RFID i AI: kako mašinsko učenje koristi podatke sa oznaka

Ljudi često stavljaju RFID i AI u istu rečenicu jer oboje zvuče kao savremeni alati za automatizaciju, ali oni obavljaju veoma različite poslove. RFID beleži šta se dešava u fizičkom svetu. AI, ili tačnije mašinsko učenje, traži obrasce unutar tih prikupljenih podataka i pretvara te obrasce u predviđanja, klasifikacije, preporuke ili upozorenja. Ako imate na umu tu osnovnu podelu, odnos postaje mnogo lakši za razumevanje. RFID nije inteligencija sam po sebi. To je jedan od najkorisnijih izvora podataka iz kojih inteligencija može da uči.

To je važno jer su podaci taga obično bogatiji nego što kupci prvo očekuju. Mnogi ljudi misle da su RFID podaci samo jednostavan zapis koji kaže da je artikal viđen. U stvarnim operacijama, oni mogu da kažu mnogo više. Mogu da pokažu koja se označena imovina kretala kroz koju kontrolnu tačku, koliko često je otkrivena, koliko dugo je ostala na lokaciji, kada je prestala da se kreće, da li je pratila očekivanu rutu, da li se pojavila u pogrešnoj zoni i kako se njeno ponašanje poredi sa istorijskim obrascima. Mašinsko učenje koristi signale iz RFID oznake da odgovori na pitanja koja su operativnim timovima važna svakog dana. Šta će verovatno nestati. Koja pošiljka skreće ka kašnjenju. Koja imovina je nedovoljno iskorišćena. Koji proces proizvodi neobične obrasce kretanja. Koja lokacija verovatno ima greške u inventaru. Koji RFID događaji izgledaju normalno, a koji zaslužuju pažnju.

Kupci koji pretražuju fraze kao što su RFID AI, mašinsko učenje za RFID, RFID analitika, prediktivno upravljanje inventarom, softver za RFID praćenje imovine, AI u vidljivosti lanca snabdevanja, analitika pametnog skladišta i analiza RFID podataka u realnom vremenu obično postavljaju jedno praktično pitanje ispod svih tih pomodnih reči. Kako da čitanja oznaka pretvorimo u bolje odluke. To je suština. Model mašinskog učenja je koristan samo kada pomaže nekome da nešto uradi brže, tačnije ili sa manje nagađanja.

Kako mašinsko učenje čisti sirove RFID podatke

Prva stvar koju mašinsko učenje dobro radi sa podacima RFID oznaka jeste da ih očisti. Taj deo nije glamurozan, ali je kritičan. Sirovi RFID podaci mogu biti šumni. Oznaka može biti pročitana više puta u kratkom intervalu. Obližnje antene mogu videti isti objekat. Neka čitanja mogu biti slaba, a druga se mogu pojaviti u iznenađujućim sekvencama jer je fizičko okruženje neuredno. Pre nego što možete da izgradite prediktivno upravljanje inventarom ili AI upozorenja u skladištu, često su vam potrebni modeli koji pomažu da se klasifikuje kvalitet događaja, zaključi verovatno prisustvo, potisnu duplikati i prepoznaju značajne tranzicije. Jednostavno rečeno, sistem mora da nauči razliku između artikla koji se stvarno kreće i artikla koji se jednostavno ponovo vidi.

Distributivni centar koji se bavio označenom obućom suočio se upravo sa ovim problemom. Njegov tim je želeo AI u vidljivosti lanca snabdevanja, ali prvi kontrolni paneli bili su haotični jer su kartonske kutije u pripremnoj zoni stalno generisale ponovljena čitanja sa preklapajućih portala. Preduzeću nije bilo potrebno hiljadu linija koje mu govore da ista kutija još postoji. Bilo mu je potrebno da sistem nauči da li je kutija stvarno promenila stanje. Kada je tim obučio logiku događaja da razlikuje stabilno prisustvo od stvarnog kretanja, podaci su postali dovoljno korisni da nizvodni modeli predvide zagušenje i rizik od propuštenog otpremanja.

