يعمل الذكاء الاصطناعي في المستودع حين يُوجَّه إلى مسار سحب قاسه أحدهم من قبل. ففي معظم عمليات السحب اليدوي يكون المشي أكبر جزء منفرد من يوم عامل السحب، ولذلك تحرّك قرارات المسار والتخزين والتجميع الأرقام قبل أي نموذج. والمستودع الذي لا يستطيع بعدُ وصف مسار السحب لديه بالبيانات ليس جاهزاً للذكاء الاصطناعي. إنه جاهز لشريط قياس ولبيانات مواقع نظيفة.
ماذا يخبرك السير على أرض المستودع؟
يخبرك بما يعتقده النظام مقابل ما يحدث فعلاً. اتبع عامل السحب في عشرة طلبات. عدّ الخطوات، وسجّل كل مرة يعود فيها أدراجه أو ينتظر أو يبحث، وقارن المسار بما اقترحه نظام إدارة المستودع. الفجوة بين الاثنين هي الاستنتاج الأول، وغالباً لا علاقة لها بالبرمجيات.
أربعة أمور تُصلَح قبل أي نموذج
- المواقع. لكل موضع تخزين رمز فريد يمكن مسحه، ويعرف النظام أين يقع كل موقع فعلياً. لا يمكن تحسين مسار على مواقع لا وجود لها إلا ملصقاتٍ.
- توزيع التخزين. الأصناف سريعة الحركة قرب نقطة الإرسال وفي واجهات السحب الأسهل منالاً. وهو أرخص رافعة في المبنى، وهو حكم بشري لا تعلّم آلة.
- انضباط المسح. كل حركة وسحب وتخزين يُمسح لحظة حدوثه. النموذج الذي يتدرب على أوقات أُدخلت في نهاية النوبة يتعلّم النوبة لا العمل.
- بنية الطلبات. اعرف هل تسحب طلبات مفردة أم دفعات أم مناطق أم موجات، ولماذا. فالاختيار يغيّر ما يستطيع المُحسِّن فعله بجدوى.
أين يفيد الذكاء الاصطناعي بعد ذلك؟
متى قيس المسار تستحق ثلاثة استخدامات التجربة: ترتيب المسار داخل الدفعة، وإعادة توزيع التخزين حين يتغير الطلب، وتوقّع العمالة التي تحتاجها طلبات يوم بعينه. ولكل منها رقم يمكن مقارنته بخط الأساس الذي أخذته من الأرض.
كيف يُقاس الأثر
قِس الساعات والخطوات لكل بند في الطلب، لا دقة النموذج. خذ خط الأساس قبل التغيير، وطبّق التغيير على منطقة أو نوبة واحدة، ثم قارن. فإن تعذّر تسمية الساعات التي وُفّرت، وعجز الفريق عن القول ماذا يفعل الآن بذلك الوقت، فقد أنتج المشروع عرضاً توضيحياً لا تحسيناً.
اختبار قبل أن تبدأ
هل تستطيع إعادة بناء مسار السحب لطلب واحد أمس من بياناتك أنت؟ إن كان الجواب لا فابدأ من هنا. فكل ما سيفعله أي نظام ذكاء اصطناعي يعتمد عليه.