الذكاء الاصطناعي في SAP EWM: اتخاذ قرارات أكثر ذكاءً في مستودعك

حوِّل لوجستياتك باستخدام الذكاء الاصطناعي في نظام SAP EWM. تعرّف على كيفية عمل التحليلات التنبؤية والرؤية الحاسوبية وJoule على أتمتة عملية تحديد أماكن المستودعات وإدارة العمالة.

يتم بالفعل تحسين معظم المستودعات التي تعمل بنظام SAP EWM. يتم حساب مسارات الانتقاء، وجدولة العمالة، وتحديد قواعد التجديد. تم تحديد أوجه القصور المرئية وحلها.

ما يتبقى هو القرارات الأصغر التي يتم اتخاذها آلاف المرات يوميًا، مثل المهمة التي يجب تنفيذها أولاً، ومتى سيرتفع الطلب، وأين سيحدث الازدحام. لا يمكن للمنطق التقليدي القائم على القواعد أن يتكيف بسرعة كافية عندما تتغير الظروف.

في هذه المقالة، سوف نوضح كيف يوسع الذكاء الاصطناعي نطاق إدارة الإنذار المبكر من SAP EWM إلى ما هو أبعد من القواعد الثابتة إلى عملية صنع القرار التنبؤية والتكيفية. سوف ندرس حالات الاستخدام الملموسة، والتحول نحو التنسيق القائم على الذكاء الاصطناعي، ودور SAP Joule في تدفقات عمل المستودعات، وما يتطلبه الأمر لربط نماذج الذكاء الاصطناعي مع SAP EWM في بيئات الإنتاج. تابع القراءة.

ما الذي يتغير عند دخول الذكاء الاصطناعي إلى SAP EWM؟

في إعداد SAP EWM القياسي في SAP EWM، يكون تنفيذ العملية مدفوعًا بالأحداث. يؤدي ترحيل إيصال استلام البضائع إلى إنشاء مهام المستودع. يتم تشغيل التجديد عند الوصول إلى الحد الأدنى للكمية. يتم تحديد أولويات قائمة الانتظار في التخصيص. يتفاعل النظام بعد استيفاء أحد الشروط.

هذا المنطق مستقر وشفاف. كما أنه ثابت. لا يتغير تسلسل المهام ما لم يتم تعديل التكوين. لا تأخذ مقترحات التجديد في الحسبان طفرات الطلب قصيرة الأجل ما لم يتم زيادة معلمات مخزون الأمان يدويًا. عندما يصبح توزيع عبء العمل غير متساوٍ، يقوم المشرفون بإعادة تعيين الموارد أو تغيير الأولويات.

تقدم الإضافات المستندة إلى الذكاء الاصطناعي نماذج تنبؤية فوق إطار عمل القواعد هذا. يمكن استخدام طلبات المستودعات التاريخية وأوقات الانتقاء وحركات المخزون وسجلات الاستثناءات لتدريب نماذج التنبؤ أو التصنيف. يمكن لهذه النماذج تقدير حجم الطلبات على المدى القريب، أو تحديد الحاويات ذات الاحتمالية العالية لنفاد المخزون، أو اكتشاف الأنماط التي تسبق عادةً الازدحام في مناطق نشاط معينة.

وبناءً على هذه التنبؤات، يمكن تعديل معلمات أو قوائم مهام إدارة الإنذار المبكر في نظام ساب قبل اختراق العتبات. على سبيل المثال، يمكن اقتراح مهام التجديد في وقت مبكر بالنسبة للمواد ذات الزيادة المتوقعة في الطلب. يمكن إعادة ترتيب قوائم انتظار الانتقاء وفقًا لكثافة عبء العمل المتوقعة. يمكن تقدير الطلب على العمالة للمناوبة التالية باستخدام بيانات الإنتاجية التاريخية. يظل محرك التنفيذ هو SAP EWM؛ ويكمن الاختلاف في كيفية إعداد القرارات.

