Uczenie maszynowe, sztuczna inteligencja, Big Data to hasła coraz częściej przewijające się w prasie, telewizji, mediach. W ciągu ostatnich kilku, kilkunastu lat dyscyplina popularnie nazywana Data Science poczyniła ogromny postęp. Wynika on z akwizycji bardzo dużej ilości danych, coraz większej mocy obliczeniowej współczesnych komputerów, a także ogromie prac teoretycznych poświęconych analizie danych. Co więcej, uczenie maszynowe stało się dostępne dla każdego, dzięki bezpłatnym frameworkom i narzędziom, które można wykorzystywać również w zastosowaniach komercyjnych.
Zbierane dane mogą mieć bardzo duże znaczenie dla społeczności ludzkiej. Jako przykład, można przytoczyć wypowiedź byłego prezydenta Stanów Zjednoczonych Billa Clintona [1], który w swoim przemówieniu z 6 grudnia 2002 r. powiedział, że FBI przeanalizowało ogromny zbiór danych na temat konsumentów w USA. Okazało się, że znalazło się w nim pięciu sprawców tragicznego zamachu na World Trade Center z 11 września 2001 roku. Jeden z zamachowców posiadał aż trzydzieści kart kredytowych, a jego łączne saldo wynosiło dwieście pięćdziesiąt tysięcy dolarów, mimo zaledwie dwuletniego pobytu w Stanach Zjednoczonych. Inny z terrorystów miał dwanaście adresów – dwa prawdziwe domy i aż dziesięć kryjówek. Gdyby te dane były analizowane na bieżąco, być może udałoby się uniknąć wielkiej tragedii.
Metody uczenia maszynowego mają też bardzo duże znaczenie w medycynie. Rak piersi jest jedną z głównych przyczyn zgonów kobiet po 35 roku życia. Jest to bardzo częsty nowotwór – według WHO w 2012 roku wykryto go w Europie ponad czterysta tysięcy razy. Niestety, w bardzo dużej liczbie przypadków wykrywany jest zbyt późno i skuteczna terapia jest już niemożliwa [2]. Naukowcy z MiT razem z Massachusetts General Hospital pracują nad wykorzystaniem uczenia maszynowego w walce z nowotworami. Analizując ogromne ilości wyników mammografii, starają się odpowiedzieć na pytanie, czy prawdopodobne jest wystąpienie nowotworu, a w przypadku pacjentów leczonych wcześniej, czy prawdopodobny jest nawrót choroby. Takie podejście może zrewolucjonizować walkę z nowotworami [3].
Sztuczna inteligencja w magazynie
Algorytmy sztucznej inteligencji wykorzystywane są również w usprawnieniu procesów magazynowych. Mogą być wykorzystywane w procesie przyjmowania towarów. Dzięki tym metodom, możemy efektywniej wykorzystać pojemność magazynu poprzez optymalne rozmieszczenie towarów, tak by zajmowały jak najmniej miejsca i były łatwo dostępne. Co więcej, algorytmy mogą prowadzić pracowników najkrótszymi trasami po magazynie, znacznie zwiększając ich wydajność [4].
Jednym z najważniejszych zadań stawianych przez pracowników magazynu jest kompletacja zamówień dla klientów. Nieefektywne podejście do tego zadania może doprowadzić nawet do upadku firmy. Celem algorytmów uczenia maszynowego jest ustalenie odpowiedniej kolejności kompletacji z uwzględnieniem klientów priorytetowych, a także struktury magazynu i dostępności do towarów. W przypadku zamówień składających się z małych, bardzo podobnych do siebie przedmiotów, łatwo o błąd w kompletacji. Algorytmy analizujące historię zamówień klienta, mogą podpowiedzieć na które produkty szczególnie zwrócić uwagę. Nikt z nas nie lubi przecież rozczarowania podczas otwierania przesyłki, gdy okaże się, że zamówienie jest błędne lub niekompletne [4].
Nikt z nas nie chce również zbyt długo czekać na zamówiony towar. Bardzo często okazuje się, że klient składa u nas duże zamówienie na towar, którego mamy wyraźne braki. Algorytmy machine learning są w stanie analizować historyczne dane dotyczące stanów magazynowych oraz zamówień klientów podpowiadając nam, które zapasy należałoby uzupełnić. Klient, który dostaje zamówienie na czas, to zawsze klient zadowolony [4].
Pomimo nieraz bardzo nowoczesnych czytników i innych urządzeń usprawniających pracę magazyniera, wciąż musi on wpisywać wiele informacji z wykorzystaniem niezbyt wygodnej klawiatury na smartfonie czy czytniku. Jest to uciążliwe, zajmuje dużo czasu i może prowadzić do wielu błędów. Jeden ze startupów rozwija projekt: Fellow Robots – Pick-By-Voice, który w oparciu o algorytmy uczenia maszynowego, w szczególności metody przetwarzania języka naturalnego doprowadzi do sytuacji, gdzie klawiatura zostanie całkowicie zastąpiona poleceniami głosowymi [5].
Jednym z najlepszych przykładów automatyzacji procesów magazynowych jest firma Alibaba (w skład której wchodzi np. AliExpress). Wykorzystanie metod uczenia maszynowego do sterowania robotami w ich magazynie, pozwoliło na zwiększenie produktywności firmy o 70% w ciągu pierwszego miesiąca. Pokazuje to, jak wielkie możliwości drzemią w metodach sztucznej inteligencji i jest tylko kwestią czasu, aż staną się we wszystkich magazynach codziennością [6].
Autor: Wojciech Książek, Programista .NET AVOCADO Soft / YOSI.PL
