Made4Net'in kıdemli müşteri yöneticisi Jeff Jones, aksiyonel ve karar verme yeteneğine sahip ajansal yapay zekanın bugünün deposunda gerçeğe dönüştüğünü vurguluyor. Jones, ajansal AI'ı sevkiyatların zamanında çıkmasını sağlamak için istisnaları ele alan ve katma değer yaratmayan insan müdahalesini devralarak zorlukları hafifleten bir "self-healing system" (kendi kendini iyileştiren sistem) olarak tanımlıyor. Made4Net, SCExpert platformu aracılığıyla WMS, YMS (Yard Management System), TMS, LMS (Labor Management System) ve teslimat uygulamalarını entegre biçimde sunuyor. HighJump ve Tecsys, orta pazar segmentinde benzer kapsamlı çözümler sunan rakip oyuncular.
Bu durum, insan denetiminin ortadan kalktığı anlamına gelmiyor. Jones şunları söylüyor: "Ajansal AI'ın kullanımı, politikaya ve bir insanın sistemin nasıl çalışmasını istediğine ilişkin girdiği kural setine dayanıyor." Jones şunu da ekliyor: "Ajansal AI, siparişlerin günlük dalgalanmaları depoya ulaştıkça bu istisnaları gerçekten yönetebilir veya düzeltmeler yapabilir; bunu bir insandan daha verimli yapabiliyor." Policy-as-code yaklaşımı, WMS entegrasyonunda Open Policy Agent (OPA) gibi çerçevelerin kullanılmasını gerektiriyor. İstisna yönetimi; sipariş eksikliği, hasarlı envanter, stok tükenmesi, taşıyıcının gelmemesi ve rıhtım kapısı tıkanıklığı gibi günlük operasyonel sapmaların gerçek zamanlı yönetimini kapsıyor. Six Sigma ve DMAIC metodolojilerine göre özel neden varyasyonlarının AI tarafından otomatik olarak ele alınması, yüksek OEE (Overall Equipment Effectiveness) skorlarını korumak için kritik önem taşıyor.
Jones, daha fazla şirketin şu anda ajansal AI kullanmamasını üzücü buluyor ve şöyle diyor: "Yolculuk başladı; ancak çoğu şirket yalnızca öngörücüden üretici AI'ya geçti, ajansala değil." Bununla birlikte, kötü veri ajansal sistemlerin önündeki temel engel. Jones şöyle açıklıyor: "Kötü veri, depo sistemlerinde herkesçe bilinen bir sorun. Bu nedenle verinin temizliğini ve saflığını en üst düzeye çıkaran bir yol bulana kadar ajansal AI'ın tam faydasını görmenin önüne geçileceğini düşünüyorum." Master data management (MDM), SKU, ölçü birimi (UoM), taşıma birimi (HU), konum ve satıcı hiyerarşilerinin tutarlı ve temiz tutulmasını zorunlu kılıyor. Veri kökeni, veri kalite puanlaması ve veri gözlemlenebilirliği uygulamaları; Informatica, Talend, Collibra ve Monte Carlo gibi platformlar aracılığıyla yönetiliyor ve AI projelerinin başarısının ön koşulunu oluşturuyor.
Jones, tüketici alanında AI'ın kötü niyetli eylemler gerçekleştirdiğine dair hikayelerin tedarik zincirlerinde yaşanmadığını söylüyor. Jones şöyle ifade ediyor: "Bence onu tanımladığımız sınırlar içinde çalışıyor. Dilediği gibi dolaşma özgürlüğü yok. Yalnızca istisna kararlarını bir insandan daha hızlı almak için depodaki farklı politikaların, prosedürlerin ve süreçlerin üzerinde konumlanan çoklu ajanlar." AI ve depo otomasyonundaki gelişmeler daha kısa eğitim sürelerini mümkün kılıyor. Jones, 30-45 günlük eğitimlerin bir güne indirilmesinin hedeflendiğini belirtiyor. İşe alım süreci, Black Friday, Cyber Monday ve Prime Day gibi mevsimsel zirve dönemlerinde 3PL'ler ve perakende dağıtım merkezleri için kritik bir darboğaz. AR (Artırılmış Gerçeklik) gözlüklü görsel toplama ve sesli toplama sistemleri öğrenme eğrisini kısaltıyor ve hata oranını düşürüyor. Vuzix, RealWear ve Honeywell Vocollect bu segmentin önde gelen donanım sağlayıcıları. Jones'un vizyonu, ajansal AI'ın depo operasyonlarında veri kalitesi koşuluna bağlı olarak hızla yaygınlaşacağının sinyalini veriyor.
Önemli Notlar:
1. Jeff Jones, ajansal AI'ı "kendi kendini iyileştiren sistem" (self-healing system) olarak tanımlıyor.
2. AI, insan tarafından girilen politika ve kural setine göre çalışıyor.
3. Çoğu şirket öngörücüden üretici AI'ya geçti; ajansala henüz değil.
4. Kötü veri, ajansal AI'dan tam fayda sağlanmasının önündeki temel engel.
5. AI, eğitim sürelerini 30-45 günden 1 güne indirme potansiyeli taşıyor.
