افزایش کارایی تحلیل انبار با استفاده از هوش مصنوعی

مقاله با عنوان "افزایش کارایی تحلیل انبار با استفاده از هوش مصنوعی" توسط میثم برداره، مژگان علیجانی و محمد ناظمی نوشته شده است. این مقاله در چهارمین کنگره بین‌المللی مدیریت، اقتصاد، علوم انسانی و توسعه کسب‌وکار در تاریخ ۵ و ۶ فوریه ۲۰۲۵ در دانشگاه هنر اسلامی تبریز ارائه شده است.

چکیده:

لجستیک در شرکت‌ها فرآیندی ضروری است که دارای هزینه بالا و عمدتاً بدون ارزش افزوده است. کاهش این هزینه برای رقابتی ماندن شرکت‌ها بسیار مهم است. امروزه سیستم‌های ذخیره‌سازی بخش مهمی از سیستم لجستیکی هر شرکتی هستند و بسیاری از آنها سعی می‌کنند به سطح بهینه‌ای برسند که بتوانند با آزادی کمی در جابجایی کالاهایی که توسط بازار متغیر اعلام شده است فعالیت کنند. با این حال، در مورد استفاده از هوش مصنوعی در این زمینه کمتر شنیده شده است. این مطالعه بر پیاده‌سازی فناوری هوش مصنوعی در انبارداری، به ویژه در طبقه‌بندی کالاها تمرکز دارد. پس از مرور نتایج اخیر در زمینه فناوری‌های هوش مصنوعی و کاربرد آنها در حوزه لجستیک، یک اپلیکیشن هوش مصنوعی معرفی می‌شود. هدف اصلی این اپلیکیشن دسته‌بندی کالاهای ذخیره‌شده در انبار به گروه‌های ABC-XYZ است که مکان کالا در انبار و فرکانس سفارش آن را با مقدار آن مشخص می‌کند. پس از به‌دست آوردن و پاک‌سازی داده‌های آموزشی از یک شرکت واقعی، تعیین و انتخاب حداقل تعداد پارامترهای ورودی یک کار مهم و چالش‌برانگیز است که شرح داده می‌شود. اثربخشی یادگیری تحت نظارت را می‌توان به عنوان خروجی ANN (شبکه عصبی مصنوعی) با کمک یک رویکرد فرا ابتکاری غیرمتعارف، یعنی الگوریتم سیاه چاله، به عنوان عامل یادگیری با یک مثال نشان داد. این مثال همچنین نتیجه دسته‌بندی ABC-XYZ بر روی مجموعه داده‌های یک شرکت را نشان می‌دهد.

واژه‌های کلیدی:

هوش مصنوعی، شبکه عصبی مصنوعی، انبارداری، تحلیل ABC-XYZ، الگوریتم سیاه چاله.

۱. مقدمه و مرور ادبیات:

اخیراً، همانطور که در اخبار می‌بینیم، توسعه و استفاده از هوش مصنوعی (AI) نه تنها در تحقیق و صنعت، بلکه در موقعیت‌های زندگی واقعی نیز افزایش یافته است. تاکنون شرکت‌های بزرگ از برخی اشکال هوش مصنوعی برای تعیین وضعیت هوا ، تحلیل ترکیبات و بافت‌ها به صورت شیمیایی و بیولوژیکی ، تجارت سهام ، ارزیابی نیازهای مشتریان ، ایجاد تبلیغات مناسب یا اجرای بزرگترین سیستم‌های جستجوی متنی استفاده کرده‌اند. بیشتر محققان موافقند که ابزارهای اتوماسیون و صنعت ۴.۰ نه تنها به ما امکان بهبود سخت‌افزار را می‌دهند، بلکه می‌توانند سیستم‌های نرم‌افزار و تصمیم‌گیری ما را نیز خودکار کنند. برای دستیابی به این هدف، پایگاه‌ها یا اطلاعات سازمانی موجود مانند پایگاه‌های مبتنی بر SQL می‌توانند به راحتی به برنامه‌های نوشته شده در زبان‌های #Net.C یا MATLAB پیوند داده شوند و پرس‌وجوهای پشتیبانی شده توسط AI را به طور مداوم بر روی آنها اجرا کنند تا پارامترهای پنهان یا روابط فرآیندی را پیدا کنند. این امر می‌تواند به راحتی به سیستم‌های اینترنت اشیا لجستیک هوشمند (IoT-SL) منجر شود، جایی که قراردادهای هوشمند و خدمات مؤثرتر می‌توانند بهره‌وری انبار، اقدامات دریافت سریع‌تر، صدور انتقال و برداشت را افزایش دهند.

