowe i algorytmy analityczne, które czytają dane z systemów firmy i odpowiadają na pytania albo proponują działania. SoftwareStudio buduje rozwiązania na platformach OpenAI i Microsoft Azure, a dla danych poufnych poleca prywatną instancję w ramach subskrypcji klienta. Dane operacyjne pochodzą z takich systemów jak system WMS, więc jakość odpowiedzi zależy od jakości ewidencji.
Gdzie sztuczna inteligencja pomaga w logistyce
Najlepsze zastosowania mają jedną cechę wspólną: opierają się na dużej liczbie powtarzalnych zdarzeń zapisanych w bazie. Magazyn generuje takie zdarzenia przy każdym skanie, a firma transportowa przy każdym awizowanym wjeździe. Model albo algorytm szuka w nich wzorców, których człowiek nie zauważy w tabeli liczącej tysiące wierszy.
Praktyka dzieli się na dwa nurty. Pierwszy to algorytmy liczące, na przykład kolejność pobrań albo prognozę dostaw. Drugi to asystenci językowi, którzy odpowiadają na pytania o procedury i stany magazynowe. Oba wymagają innej infrastruktury i innego podejścia do poufności.
| Obszar | Zadanie dla AI | Dane wejściowe |
|---|---|---|
| Magazyn | Podpowiedź trasy kompletacji i rozmieszczenia towaru | Historia zamówień, układ hali, rotacja |
| Awizacje | Harmonogramowanie wizyt i przewidywanie liczby dostaw | Okna czasowe, historia rozładunków |
| Utrzymanie ruchu | Wczesne wykrywanie zużycia maszyn i terminu przeglądu | Historia napraw, czas pracy urządzeń |
| Biuro | Odpowiedzi na pytania o procedury i dokumenty | Zaindeksowane pliki firmowe |
Model językowy nie zastępuje ewidencji. Odpowiedź o stanie magazynowym ma sens tylko wtedy, gdy stan jest policzony z dokumentów, a asystent cytuje źródło, z którego go odczytał.
Awizacje i planowanie okien czasowych
Przy rampach decyzje zapadają szybko, a skutki widać po kilku godzinach w postaci kolejki pojazdów. Algorytm planujący okna rozładunku uwzględnia przepustowość bram, długość obsługi poszczególnych dostawców i opóźnienia przewoźników. Gdy jedna dostawa się przesuwa, harmonogram koryguje następne okna, a kierowca dostaje nową godzinę. Zasady rezerwacji slotów opisuje strona o systemie awizacji dostaw.
Komunikacja z kierowcami z zagranicy wymaga osobnego rozwiązania. Moduł tłumaczący może wysłać numer rampy i okno czasowe w języku kierowcy, co skraca czas obsługi na bramie. Treść instrukcji zatwierdza jednak człowiek, bo błąd w tłumaczeniu wymagań BHP ma konsekwencje.
Rola dobrze prowadzonych danych
SoftwareStudio stosuje algorytmy między innymi do harmonogramowania wizyt w magazynie. Rozszerzenie ich o asystenta, który odpowiada na pytania o stany i generuje raporty, jest możliwe tylko wtedy, gdy dane są spójne. Magazyn prowadzony na dokumentach przyjęć i wydań daje taką bazę. Magazyn prowadzony ręcznie jej nie daje.
WMS - panel operacyjny magazynu ze wskaźnikami dnia
Ekran startowy Studio WMS.net z danymi odświeżanymi na żywo. Sześć kafelków podaje stan dnia: 17 palet przyjęć, 7 palet wydań, 2583 palety na stanie, 1613 pozycji SKU, wykorzystanie 36 procent lokalizacji przy 670 zajętych z 1870 oraz 380 otwartych zleceń. Wykres słupkowy zestawia przyjęcia i wydania z ostatnich siedmiu dni, a pierścieniowy pokazuje obłożenie stref od A do R wobec 1200 miejsc wolnych. Tabela na dole wymienia osiem ostatnich zleceń z numerem dokumentu, typem operacji, kontrahentem, liczbą palet i statusem.
