MỞ ĐƯỜNG CHO TRÍ THÔNG MINH NHÂN TẠO (AI) TRONG QUẢN LÝ NHÀ KHO



  • Những phát triển gần đây trong lĩnh vực Trí thông minh nhân tạo (AI) đã đem đến một cuộc cách mạng trong cách thức vận hành nhà kho. Nhưng trước hết để thực hiện những thay đổi chiến lược đó, doanh nghiệp phải chắc chắn rằng họ có đủ dữ liệu và nguồn nhân lực cần thiết.

    Cập nhật những công nghệ trong lĩnh vực chuỗi cung ứng gần như là một nhiệm vụ từng giờ, từng ngày. Từ robotics và tự động hóa phân tích dữ liệu và Internet Vạn Vật (Internet of Things), các công nghệ mới ẩn chứa sức mạnh cải tiến trong cách hàng hóa được xử lý, lưu trữ và vận chuyển. Có lẽ sẽ rất khó khăn cho doanh nghiệp khi họ phải quyết định tập trung vào một công nghệ nào trong số hàng ngàn công nghệ mới như hiện nay.

    Một trong số những công nghệ xứng đáng nhận được sự quan tâm chính là Trí thông minh nhân tạo (AI). Theo một nghĩa dễ hiểu nhất, AI là sự phát triển các hệ thống máy tính có thể thực hiện những nhiệm vụ mà thông thường đòi hỏi trí thông minh của con người mới có thể giải quyết được, ví dụ như nhận thức thị giác, nhận dạng giọng nói, ra quyết định, phiên dịch. Ý tưởng AI đã xuất hiện lần đầu tiên năm 1956 tuy nhiên phải mất một thời gian dài để con người có thể lập trình đưa trí thông minh vào hệ thống máy tính.

    “Máy học” (Machine learning) hay có khi được gọi là “học máy”, là một loại hình phổ biến nhất của AI trong những năm gần đây. Nó khám phá các phương cách cho phép chương trình máy tính cải thiện những kết quả đầu ra dựa trên việc học hỏi từ những dữ liệu đầu vào. Những chương trình này có thể được nhúng vào trong máy móc hoặc thậm chí có thể được tiến hành ngay trên các máy chủ hay trên điện toán đám mây. Những công ty công nghệ lớn như Amazon, Google, Facebook, Microsoft… đã ứng dụng “máy học” vào dịch vụ của họ để tạo ra những web tìm kiếm trực quan hơn, những hình ảnh đẹp hơn, có nhận dạng giọng nói và những thiết bị thông minh hơn.

    Có những điểm tương đồng giữa “máy học” và phân tích dữ liệu truyền thống (quá trình thu thập, chuyển dạng và phân tích dữ liệu). Cả hai đều yêu cầu nguồn dữ liệu sạch, đa dạng và đủ lớn để có thể hoạt động hiệu quả. Điểm khác biệt lớn nhất chính là quá trình phân tích dữ liệu truyền thống chỉ cung cấp cho người dùng kết luận từ dữ liệu đầu ra và họ phải tự thực hiện những hành động độc lập nhằm cải tiến chuỗi cung ứng của họ. Đối với từng loại vấn đề, “máy học” có thể tự động hóa dựa trên một “tập dữ liệu huấn luyện” (training data set). Đối với nhiều nhân viên chuỗi cung ứng, AI và đặc biệt là “máy học” là một công nghệ quan trọng vì nó cho phép việc tự động hóa các tác vụ. Hệ quả trong tương lai của những doanh nghiệp đang bước đầu xây dựng các chiến lược chuỗi cung ứng gắn liền với AI sẽ là gia tăng năng suất, tốc độ và hiệu suất.

    Tuy nhiên, hầu hết các chuyên gia chuỗi cung ứng không làm việc tại các tập đoàn công nghệ khổng lồ đã kể ở trên. Họ không có hàng trăm nhân viên là các nhà khoa học dữ liệu hay có ngân sách khổng lồ cho việc nghiên cứu và phát triển như những ông trùm công nghệ đó. Và họ cùng không thể tìm thấy một định nghĩa chuẩn về vai trò của AI trong chuỗi cung ứng của công ty mình. Vì vậy, mục đích của bài viết này là để chỉ ra bước đi phù hợp cho những công ty vừa và nhỏ trong việc áp dụng AI trong chuỗi cung ứng: lĩnh vực quản lý kho.

