23948sdkhjf

LOGMA: Fremtiden har ankommet

På Persson Seminar 2020 lærte vi at kunstig intelligens i det store og hele handler om måter å bruke enorme mengder data. I logistikk og SCM gjennomføres til enhver tid utallige aktiviteter og prosesser, og de er ofte tunge kostnadsdrivere. Derfor vil det å ta i bruk denne teknologien være en såkalt game-changer.

Det handler om å forstå hvilke data man har tilgang til, hvordan man best kan samle og strukturere data, og ikke minst hvilken type kunstig intelligens som egner seg best til å løse en gitt problemstilling.

Gjennom årene har LOGMA arrangert en rekke medlemsmøter hos logistikkvirksomheter som driver ulike former for lager. Vi har sett hvordan automasjon og avansert teknologi har gjort sitt inntog. På Persson Seminar 2020 var tiden derfor inne for å se nærmere på denne utviklingen, og høre hvordan kunstig intelligens nå gjør seg gjeldende, samt hvordan aktørene kan hente ut konkurransekraft fra dette området.

Presisjonsproduksjon

I første foredrag får vi høre hvordan kunstig intelligens kan brukes for å øke presisjon i ulike former for produksjon. Øivind Riis, spesialrådgiver fra Sykehuset Østfold og førsteamanuensis II, forankret budskapet sitt i kjente konsepter for oss logistikere; god prosessforståelse, verdien av forebyggende kvalitetsarbeid og effektiv ressursbruk. Han forklarer hvordan data, teknologi og programvare settes i system for å få ut gevinster på disse områdene. Han ymter forsiktig frempå med at mange av disse systemene som baserer seg på velkjent kunnskap, men som nå pakkes inn i nye begreper.

Maskinlæring er datavitenskap satt i system, og Riis er tydelig på at hvis man ikke har ekstremt god forståelse av sine data, vil ikke noen som helst programvare gjøre jobben. Da vil mesteparten av tid og penger gå til å ordne opp i data.

For å få dette til må systemer snakke sammen, og i den sammenheng introduserer han begrepet Industrial Internet of Things (IIoT), hvor operasjonsteknologi (OT) og informasjonssystemer (IT) integreres. Data fra instrumenter som overvåker produksjonsprosesser sendes direkte inn i business systemer, og data fra alle deler av prosessene samles. Han viser til automasjonspyramiden og hvordan data representeres på ulike nivåer i en virksomhet eller supply chain. Når ulike data blir tilgjengelig gjennom skybaserte løsninger, kan de hentes ut samlet, sees i sammenheng og gi økt forståelse av totalprosesser.

Digital tvilling

Det er ikke noe nytt ifølge Riis å bygge modeller på fysiske prosesser. Det har man gjort i mange år allerede, men nå heter det digital tvilling. Det er veldig i vinden, fordi det nå er enkelt å samle mye data til en lav kostnad. Det som er spennende, nytt og aktuelt i så måte er sanntidsoppdatering av digitale tvillinger. Innen næringsmidler er det et krav til sanntidsoppdatering. Han bruker et eksempel fra fiskefôrproduksjon, og viser hvordan data som samles fra hele prosessen brukes til å predikere resultater på sluttproduktet. Ved å bruke maskinlæring kan man fange opp og spore avvik så tidlig som mulig. Han viser at logikken for denne prosessforståelsen gjelder både internt i bedrifter men også gjerne eksternt på tvers av bedrifter gitt at dataverktøyene er kraftige nok. Logikken er den samme. I kjølvannet av denne innsikten kommer han med det som kanskje er mer kontraintuitivt. Han advarer mot å starte en utvikling på deler av prosessen og bygge bit for bit. Da kan man ende opp med et infrastrukturprosjekt som vil være enormt krevende og kostbart å få til å fungere. Han anbefaler at systemer for hele prosessen må etableres samtidig.

Innsikt i prediksjoner

Riis forklarer videre skillet mellom svarte og hvite bokser innen maskinlæring. Det har lenge vært vanlig å bruke svarte bokser til blant annet bildegjenkjenning, ved at man fyller på masse data og så kommer det ut kjente mønster. Dette har eksempelvis blitt brukt i sykehus til gjenkjenning av bilder av kreftsvulster. Problemet med svarte bokser er at det ikke er kjent hvordan resultatet fremkommer. Det har vært sett på som en svakhet, og derfor er hvite bokser nå tatt i bruk. De refereres til som «forklarbar maskinlæring» . Det viktige med hvite bokser er at det fremkommer hvilke variabler som forklarer resultatene. Det kan generere og verifisere hypoteser i mye større grad, og bidra til ny innsikt. Det er kjente teknikker som tas i bruk, som multivariat statistikk, men det nye er mengden data. Begge typene av teknologier er aktuelle, men til sitt bruk.

