lntralogistica: quali sono i criteri di scelta dei tool AI

L’intralogistica è la gestione dei flussi di materiali all’intero di un magazzino o di uno stabilimento e, a differenza della logistica che copre l’intero flusso dalla fonte al cliente, riguarda le attività di movimentazione, stoccaggio, picking, smistamento e replenishment nei confini di un sito operativo, sia questo un centro di distribuzione o un’intera linea di produzione.

Pure avendo una gittata operativa più contenuta rispetto alla logistica, il corto raggio dell’intralogistica pone problemi di un certo rango e, per essere ottimizzata, necessita di soluzioni adeguate, tra Warehouse Management System (WMS) e Autonomous Mobile Robots (AMR), tasselli che fanno leva sull’intelligenza artificiale.

Le braccia e la mente dell’intralogistica

Il Warehouse Management System (WMS) è il software che fa da cervello operativo, tracciando inventari, assegnando task e traducendo le priorità del business in istruzioni eseguibili.

Gli Autonomous Mobile Robots (AMR), i robot mobili autonomi, grazie a sensori e algoritmi di navigazione, spostano merci senza avere infrastrutture fisse, offrendo così una capacità operativa più elastica rispetto ai tradizionali veicoli a guida automatica (AGV)

WMS e AMR non sono entità scisse dalle attività aziendali; infatti, poggiano su aspetti quali gli spazi fisici, la qualità dei dati, la scalabilità robotica, la cyber security e le integrazioni con i software aziendali già esistenti, tipicamente si parla di integrazione tra WMS e le piattaforme Enterprise Resource Planning (ERP).

L’AI nell’intralogistica porta con sé vantaggi misurabili, tra riduzione degli errori e riduzione dei tempi utili a concludere i singoli processi ma, come sempre quando si parla di intelligenze artificiali, il modo in cui queste vengono implementate e la qualità dei dati fanno la differenza e sono ingredienti fondamentali per potere gestire gli scenari di produzione atipici (per esempio i picchi) e, più in generale, abbassare il total cost of ownership (TCO).

Le aree specifiche dell’intralogistica potenziata dalle AI

Per quanto possa sembrare semplice, l’intralogistica è l’intersezione di cinque aree specifiche le cui ampiezze e profondità cambiano a seconda del contesto in cui opera l’azienda.

Le cinque aree sono i WMS potenziati dalle AI (Machine learning) per lo slotting e il tasking, il forecasting SKU level, la visione artificiale per il picking/QA, l’orchestrazione degli AMR e l’analisi per rispondere in modo elastico e rapido alle eccezioni.

Poiché è utile spiegare nel dettaglio a cosa corrispondono i termini usati sopra, si può dire che le cinque categorie di tecnologie che guidano l’intralogistica (e la logistica) potenziata dalle AI non vivono come strumenti isolati ma fanno parte di soluzioni verticali (software specializzati) e di piattaforme che collegano tutte le unità aziendali interessate.

Le cinque aree

1. Lo slotting è l’attività mediante la quale viene deciso come e dove posizionare fisicamente ogni prodotto sugli scaffali. Tutt’altro che banale, è un compito che richiede conoscenza maniacale dei prodotti e dei flussi di produzione, perché scegliere la posizione ottimale serve a ridurre i tempi di prelievo ed evitare congestioni, con ricadute positive sulla produttività. Un compito che veniva svolto da planner esperti e che oggi è demandato al Machine learning, ovvero sistemi che esaminano volumi, frequenza degli ordini, dimensioni, compatibilità tra articoli e suggeriscono la collocazione migliore per ogni Stock Keeping Unit (SKU), l’unità minima inventariabile, il codice che identifica un prodotto in modo univoco. Da qui, quando si parla di forecasting SKU level, si intende la previsione della domanda al livello di ogni singolo codice di prodotto e non della categoria a cui questo appartiene. Una misura precisa che permette di pianificare scorte, approvvigionamenti e capacità operativa.
2. Il tasking fa invece riferimento all’assegnazione dinamica dei compiti agli operatori del magazzino, stabilendo chi deve prendere cosa, in quale ordine e seguendo quale percorso. Un contesto ottimale per le AI, capaci di creare sequenze delle attività riducendo tempi morti e spostamenti inutili o ridondanti.
3. La visione artificiale per il pick/QA è suddivisa in due fasi critiche. Il pick è il prelievo di un prodotto fisico da uno scaffale, mentre la Quality Assurance (QA) è il controllo della qualità. La visione artificiale viene usata per verificare che sia stato preso l’articolo giusto, nella quantità corretta e, non da ultimo, viene usata per controllare eventuali difetti. Telecamere e modelli AI osservano ciò che accade e segnalano anomalie ed errori in tempo reale.
4. L’orchestrazione fleet AMR riguarda la gestione coordinata di flotte di robot mobili autonomi. Non si tratta solo di fare muovere i robot, ma di decidere quale robot deve fare cosa, quale percorso seguire, come evitare collisioni, come bilanciare il carico di lavoro e come reagire a imprevisti.
5. Infine, quando si parla di analytics/RPA per eccezioni, si intende l’uso combinato di analisi avanzata dei dati e automazione dei processi (Robotic Process Automation, RPA) per gestire automaticamente tutte le situazioni anomale, tra ordini incompleti, inventario incoerente, ritardi o disallineamento dei sistemi.