وبالتالي، فإن التحول ليس من التحكم في العمليات إلى الأتمتة. حيث تصبح العمليات الثابتة والمرتبطة بالقواعد عمليات تنفيذ مدعومة بتنبؤات تستند إلى البيانات التي يتم تحديثها مع تغير الظروف.

AI ليس سوى عنصر واحد ضمن عملية تحوّل أوسع في عمليات المستودعات

تعرّف كيف تعيد الروبوتات، وتكامل إنترنت الأشياء، وأنظمة التحكم القائمة على السحابة تعريف المنشآت الحديثة.

اعرف المزيد

ما هي سيناريوهات الذكاء الاصطناعي الأكثر تأثيرًا في إدارة الإنذار المبكر في SAP EWM؟

يجب تقييم الذكاء الاصطناعي في SAP EWM من خلال التأثير التشغيلي، وليس من خلال الحداثة التقنية. والسؤال ذو الصلة هو ما هي قرارات المستودعات التي يمكن تحسينها من خلال النماذج التنبؤية والتوصيات المستندة إلى البيانات داخل عمليات إدارة الإنذار المبكر والإنذار المبكر الحالية.

تركز التطبيقات الأكثر عملية على ثلاثة مجالات: استراتيجية وضع الحاويات، وتخطيط العمالة وعبء العمل، ومراقبة المخزون المادي عند استلام البضائع. كل مجال من هذه المجالات موجود بالفعل في نظام SAP EWM. يغير الذكاء الاصطناعي كيفية حساب القرارات ومتى يتم إجراء التعديلات.

الشق التنبؤي وإعادة الترتيب الديناميكي

يعتمد التنسيب في نظام SAP EWM تقليديًا على معايير محددة مسبقًا، مثل أبعاد المنتج أو نوع التخزين أو فئات الحركة التاريخية. يتم تشغيل إعادة الترتيب عادةً عن طريق التحليل اليدوي أو المراجعة الدورية. لا يعكس هذا النهج باستمرار التغييرات في ملفات تعريف الطلبات أو التحولات الموسمية للطلب.

تستخدم نماذج تحديد الفترات المستندة إلى الذكاء الاصطناعي بيانات مهام المستودعات التاريخية وتكرار خط الطلبات وأوقات الانتقاء وأنماط الموسمية لتصنيف المواد حسب السرعة الفعلية والتكرار المشترك في الطلبات. وبناءً على هذا التحليل، يمكن للنظام أن يوصي بنقل العناصر عالية التردد إلى مكان أقرب إلى محطات التعبئة أو تجميع المنتجات التي يتم انتقاؤها معًا في نفس منطقة النشاط.

يمكن تنفيذ هذه التوصيات من خلال مهام إعادة الترتيب القياسية لإدارة الإنذار المبكر بعد الموافقة على الخطة.

الأثر التجاري: تتمثل النتيجة القابلة للقياس في انخفاض متوسط مسافة السفر لكل مهمة انتقاء وانخفاض وقت الانتقاء لكل طلب. في البيئات ذات الحجم الكبير، يُترجم حتى التخفيض بنسبة مئوية من رقم واحد في وقت السفر إلى ساعات عمل أقل لكل وحدة يتم شحنها.

التخطيط الذكي للعمالة والتنبؤ بالطلب

غالبًا ما يعتمد تخطيط العمالة في نظام SAP EWM على المتوسطات التاريخية والتعديلات اليدوية قبل أحداث الذروة المعروفة. ومع ذلك، فإن تقلبات حجم الطلبات لا تتبع دائمًا أنماطًا ثابتة، خاصةً في بيئات القنوات المتعددة.

يمكن تدريب نماذج التعلُّم الآلي على عمليات التسليم التاريخية الصادرة والإيصالات الواردة وتقويمات العروض الترويجية وإشارات الطلب الخارجي. تقوم هذه النماذج بتقدير عبء العمل قصير الأجل حسب نوع النشاط، مثل الانتقاء أو التعبئة أو التدريج أو التحميل. واستنادًا إلى التوقعات، يمكن للمخططين تعديل جداول المناوبات أو تفعيل موارد إضافية أو إعادة موازنة معلمات تداخل المهام مسبقًا.