    AI trong thời điểm hiện tại

    AI phát triển nhanh chóng như ngày nay là nhờ có sự hội tụ của một số yếu tố cần thiết. Đầu tiên chính là sự gia tăng về nguồn dữ liệu. Các dữ liệu này được sản sinh thông qua quá trình tương tác với khách hàng ngày càng tăng và việc sử dụng các cảm biến nâng cao, cho phép nhiều khía cạnh trong cuộc sống của chúng ta được số hóa. Yếu tố thứ hai chính là sự gia tăng không ngừng của sức mạnh điện toán trong mọi mặt cuộc sống – từ điện thoại thông minh cho đến các đám mây điện toán. Như một tất yếu, các ứng dụng “máy học” được tìm thấy ở hầu hết các phần cứng điện toán mới nhất và có quyền truy cập đến những bộ dữ liệu lớn, đa dạng, chất lượng cao để có thể tự động hóa nhiều loại tác vụ.

    Một ví dụ gần gũi với hầu hết người tiêu dùng: nếu bạn có một chiếc iPhone, gần đây bạn sẽ có thể để ý rằng mỗi lần bạn lên xe đi làm mỗi buổi sáng, điện thoại sẽ tự động thông báo rằng bao lâu nữa bạn sẽ đến công ty và con đường nào là ngắn nhất dựa trên tình trạng giao thông thời điểm đó. Điều đầu tiên hẳn nảy ra trong đầu bạn: “Làm sao mà điện thoại lại biết mình chuẩn bị đi làm việc? Thật ngầu, và cũng một chút ớn lạnh”.

    Điện thoại của bạn có thể làm được việc đó nhờ “máy học” được nhúng vào trong điện thoại cho phép việc dự đoán điều bạn sẽ làm dựa vào những gì bạn đã làm trong quá khứ. Nếu bạn nhảy việc và lái xe đến một địa điểm khác, điện thoại bạn sẽ điều chỉnh những dự đoán và cho ra những thông báo về địa điểm mới. Điều thú vị trong ví dụ này chính là các thiết bị trở nên ngày càng hữu ích đối với người dùng mà không cần bất cứ hành động yêu cầu nào từ chính người dùng hay nhà phát triển ứng dụng.

    Một ví dụ khác chính là xe tự lái. Thế hệ xe tự lái trong thời điểm hiện tại được sử dụng để thu thập dữ liệu giúp cải tiến thế hệ xe tự động đời sau trong tương lai. Mỗi lần con người thực hiện lặp lại các tác vụ cũ, dữ liệu sẽ được ghi lại chung với các dữ liệu từ các phương tiện di chuyển khác và bắt đầu phân tích để xác định tại sao thao tác ghi đè đó lại được thực hiện. Tất cả các chiếc xe đó đều trở nên thông minh hơn dựa trên quy tắc đó.

    Mặc dù dễ dàng bị cuốn vào những phát triển thú vị của công nghệ AI ngày nay, việc sáng suốt nên làm là hiểu được những hạn chế của nó. Trong một bài báo năm 2016 trên Harvard Business Review có tên “Điều Trí thông minh nhân tạo có thể và không thể làm hiện nay”, Andrew Ng – cựu chủ nhiệm của phòng nghiên cứu AI của Stanford, cựu trưởng nhóm nghiên cứu AI của công ty đa công nghệ Baidu – nhận định rằng: “AI sẽ thay đổi nhiều ngành công nghiệp. Tuy nhiên, nó không phải là phép thuật”.