Korišćenje RFID podataka za otkrivanje anomalija

Još jedna moćna primena mašinskog učenja sa RFID podacima je otkrivanje anomalija. U mnogim preduzećima, najskuplji događaji nisu rutinski. To su neobični događaji koje niko ne uhvati dovoljno rano. Označeni alat napušta pogrešnu prostoriju. Povratni kontejner nestaje u delu mreže u koji obično ne ide. Paleta ostaje predugo u pripremnoj zoni. Medicinski uređaj se pojavljuje na odeljenju u neobično vreme. Mašinsko učenje može da nauči normalan ritam kretanja i označi ponašanje koje se ne uklapa. To je mnogo jače od pisanja beskrajnih fiksnih pravila jer operacije retko ostaju statične. Dobri modeli uče kako izgleda normalno po lokaciji, vremenskom okviru, tipu imovine i obrascu radnog toka.

Program bolničke opreme video je stvarnu vrednost od ovog pristupa. Tim je već označio infuzione pumpe i mobilne monitore, ali osoblje je i dalje provodilo vreme tražeći uređaje koji su izgledali kao da nestaju između odeljenja. Sloj mašinskog učenja dodat je povrh softvera za RFID praćenje imovine da proučava normalne obrasce kretanja po tipu jedinice i dobu dana. Nakon nekoliko nedelja, sistem je počeo da označava neobične obrasce zadržavanja i čudne transfere između odeljenja koji nisu odgovarali istorijskom ponašanju. To nije samo pomoglo da se oprema brže pronađe. Takođe je otkrilo radne navike koje su tiho smanjivale dostupnost, kao što su određena odeljenja držala rezervne uređaje duže nego što je potražnja opravdavala.

Predviđanje kašnjenja, nedostataka i rizika za inventar

Prediktivno kretanje i prognoza nedostataka

Mašinsko učenje takođe koristi podatke RFID oznaka za predviđanje, što je oblast koja mnoge kupce najviše zanima. Predviđanje zvuči otmeno, ali često je samo način da se odgovori šta će se verovatno dogoditi sledeće ako se trenutni obrasci nastave. Ako označene palete koje stižu na dok obično prate jednu od tri putanje, model može da proceni koja je najverovatnija. Ako označeni artikli u zoni ispunjenja pokazuju obrasce zadržavanja koji obično dovode do propuštenog roka otpreme, model može da upozori nadzornike pre nego što se propust dogodi. Ako povratna imovina koja protiče kroz depoa obično ukazuje na nedostatak tri dana kasnije u nizvodnom regionu, model može rano da otkrije taj obrazac.

Kompanija za pića koja je radila sa povratnim gajbama naučila je to na praktičan način. Gajbe su već bile označene, a mreža je imala pristojnu vidljivost, ali su menadžeri i dalje bili iznenađeni nedostacima u određenim depoima. Kada je mašinsko učenje primenjeno na istoriju kretanja RFID, vremena ciklusa depoa i sezonsko ponašanje, sistem je postao mnogo bolji u predviđanju gde će se verovatno pojaviti nestašica gajbi. To je dalo logističkom timu vremena da preraspodeli inventar pre nego što bi nivo usluge nastradao. Vrednost nije bila u tome što imaju više podataka. Vrednost je bila u prepoznavanju obrasca nedostatka dok je još bilo vremena da se nešto preduzme.

Tačnost inventara i sprečavanje grešaka

Tačnost inventara je još jedna oblast u kojoj mašinsko učenje dobro koristi RFID podatke. Čak i kada preduzeće već ima RFID vidljivost zaliha, mogu ostati pitanja o tome koje su zone najsklonije greškama, koje kategorije proizvoda najverovatnije odstupaju od očekivane pozicije zaliha i koji nizovi kretanja često prethode neusaglašenostima. Mašinsko učenje može da uporedi očekivane i posmatrane istorije oznaka, identifikuje uslove povezane sa neusaglašenostima inventara i rangira oblasti po riziku od greške. To omogućava timovima da usmere ciklusne popise i istrage tamo gde su najvažniji, umesto da ravnomerno raspoređuju rad po celom lokalitetu.