تأثير الأعمال: بدلاً من الاستجابة لقوائم الانتظار التي تراكمت بالفعل، تتلقى فرق العمليات توقعات عبء العمل في وقت مبكر. وهذا يقلل من قرارات العمل الإضافي في اللحظة الأخيرة ويقلل من مخاطر تفويت نوافذ الإرسال. تظهر الفائدة في زيادة استقرار الإنتاجية وتحسين الالتزام بمستويات الخدمة المخطط لها.

الرؤية الحاسوبية لاستلام البضائع ودقة المخزون

يظل استلام البضائع مصدرًا متكررًا للتناقضات. تؤدي أخطاء العد اليدوي، وترحيلات الكمية غير الصحيحة، والبضائع التالفة غير المكتشفة إلى اختلافات في المخزون تنتشر عبر عملية المستودع بأكملها.

يمكن دمج أنظمة الرؤية الحاسوبية مع نظام SAP EWM من خلال واجهات برمجة التطبيقات أو البرامج الوسيطة. تلتقط الكاميرات الموضوعة في محطات الاستلام صورًا للمنصات النقالة أو الكراتين. تقوم نماذج التعرف على الصور بحساب العناصر، والتحقق من ملصقات SKU، واكتشاف التلف المرئي. تُنقل النتائج إلى نظام SAP EWM لدعم ترحيل استلام البضائع أو التحقق من صحتها.

الأثر التجاري: يقلل هذا النهج من جهد العد اليدوي ويقلل من احتمالية تأكيد الكمية غير الصحيحة. كما أنه يسرع من ترحيل عمليات التسليم الواردة عند معالجة الكميات الكبيرة. يقلل تحسين دقة المخزون من معالجة الاستثناءات اللاحقة في عمليات الانتقاء والجرد المادي.

كيف يمكن أن تعمل SAP Joule داخل عمليات المستودعات؟

تقوم SAP بتضمين قدرات الذكاء الاصطناعي التوليدي في تطبيقاتها من خلال SAP Joule. في سياق SAP EWM، يقدم هذا في سياق SAP EWM مفهوم تدفقات العمل التي يحركها الوكلاء والتي يمكنها تحليل المواقف واقتراح الإجراءات وتشغيل خطوات النظام بناءً على أذونات محددة.

على عكس الأتمتة التقليدية، التي تتبع قواعد محددة مسبقًا، تجمع تدفقات العمل التي يحركها الوكلاء بين اكتشاف الأحداث وتحليل البيانات السياقية والتنفيذ الموجه عبر كائنات SAP المتصلة. لا ينصبّ التركيز على التفاعل عبر الدردشة، بل على دعم القرارات التشغيلية والإجراءات المضبوطة داخل مشهد النظام.

معالجة الاستثناءات: تعطل المعدات وإعادة تخصيص المهام

لنفكر في مستودع يعمل بنظام SAP EWM مع الإدارة المتكاملة للموارد وتتبع المعدات. تقوم رافعة شوكية بالإبلاغ عن عطل فني من خلال مستشعر إنترنت الأشياء المتصل عبر SAP BTP، أو من خلال إشعار صيانة تم إنشاؤه في SAP Asset Management أو SAP Digital Manufacturing. يتم تسجيل العطل كحدث في النظام.

في الإعداد التقليدي، يؤدي هذا الحدث إلى التنسيق اليدوي بين الصيانة والإشراف على المستودعات. يجب على المدير مراجعة مهام المستودعات وعمليات التسليم المفتوحة وتوافر الموارد عبر شاشات متعددة.