    Andrew Ng nhấn mạnh rằng mặc dù AI đang được ứng dụng rộng rãi, hầu hết các ứng dụng sử dụng “máy học” được gọi là “học có giám sát” (supervised learning). Ở “học có giám sát”, tập dữ liệu đầu vào huấn luyện được liên kết với quyết định đầu ra đúng đắn. Thuật toán “máy học” sử dụng bộ huấn luyện để ra quyết định dựa trên dữ liệu đầu vào mới. Những ứng dụng phổ biến sử dụng “học có giám sát” như là dán thẻ ảnh, quy trình cho vay nợ hay nhận dạng giọng nói. Trong mỗi trường hợp, hệ thống sẽ nhận dữ liệu đầu vào (bức ảnh đối với trường hợp dán thẻ ảnh) và ra quyết định hoặc trả lời dựa vào những gì nó học được từ “bộ dữ liệu huấn luyện”.

    Với một bộ dữ liệu đầu vào đủ lớn bằng những phản hồi phù hợp của người dùng (ví dụ như gương mặt trong bức ảnh), xây dựng các ứng dụng AI cho phép hệ thống máy tính nhận những dữ liệu đầu vào và tự ra quyết định là điều hoàn toàn có thể. Điều này cho phép các quy trình khó tự động hóa trong quá khứ có thể tự động hóa trong hiện tại và đặc biệt, nó còn giúp việc vận hành nhà kho đạt hiệu quả cao hơn. Việc nhận dạng các lợi ích tiềm ẩn như kích cỡ, chất lượng và sự đa dạng của bộ dữ liệu được sử dụng để ra quyết định của thuật toán “học có quan sát” là chìa khóa của thành công. Bộ dữ liệu càng lớn và đa dạng, quyết định đưa ra bởi thuật toán “máy học” sẽ càng chính xác hơn.

    Lựa chọn ứng dụng AI nào

    Bạn sẽ dễ dàng bị cuốn vào việc sử dụng công nghệ AI và tìm kiếm một ứng dụng phù hợp khi cân nhắc cơ hội để áp dụng AI trong chuỗi cung ứng. Tuy nhiên, những ứng dụng hữu ích sẽ xuất hiện khi bạn đánh giá những thách thức và cơ hội của doanh nghiệp. Từ đó, bạn sẽ áp dụng AI với một hiểu biết đúng đắn để giải quyết các vấn đề của doanh nghiệp mình.

    Đối với vấn đề quản lý kho, những ứng dụng AI nên được thiết kế dựa trên KPI gắn với mục đích tối ưu hóa của doanh nghiệp, như độ chính xác đặt hàng, độ an toàn, năng suất, thời gian hoàn thành đơn hàng (fulfillment time), độ chính xác tồn kho. Quản lý kho thông thường đã có một lượng dữ liệu gắn liền với những KPI của nó vì vậy các ứng dụng AI có thể sử dụng để tự động hóa thực hiện tác vụ và ra quyết định. Tuy nhiên, các dữ liệu này chưa ở dạng tương thích để sử dụng các kỹ thuật AI và nằm rải rác trong hệ thống quản lý nhà kho. Vì vậy, nhiều ứng dụng AI đòi hỏi bộ dữ liệu tổng thể từ hệ thống thông tin trong nhà kho trước khi đi vào hoạt động.

    Ví dụ sau đây mô tả tiềm năng của AI trong quản lý nhà kho. Mỗi ví dụ tập trung vào một KPI nhất định: năng suất, sử dụng trang thiết bị nâng tải và hiệu suất. Mặc dù các ví dụ này không đúng với mọi trường hợp quản lý kho, chúng vẫn phần nào cho thấy cách thức công ty sử dụng dữ liệu, chuyển dạng dữ liệu tương thích để ứng dụng “máy học”.

    Năng suất. Khi nói đến việc đi chọn hàng (picking), chúng ta sẽ thấy một kho hàng sẽ có dao động năng suất trải dài từ những nhân viên chọn hàng có năng suất trung bình cho đến người có năng suất cao nhất. Tuy nhiên, những nhà kho không ứng dụng chọn hàng nhờ vào hệ thống thường có khoảng dao động năng suất lớn hơn so với các nhà kho có sử dụng một hệ thống như vậy.