Riis avslutter foredraget sitt med et eksempel fra sykehus, hvor tiden er mer moden for å ta i bruk produksjonsprinsipper uten at det blir oppfattet som menneskefiendtlig. Det er snarere en økt forståelse for effektiv ressursbruk. Spennende er det hvordan presisjonsproduksjon kan tas i bruk til presisjonsmedisin. De kan bygge grafiske sporingsmotorer som følger pasienter gjennom sykehuset, og bruke mønstre på EKG som et mål på kvalitet på pasientene og lagres til fremtidige prediksjoner, og hvordan medisindoser kan tilpasses nøyaktig til hver enkelt av oss og våre individuelle forutsetninger. Når vi nå i kjølvannet av dette seminaret og foredraget står midt i en pandemi, fremstår nettopp sporing, presisjonsproduksjon og ikke minst maskinlæring som forlokkende framtidsutsikter.

Robotisert Prosessautomatisering

Fra fremtidens sykehus går vi til fremtidens byggebransje i et foredrag fra Per Stubberud Lieng og Gausdal Landhandleri. Lieng viser at byggenæringen er nest største bransje i Norge, men karakteriseres ved mange aktører hvor 85 prosent driver for seg selv eller har maks fem ansatte. Informasjonssystemer er med dette krevende.

Paradokset er at bygg og anlegg har utviklet seg negativt målt på effektivitet, mens de fleste andre bransjer har utviklet seg positivt. Bygg21 viser til at det er sparepotensiale for 3,5 milliarder kroner bare for de 10 største entreprenørene i Norge. Et typisk eksempel er at et kolli med gips kan bli flyttet 7-8 ganger på en byggeplass. Da er det tydelig at det ikke er levert riktig. Teknologien finnes for å gjøre dette bedre, men utfordringen er å ta det i bruk. Få virksomheter har samme system, og mye data flyttes frem og tilbake.

I et slikt marked viser Gausdal Landhandleri hvordan de bruker logistikk til å skille seg ut. De leverer byggevarer til store deler av Østlandet fra sitt hovedanlegg på Lillehammer, og har i størrelsesorden 1,6 milliard i omsetning. Det er en klassisk utfordrende logistikk, med mange kolli, mange varer og ikke minst korte ledetider. De som ringer skulle gjerne hatt varene i går. Det er viktig å ha god kontroll over vareflyten, at leveringsdato og sted overholdes og at prisen stemmer med faktura.

De har sporing fra leverandør til byggeplass, men mange av kundene er langt fra digitale. Kun 2 prosent av ordrene leveres digitalt. 98 prosent kommer via epost, telefon eller kunden selv i en bil. Dette gir en stor registreringsjobb, og Gausdal Landhandleri har derfor tatt i bruk RPA (robotisert prosessautomatisering) for å effektivisere administrative prosesser. Så langt er 10 prosesser flyttet over på RPA og Lieng kan rapportere at det fungerer godt.

Tilhørerne på seminaret får en demonstrasjon, og vi ser hvordan roboten slår opp i ulike systemer og registrerer inngående informasjon til utgående ordresystemer. Hvis leveranseplaner endres flytter RPA tidspunkt både inn og ut. Den finner rasjonell varevei og kan oppdage potensielle avvik før de skjer. Den sikrer at ordrebekreftelsen kommer til rett person og sender faktura lørdag kveld. Typisk viser ordreporteføljen at 80 prosent av volumet går rett gjennom, mens mer kompliserte oppdrag blir manuelt overstyrt. Lieng kommenterer at dette sparer årsverk, og at den store gevinsten er å få fjernet manuelle arbeidsoppgaver ingen ønsker å gjøre.

Stilig med roboter

Steinar Cook i Element Logic har nettopp dette argumentet som sitt hovedpoeng. Roboter erstatter arbeid som ikke er attraktivt, og det til fordel for arbeidstaker og arbeidsgiver. Hemmeligheten er å automatisere de kjedelige jobbene og la ansatte konsentrere seg om de interessante arbeidsoppgavene. Vi får høre at det er i samarbeidet mellom menneske og maskin at roboten kommer til sin rett – derav begrepet Cobot – collaborative robot.

