Kompletacja zamówień pozostaje jednym z najbardziej kosztownych procesów w logistyce magazynowej. Szczególnie w operacjach e-commerce, gdzie dominują zamówienia jednostkowe zawierające kilka produktów pobieranych z różnych lokalizacji magazynowych.
W jednym z centrów logistycznych FM Logistic proces obejmował ponad 17,7 tys. lokalizacji kompletacyjnych. Operatorzy realizowali zamówienia metodą batch picking (kompletacji grupowej), kompletując jednocześnie po kilkanaście zamówień podczas jednego przejazdu przez magazyn. Kluczowe znaczenie miało więc odpowiednie grupowanie zleceń w taki sposób, by ograniczyć liczbę przejazdów i długość tras. Przy takiej skali operacji nawet niewielkie błędy w doborze zamówień powodują tysiące dodatkowych kilometrów pokonywanych rocznie przez operatorów i znaczącą eksploatację wózków magazynowych.
Wiedzieliśmy, że nasz proces jest już bardzo dobrze zoptymalizowany, ale nadal widzieliśmy przestrzeń do poprawy. Tradycyjne metody optymalizacji zaczynały jednak dochodzić do swoich granic.
Od własnego algorytmu do współpracy z Google
Prace nad optymalizacją rozpoczęły się na długo przed wdrożeniem AlphaEvolve. Zespół FM Logistic opracował własny algorytm grupowania zamówień, który znacząco poprawił efektywność procesu kompletacji. W kolejnych etapach firma koncentrowała się już nie na podstawowej optymalizacji, lecz na poszukiwaniu kolejnych kilku procent poprawy w procesie, który był już bardzo dobrze uporządkowany i zoptymalizowany.
To właśnie wtedy pojawiła się możliwość przetestowania Google AlphaEvolve – rozwiązania opracowanego przez Google DeepMind, które wykorzystuje modele Gemini do tworzenia i udoskonalania algorytmów. FM Logistic znalazło się w gronie pierwszych organizacji na świecie zaproszonych do programu wczesnego dostępu do tej technologii.
W przeciwieństwie do popularnych narzędzi generatywnej AI, AlphaEvolve nie służy do tworzenia treści czy odpowiadania na pytania użytkowników. Jego zadaniem jest rozwiązywanie złożonych problemów optymalizacyjnych poprzez samodzielne proponowanie nowych wariantów algorytmów, testowanie ich i ocenianie wyników.
W przypadku FM Logistic narzędzie otrzymało jasno zdefiniowany cel: znaleźć sposób na jeszcze lepsze grupowanie zamówień. Każda proponowana zmiana była następnie weryfikowana w przygotowanym środowisku symulacyjnym, które odwzorowywało rzeczywiste warunki pracy magazynu.
Kluczowy etap: stworzenie modelu oceny rozwiązań
Kluczowym elementem projektu okazało się stworzenie odpowiedniego modelu oceny proponowanych rozwiązań. Samo skracanie tras nie mogło być jedynym kryterium sukcesu.
Jak podkreślają przedstawiciele FM Logistic, sztuczna inteligencja bardzo szybko znajduje nieoczywiste sposoby poprawy wyniku. Problem polega na tym, że nie wszystkie są możliwe do zastosowania w rzeczywistych operacjach magazynowych. Dlatego zespół musiał precyzyjnie zdefiniować zasady, ograniczenia i parametry procesu. Dopiero połączenie wiedzy operacyjnej z możliwościami AlphaEvolve pozwoliło wypracować rozwiązania, które były jednocześnie efektywne i możliwe do wdrożenia.
Efekty widoczne w codziennej operacji
Wdrożony algorytm przyniósł ponad 10-procentową poprawę względem wcześniej stosowanego rozwiązania. W praktyce przełożyło się to na skrócenie tras kompletacyjnych i ograniczenie rocznego dystansu pokonywanego przez operatorów o ponad 15 tys. kilometrów.
Skala efektu jest szczególnie istotna, jeśli uwzględnić punkt wyjścia projektu. Proces był wcześniej wielokrotnie optymalizowany, a własne rozwiązania FM Logistic pozwoliły już znacząco ograniczyć długość tras kompletacyjnych. Mimo to wykorzystanie AlphaEvolve umożliwiło wygenerowanie kolejnych usprawnień w obszarze, w którym każda następna poprawa jest coraz trudniejsza do osiągnięcia.
Projekt pokazał również, że dodatkowa efektywność nie zawsze wymaga inwestycji w infrastrukturę czy automatyzację. W tym przypadku źródłem korzyści okazało się lepsze wykorzystanie danych i bardziej zaawansowane podejście do optymalizacji procesu.
Całą poprawę udało się osiągnąć bez żadnych inwestycji w infrastrukturę czy wyposażenie. To efekt wyłącznie lepszego wykorzystania danych i optymalizacji procesu.