L’AI identifica l’eccezione, la classifica e in molti casi la risolve senza necessità di intervento umano.

Questo ultimo punto, spesso sottovalutato, ha un valore di rilievo. Infatti, le procedure aziendali non possono contemplare le eccezioni che, per principio almeno, vanno trattate come tali e assorbono risorse tolte al core business aziendale quando si verificano. Gestirle in modo automatico è un toccasana.

I criteri per una scelta consapevole

A prescindere dall’area specifica che si vuole potenziare e a prescindere dalla grandezza dell’azienda e dal mercato in cui opera, ci sono valutazioni di massima che andrebbero fatte prima di scegliere una tecnologia e un fornitore.

Infatti, nel mondo dell’intralogistica, l’errore più comune è lo scegliere un tool AI partendo dalla tecnologia in quanto tale invece che dai colli di bottiglia operativi.

Il primo criterio di scelta è il grado di maturità operativa dell’azienda. Qualsiasi strumento AI dà il meglio solo se i processi sono già standardizzati. In un magazzino in cui l’eccezione è la norma e in cui ogni cosa viene fatta in modo emergenziale con la promessa – mai mantenuta – di mettere le cose in ordine appena ci sarà il tempo necessario per farlo, le AI non portano giovamento alcuno.

Subito dopo viene la qualità dei dati, perché i dati sporchi rendono le AI inutilizzabili, giacché queste dipendono da telemetrie continue e affidabili.

Codici a barre incoerenti, stato inventariale, storico delle movimentazioni e politiche di stoccaggio incongruenti non vengono risolti magicamente dalle AI. Questo aspetto è importante perché un fornitore di sistemi AI competente chiede informazioni sulla qualità dei dati e solo dopo cominciano a parlare di tool AI.

Il livello di integrazione con l’ecosistema aziendale

Altro criterio di spessore è il livello di integrazione con l’ecosistema aziendale. Tipicamente, nell’intralogistica vengono usati sistemi ERP, gestionali, macchine industriali, palmari, sistemi vocali, robot e una diversa quantità di dispositivi Internet of Things (IoT) e ogni azienda dovrebbe valutare sistemi AI che non la costringono a gettare al vento gli investimenti pregressi, perché c’è la possibilità di creare livelli di orchestrazione sopra le infrastrutture già in uso.

La compatibilità culturale con il personale operativo è un altro criterio cardine per la scelta di uno o più tool AI, perché i sistemi AI per l’intralogistica non devono servire per creare magazzini completamente autonomi ma luoghi di lavoro nei quali operatori umani e macchine coesistono.

Anche la scalabilità rappresenta un criterio di scelta. Un tool AI adeguato alla situazione aziendale attuale potrebbe collassare in futuro, magari non riuscendo a essere replicato su più hub logistici o non essendo adeguato a una crescita del mercato.

Quando si sceglie un tool AI per l’intralogistica occorre chiedersi se questo riduce gli attriti operativi salvaguardando l’ecosistema aziendale. Non servono sistemi che scombussolano interamente i flussi e i processi, servono sistemi che li ottimizzano.

I tool AI per l’intralogistica

Abbiamo sondato l’offerta di soluzioni che guardano a diverse realtà aziendali per settore e grandezza.

Va da sé che, in questa sede, è proibitivo parlare di costi perché sono soluzioni che non seguono logiche di pricing fondate sul numero di utenti, quanto sulle quantità di merci da gestire. Sono piattaforme complete i cui prezzi variano a seconda del contesto e delle necessità di chi ne fa uso.

1. Iniziando dal forecasting SKU, va segnalata Relex Solutions, che offre modalità di forecasting granulare, adatte soprattutto alle aziende che immagazzinano prodotti freschi o stagionali.