På samme måte som Lieng rapporterer Cook om en krevende logistikkhverdag med økende utfordringer, alt skal gå fort og fortere. Vi som kan supply chain følger resonnementet, når han påpeker at en leveransekjede ikke er sterkere enn det svakeste ledd, og der fremhever han det å plukke varer. Det er tidkrevende og kostbart. Cook nærmest sukker når han kommenterer at «dere aner ikke hvor mye greier som skal plukkes og hvor mange lagre det er ute i verden».

Det er her robotene kommer til sin rett. En dyktig arbeidstaker klarer opp mot 200 plukk i timen, mens en optimal tilpasset robot kan klare 1.000. I tillegg til er benchmarken på å plukke, pakke, sette på etikett og sende ned mot 38 sekunder. Vi får servert fordeler på løpende bånd som at roboten kan jobbe 24 timer i døgnet, 7 dager i uken, 365 dager i året. Den genererer ikke avvik og svinn eller tar med produkter hjem. Den trenger ikke lys, pause eller mat. Den blir ikke syk eller får korona-karantene. Den slutter ikke i jobben for så å generere ny rekruttering og opplæring. For å si det sånn – vi som hører på – vi tar poenget før Cook presiserer det. Det er stilig med roboter. Han forteller at ansatte ofte blir stolt av å ha tilgang til denne teknologien på arbeidsplassen.

Teknologien er bygget opp med tre gripefingre, øyne, hjerne og en robotarm. Cook presiserer at det som er spesielt med kunstig intelligens her, at nesten hva som helst kan plukkes. Roboten er modellfri, gjenkjenner det som ligger i boksen og bruker maskinlæring til å finne ut hvordan varer skal plukkes. Robotene finnes, de er ikke fremtidsvyer, sånn er det nå. Mange driver med dette fordi det er spennende, fordi det fungerer og fordi det er lønnsomt.

En hype eller ikke?

Dette spørsmålet om kunstig intelligens og maskinlæring stilles retorisk av Andreas Anyuru fra Consafe Logistics. En undersøkelse gjort av McKinsey (publisert av economist.com) viser at estimert verdiskaping innen kunstig intelligens i SCM forventes å øke med 1.300 milliarder dollar pr år i 20 år fremover. Han viser at interessen har mer enn firedoblet seg på få år, representert ved deltakelse på en av de viktigste internasjonale forskerkonferansene på området. Dette er som han påpeker spesialister, og gir et hint om at dette er noe mer enn en hype. Sist, men ikke minst, viser en benchmark estimert på Standford University, at kostnaden ved å ta i bruk/trene en maskinlæringsmodell til et gitt nivå er redusert med en faktor på mer enn 200 på bare ett år (fra 2.500 $ til 12 $). Datakraften har blitt markant bedre på kort tid.

Så ja, han kommenterer at det er hype rundt kunstig intelligens, ved at fagområdet nå får stor oppmerksomhet. Samtidig er det en substans i fagområdet, som forventes å endre virksomheter dramatisk fremover. Det likestilles med hvordan elektrisitet forandret industrien på 1800-tallet.

Hva er kunstig intelligens?

Han gir oss en introduksjon til begrepene. Kunstig intelligens er når (data)maskiner har funksjoner vi assosierer med menneskers hjerne, som læring og problemløsning. Maskinlæring defineres som bruk av læringsdata for å predikere eller beslutte noe uten at det er eksplisitt programmert eller styrt. Det betyr at man fyller på med data og maskinen vil lære fra dataene. Dyp læring er en variant av maskinlæring hvor man bruker kunstige neurale nettverk som er inspirert av menneskers hjerne.

Varianter av maskinlæring er veiledet læring, læring uten veiledning og forsterket læring, hvor hver av disse presenteres med to undergrupper. Veiledet maskinlæring kan brukes til klassifisering (bildegjenkjenning av kreftsvulster i medisin, eller av mennesker og dyr) eller regresjon. Maskinlæring uten veiledning kan brukes til å identifisere klynger eller definere assosiasjoner. Klynger er for eksempel identifisering av kundesegmenter fra store mengder kundedata ved å gjenkjenne mønstre. Assosiasjoner kan være interessant for retail, hvor man finner ut hvilke varer kunder kjøper samtidig. Da kan man samlokalisere relevante varer og evt. kjøre kombinasjonstilbud og kampanjer. Det er også denne modellen som brukes for anbefalinger av filmer, musikk og bøker, basert på det man allerede har sett, hørt eller lest. Assosiasjoner er også relevant for logistikk og lager, hvor man finner ut hvilke artikler og varenummer som bestilles samtidig, og bruker dette for samlokalisering. Den siste varianten med forsterket maskinlæring er modell-basert eller modell-fri. Dette er typisk brukt i spill, som sjakk og lignende, hvor man kan finne mulige kombinasjoner.