    Đối với những nhà kho không sử dụng hệ thống chọn hàng, “máy học” tạo ra các cơ hội để nâng cao năng suất của các nhân viên gom hàng năng lực tốt đồng thời cũng đề xuất các giải pháp cải thiện cho những nhân viên có năng lực thấp hơn. Trong trường hợp xét theo phương diện “học có giám sát”, dữ liệu đầu vào cho các ứng dụng AI sẽ là những danh sách chọn hàng cho các nhân viên có năng suất cao nhất được chọn và những dữ liệu đầu ra là trình tự người nhân viên đó đi chọn các sản phẩm trên danh sách. Dữ liệu đầu ra được dựa trên hệ thống mã vạch hoặc những thông tin khác có sẵn. Ngoài quãng đường di chuyển là ngắn nhất, thì điểm giao cắt sẽ là một yếu tố quan trọng trong việc tối ưu hóa năng suất chọn hàng. Hai loại thông tin này nên được đưa vào bộ dữ liệu vì những nhân viên chọn hàng (picker) giỏi thường chú ý những điểm này trong quá trình làm việc của mình.

    Với những dữ liệu phù hợp, thuật toán “máy học” có thể tự động nhận các đơn đặt hàng mới và sắp xếp chúng trong một trật tự tốt nhất cho việc chọn hàng. Trong trường hợp đó, thuật toán có thể giúp các nhân viên chọn hàng cải thiện năng suất của mình bằng việc sao chép các lựa chọn của các nhân viên hiệu quả nhất và thế là cho phép tất cả các nhân viên còn lại cải thiện năng suất của họ.

    Tận dụng trang thiết bị

    Có sự tương quan mật thiết giữa số lượng kiện hàng hoặc pallet cần di chuyển một ngày trong nhà kho với số lượng thiết bị cần thiết để làm điều đó. Trong hầu hết các trường hợp, đây là mối quan hệ tuyến tính. Tuy nhiên, có một số yếu tố khác cũng ảnh hưởng đến số lượng thiết bị cần thiết như kỹ năng của nhà vận hành hoặc mức độ giống nhau giữa các mã sản phẩm (SKU).

    Trong trường hợp này, đầu vào sẽ là tất cả thông tin có sẵn mà có thể có ảnh hưởng đến các yêu cầu của thiết bị, bao gồm các danh sách đặt hàng chi tiết từ hệ thống quản lý kho (Warehouse Management System – WMS) và mức năng suất của nhân viên có được từ hệ thống quản lý lao động (Labor Management System). Dữ liệu đầu ra sẽ là dữ liệu sử dụng trang thiết bị có được từ hệ thống quản lý đội xe nâng.

    Với bộ dữ liệu phù hợp, thuật toán “máy học” có thể nhận được những dự báo về nhu cầu đặt hàng cho những tuần và tháng kế tiếp cùng với các dữ liệu về cấp độ kỹ năng của nhân viên. Sau đó, hệ thống sẽ cung cấp những dự đoán về nhu cầu của thiết bị vận hành trong kho. Người quản lý đội xe nâng sẽ dễ dàng làm việc với những nhà cung ứng thiết bị về vấn đề thuê ngắn hạn hoặc mua mới thiết bị, ngăn ngừa tình trạng thiếu hụt.

    Hiệu suất

    Một chiến lược chia khu vực để hàng (slotting) tốt sẽ mong muốn tối ưu hóa vị trí của những SKU có tốc độ nhanh trong khi vẫn dàn trải chúng đều khu vực chọn hàng (pickface) của nhà kho nhằm giảm thiểu sự tắc nghẽn đồng thời nhằm cải thiệu hiệu suất chọn hàng. Tuy nhiên, vì nhu cầu luôn luôn thay đổi và số lượng các SKU rất lớn nên sẽ rất khó khăn và tốn kém thời gian nếu doanh nghiệp sắp xếp các SKU ở vị trí tối ưu dựa trên tốc độ luân chuyển của chúng. Một số nhân viên vận hành kho sử dụng phần mềm phân chia khu vực (slotting) giúp họ giữ những SKU ở các vị trí tối ưu nhất.