Ekran panelu operacyjnego Studio WMS.net pokazuje wskaźniki dnia i ostatnie zlecenia. To zwykły ekran systemu magazynowego, a nie produkt AI, ale właśnie z takich danych korzysta każdy asystent analityczny. Opis pracy w terenie znajdziesz w materiale o aplikacji magazynowej Android.
OpenAI a Azure OpenAI Service
Modele GPT są dostępne dwiema drogami. Platforma OpenAI daje szybki dostęp przez API i dobrze nadaje się do prototypów. Azure OpenAI Service udostępnia te same rodziny modeli w środowisku Microsoftu, z kontrolą sieci i tożsamości, której wymagają firmy przetwarzające dane poufne.
| Kryterium | API OpenAI | Azure OpenAI Service |
|---|---|---|
| Dostęp | Uniwersalne API, integrację z systemami firmy buduje programista | Usługa w ekosystemie Azure, powiązana z innymi usługami chmurowymi |
| Izolacja danych | Przetwarzanie w infrastrukturze dostawcy | Środowisko w subskrypcji klienta, z siecią wirtualną i prywatnymi punktami końcowymi |
| Tożsamość | Klucze API | Microsoft Entra ID i role użytkowników |
| Gwarancje dostępności | Zależne od planu | Umowy SLA z gwarancją finansową |
Różnice w ochronie danych opisuje osobny artykuł o Azure i prywatnym Chat GPT. Znajdziesz w nim zestawienie modelu płatności oraz izolacji danych. Nie powtarzamy go tutaj w całości, bo wybór platformy zależy od klasy danych, a nie od mody.
Prywatny Chat GPT na platformie Azure
Prywatna instancja działa w subskrypcji klienta, a zapytania i dokumenty nie służą do trenowania modeli globalnych. Pracownik zadaje pytanie, a system przeszukuje zaindeksowane zasoby firmy: instrukcje stanowiskowe, umowy, korespondencję i bazy SQL. Odpowiedź powstaje na wybranym zbiorze źródeł, a nie na ogólnej wiedzy modelu.
Zakres projektu opisuje strona o własnym Chat GPT na platformie Azure. Wdrożenie zaczyna się od uporządkowania i zaindeksowania dokumentów, a dopiero potem od interfejsu rozmowy. Odwrotna kolejność kończy się asystentem, który pewnie odpowiada na podstawie nieaktualnych plików.
WMS - wskaźniki dnia w panelu Dashboard Auto ID
Górna część panelu Dashboard Auto ID w Studio WMS.net. Siedem kafelków podaje stan bieżącego dnia: liczbę skanów wszystkich standardów, odsetek odczytów poprawnych, sumę odczytów błędnych i nierozpoznanych, liczbę odczytów warunkowo zgodnych, liczbę różnych numerów towarowych, liczbę skanów w bieżącym tygodniu oraz stan modułu jednostek i szablonów etykiet. Poniżej dwa wykresy pokazują wskaźnik poprawności odczytów oraz wydajność godzinową z podziałem na odczyty poprawne i błędne. Zrzut wykonano w środowisku demonstracyjnym bez zarejestrowanych odczytów, więc widać samą strukturę wskaźników.
Zrzut pokazuje dashboard modułu Auto ID ze wskaźnikami dnia. Ilustruje ewidencję w WMS, a nie działanie asystenta AI. Pokazujemy go dlatego, że to dokładnie ten typ danych, jaki prywatny model może przeszukiwać i podsumowywać.
Uprawnienia i granice wiedzy asystenta
Asystent powinien widzieć tyle, ile jego użytkownik. Integracja z Active Directory pozwala dziedziczyć role, więc magazynier nie zobaczy raportów finansowych, a kierownik logistyki dostanie dane operacyjne swojego obszaru. Modyfikacja uprawnień odbywa się w jednym miejscu, a nie w każdym narzędziu osobno.
- Indeksowane źródła: administrator decyduje, które pliki i bazy trafiają do wiedzy asystenta, więc szkic oferty nie sięgnie po dokument kadrowy.