Maskinlæring og logistikk

Anyuru forklarer hvordan Consafe Logistics har tatt maskinlæring i bruk for å lage WMS (Warehouse Management System)-løsninger. Et område er optimale esker og forpakninger, som avhengig av antall artikler og forpakningsstørrelser, kan bli en ganske komplisert og utfordrende problemstilling. Det illustrerer fordelen med maskinlæring, fordi selv om en person har god kunnskap kan det bli for mange kombinasjoner å holde styr på. Et annet område er optimale plukkmønstre på et lager, hvor maskinlæring brukes til å finne korteste plukkrute på lageret og bidrar med det til økte plukkfrekvenser. Her kan de vise proof-of-concept med 20 prosent redusert truckkjøredistanse.

Andre interessante områder for fremtiden hvor Anyuru ser for seg kunstig intelligens er automatisk kvalitetskontroll, prognoser på nye produkter, generell ruteoptimalisering, planlegging av arbeidsstokken, og til kundeservice gjennom chat-bots. I et større bilde skisserer han også hvordan det bidrar til bærekraft gjennom lavere forbruk av elektrisitet, mer effektive transporter, redusert stress og smartere måter å jobbe på, redusert slitasje på utstyr og økt effektivitet og lønnsomhet. Han avslutter med en tydelig melding om at kunstig og naturlig intelligens vil sameksistere i fremtiden. Arbeidstakere kommer ikke til å bli erstattet av kunstig intelligens, men arbeide annerledes og sammen med den nye teknologien.

Utnyttelse av sensordata i transport

Hvordan data kan brukes til effektive løsninger blir presentert av Eirill Bø ved Handelshøyskolen BI. I sitt innlegg rapporterer hun fra et forskningsprosjekt ledet av Transportøkonomisk institutt. Prosjektet handler om hvordan man kan bruke sensordata fra lastebiler til å optimalisere transport og logistikk. I enhver lastebil er det mange sensorer som måler utrolig mye data. I prosjektet har man logget data fra 1.500 lastebiler hver time i over et halvår. Hun poengterer at denne typen data vil finnes fremover, men at det krever forskning, innsats og forståelse for å benytte dataene i praksis.

Det handler med andre ord om å utnytte digitaliseringssystemene og data til et nytt nivå. Paradokset er at dataene har vært der lenge, men er overraskende lite brukt. Spesielt overraskende når man ser potensialet som ligger i optimalisering og digitalisering.

Bø drar opp et lerret for bruksområder i innlegget sitt, i tråd med problemstillingene i prosjektet. De ser for seg å finne ut hvordan data fra lastebiler, logistikksystemer og ERP-løsninger kan kombineres for å gi kvantitative estimater. Det handler om hvilket kjøretøy som er best å bruke til hvilket formål, hva som er optimal kjøreadferd og tid på døgnet, optimale rutevalg, beregning av leveringstider, servicenivåer, kostnader og utslipp. Hun snakker om endringer i logistikkdesign, lokasjon av nye terminaler, og optimalisering av antall lager, transport- og forretningsplaner, og om logistikksamarbeid. Vi får i det hele tatt et godt inntrykk av at dette er et område med et uendelig antall muligheter.

Problemstillinger konkretiserer

Fordelen i prosjektet er at samarbeidsbedrifter stiller med ulike problemområder som konkretiserer problemstillingene og viser resultater i praksis. Hun avslutter innlegget sitt ved å gi oss en smakebit på to av disse problemstillingene. Det ene er kjøreadferd, hvor bruk av cruisekontroll, tomgang, hastighet og kjøremønster har stor betydning for effektivitet og kostnader. En tankevekker er at nye biler med ny teknologi skal kjøres på nye måter, og derfor er det ikke nødvendigvis lang erfaring ensbetydende med bedre kjørekompetanse. Et annet område vi får innsikt i er hvordan GPS-data kan brukes til å optimalisere leveranser gjennom rutevalg, store vs. små leveranser og kombinasjoner av hente- og leveringsoppdrag.