باستخدام SAP Joule المتصل بكائنات SAP ذات الصلة، مثل مهام المستودعات وتخصيصات الموارد وعمليات التسليم الصادرة وأوامر الصيانة، يمكنه تقييم التأثير التشغيلي للانهيار. يحدد المهام المعينة للمورد غير المتاح، ويتحقق من أولويات التسليم، ويستعرض المعدات البديلة المتاحة والمشغلين المؤهلين بناءً على بيانات النظام.

باستخدام هذا التحليل، يمكن ل Joule اقتراح خطة إعادة تخصيص. على سبيل المثال، يمكن أن يقترح تخصيص مهام الانتقاء ذات الأولوية العالية لرافعة شوكية أخرى في نفس منطقة النشاط وتأجيل المهام ذات الأولوية الأقل. إذا تم تكوين التفويضات المناسبة، يمكن أن يؤدي ذلك إلى إعادة تعيين المهام في نظام SAP EWM وإخطار مدير المستودع للتأكيد.

يقلل هذا النهج من الوقت بين التعطيل والإجراءات التصحيحية. بدلاً من دمج المعلومات يدويًا عبر المعاملات، يتلقى المدير اقتراحًا منظمًا مستمدًا من بيانات SAP المباشرة.

تنسيق المعلومات المشتركة بين العمليات

تصبح عمليات سير العمل العميلة أكثر أهمية عندما تمتد القرارات عبر عدة عناصر. يمكن أن يؤثر تعطل واحد على مهام المستودعات ووحدات النقل وسعة العمالة والتزامات مستوى الخدمة.

يمكن لـ SAP Joule تجميع البيانات من أوامر المستودعات ومواعيد التسليم النهائية وحالة إدارة الفناء وجداول الصيانة. ويمكنه تلخيص الموقف بلغة طبيعية وتوفير مراجع يمكن تتبعها إلى المستندات الأساسية. والأهم من ذلك، يمكنه ربط التحليل بالخطوات القابلة للتنفيذ، مثل تحديث أولويات المهام أو إنشاء تنبيهات للأدوار المسؤولة.

تكمن القيمة في تقليل وقت التنسيق عبر المجالات الوظيفية. يظل مدير المستودع مسؤولاً عن الموافقة والإشراف. ومع ذلك، يتم تنفيذ جمع البيانات وتقييم الأثر وتوليد المقترحات تلقائيًا داخل بيئة SAP.

اقرأ المزيد عن SAP Joule في مقالتنا.

ما الذي يجب عليك إعداده قبل ربط الذكاء الاصطناعي بـ SAP EWM؟

لكل مبادرة ذكاء اصطناعي في SAP EWM متطلبات محددة. في الوقت نفسه، هناك مجموعة من الشروط الفنية وشروط البيانات التي تنطبق على معظم المشاريع. يؤدي تجاهلها إلى نماذج غير دقيقة أو عمليات تكامل غير مستقرة أو تأثير تشغيلي محدود.

عادةً ما يجمع المسار التقني بين SAP EWM، ومنصة SAP Business Technology Platform، وفي البيئات المؤتمتة، مكونات الروبوتات أو إنترنت الأشياء. لا يكمن الأساس في النموذج نفسه، بل في جودة البيانات وتصميم البنية والتكامل المتحكم فيه.

الخطوة 1. ابدأ بتقييم البيانات

تعتمد نماذج الذكاء الاصطناعي كليًا على البيانات التاريخية والتشغيلية من SAP EWM والأنظمة المتصلة. الخطوة الأولى هي إجراء تقييم منظم لجاهزية البيانات.

