Otimização do algoritmo de ‘slotting’ com IA
“O algoritmo de otimização de 'slotting' melhorará a eficiência em armazéns de alta demanda”
Sobre o projeto de pesquisa
Em armazéns com alta rotatividade de produtos, decidir onde colocar cada artigo e quando deve ser movimentado pode fazer toda a diferença entre eficiência e gargalos. O Intelligent Logistics Systems Lab do MIT e a Mecalux estão desenvolvendo um sistema de alocação de localização baseado em IA para permitir que armazéns se adaptem instantaneamente às mudanças na demanda.
As pesquisadoras Selene Silvestri e Sarah Schaumann, do Center for Transportation and Logistics do MIT, explicam como esse projeto conjunto ajudará as empresas a otimizar suas operações, reduzir custos e responder melhor à volatilidade do mercado.
-
Em que consiste o projeto em que vocês estão trabalhando e qual é o seu principal objetivo?
Selene Silvestri: Nosso objetivo é otimizar a alocação de espaço no armazém. Em outras palavras, queremos entender quando e onde é melhor reposicionar os produtos dentro das instalações, seja devido a mudanças na demanda ou em parâmetros operacionais.
O sistema aprende com os dados, auxilia na tomada de decisões e fornece uma visão clara de por que os produtos são colocados em determinadas posições e por que se movem
-
Que benefícios esse sistema baseado em IA pode trazer para as operações de armazém?
Sarah Schaumann: O objetivo do algoritmo de otimização é reduzir os custos de preparação de pedidos, diminuir o tempo de processamento dos pedidos e minimizar as distâncias de picking, tanto para humanos quanto para robôs. A tecnologia que estamos desenvolvendo aprende com os dados, auxilia na tomada de decisões e proporciona uma compreensão clara de por que os produtos são colocados em locais específicos e por que são movidos.
A adoção de técnicas de machine learning e IA generativa no projeto transformará a gestão e as operações do armazém. Também terá impacto na rentabilidade, pois uma localização mais inteligente aumenta a produtividade, reduz os níveis de estoque e melhora o retorno sobre o investimento.
-
Como o aprendizado de máquina ajuda a otimizar a localização dos produtos no armazém?
Nossa ideia é desenvolver um modelo híbrido que combine pesquisa operacional com métodos de machine learning para unir o potencial de ambos os mundos Selene Silvestri: Uma das principais aplicações do aprendizado de máquina é o agrupamento de produtos. Ao analisar dados históricos de pedidos, as técnicas do machine learning podem identificar quais referências são frequentemente pedidas juntas. O algoritmo então coloca os produtos com alta afinidade mais próximos uns dos outros, reduzindo as distâncias de picking. Além disso, o sistema considera o potencial congestionamento do armazém: as decisões de slotting que possam gerar congestionamento entre os operadores são penalizadas para promover um fluxo de trabalho mais eficiente.
-
Como a inteligência artificial ajudará a otimizar a alocação de espaço em paletes?
Sarah Schaumann: Os métodos tradicionais muitas vezes têm dificuldade em se adaptar a mudanças, sazonalidade e variabilidade de pedidos. Nosso objetivo é desenvolver um modelo híbrido que combine pesquisa operacional com métodos de machine learning para aproveitar o potencial de ambos. Essas técnicas permitem identificar padrões em dados de armazém que são difíceis de identificar com métodos de otimização tradicionais. Em resumo, o novo algoritmo de otimização de slotting melhorará a eficiência operacional em armazéns de alta demanda.