ШІ для логістики та складу: прогнози, маршрутизація та автоматизація документів

У логістичних проєктах регулярно бачимо один і той самий патерн: компанія чула, що «ШІ оптимізує всю ланцюжок поставок», а після розмови виявляється, що найбільше часу люди витрачають на переписування CMR-ів у систему та на ручне сортування листів від перевізників. Це не провал — це хороша новина. Ці вузькі, повторювані завдання ШІ вирішує чесно та передбачувано. Складніші області, як прогноз попиту на сезон, дають цінність лише з чітко визначеним запасом похибки та людиною, яка приймає остаточне рішення. Нижче розбираємо чотири застосування на складові: що працює, з якою точністю та де закінчується роль моделі.

Прогноз попиту — це область, в якій найлегше пообіцяти забагато. Модель навчається на історії продажів, сезонності, акціях та календарі, щоб передбачити потребу на рівні SKU або групи продуктів. Для стабільних, швидко оборотних позицій з 18-24 місяцями чистої історії реальна точність (вимірюється як відсоток влучень у діапазон допуску, наприклад, ±15%) зазвичай знаходиться в межах 75-90%. Для позицій з повільним оборотом, нових продуктів або асортименту, що сильно залежить від окремих великих клієнтів, вона падає до 50-70%, і жодна модель цього не виправить — просто бракує сигналу.

Тому прогноз — це не рішення, а вхідні дані для рішення. Планувальник отримує число разом з довірчим інтервалом та переліком факторів, які найбільше вплинули на результат. Це місце для нагляду людини: модель не знає про заплановану акцію конкурента чи про те, що найбільший клієнт змінює постачальника. Чесне впровадження показує невизначеність, а не ховає її за одним гарним числом.

Друга область — це впорядкування потоку завдань: які відправити першими, які об'єднати в один маршрут, які позначити як загрозливі для дотримання терміну. Тут ШІ не вигадує маршрути з нуля (це роблять спеціалізовані оптимізаційні солвери), а читає контекст завдання та надає йому пріоритет і категорію. Це працює як класифікатор з кількома мітками: для кожного завдання визначає терміновість, тип вантажу, ризик затримки та чи потребує воно уваги людини.

Сигнали, які читає модель: заявлене вікно доставки відносно поточного часу, історія затримок на даному напрямку, статус складу (чи товар укомплектований), рівень клієнта в системі, дні до кінця SLA. На цій основі агент спрямовує завдання до відповідної черги — термінові до чергового диспетчера, стандартні до автоматичного повідомлення, незрозумілі до ручної перевірки. Ключовий принцип, який повторюємо при кожному впровадженні: вартість помилкового зниження пріоритету термінового завдання значно вища за вартість хибної тривоги. Поріг чутливості встановлюємо асиметрично — воліємо, щоб людина відхилила кілька надмірних ескалацій, ніж щоб система пропустила одне дійсно термінове постачання. Докладніше розбираємо цей механізм у тексті про класифікацію та маршрутизацію звернень.

Зазвичай це найшвидший поворот інвестицій у логістиці. Транспортні накладні, CMR-и, рахунки від перевізників, повідомлення та підтвердження доставок надходять як скани, фото з телефону водія або PDF-файли різної якості. Хтось має переписати з них номери, дати, ваги, суми та номери завдань у систему. OCR зчитує текст із зображення, а шар екстракції даних перетворює сирий текст у структуровані поля, які потрапляють прямо до TMS або ERP.

Реальна точність залежить від якості джерела. Чисті, стандартизовані документи (друковані рахунки, системні PDF) досягають 95-99% правильно зчитаних полів. Фото з телефону, ручні записи, печатки та зім'яті папери знижують цей показник до 80-92% — і саме тут потрібен механізм впевненості: кожне поле з низьким confidence потрапляє до швидкої перевірки людиною, замість того щоб тихо потрапити до системи з помилкою. При сумах на рахунках і вагах у CMR один неправильний знак — це реальні витрати, тому фінансові та кількісні поля перевіряємо суворіше, ніж описові. Хороша практика: екстрактор ніколи не перезаписує дані в системі автоматично для критичних полів — пропонує значення, а людина підтверджує одним кліком.