• دقة البيانات: يجب أن تعكس البيانات الرئيسية للمنتج، مثل الوزن والأبعاد وظروف التخزين وأنواع وحدات المناولة، الواقع المادي. إذا كانت 20٪ من بيانات الأبعاد غير صحيحة، فإن توصيات الفتحات ستؤدي إلى ممرات مسدودة أو مقترحات حاويات غير مناسبة. وينطبق الأمر نفسه على أوقات تأكيد المهام وتخصيصات منطقة النشاط.
• العمق التاريخي: تتطلب حالات الاستخدام التنبؤية، مثل التنبؤ بالعمالة أو تقدير الطلب، تاريخًا كافيًا. في الممارسة العملية، يلزم من 12 إلى 24 شهرًا من سجلات مهام المستودعات النظيفة وأوقات الانتقاء والأحجام الواردة والصادرة وأنماط الموسمية لتدريب نماذج موثوقة.
• كمون البيانات: تتطلب بعض السيناريوهات مدخلات في الوقت الفعلي تقريبًا، مثل توجيه الروبوت أو اكتشاف الازدحام. أما البعض الآخر، مثل تخطيط العمل في المناوبة التالية، فيمكن أن يعمل على بيانات الدُفعات التي تتم معالجتها بين عشية وضحاها. يجب أن تعكس البنية هذا التمييز منذ البداية.

بدون بيانات منظمة ومتسقة، سيتدهور أداء النموذج، بغض النظر عن اختيار الخوارزمية.

الخطوة 2. تحديد نهج التكامل التقني

لا يتم تثبيت الذكاء الاصطناعي مباشرةً في SAP EWM. بل يتم توصيله من خلال منصة SAP Business Technology Platform، التي توفر خدمات للتدريب على النماذج والنشر والاتصال الآمن القائم على واجهة برمجة التطبيقات.

هناك طريقتان أساسيتان:

• استخدام SAP Joule والقدرات القياسية:
  توفر SAP Joule خدمات الذكاء الاصطناعي المحددة مسبقًا والمضمنة في تطبيقات SAP. يتفاعل مع SAP EWM من خلال كائنات وأذونات قياسية. هذا المسار مناسب لتحليل المحادثة، ومعالجة الاستثناءات الموجهة، وسير العمل الوكيل المحدد مسبقًا. جهد التنفيذ أقل لأنه يعتمد على الخدمات المُدارة من SAP.
• بناء نماذج ذكاء اصطناعي مخصصة على SAP BTP:
  بالنسبة للسيناريوهات المتباينة، يمكن للمؤسسات استخدام SAP AI Core والخدمات ذات الصلة على SAP BTP. يمكن تطوير النماذج بلغة Python وتدريبها على مجموعات بيانات المستودعات ونشرها كواجهات برمجة تطبيقات. يمكن الوصول إلى النماذج الأساسية الخارجية من خلال مركز الذكاء الاصطناعي التوليدي من SAP، عند الحاجة. تتبادل SAP EWM البيانات مع هذه النماذج عبر واجهات برمجة التطبيقات الآمنة أو التكامل القائم على الأحداث.

يعتمد الاختيار على مدى تعقيد حالة الاستخدام ودرجة تمايز العملية. تستفيد السيناريوهات القياسية من الخدمات المبنية مسبقًا. قد يتطلب منطق المستودعات المحددة للغاية نماذج مخصصة.

تتطلب نماذج الذكاء الاصطناعي بيانات تشغيلية منظمة من SAP EWM، مثل مهام المستودعات وسمات المخزون وأولويات التسليم وتخصيصات الموارد. عادةً ما يتم استيعاب الإشارات في الوقت الحقيقي من الروبوتات أو أجهزة إنترنت الأشياء من خلال خدمات SAP BTP وتخزينها في سحابة SAP HANA Cloud لمزيد من المعالجة.

في سيناريوهات الذكاء الاصطناعي التوليدي، يتيح محرك SAP HANA Cloud Vector Engine البحث الدلالي عبر محتوى المستودعات غير المنظم، مثل إجراءات التشغيل القياسية وأدلة السلامة ووثائق المعدات والإرشادات الداخلية. يسمح ذلك لـ SAP Joule بالرجوع إلى المستندات المعتمدة عند إنشاء الاستجابات. يدعم محرك Vector Engine استرجاع المحتوى النصي ووضعه في سياقه. لا يقوم بمعالجة تدفقات القياس عن بُعد أو تنفيذ منطق التنبؤ بالفتحات التنبؤية.