    Những phần mềm này thường cung cấp một giao diện cho phép người dùng cài đặt quy tắc vận hành của kho vào trong đó. Khi đã được cung cấp dữ liệu lịch sử bán hàng hay dự báo doanh số trong tương lai, các phần mềm này có thể đề xuất những chiến lược chia khu vực. Tuy nhiên, thường thì người vận hành phụ trách vấn đề slotting hay dựa trên kiến thức của bản thân để điều chỉnh chiến lược chia khu vực được hệ thống đề xuất, điều mà có thể không phản ánh được những quy tắc vận hành.

    Trong trường hợp này, dữ liệu đầu vào có thể là những chiến lược chia khu vực ban đầu được phần mềm đề xuất. Dữ liệu đầu ra sẽ là những chiến lược cuối cùng được thực thi. Thuật toán “máy học” có thể được tích hợp trong các phần mềm hỗ trợ, sau đó được “học” dần quan thời gian thông qua các lựa chọn slotting cuối cùng của nhà vận hành và sau này sẽ tự đồng thực hiện những điều chỉnh đó.

    Phát triển một chiến lược

    Sau khi đã nhận diện các khu vực liên quan tới nhà kho có thể nhận được lợi ích từ việc áp dụng AI, điều quan trọng đối với doanh nghiệp chính là thiết lập một chiến lược để xây dựng những ứng dụng AI này. Trong bài báo trên Harvard Business Review, Andrew Ng đã đưa ra những luận điểm hay về việc các nhân viên nên suy nghĩ về chiến lược áp dụng AI như thế nào. Theo ông, chìa khóa phát triển một chiến lược thành công đó là “hiểu rõ nơi nào tạo ra giá trị và cái gì khó sao chép”.

    Andrew cũng chỉ ra rằng ngày nay các chuyên gia AI thường xuyên xuất bản và chia sẻ các ý tưởng đồng thời lập trình hướng nguồn mở vì vậy những người đến sau truy cập vô cùng dễ dàng. Việc sao chép một phần mềm có sẵn ít tốn công hơn nhiều so với việc tìm cách truy cập nguồn dữ liệu, đặc biệt là các nguồn dữ liệu cho với kết quả đầu ra đúng. Vì vậy, những người được xem là tài sản quý báu trong việc xây dựng chiến lược ứng dụng AI là những người có khả năng nhận diện và tìm kiếm được nguồn dữ liệu có giá trị cao hoặc có thể tùy chỉnh phần mềm để nó có thể lấy được thông tin giá trị từ nguồn dữ liệu đó. Theo một cách nói khác, khi con đường ứng dụng AI vào quản lý nhà kho đã được mở sẵn, doanh nghiệp chỉ còn việc tập trung vào cải thiện chất lượng dữ liệu và con người.

    Bây giờ, câu hỏi quan trọng là làm sao có thể tìm kiếm các dữ liệu quan trọng cho công ty bạn để có thể cải thiện các chỉ tiêu đo lượng hiệu quả công việc (KPI) chủ chốt? Một khi đã xác định được điều này, bước tiếp theo chính là cải thiện chất lượng dữ liệu trong hệ thống quản lý thông tin trong nhà kho của bạn. Một nguyên tắc quản lý dữ liệu quan trọng cần lưu ý đó chính là nguyên tắc “nguồn dữ liệu duy nhất” (one source of truth). Có nghĩa là khi mô hình hóa cấu trúc thông tin, mẫu dữ liệu chỉ được lưu trữ chính xác ở một nơi tránh việc nhầm lẫn trong việc sử dụng thông tin, tránh tình trạng không đồng nhất thông tin ở nhiều nơi trong ứng dụng.

    Ví dụ, thông tin về người vận hành xe nâng có thể được lưu trữ nhiều nơi trong nhà kho như hệ thống quản lý nguồn nhân lực, LMS, WMS hay hệ thống quản lý đội xe nâng. Nếu tất cả những thông tin này là thông tin chủ chốt trong các hệ thống khác nhau, điều hoàn toàn có thể xảy ra chính là tên và số ID của các nhân viên này không giống nhau giữa các hệ thống. Ví dụ, ông Jo Smith với mã #1425 trong WMS, ông Joanne Smith với mã $1425 trong LMS và ông Joanne Smith không có mã trong hệ thống quản lý đội xe nâng là cùng một người.