نحوه کار شبکه‌های عصبی مصنوعی:

در بیشتر مواقع، برای وظایف دسته‌بندی نیازی به مدل‌های هوش مصنوعی بسیار قدرتمند یا پیچیده نداریم. بیشتر مسائل مبتنی بر لجستیک برای این نوع ابزارها چندان پیچیده نیستند. بیشتر مواقع نیازی به پردازش بصری یا تشخیص متن با پاسخی شبیه به انسان نیست. در بیشتر موارد، تعداد پارامترهای ورودی ثابت و خروجی‌های مشخصی وجود دارد. مدل‌ها و تکنیک‌های مصنوعی زیادی وجود دارند که می‌توانیم برای حل این مشکل از آنها استفاده کنیم. یکی از ساده‌ترین و در عین حال توسعه یافته‌ترین مدل‌ها شبکه‌های عصبی مصنوعی (ANN) است. این مدل‌ها یادگیری ماشین هستند که برای شبیه‌سازی نحوه کار مغز انسان طراحی شده‌اند، جایی که دسته‌بندی‌کننده‌های غیرخطی عمدتاً برای ایجاد و تصحیح روابط پیچیده بین ورودی‌ها و خروجی‌ها برای اهداف دسته‌بندی استفاده می‌شوند.

رویکرد ابتکاری و الگوریتم سیاه چاله (BHA):

یک تکنیک خوب دیگر برای تنظیم وزن‌ها در ANN، رویکردهای ابتکاری هستند، اما نیاز به قدرت محاسباتی بیشتری دارند. الگوریتم‌های ابتکاری دیگری مانند الگوریتم سیاه چاله (BHA) وجود دارند که می‌توانند GA را در وظایف مختلفی پشت سر بگذارند. الگوریتم سیاه چاله (BHA) یک الگوریتم فراابتکاری مبتنی بر جمعیت با یک ذخیره‌سازی نیمه حافظه برای راه‌حل‌ها است. طبقه‌بندی نقطه قوت این الگوریتم است که می‌تواند به طور مؤثری هنگامی که پارامترها اعداد کسری با محدودیت هستند کار کند. در بیشتر ANNها اعداد و وزن‌های آنها پیش‌فرض و محدود هستند که برای کارایی مؤثر BHA ایده‌آل است. علاوه بر این، الگوریتم پایه BHA بسیار ساده‌تر است و با مراحل بسیار کمتری نسبت به GA کار می‌کند.

مدل ANN برای پیش‌بینی ABC-XYZ با الگوریتم سیاه چاله:

برای ایجاد یک مدل ANN قابل قبول در کاربردهای عملی/صنعتی، دو گام اولیه باید برداشته شود: داده‌کاوی و تعریف لایه‌ها (پارامترها). ترتیب این گام‌ها بستگی به این دارد که آیا از قبل داده‌های قابل پردازش برای آزمون داریم یا در حال تلاش برای ایجاد یک سیستم جدید هستیم و جمع‌آوری داده‌ها بعداً انجام خواهد شد. در این مورد خاص، دسترسی به داده‌های شرکتی بسیار مفید بود که پس از پاک‌سازی و پیش‌پردازش به عنوان پایگاه داده آزمون استفاده شد.