الخطوة 3. اختيار سيناريو التنفيذ

حدد نقطة بداية تتماشى مع أولويات العمل. ركز على المناطق ذات المنتجات عالية القيمة أو الازدحام المتكرر أو الإنتاجية الحرجة. هذا يقلل من المخاطر ويوفر رؤى قابلة للقياس قبل النشر على نطاق واسع.

الخطوة 4. تأكيد جاهزية النظام وجاهزية واجهة برمجة التطبيقات

يلعب مشهد النظام دورًا حاسمًا.

• إدارة الإنذار المبكر المستندة إلى S/4HANA:
  يعد التكامل مع خدمات الذكاء الاصطناعي أكثر وضوحًا في بيئات S/4HANA، حيث يتم توحيد واجهات برمجة التطبيقات وآليات الإضافة.
• إدارة الإنذار المبكر اللامركزية أو الكلاسيكية:
  قد تتطلب البيئات القديمة بنية جانبية على نظام SAP BTP. وهذا يزيد من تعقيد التكامل ويتطلب تصميمًا إضافيًا للأمان ونسخ البيانات.
• توافر واجهة برمجة التطبيقات:
  يجب تنشيط واجهات برمجة تطبيقات SAP EWM القياسية وحوكمتها. تتطلب خدمات الذكاء الاصطناعي وصولاً منظمًا إلى مهام المستودعات وعمليات التسليم وبيانات المخزون وتخصيصات الموارد. بدون واجهات برمجة التطبيقات المستقرة، لا يمكن للأتمتة أن تتجاوز التحليلات المعزولة.
• النطاق التجريبي:
  يجب اختبار منطق الذكاء الاصطناعي أولاً في نطاق خاضع للرقابة، مثل مجال نشاط واحد أو فئة منتج واحدة. هذا يحد من المخاطر التشغيلية ويسمح بالتحقق من صحة النموذج قبل طرحه على نطاق أوسع.

يعد تكامل الذكاء الاصطناعي في SAP EWM برنامجًا تقنيًا وليس تبديلًا للميزات. تحدد جودة البيانات، وبنية النظام، والتعرض لواجهة برمجة التطبيقات، والنشر المتحكم فيه ما إذا كان المنطق التنبؤي يمكن أن يعمل بشكل موثوق في الإنتاج.

الأسئلة الشائعة: الأسئلة الرئيسية قبل المضي قدمًا

في هذه المرحلة، يكون الاتجاه التقني أكثر وضوحًا. وتتمثل الخطوة التالية في معالجة الأسئلة العملية التي تنشأ عادةً عندما ينتقل الذكاء الاصطناعي في نظام SAP EWM إلى التخطيط.

هل من الضروري أن يكون لديك S/4HANA لتطبيق الذكاء الاصطناعي في SAP EWM؟

لا، ولكن مشهد النظام يؤثر على التعقيد.

يوفر نظام EWM المدمج في S/4HANA واجهات برمجة تطبيقات موحدة وأطر عمل الأحداث وآليات التوسعة. يعمل ذلك على تبسيط التكامل مع منصة SAP Business Technology Platform وخدمات الذكاء الاصطناعي.

يمكن أيضًا توسيع EWM اللامركزية أو الكلاسيكية. ومع ذلك، فإنها غالبًا ما تتطلب بنية BTP جنبًا إلى جنب مع البرمجيات الوسيطة الإضافية والنسخ المتماثل الصريح للبيانات. وهذا يزيد من جهد التنفيذ ومتطلبات الحوكمة.

القرار معماري وليس وظيفي. إذا تمت هيكلة الوصول إلى البيانات وواجهات برمجة التطبيقات بشكل صحيح، يمكن أن تعمل نماذج الذكاء الاصطناعي في كلا المجالين.

