Stocktelling
Van theorie naar praktijk
Je voorraad tellen, is een tijdrovende bezigheid met een aanzienlijk risico op menselijke fouten. Bovendien is een voorraadtelling in het beste geval een momentopname. AI helpt je om makkelijker je voorraadcijfers te bekomen. Concrete voordelen zijn: accurate voorraadcijfers (tot 3.5 keer minder telfouten), actuele voorraadcijfers, hogere telsnelheid (tot 5 keer sneller), kostreductie (gemiddeld 40% tijdsbesparing), verhoogde veiligheid door het vermijden van fysieke bewegingen in het magazijn en het tellen op hoogte.
Toepassingen
Voorraadtelling is het fysiek verifiëren van de hoeveelheden en de conditie van alle goederen die in een magazijn zijn opgeslagen. Dit kan je op jaarlijkse basis doen bij het afsluiten van het fiscaal boekjaar of kan continue gebeuren door middel van een zogenaamde “cycle count”. Vaak dient de voorraadtelling te worden geviseerd door auditors.
AI kan je helpen om de voorraadtelling te versnellen en te vergemakkelijken. Met behulp van beeldherkenning kun je bijvoorbeeld in een oogopslag het aantal producten op een foto of in een video herkennen. Wanneer je jouw werknemers dan uitrust met tablets of smartphones die dergelijke beeldherkenningtechnologie bevatten, kun je hun laten rondlopen en simpelweg foto's of video's laten maken zodat de AI de huidige stock telt. Dat maakt het telproces een pak sneller.
In bepaalde situaties wil je bij het tellen van de stock echter zo veel mogelijk contactloos werken. In deze situaties is het telkens aanraken van fysieke apparaten zoals een tablet of smartphone afgeraden, denk maar aan verse producten in een keuken (zie ook de toepassing veiligheid en hygiëne). Door een AI met stemherkenning te gebruiken, kan de persoon die telt de telling simpelweg luidop zeggen. De AI registreert deze telling dan automatisch in het system, waardoor contact met fysieke apparaten beperkt wordt.
Je hoeft natuurlijk niet bij smartphone of tablets te blijven. Drones zijn bijvoorbeeld toenemend populair aan het worden voor stocktelling. Een drone uitgerust met een camera vliegt dan door je magazijn en registreert alle producten. Dergelijke systemen maken het uitermate makkelijk om in grote magazijnen hooggelegen producten te tellen. Dat versnelt enerzijds de telling, maar voorkomt anderzijds ook dat medewerkers telkens fysiek de hoogte in moeten. Dat beperkt toch heel wat risicovolle situaties. Bedrijven zoals IKEA hebben dergelijke dronesystemen reeds succesvol geïmplementeerd.
Met behulp van AI is het ook mogelijk om te voorspellen wanneer een product out of stock is. Je telt dan niet direct hoeveel voorraad je hebt, maar je krijgt wel een signaaltje van welk product waarschijnlijk niet meer beschikbaar is. Zo vermijd je situaties waarin een klant een product bestelt dat je eigenlijk niet meer in voorraad hebt. Op een gelijkaardige manier kun je met AI ook voorspellen welke producten de meeste kans gaan hebben om out of stock te zijn. Wanneer je aan cycle counts doet, kun je zo een focus leggen op het tellen van de producten die de AI voorstelt. Zo spaar je tijd en kosten uit.
Vereisten
Data
- Beelddata van voorraadlocatie
- ~Geannoteerd met aantal items in voorraad (te spotten vanop beelden)
- Optioneel: Sensordata
- ~Afmetingen, gewicht, temperatuur...
Hardware
- Camera
- Voertuig of drone
- Sensor
Algoritme
- Regressie-algoritme voor beeldverwerking
- ~Convolutional neural network
Aandachtspunten
- Gelijkenissen met inschatten van massa op evenementen. Het idee is dat je een model traint dat kan herkennen hoeveel eenheden van een bepaald type er te ontdekken zijn op beelddata. Gelijkaardige toepassingen worden gebruikt om bijv. het aantal personen op een massa-evenement te tellen.
- Beeldherkenning is niet noodzakelijk de beste oplossing. Voor sommige toepassingen is een directe weging of een tag zoals bijv. een RFID chip een eenvoudiger en accurater alternatief. In ander gevallen is dit echter onvoldoende als oplossing. Denk hierbij aan (1) items die in slechte staat zijn, mogen niet meer meegeteld worden, (2) je werkt met een levende voorraad zoals nog niet geoogste veld- of boomvruchten, mosselen, kreeft, vis of vee.
- Gebruik relevante en representatieve datasets tijdens training. Algoritmes voor beeldherkenning moeten getraind worden op beelden zoals ze die in de praktijk zouden te zien krijgen. M.a.w. beelden zijn idealiter gemaakt vanuit het standpunt van het voertuig, met een camera die dezelfde specificaties heeft als de camera(‘s) in dat voertuig.
- Toepassingen uit gerelateerde domeinen kunnen je oplossing een boost geven. Algoritmes voor beeldherkenning kunnen gebruik maken van transfer learning. In transfer learning train je geen volledig algoritme vanaf nul, maar start je van een model dat reeds getraind is op een andere toepassing. Vervolgens voer je verdere trainingsiteraties uit om het model bruikbaar te maken voor je eigen case.
- Gebruik een gevarieerde en complete dataset tijdens training. Voorzie voldoende variatie in de aantallen die op de voorraadbeelden te detecteren zijn. Je wenst te vermijden dat een algoritme het herkennen van een bepaald type koppelt aan een vast aantal, simpelweg omdat het nooit een ander aantal van dat type gezien heeft tijdens training.
- Overweeg item-specifieke tellingsalgoritmes. Het is mogelijk dat je een apart tellingsalgoritme dient te trainen per producttype. Je hebt dan 1 algoritme nodig om het juiste type te herkennen, om vervolgens met het corresponderende model een telling uit te voeren. Indien je beschikt over voldoende data, dan zou het echter mogelijk moeten zijn om 1 model te trainen, dat voor eender welk item een correcte telling kan maken.
Stappenplan
- Bepaal voertuigspecificaties en selecteer een leverancier
- Verzamel beelddata met camera vanuit voertuig
- Voorbereiden van beelddata
- ~Annotaties toevoegen met verwachtte voorspelling per beeld
- ~Opsplitsen in training en testset
- ~Normaliseren van beelddata
- Trainen van beeldherkenningsalgoritme
- ~Downloaden van pre-trained model voor beeldherkenning
- ~Verder trainen van model op training set
- ~Finetunen van model a.h.v. validatieset
- ~Evalueren van performantie
- Deployen van getraind model in voertuig
- ~Deployen van model
- ~Beslissing integreren met aansturingsmechanisme
- Monitoren van performantie
Interessante links
Partners
Hulp nodig bij de implementatie van deze AI-toepassingen?
Ontdek hier enkele technologiepartners.