- Dziennik zapytań: każde pytanie jest zapisywane z użytkownikiem, co pozwala wyjaśnić incydent po fakcie.
Etapy wdrożenia asystenta AI w firmie
Projekt zaczyna się od inwentaryzacji źródeł wiedzy, a nie od wyboru modelu. Trzeba ustalić, gdzie leżą instrukcje i dane operacyjne, kto je aktualizuje i które z nich wolno pokazywać pracownikom. Dopiero wtedy konfiguruje się środowisko Azure i mechanizmy bezpiecznego przesyłania danych.
- Przegląd źródeł: lista plików i baz z właścicielem każdego zasobu oraz oceną aktualności.
- Indeksowanie: przygotowanie wybranych dokumentów tak, by model znajdował fragmenty pasujące do pytania.
- Uprawnienia: powiązanie ról z Active Directory i test, czy użytkownik nie widzi cudzych danych.
- Pilotaż: praca zespołu na ograniczonym zakresie, z oceną odpowiedzi przez osoby znające procedury.
Według założeń projektowych podstawowa wersja może być gotowa do testów po kilku tygodniach, choć czas zależy od ilości danych i stanu dokumentacji. Rozbudowa o kolejne moduły korzysta z tej samej infrastruktury i wspólnej bazy wiedzy, więc nie wymaga budowania środowiska od zera.
Warto zaplanować stałą ocenę jakości odpowiedzi. Zespół wybiera próbkę pytań, sprawdza, czy asystent wskazał właściwe źródło, i poprawia indeks tam, gdzie odpowiedź była nietrafna. Bez takiej pętli asystent starzeje się razem z dokumentacją.
Asystenci AI dla biura i obsługi klienta
Poza magazynem SoftwareStudio rozwija wyspecjalizowanych asystentów dla procesów biurowych. Przykładem jest asystent umów, który porządkuje zapisy kontraktowe, oraz asystent biura wspierający procedury ISO. Obie koncepcje opisano na osobnych stronach: asystent umów z AI oraz asystent biura i procedury ISO.
Przegląd całej oferty daje strona wykorzystania sztucznej inteligencji w firmie. Dla zespołów logistycznych przydatniejszy bywa materiał AI w logistyce, który opisuje zastosowania w magazynie i transporcie.
Bezpieczeństwo i odpowiedzialność za dane
Administrator odpowiada za kopie zapasowe oraz uprawnienia całego środowiska. W środowisku z AI dochodzi kontrola tego, co trafia do indeksu i kto może zadawać pytania. Zakres obowiązków opisuje strona o administratorze systemów składowania.
Dane operacyjne pochodzą zwykle z bazy relacyjnej, opisanej w dokumentacji SQL Server na Microsoft Learn. Asystent czyta je przez zdefiniowane zapytania albo widoki, nie przez bezpośredni dostęp do tabel. Dzięki temu można ograniczyć zakres danych i zapisać, co zostało odczytane.
Przegląd rozwiązań grupy SoftwareStudio znajdziesz na stronie sztucznej inteligencji w SoftwareStudio, a opis produktu magazynowego na stronie Studio WMS.net.
WMS - asortyment cechy i informacje dodatkowe
Trzecia zakładka formularza asortymentu zawiera zaawansowane parametry kontrolne i klasyfikacyjne. Checkboxy Wymagana seria i Wymagana data ważności aktywują obowiązkową kontrolę podczas operacji magazynowych. Pola klasyfikacyjne to Grupa towarowa i Numer MPK. Dochodzi pole Kod PCN. Link do zdjęcia (z lupą) umożliwia powiązanie grafiki produktu. Sekcja Cechy pozwala definiować trzy własne atrybuty asortymentu. Sekcja Ceny zawiera cenę ewidencyjną, netto, brutto i cenę zakupu. Paleta kolorów wizualizacji umożliwia przypisanie koloru identyfikującego towar na planach magazynu.
Zakładka informacji dodatkowych w kartotece asortymentu pokazuje, jak system przechowuje cechy towaru. Takie cechy są materiałem, który asystent może zestawiać z dokumentami. Sam ekran należy do WMS, a nie do modułu AI.