كيف يرتبط الذكاء الاصطناعي تقنيًا بنظام SAP EWM؟

لا يتم تضمين الذكاء الاصطناعي مباشرةً في تخصيص EWM.

يتم تدريب النماذج ونشرها على منصة SAP Business Technology Platform باستخدام خدمات مثل SAP AI Core. تتبادل SAP EWM البيانات مع هذه الخدمات عبر واجهات برمجة التطبيقات أو التكامل القائم على الأحداث.

بالنسبة للسيناريوهات القياسية للمحادثة والسيناريوهات التي يحركها الوكلاء، يتفاعل SAP Joule مع كائنات SAP باستخدام مهارات وتفويضات محددة مسبقًا.

وبعيدًا عن الهيكلية، يتطلب التشغيل المستقر قدرات تقنية محددة.

على جانب SAP، يلزم وجود خبرة ABAP لبناء وصيانة عمليات تكامل واجهة برمجة التطبيقات، وتنفيذ BAdIs أو نقاط التحسين، ومراقبة تدفقات الرسائل، والتعامل مع معالجة الأخطاء. يجب أن تضمن فرق العمل اتساق المعاملات بحيث لا تؤدي التوصيات المستندة إلى الذكاء الاصطناعي إلى كسر منطق مستندات المستودعات.

على جانب علم البيانات، عادةً ما تكون مهارات لغة Python مطلوبة لتطوير نماذج الذكاء الاصطناعي وإعادة تدريبها وإصدارها على نظام SAP BTP. يتضمن ذلك إعداد مجموعة البيانات، وهندسة الميزات، والتحقق من صحة النموذج، ومراقبة انجراف النموذج. يعد اكتشاف الانجراف أمرًا بالغ الأهمية عندما تتغير أنماط المستودعات بسبب الموسمية أو خطوط الإنتاج الجديدة أو تعديلات العمليات.

من الناحية التشغيلية، يتم تقسيم مسؤوليات المراقبة. يشرف أخصائيو SAP على أداء واجهة برمجة التطبيقات (API) وعمليات التحقق من التفويض وسجلات التكامل. تراقب فرق البيانات دقة التنبؤ ودورات إعادة التدريب ومقاييس أداء النموذج.

بالنسبة للنماذج التنبؤية المخصصة، ترسل EWM مجموعات بيانات منظمة إلى خدمات BTP. يقوم النموذج بإرجاع التوصيات أو الدرجات أو التصنيفات، والتي يتم استهلاكها بعد ذلك بواسطة عمليات أو لوحات معلومات EWM. يجب أن يحترم التكامل مفاهيم التفويض وسياسات حوكمة البيانات وسلامة المعاملات.

هل يمكن للذكاء الاصطناعي تنفيذ قرارات المستودعات تلقائيًا؟

يعتمد التنفيذ على تصميم الحوكمة.

يمكن أن تنشئ نماذج الذكاء الاصطناعي توصيات، مثل إعادة ترتيب المهام أو مقترحات التجديد المبكر. يمكن أن تتطلب هذه المخرجات إما موافقة المخططين أو تشغيل خطوات المتابعة الآلية، اعتمادًا على التكوين ومدى تحمل المخاطر.

في معظم بيئات الإنتاج، يتم تطبيق نهج تدريجي. يعمل النظام أولاً في وضع التوصية. بعد التحقق من الدقة والاستقرار، يمكن أن تنتقل السيناريوهات المختارة إلى الأتمتة الخاضعة للرقابة.

تظل المساءلة البشرية ضرورية، خاصة بالنسبة للمخزون عالي القيمة أو العمليات الحرجة على مستوى الخدمة.