Jedan trgovac odećom smatrao je to posebno korisnim. Kompanija je imala jako označavanje na nivou artikla sa RFID etikete i redovne popise zaliha, ali su određene prodavnice i dalje pokazivale neočekivane razlike između sistemskih zaliha i stvarnog stanja na policama. Ispostavilo se da odgovor nije bila jednostavna krađa ni jednostavne greške pri prijemu. Model mašinskog učenja obučen na podacima RFID oznaka, ritmu kretanja u prodavnici, vremenu dopune i obrascima vraćanja iz probnih kabina pokazao je da određeni nizovi kretanja u vršnim satima verovatnije proizvode zaturene artikle koji kasnije izgledaju kao netačnosti zaliha. Kada su timovi u prodavnicama razumeli obrazac, promenili su način na koji su rukovali privremenim povratima i premeštanjem sa polica. Tačnost inventara se poboljšala jer je sistem ukazao na bihevioralni uzrok, a ne samo na konačni broj.

Poboljšanje protoka, iskorišćenosti i upravljanja izuzecima

Optimizacija ruta i protoka

Još jedna važna primena je optimizacija ruta i protoka. U skladištima, fabrikama, bolnicama i servisnim mrežama, označeni objekti stvaraju tragove o tome kako se posao stvarno kreće, a ne kako mapa procesa tvrdi da se kreće. Mašinsko učenje može da uči iz te istorije. Može da identifikuje rute povezane sa bržim obrtom, tačke predaje povezane sa kašnjenjem i petlje kretanja koje gube vreme. U tom smislu, RFID postaje senzor procesa u realnom vremenu, a AI postaje alat koji čita trag senzora u velikom obimu.

Proizvođač malih industrijskih komponenti koristio je RFID na kutijama koje se kreću između obrade, inspekcije, premaza i pakovanja. Na papiru je proces izgledao linearno. U stvarnosti, određeni tipovi kutija stalno su pravili neefikasne petlje jer se kapacitet inspekcije razlikovao po smeni, a neki operateri su neformalno preusmeravali posao. Model mašinskog učenja obučen na sekvencama RFID oznaka identifikovao je putanje protoka najviše povezane sa kasnim završetkom. Rukovodstvo je zatim iskoristilo taj uvid da preraspodeli pravila bafera i raspored inspekcije. Nikome na terenu nije bilo potrebno predavanje o digitalnoj transformaciji. Bilo im je potrebno samo da im sistem pokaže koji obrasci kretanja tiho stvaraju kašnjenje.

Iskorišćenost imovine i planiranje održavanja

RFID i AI takođe dobro sarađuju u održavanju i iskorišćenosti imovine. Označeni alati, kolica, test oprema i imovina za višekratnu upotrebu generišu istorije koje pokazuju ko šta koristi, gde i koliko često. Mašinsko učenje može to da pretvori u prognozu iskorišćenosti, prioritizaciju održavanja i sprečavanje gubitaka. Umesto da servisiraju svaku imovinu po istom krutom rasporedu, kompanije mogu da pogledaju stvarni intenzitet rukovanja i učestalost kretanja. Umesto da kupuju više imovine jer se ljudi žale na nedostatke, mogu da provere da li je postojeći fond stvarno preopterećen ili samo loše raspoređen.

Organizacija terenskog servisa videla je to sa svojim alatima za kalibraciju. Svaki komplet alata nosio je RFID oznake, a kompanija je već otprilike znala gde se kompleti nalaze. Stvarni problem je bio odlučiti da li treba kupiti više jedinica visoke vrednosti ili jednostavno poboljšati cirkulaciju. Mašinsko učenje je analiziralo istoriju RFID praćenja imovine, učestalost izdavanja, vreme mirovanja i putovanje između depoa. Rezultat je bio iznenađujući. Neki skupi alati bili su veoma traženi, ali su drugi provodili duge periode stojeći na lokacijama sa malom potražnjom. AI nije sam rešio problem, ali je dao operativnom timu odbranjiv način da preraspodeli zalihe pre odobrenja novih kupovina.

Prioritizacija izuzetaka umesto stvaranja još upozorenja

Još jedan jak slučaj upotrebe je prioritizacija izuzetaka. Mnogi RFID sistemi već mogu da proizvode upozorenja, ali sva upozorenja ne zaslužuju istu hitnost. Mašinsko učenje pomaže da se rangiraju. Može da nauči koje kombinacije vremena zadržavanja, odstupanja od rute, tipa imovine, prioriteta narudžbe i ponašanja lokacije najverovatnije prerastaju u stvarnu operativnu bol. To je važno jer timovi prestaju da veruju sistemima koji ceo dan laju bez razloga. Dobar AI u analitici skladišta ne proizvodi samo više upozorenja. On pomaže da se odluči koja upozorenja prvo zaslužuju pažnju.