اهمیت تحلیل ABC و XYZ:

نتایج تحلیل ABC و XYZ مهمترین شاخص‌ها یا پارامترهای مدیریت برای شرکت نیستند، اما می‌توان از آنها به عنوان یک ابزار پشتیبانی تصمیم‌گیری آسان برای کل سیستم لجستیک داخلی و خارجی برای مدیریت سطح موجودی مواد ورودی و آیتم‌ها در انبارها، برنامه‌ریزی ورود و خروج موجودی‌ها، آزادسازی فضا، کنترل مهلت‌های تحویل، آماده‌سازی مواد مناسب برای تغییرات محصول و برنامه‌ریزی مقادیر سفارش‌های ورودی و خروجی از کارخانه با فواصل زمانی آنها استفاده کرد. تحلیل ABC هدفش تمایز بین آیتم‌هایی (عمدتاً مواد) است که برای سیستم مدیریت مواد ضروری و غیرضروری هستند. این تحلیل بر اساس استفاده سالانه، ارزش و/یا مقدار محصولات، موارد اساسی را از غیر اساسی جدا می‌کند و آنها را به ۳ دسته A-B-C طبقه‌بندی می‌کند. نتایج تحلیل XYZ برای نشان دادن و دسته‌بندی نوسانات در تقاضای آیتم‌ها در یک دوره طولانی‌تر است.

اپلیکیشن و نتایج:

زبان‌های برنامه‌نویسی و کامپایلرهای زیادی وجود دارند که می‌توانند شبکه‌های عصبی مصنوعی (ANN) را به طور مؤثر بنویسند، اما برای اهداف تحقیقاتی یک زبان برنامه‌نویسی بسیار ساده و مؤثر و نرم‌افزار آن که ماتریس‌ها را به خوبی مدیریت می‌کند MATLAB است. پس از چندین اجرای ناموفق، توانستیم راه‌حل را با یک ترفند ساده بهبود ببخشیم: تبدیل آستانه‌های نورون خروجی به یک متغیر. شکل ۲ یک اجرای کامل از بهترین نتیجه فعلی راه‌حل‌های ABC-XYZ را نشان می‌دهد. این اجرا تقریباً ۹ ساعت بر روی یک کامپیوتر متوسط امروزی (پردازنده ۳۶۰۰ ۵ HexaCore AMD Ryzen با حافظه ۱۶ گیگابایت DDR4 و کارت گرافیک NVIDIA GeForce GTX 1660 SUPER 6GB) طول کشید. در این مدت، تقریباً ۲۵۰۰۰ تکرار با جمعیت ۵۰۰ انجام شد. پس از ۲۵۰۰۰ تکرار، مدل می‌تواند آیتم‌های آموزشی را به درستی به دسته‌های ABC با دقت ۵۸ درصد، دسته‌های XYZ با دقت ۹۳ درصد و هر دو دسته با دقت ۸۲ درصد دسته‌بندی کند.

نتیجه‌گیری:

استفاده از هوش مصنوعی در زمینه لجستیک داخلی، به جز تشخیص بصری در سیستم‌های AGV و روباتیک، امری نادر است. تنها چند مقاله وجود دارد که صنعت را تشویق می‌کنند تا سیستم‌های سطح بالایی را که از صنعت ۴.۰ با پیاده‌سازی هوش مصنوعی پشتیبانی می‌کنند، اجرا کنند. این تحقیق سعی دارد این شکاف علمی را به روشی غیرمعمول برطرف کند: با استفاده از یک شبکه عصبی مصنوعی تا هر آیتم یک شرکت خاص را بر اساس دسته‌بندی دستی آنها به دسته‌های ABC-XYZ دسته‌بندی کند. برای اثبات کاربردپذیری سیستم‌های کمک شده توسط هوش مصنوعی، یک اپلیکیشن در MATLAB با یادگیری الگوریتم بهینه‌سازی سیاه چاله، جایگزینی برای الگوریتم ژنتیک و پس انتشار که معمولاً برای این منظور استفاده می‌شوند، ایجاد شد. این اپلیکیشن می‌تواند دسته‌بندی یک آیتم را با دقت ۸۲ درصد پس از ۸ ساعت اجرا بر روی یک کامپیوتر متوسط پیش‌بینی کند.