A komissiózás a raktári működés egyik legköltségesebb folyamata, ami az e-kereskedelemben különösen igaz. A sok, jellemzően kevés tételt tartalmazó megrendelés miatt gyakran több tárolási pontról kell összeszedni az árut, ami gyorsan jelentős többletmegtett távolsággá nő.
A projektben érintett FM Logistic-telephelyen a komissiózók 17,7 ezer komissiózóhelyet szolgáltak ki. A működés alapja a batch picking volt: az operátorok egyetlen körben több rendelés tételeit gyűjtötték össze. Ilyen környezetben kulcskérdés, hogyan csoportosítják a rendeléseket: a jobb rendelés-összevonás kevesebb kört és rövidebb útvonalakat jelent. Ekkora volumen mellett már a csoportosítás apró pontatlanságai is több ezer plusz kilométert okozhatnak évente, és növelhetik a raktári targoncák, vontatók terhelését is.
A vállalat szerint a folyamat korábban is erősen optimalizált volt, ugyanakkor továbbra is maradt benne néhány százaléknyi tartalék. A hagyományos optimalizálási módszerek viszont egy ponton túl egyre kevésbé hoztak érdemi többleteredményt.
Saját fejlesztéstől a Google együttműködésig
A fejlesztés nem az AlphaEvolve-val indult. Az FM Logistic korábban saját algoritmust készített a rendelések csoportosítására, amely érdemi hatékonyságjavulást hozott a komissiózásban. Miután a nagyobb nyereségeket már elérték, a feladat átalakult: egy jól felépített és többször finomhangolt folyamatból kellett további néhány százalékot kinyerni.
Ekkor nyílt lehetőség a Google AlphaEvolve kipróbálására. A Google DeepMind megoldása a Gemini modellekre támaszkodva képes algoritmusokat létrehozni és továbbfejleszteni. Az FM Logistic a vállalat közlése szerint a korai hozzáférésű programba meghívott első szervezetek között volt.
Míg a széles körben ismert generatív MI-eszközök jellemzően tartalomkészítésre vagy kérdések megválaszolására készülnek, az AlphaEvolve kifejezetten összetett optimalizálási feladatok megoldására készült. Új algoritmusváltozatokat javasol, ezeket teszteli, majd a teljesítményük alapján értékeli.
Az FM Logistic célja egyértelmű volt: a rendeléscsoportosítás további javítása. Minden javasolt módosítást egy külön szimulációs környezetben ellenőriztek, amely a valós raktári működési feltételeket modellezte.
A kulcskérdés: mitől „jobb” egy megoldás?
A projekt egyik sarkalatos pontja az volt, hogy megfelelő értékelési modellt állítsanak fel az AlphaEvolve által javasolt változtatásokhoz. A siker definíciója nem merülhetett ki abban, hogy „minél rövidebb legyen az útvonal”.
Az FM Logistic szerint az MI találhat olyan megoldásokat is, amelyek a mutatók alapján látványosak, a mindennapi raktári működésben azonban nem feltétlenül kivitelezhetők. Ezért a csapatnak részletesen rögzítenie kellett a folyamat szabályait, korlátait és paramétereit. A gyakorlati üzemeltetési tapasztalat és az AlphaEvolve képességeinek összekapcsolásából olyan javaslatok születtek, amelyek mérhető eredményt hoztak, és a napi működésbe is beilleszthetők voltak.
Mi változott a raktári mindennapokban?
Az AlphaEvolve-val végzett munka után bevezetett algoritmus több mint 10 százalékos javulást hozott a korábbi megközelítéshez képest. A gyakorlatban ez rövidebb komissiózási útvonalakat jelentett: az operátorok éves összes megtett távolsága több mint 15 ezer kilométerrel csökkent.
Az eredmény azért figyelemre méltó, mert a kiindulópont eleve erős volt. A komissiózási folyamatot korábban többször optimalizálták, és az FM Logistic saját eszközei már jelentősen mérsékelték a komissiózáshoz kapcsolódó megtett távolságot. Ennek ellenére az AlphaEvolve további javulást hozott egy olyan területen, ahol minden újabb százalék egyre nehezebben érhető el.
A projekt arra is rávilágított, hogy a termelékenység növeléséhez nem mindig szükséges új automatizálás vagy létesítményfejlesztés. Ebben az esetben a nyereség abból származott, hogy a rendelkezésre álló adatokat célzottabban használták fel, és fejlettebb optimalizálási megközelítést alkalmaztak.
Az FM Logistic kiemelte: a javulást infrastruktúrába vagy eszközökbe történő beruházás nélkül érték el – kizárólag jobb adatfelhasználással és folyamatoptimalizálással.