Distributer kozmetike imao je upravo taj problem. Označene kartonske kutije pokretale su mnoga upozorenja kad god bi ostale predugo u zoni prepakivanja, ali većina tih kašnjenja bila je bezazlena. Stvarna šteta dolazila je od kutija povezanih sa artiklima za lansiranje sa tesnim promotivnim rokovima. Sloj mašinskog učenja naučio je koji su obrasci RFID događaja istorijski povezani sa neuspesima u korisničkoj usluzi. Nakon toga, kontrolni panel je prestao da tretira sve zakasnele kutije kao jednake. Timovi su mogli da se fokusiraju na izuzetke koji su stvarno ugrožavali lansiranja, dok su ignorisali bezazleni šum koji je ranije punio ekran.

Uvidi u planiranje radne snage, bezbednost i usklađenost

Prognoza pritiska na radnu snagu iz kretanja oznaka

Odnos između RFID i AI postaje još zanimljiviji kada pogledate planiranje radne snage. Označeni objekti generišu signale o nagomilavanje posla, gustini kretanja i tempu procesa. Mašinsko učenje može da koristi te signale za prognozu potražnje za ljudima u prijemu, komisioniranju, dopuni, inspekciji ili transportu. To nije savršeno predviđanje i ne uklanja potrebu za lokalnom procenom, ali je često bolje od nagađanja na osnovu jučerašnjeg' radnog opterećenja ili nedeljnog proseka.

Kompanija za logistiku trećih strana koristila je RFID i mašinsko učenje u skladištu sa više klijenata gde su dolazni obrasci bili izuzetno neujednačeni. Označene palete i označena kolica već su pružali vidljivost kretanja, ali su nadzornici i dalje imali poteškoća da rasporede radnu snagu dovoljno rano u smeni. Obučavanjem modela na talasima dolaska oznaka, obrascima zagušenja zona i istorijskim vremenima završetka, kompanija je postala mnogo bolja u prognozi kratkoročnog pritiska na radnu snagu. Najveća pobeda nije bio neki apstraktni AI rezultat. Bilo je manje trenutaka kada je jedna zona bila preopterećena dok je druga imala ljude koji čekaju bez posla.

Bezbednost, kontrola pristupa i odstupanje procesa

Bezbednost i usklađenost takođe imaju koristi. Mašinsko učenje može da koristi podatke RFID oznaka za identifikaciju neobičnih obrazaca pristupa, sumnjive cirkulacije imovine ili nizova kretanja koji ne odgovaraju odobrenom ponašanju procesa. To je posebno korisno u okruženjima visoke vrednosti, regulisanim ili kontrolisanim, gde cilj nije samo znati gde se nešto nalazi, već razumeti da li njegovo kretanje ima smisla.

Farmaceutski istraživački objekat označio je kontejnere za uzorke, kontrolisane instrumente i transportne posluže. Objekat je već imao kontrolu pristupa i procedure čuvanja, ali su menadžeri želeli veću sigurnost da kretanje unutar operacije odgovara odobrenim radnim tokovima. Modeli mašinskog učenja obučeni na putanjama RFID oznaka počeli su da označavaju neobične obrasce ruta, kao što su posluže koje se pojavljuju u perifernim skladišnim zonama pre formalne prijave ili određeni instrumenti koji napuštaju odobrene zone u neobičnim intervalima. Većina upozorenja ispostavila se kao zaobilaženje procesa, a ne kao nedolično ponašanje, ali je i to bilo važno. Preduzeće je naučilo gde su se njegove stvarne procedure i stvarno ponašanje tiho razišli.

Zašto su poslovna pitanja važnija od AI hipe

Postoji još jedna strana ovog razgovora koju kupci treba jasno da čuju. Mašinsko učenje je korisno onoliko koliko je korisno poslovno pitanje iza njega. Lako je izgraditi model koji predviđa nešto što nikome ne treba ili klasifikuje događaj na koji niko neće reagovati. Najbolji RFID AI projekti počinju odlukom, a ne tehnološkim stekom. Da li pokušavate da smanjite vreme traženja. Predvidite greške u inventaru. Sprečite kašnjenja pošiljki. Poboljšate iskorišćenost imovine. Otkrijete neobično rukovanje. Prognozirate nedostatke. Prioritizujete ciklusne popise. Ako tim ne može to da odgovori, sloj mašinskog učenja će verovatno postati skup eksperiment izveštavanja.