2. Blue Yonder è uno standard enterprise soprattutto in ambienti retail e manufacturing integrati. La profondità statistica e la gestione dei segnali di domanda complessi sono il punto di forza dei servizi offerti da questa azienda multinazionale che ha una sede anche a Milano.

3. Lokad è forse il vendor più pragmatico. Le soluzioni offerte si sposano con le aziende che fanno parte di supply chain molto irregolari, tra domanda intermittente o SKU volatili. Non sono software di facile implementazione e guardano soprattutto alle aziende già addentrate nella digitalizzazione.

4. Netstock fornisce soluzioni adatte anche a chi deve gestire poche SKU e non ha budget ingenti. Un middleware che bene si integra con una quantità di applicativi, con una curva di apprendimento bassa e – stando almeno alle recensioni – apprezzato in particolare modo dalle Pmi.

5. Anche il picking/QA è degnamente assistito da tool AI. È il caso di Praxis, piattaforme che verifica in tempo reale ciò che accade, grazie alla computer vision e all’AI per il monitoraggio del picking. Il prodotto SilkRoute di Praxis osserva il lavoro umano e confronta il comportamento reale con i flussi di lavoro attesi, introducendo una sorta di layer di controllo continuo sopra i sistemi gestionali tradizionali.

6. VisionVentory è invece una soluzione focalizzata sull’eliminazione degli errori di picking. Usa la scansione visuale via smartphone o camera industriale per verificare SKU, codici a barre, lotti, quantità e parametri supplementari come le date di scadenza dei prodotti. Un software in grado di sostituire parzialmente i controlli umani garantendo una validazione continua e in tempo reale.

7. Arvist AI è sinonimo di QA concreta e immediatamente disponibile. La logica è semplice: usare computer vision, camere esistenti e integrazione WMS/ERP per automatizzare controlli di qualità normalmente affidati agli operatori, potendo anche organizzare verifiche casuali.

Una soluzione interessante perché cerca di eliminare uno dei problemi dell’automazione dei magazzini, puntando dritto all’essenziale senza esigere progetti enormi e tempi di implementazione lunghi.

Il tasking, spesso vero tallone d’Achille, giova di soluzioni di diverso ordine.

8. Lully AI è una delle piattaforme più interessanti nel task orchestration warehouse perché assegna il task giusto alla persona oppure alla macchina adatta nel momento corretto. Il sistema si presenta come un Warehouse Orchestration System capace di coordinare attività in tempo reale, riducendo le decisioni prese dall’uomo e le inefficienze operative. Una soluzione che cerca di ottimizzare anche gli ambienti fortemente manuali, riallocando continuamente risorse e priorità in funzione di congestioni, volumi di lavoro e disponibilità del personale.

9. Stackbox mette a disposizione soluzioni radicali sul piano concettuale perché prova a trasformare il warehouse execution system in una sorta di sistema operativo neurale per l’intralogistica. La piattaforma coordina task tra operatori, AMR, AGV e l’automazione industriale attraverso un layer centralizzato che reagisce continuamente ai cambiamenti. Un aiuto prezioso per gestire ritardi, congestioni, priorità ordini e variazioni di carico, modificano automaticamente l’assegnazione dei task.

10. enMotion WES di enVista, infine, incarna un approccio classico all’orchestrazione intralogistica AI-driven. Una piattaforma che asce come layer di coordinamento sopra WMS, AMR e sistemi automatici eterogenei, agendo come “cervello” operativo del magazzino. Il perno è il task sequencing in tempo reale che alloca risorse, gestisce le priorità e sincronizza le operazioni svolte dalle macchine con quelle svolte dagli operatori umani.

I limiti dei tool AI per l’intralogistica

Ci sono dei limiti tipici di questi strumenti e altri infrastrutturali.

Fare ricorso a dei tool AI ha senso nei contesti aziendali già digitalizzati e nei quali vige la cultura del dato. Infatti, senza un’adeguata governance dei dati, le intelligenze artificiali nella migliore delle ipotesi sono pressoché inutili mentre, nel peggiore scenario possibile, tendono ad amplificare il disordine.

C’è poi l’aspetto della sicurezza della rete e, come insegnano le migliori pratiche di cyber sicurezza, le reti aziendali in cui operano questi tool AI devono essere opportunamente segmentate e, ancora prima, le imprese devono avere dei piani di risposta agli incidenti ben definiti e ciclicamente testati.

Non di meno, e anche questo riguarda qualsivoglia prodotto AI, è opportuno stringere accordi con vendor che mettono a disposizione API aperte e middleware. Evitare chi pratica tecniche di “vendor lock-in” è sempre essenziale.