    Đối với những trường hợp ứng dụng “máy học” trong đó dữ liệu giữa nhiều hệ thống đang được tổng hợp chung lại, thì điều thiết yếu cần đảm bảo là dữ liệu vận hành phải sạch. Những doanh nghiệp quản lý tốt dữ liệu sẽ dễ dàng làm được việc này bằng “bảng ghi dữ liệu nền” (master data record). Những doanh nghiệp này cũng sẽ có một giao diện lập trình ứng dụng (API – application programming interface) để truy xuất những thông tin đồng nhất vào những hệ thống khác nếu cần thiết.

    Nếu bạn đang nằm trong trường hợp tổng hợp dữ liệu từ nhiều hệ thống, thách thức kế tiếp chính là vấn đề tích hợp, có nghĩa là phải đảm bảo rằng dữ liệu từ các hệ thống trong nhà kho đó phải nằm ở dạng mà “máy học” có thể hiểu được. Việc này cần quá trình làm việc kỹ lưỡng với các nhà cung cấp phần mềm để hiểu rõ năng lực và tiềm năng tổng hợp dữ liệu từ nhiều hệ thống (như LMS, WMS, quản lý hệ thống xe nâng, ERP). Quá trình này tạo nền tảng cho các cơ sở hạ tầng số hóa để hỗ trợ cho việc phân tích dữ liệu và xây dựng ứng dụng AI bước đầu cho doanh nghiệp. Đây có thể là một thử thách mang tính kỹ thuật nhưng có thể dễ dàng được xử lý bởi API.

    Một vấn đề lớn hơn có thể xảy đến đó là vấn đề về con người. Có bao nhiêu người trong công ty bạn có chuyên môn trong việc quản lý, tích hợp, tổng hợp giá trị từ nguồn dữ liệu thô? Nếu câu trả lời là “không đủ”, bạn nên thuê các nhà điều hành – những người sẽ ngồi ở vai trò lãnh đạo và ủng hộ việc tận dụng lợi thế cạnh tranh từ tài sản “nguồn dữ liệu” của công ty.

    Mức độ tán thành cao tạo đòn bẩy cho việc bắt đầu chuỗi quyết định nâng cao năng lực quản lý dữ liệu. Đối với hầu hết các công ty, việc này có thể là sự kết hợp giữa những nhân viên nội bộ và các nhà tư vấn bên ngoài. Thậm chí còn có những ứng dụng nền tảng “máy học” như Kaggle hay Experfy dùng để kết nối bạn với những chuyên gia dữ liệu trên khắp thế giới. Xây dựng năng lực quản lý dữ liệu là một ưu tiên quan trọng bởi vì dữ liệu ngày hôm nay là nguồn tài sản quý để dạy cho ứng dụng “máy học” ngày mai. Nhiều doanh nghiệp lớn đã bắt đầu xây dựng những đội nhóm nội bộ để dẫn dắt việc xây dựng AI và phân tích dữ liệu.

    Kết luận

    Trong khi những nhà quản lý chuỗi cung ứng có vô số những công nghệ để đánh giá và hàng ngàn những thay đổi trong công nghệ để quan tâm, AI chắc chắn là một công nghệ không thể bỏ qua. Không nên xem AI như một loại thuốc chữa bách bệnh chuyển mình chuỗi cung ứng của doanh nghiệp một cách thần kì. Thay vì đó, AI nên được hiểu là một công cụ để nâng cao những KPI chủ chốt cho sự thành công của doanh nghiệp. Không cần thiết phải trở thành những chuyên gia về AI để thành thạo, tuy nhiên, bạn cần phải đảm bảo rằng doanh nghiệp thỏa mãn có đủ ba yêu cầu nền tảng: xác định những trường hợp nào có giá trị quan trọng trong việc cải tiến doanh nghiệp, tạo lập những cơ sở vật chất kỹ thuật số cho phép những dữ liệu chất lượng cao tích hợp trong đa hệ thống, bước đầu xây dựng đội ngũ những chuyên gia dữ liệu cả từ bên trong lẫn bên ngoài doanh nghiệp của bạn.

    Nguồn: CSCMP’s Supply Chain Quarterly, 03/2018.