Foredraget til Eirill Bø gir alle en tankevekker i omfanget av data, og vi får en forståelse av kraften som kan ligge i kunstig intelligens. Spesielt når hun samtidig understreker at dette er noe man må jobbe kontinuerlig med, fordi forutsetningene stadig er i bevegelse. Det som vil være avgjørende er å gå fra synsing til konkret kunnskap gjennom måling og datafangst.

Finnes – finnes ikke?

Pål Haugen, Data Scientist i DRIW, introduserer like godt foredraget sitt med å si at kunstig intelligens ikke finnes, og med det klarer han fint å vekke forsamlingen på tampen av dagen. Han viser noen artige eksempler fra media, en robothund som faller på bananskall, en twitterrobot som ble nazist i løpet av 24 timer, og at en automatisert prosess for rekruttering og CV-lesing endte med å foretrekke menn. Maskiner lærer med andre ord ikke av (sine) feil, og ergo, kunstig intelligens finnes ikke. Det som finnes derimot, er som han sier, masse kul teknologi. Derfra handler alt om datakvalitet, å forstå datagrunnlaget og få gode grunndata.

Fire bærebjelker er etter hans mening nødvendig for å bygge prosjekter innen kunstig intelligens og maskinlæring; infrastruktur og databaser, modeller til maskinlæring, forretningslogikk og brukeropplevelser. Hvis de som kan databaser jobber sammen med de som skal bruke data og bruke modeller, har man et godt grunnlag for å unngå det han kaller for grunndatagrumset. Derfra må man få føringer fra kunder som trenger løsninger. En forståelse for en forretningslogikk, og ved at man har et konkret spørsmål å svare på. Den fjerde dimensjonen handler om brukeropplevelser – at det kan være en fallgruve å glemme å gjøre grensesnittet intuitivt for brukerne.

Helhetlig forståelse

Til sammen mener Haugen her at disse bærebjelkene skal stable på plass en pipeline. En helhetlig forståelse. En som starter med datastrøm fra grunndata, går via en maskinlæringsmodell og derfra genererer et produkt. Vi forstår da hvordan han mener data bidrar til å generere intelligente løsninger, ikke fordi de er kunstig men fordi de løser utfordringer.

Haugens arbeidsgiver DRIW lager software for logistikk og norsk retail. Dette er et marked som sliter med lav lønnsomhet, konkurser og butikkdød. Haugen og DRIW vil bidra til å redde norsk retail gjennom det digitale skiftet. Vi får i foredraget hans en smakebit av hva dette kan innebære.

Han viser oss eksempler på hva det innebærer å levere på kundens premisser, hvordan vareflyt kan analyseres og bygges opp mellom distribusjonssentre og butikker, og hvordan prediksjoner rundt tidsserier kan bidra til å forutsi resultater av kampanjer. Vi får innsikt i en morsom reise fra en Amazon algoritme til prediksjon av banansalg på Sunnmøre og videre til hvordan man kan forutsi salg på ekstreme kampanjer som Black Friday. Hva skal til for å lykkes? Den gjennomgående historien er å rydde i data.

LOGMA

LOGMAs formål er å arbeide for en generell heving av logistikk-kompetanse innen norsk næringsliv og offentlig forvaltning.

LOGMA er et nettverk av og for medlemsbedriftene hvor faglig interesserte medarbeidere ønsker utveksling av logistikkompetanse i hele verdikjeden.

LOGMA initierer og gjennomfører aktiviteter som møter hos medlemsbedrifter, temagrupper, faglige konferanser og symposier.

LOGMA er en frittstående og politisk uavhengig organisasjon. Alle bedrifter innen industri, handel, transport, tjenester, forskning, rådgivning og undervisning kan være medlem, og hver bedrift kan ha flere kontaktpersoner. Alle kontaktpersonene får direkte tilsendt materiell om aktiviteter i regi av LOGMA og andre relevante arrangementer.

For nærmere opplysninger se www.logma.no.

Kontaktperson for LOGMA-sidene i Logistikk & Ledelse er Bente Flygansvær, bente.flygansvaer@bi.no

KLIKK for alle artikler i LOGMA logistikk fagartikler.

Kommenter artikkelen
Anbefalte artikler

Nyhetsbrev

Send til en kollega

0.156