Четверта область — це операційна скринька: листи від перевізників, клієнтів та складу, які сьогодні хтось вручну читає та розподіляє. «Де моя посилка», «повідомлення на завтра», «пошкодження товару», «рекламація», «зміна адреси доставки» — кожна з цих категорій йде до іншої команди та має іншу терміновість. Класифікатор читає текст, виявляє мову, оцінює терміновість та сентимент, а потім спрямовує повідомлення далі, іноді з готовою пропозицією відповіді на основі бази знань.

Під капотом часто працює router, який підбирає модель під складність завдання — простий лист класифікує дешева, швидка модель, а неоднозначне передає потужнішій. Те саме підхід, який застосовуємо в автоматизації обслуговування клієнтів та в проєктах для сервісних компаній. Тут також діє тверда межа: звернення про пошкодження, рекламації та справи з сильно негативним сентиментом завжди бачить людина, а автовідповідь надсилаємо лише для вузького діапазону рутинних, перевірених питань (статус, години, процедура).

Зв'язуючи ці чотири області, легко побачити патерн. ШІ добре справляється зі зчитуванням, класифікацією та підготовкою рішення. Людина залишається там, де помилка коштує дорого або є незворотною, а контекст виходить за межі історичних даних. Конкретно: затвердження прогнозів для позицій з великою вартістю, остаточне рішення при конфліктах пріоритетів завдань, перевірка фінансових та вагових полів з документів, а також будь-яка справа з низьким confidence або сильним негативним сентиментом.

Впровадження проводимо поетапно: спочатку режим тіні (shadow), в якому модель пропонує, а люди вирішують і порівнюють, протягом 4-8 тижнів. Лише коли метрики — точність, відсоток коригувань, час обробки — стабільні, автоматизуємо найнадійніші, найнижчого ризику категорії, а решту залишаємо людям. Такий підхід менш ефектний, ніж «ШІ перебирає склад», але він чесний і дає результат, який тримається.

Для стабільних, швидко оборотних позицій з 18-24 місяцями історії реальний діапазон влучень у діапазон ±15% зазвичай становить 75-90%. Для нових продуктів і позицій з повільним оборотом він падає до 50-70%, бо бракує сигналу в даних. Тому прогноз розглядаємо як вхідні дані для рішення планувальника з явним довірчим інтервалом, а не як готове число для автоматичного замовлення.

Ні, у сенсі повної оптимізації — для розрахунку маршрутів існують спеціалізовані солвери та системи TMS. ШІ в цьому контексті читає контекст завдання та надає йому пріоритет, категорію та ризик затримки, тобто впорядковує потік перед плануванням. Це роль класифікатора та агента, що маршрутизує, а не заміна планувальника маршрутів.

На чистих, друкованих документах точність полів сягає 95-99%, але при фото з телефону, печатках та ручних записах вона падає до 80-92%. Тому кожне поле отримує оцінку confidence, і ті з низьким показником потрапляють до швидкої перевірки людиною, замість того щоб тихо потрапити до системи. Фінансові та вагові поля перевіряємо суворіше за описові, бо там один неправильний знак реально коштує.

Для вузького діапазону чистих, стандартизованих документів — значною мірою так. Для всього потоку не рекомендуємо повної автоматизації критичних полів: екстракція даних пропонує значення, а людина підтверджує одним кліком ті, що мають низький confidence. Реальна мета — розвантажити команду на 30-60%, а не звести людський контроль до нуля.

Скрізь, де помилка коштує дорого або є незворотною, а контекст виходить за межі історичних даних: затвердження прогнозів для позицій з великою вартістю, конфлікти пріоритетів завдань, перевірка фінансових та вагових полів, а також справи з сильним негативним сентиментом. Це і є нагляд людини, вбудований у процес, а не доданий наприкінці як формальність.

Пов'язані статті: Класифікація та маршрутизація звернень ШІ, Автоматизація обслуговування клієнтів ШІ, ШІ для сервісних компаній. Спробуй також інструмент finder automatyzacji, щоб визначити, які процеси у твоїй логістиці підходять для ШІ в першу чергу.