ما هي البيانات المطلوبة لكي يعمل الذكاء الاصطناعي بفعالية؟

البيانات التشغيلية عالية الجودة ضرورية. وتشمل المتطلبات الرئيسية ما يلي:

• سمات المنتج الدقيقة: الوزن والأبعاد وأرقام الدُفعات. الأخطاء التي تزيد عن 15-20% تقلل من دقة التنبؤ.
• بيانات المهام التاريخية
• :
• 12-24 شهرًا من أوقات الانتقاء، وأنماط الطلبات الموسمية، وسجلات العمالة.
• القياس عن بُعد من الروبوتات ومستشعرات إنترنت الأشياء
• :
• تدفقات البيانات في الوقت الفعلي للتنبؤ بالتعيين التنبؤي أو تخصيص العمالة أو إعادة توجيه المعدات المستقلة.
• احتياجات وقت الاستجابة المحددة: ما إذا كانت قرارات الذكاء الاصطناعي تتطلب معالجة في الوقت الحقيقي أو على دفعات.

هل هذا مشروع تكنولوجيا معلومات أم مشروع عمليات؟

إنه كلاهما.

تحدد تكنولوجيا المعلومات البنية وخطوط أنابيب البيانات والأمان واستقرار التكامل. تحدد العمليات منطق القرار ونطاق الأتمتة المقبول وعتبات الأداء.

بدون الملكية التشغيلية، تظل توصيات الذكاء الاصطناعي غير مستخدمة. بدون حوكمة تكنولوجيا المعلومات، لا يمكن للنماذج أن تعمل بشكل موثوق في الإنتاج.

يلزم تحديد واضح للأدوار بين تكنولوجيا المعلومات وإدارة المستودعات منذ البداية.

لا يخلق الذكاء الاصطناعي قيمة إلا عند تنفيذه بالخبرة المناسبة

يغيّر الذكاء الاصطناعي في نظام SAP EWM كيفية عمل المستودعات. فهو ينقل عملية صنع القرار من التنسيق اليدوي إلى التحكم التنبؤي والتكيف. يقلل التنسيق التنبؤي من وقت سفر المنتقي. يعمل التنبؤ الذكي بالعمالة على مواءمة التوظيف مع الطلب. تتعامل تدفقات العمل الوكيلة مع أعطال المعدات دون إيقاف العمليات.

تعتمد هذه النتائج على التنفيذ المنظم. قبل توسيع نطاق الذكاء الاصطناعي، يجب معالجة ثلاثة عوامل:

• موثوقية البيانات: سمات المنتج الدقيقة، وسجل المهام الكامل، والقياس عن بُعد في الوقت الفعلي
• البنية التقنية: تكامل نظام SAP BTP، وتمكين واجهات برمجة تطبيقات إدارة الإنذار المبكرة، ومتطلبات زمن وصول واضحة
• الطرح المضبوط: نطاق تجريبي، مؤشرات أداء رئيسية قابلة للقياس، مراقبة أداء النموذج

لا يقي الذكاء الاصطناعي سلسلة التوريد من تلقاء نفسه من المخاطر المستقبلية. التنفيذ الصحيح يفعل ذلك.

يتطلب ذلك معرفة عميقة بإدارة الإنذار المبكر من SAP وخبرة عملية في مجال الذكاء الاصطناعي. يجب أن يتماشى منطق المستودعات واستراتيجيات التخزين وعمليات العمل وتكامل النظام مع تصميم النموذج ونشره. بدون هذه المواءمة، تظل التنبؤات نظرية.

يجمع فريقنا بين الخبرة العملية في SAP EWM مع قدرات هندسة الذكاء الاصطناعي. نحن نصمم سيناريوهات التكامل، ونتحقق من جاهزية البيانات، وننفذ برامج تجريبية تحقق تأثيرًا تشغيليًا قابلاً للقياس.

إذا كنت تقوم بتقييم الذكاء الاصطناعي لمستودعك، فيمكننا تقييم المشهد الحالي لديك وتحديد خارطة طريق منظمة لاعتمادها. دعنا نناقش كيف يمكن أن يعمل هذا في بيئتك.

إدارة المستودعات الإلكترونية التقليدية من SAP مقابل إدارة المستودعات الإلكترونية المعززة بالذكاء الاصطناعي من SAP