디지털 창고 - 4/4

디지털 어시스턴트

컴퓨터는 복잡한 환경에서 대량의 데이터를 빠르게 처리하고 분석하는 데 사용할 수 있습니다. 자가 학습 기계는 패턴을 인식하고 기억한 다음, 이상적인 결과를 정의해 놓으면 유사한 패턴의 새로운 상황이 발생했을 때 사람처럼 반응할 수 있으며 지도 학습에 의해 결정됩니다. 기계는 사전 정의된 결과없이도 결과를 학습할 수 있으며 기계는 더 바람직하고 때로는 놀라운 결과를 도출할 수도 있습니다.

디지털 비서의 도움으로 시스템은 제어 센터에서 채택, 조정 또는 거부된 제안을 통해 작동할 수 있습니다. 시스템의 기능을 신뢰하는 사람은 자동화된 시스템에 제어를 맡기고 사람이 상황을 모니터링하면서 언제든지 개입할 수 있는 옵션을 선택할 수 있지만 사람이 너무 자주 개입하면 자율 규제 시스템을 방해하고 잠재적으로 궤도에서 벗어날 수 있다는 것입니다. 그러므로 아주 적은 개입만으로 제어할 수 있는 자동화된 시스템이 최상의 결과를 제공하는 경우가 많습니다.

신경망을 통한 맞춤형 알고리즘 또는 일반적인 머신 러닝 프로세스를 사용하여 창고를 최적화할 수 있습니다.

자동화된 창고 관리

자동화된 창고 내에서 디지털 트윈을 사용하여 복제본이 생성됩니다. 시스템은 이 복제본을 사용하여 부정적인 사이클의 영향 없이 학습할 수 있습니다. 디지털 트윈은 변화하는 시스템 매개변수를 계산하는 데 사용되며 시스템은 디지털 트윈으로 학습하고 수시로 주문 변수를 입력할 수 있고 실제 운영 중에도 학습할 수 있습니다. 이를 통해 창고 관리 및 자재 흐름 시스템을 창고의 변화하는 요구 사항에 맞게 선조정할 수 있습니다.

동적 보관 할당

창고 배분은 높은 기술력입니다. 이미 수동 창고와 자동 창고를 비교하고 상품 카테고리를 가속화하는 다른 방법을 살펴봤습니다. 수동 창고에서는 가속을 함께 유지하는 것이 중요하지만, 자동 창고에서는 특정 시간 내에 개별 요소에 너무 많은 부담을 주어 병목 현상을 유발하기 때문에 이를 균등하게 분배하는 것이 중요합니다.

최적화를 위한 충분한 범위를 확보하는 한 가지 방법은 한 장소 내에서 다양한 기계와 다양한 유형의 보관함(예: 팔레트 및 토트) 또는 운송 장치(예: 컨베이어 벨트) 또는 불연속 컨베이어(예: 자동 가이드 차량)를 사용하는 것입니다.

자동 주문 관리

머신 러닝 또는 검증된 알고리즘을 사용하여 다양한 잠재적 주문 변형 중에서 가장 적합한 주문 그룹과 최적의 주문 순서 및 시작점을 찾아낼 수 있어 이를 적용하게 되면 모든 시스템은 최대한의 능력을 발휘할 수 있으며, 잘 정의된 수많은 데이터를 계산하는 데 있어서는 인간의 머리보다 훨씬 뛰어나지만 인간은 대량의 퍼지 데이터를 해석하고 이를 통해 확실한 결론을 도출하는 데 능숙합니다.

시스템 에이전트

분산형 접근 방식을 적용하면 창고에 있는 개별 개체는 자신에게 할당된 작업을 자동으로 수행할 수 있습니다. 전체 시스템은 작업 할당을 담당하고 개별 물리적 개체는 할당된 작업을 자동으로 수행합니다. 그러면 유사한 객체들 역시 같은 방식으로 작동합니다.

상호 작용은 사물 인터넷에 비유할 수 있으며, 개별 사물이 온보드 인텔리전스를 탑재하는 방식으로 설계됩니다. 또는 시스템 내의 개체를 식별한 다음 시스템 내에서 작업을 처리하는 '에이전트'를 호출할 수도 있고 에이전트는 시스템 내에서 어느 정도의 자율성을 가지고 있으며 머신 인텔리전스를 구현할 수 있는 객체의 가상 복제본입니다.

저자 소개

피터 토츠(Peter Totz)는 쉐퍼시스템즈에서 비즈니스 컨설팅 디렉터로 일하고 있습니다.

그의 경력은 그라츠에서 프로젝트 엔지니어, 데이터 분석가, 시뮬레이션 전문가로 시작되었습니다. 생산 계획의 중간 단계와 물류 컨설턴트로서 수년간 선임 컨설턴트 및 프로젝트 관리자로 일했습니다. 이후 라틴 아메리카에서 비즈니스 개발을 담당한 후 전 세계적으로 활동하는 비즈니스 컨설팅 그룹의 리더를 맡았습니다.