Jedna mreža za popravku elektronike prošla je kroz tu lekciju. Kompanija je prikupila veliku količinu podataka RFID oznaka sa posluža, uređaja i radnih stanica i u početku je zamolila svoj tim za nauku o podacima da pronađe zanimljive obrasce. Rezultat je bio pametan, ali ne baš koristan. Kasnije je projekat preformulisan oko jednog konkretnog cilja: predvideti koji će poslovi popravke verovatno propustiti obećani rok. To je promenilo sve. Tim je obučio modele koristeći istoriju kretanja RFID stanica, vreme zadržavanja u redu i petlje ponovnog rada. Odjednom su rezultati bili važni jer su nadzornici mogli da intervenišu na poslovima sa rizikom od kašnjenja umesto da se dive obrascima koji nemaju operativnog vlasnika.

Takođe je važno zapamtiti da RFID podaci često postaju jači kada se kombinuju sa drugim podacima. Mašinsko učenje retko daje najbolje rezultate samo na čitanjima oznaka. Prioritet narudžbe, porodica proizvoda, vreme smene, raspored ruta, podaci o temperaturi, stanje mašine, spisak radne snage i istorijski izuzeci mogu svi da dodaju kontekst. RFID govori modelu šta je označeni objekat radio u fizičkom svetu. Okružujući sistemi pomažu da se objasni zašto je to ponašanje važno. Najbolje mašinsko učenje za RFID obično dolazi iz te mešavine, a ne iz podataka taga u izolaciji.

Distributer hladnog lanca koristio je ovaj kombinovani pristup sa označenim paletama koje se kreću kroz rashladnu pripremnu zonu i izlazno utovarivanje. RFID je pružao podatke o kretanju i zadržavanju. Temperaturni senzori pružali su kontekst okruženja. Rokovi narudžbi pružali su pritisak usluge. Mašinsko učenje je koristilo kombinovani skup podataka da predvidi koja su opterećenja najviše izložena riziku od kašnjenja povezanog sa temperaturom i koje pripremne navike obično stvaraju taj rizik. Da je kompanija gledala samo čitanja oznaka, videla bi kretanje. Kombinovanjem izvora, razumela je kretanje sa posledicom.

Šta čini da RFID i AI efikasno rade zajedno

Sa stanovišta SEO i edukacije kupaca, iskrena poruka je ova. RFID i AI dobro rade zajedno kada mašinsko učenje ima dovoljno pouzdanih podataka taga iz stabilnih sistema i odgovarajućih RFID čitača, jasan poslovni cilj i proces koji su ljudi spremni da promene na osnovu onoga što model otkrije. Posebno su korisni za prediktivno upravljanje inventarom, softver za RFID praćenje imovine, analitiku pametnog skladišta, analizu RFID podataka u realnom vremenu, otkrivanje anomalija, prognozu iskorišćenosti i predviđanje kašnjenja. Mnogo su manje impresivni kada je RFID implementacija slaba, podaci šumni ili preduzeće traži od AI da nadoknadi neodređene operacije.

Pa kako mašinsko učenje stvarno koristi podatke RFID oznaka. Čisti šumna čitanja u korisne događaje. Uči kako izgleda normalno kretanje. Predviđa šta će se verovatno dogoditi sledeće. Označava ponašanje koje se ne uklapa. Rangira koji izuzeci su važni. Otkriva gde je protok neefikasan. Pomaže kompanijama da razumeju ne samo gde se stvari nalaze, već šta njihovo ponašanje govori o riziku, potražnji, iskorišćenosti i kvalitetu procesa.

To je praktična vrednost. RFID daje AI živu vezu sa fizičkim svetom. Mašinsko učenje pretvara tu vezu u operativnu procenu u velikom obimu. Kada je projekat pravilno osmišljen, rezultat nije blistava demonstracija buduće automatizacije. To je sistem koji pomaže skladištima, fabrikama, bolnicama, trgovcima i servisnim mrežama da donose bolje odluke iz podataka taga koje već prikupljaju.