אופטימיזציה בשרשראות אספקה באמצעות AI

תוכן עניינים


מאת: אפרת ספרנוביץ* 

את התואר הראשון שלי בהנדסת תעשיה וניהול עשיתי בטכניון. זה היה לפני הרבה שנים, אבל אני עדיין זוכרת את השיעור הראשון בקורס שוק ההון. המרצה כתב בגדול על הלוח את המשוואה: "רווח = הכנסות – הוצאות" ואמר: פונקציית המטרה היא מקסימום רווח. איך עושים את זה? מי שהעז לענות (בכל זאת, סטודנטים טריים, סמסטר ראשון בתואר) ענה את התשובה המובנת מאליה – מגדילים הכנסות. קל. "וזהו?" הוא שאל, והמשיך: "ומה לגבי הקטנת ההוצאות?"…

כמה שנים קדימה – הניסיון מלמד שלרוב – יותר קל להקטין הוצאות מאשר להגדיל הכנסות. או בניסוח אחר: לעשות יותר עם מה שיש. ניצול יעיל יותר של המשאבים (שממילא עומדים לרשותנו) הוא רווח נקי! והרווח יכול להימדד במונחים של כסף, אך גם במונחים של זמן, איכות, השפעה, מוניטין, זמינות, שביעות רצון ועוד.

מגפת הקורונה והמלחמה בין רוסיה ואוקראינה שיבשו את האיזון העולמי שהכרנו, ויצרו מחסור בחומרי גלם, צמצום משמעותי בהיקפי התעבורה הבינלאומית ועליה במחירי הנפט והגז (שגררו התייקרות של כל דבר אחר, באופן ישיר או עקיף). כתוצאה מכך, האינפלציה עלתה בשיעור שלא נראה כמותו מזה עשרות שנים, והרווח נשחק. העלאת מחירים עשויה לפצות על השחיקה, אך היא תשאב אותנו עמוק יותר למערבולת הזו. לכן, עכשיו יותר מתמיד, התייעלות היא גורם מפתח בניסיון לשמר מקסימום רווח.

כיצד עושים יותר עם מה שיש?

כאמור, אופטימיזציה היא שם המשחק. ניצול מיטבי של המשאבים העומדים לרשותנו, צמצום הבזבוז, מניעת תקלות והיערכות מראש לכל תרחיש סביר אפשרי (הכנת תכניות חליפיות).

מדד ה- OEE (Overall Equipment Efficiency) הוא דוגמא מצוינת ליכולת של מפעל למדוד את עצמו ולעשות יותר עם מה שיש. מספר המכונות במפעל ידוע ונתון. קצב העבודה של כל מכונה גם הוא ידוע ולכן התפוקה המקסימלית האפשרית ניתנת לחישוב. אלא שהתפוקה בפועל תמיד קטנה יותר. בכל תהליך יצורי יש גם זמני "בטלה", שבהם המכונה לא עובדת ולא מייצרת תפוקות: זמני SetUp, ניקיון, תקלות, ואפילו עצירות מתוכננות – כל אלו מקטינים את זמן העבודה היצרני של המכונה ולכן – את התפוקה שלה. נוכל להגדיל את התפוקות אם נצליח לקצר את זמני ההשבתה של המכונה, למשל ע"י שיבוץ ברצף של עבודות דומות (שלא נדרש SetUp ביניהן), הזנה אוטומטית של חומר גלם, תחזוקה מונעת ואפילו שינוי סדר הפעולות כך שחלק מהן תעשנה במקביל.

אם מדובר בקו ייצור טורי ובמוצר מסוג אחד – משימת ההתייעלות היא פשוטה יחסית, ועובדים מומחים, בעלי ידע וניסיון, יוכלו בקלות לטפל בה. אך מה אם מדובר בתהליך ייצור מורכב, ובסוגים שונים של מוצרים, המתחרים על אותם משאבים (מכונות)? מידת המורכבות גדלה עם כמות הפרמטרים שיש להביא בחשבון כדי לייצר שיבוץ אופטימלי, ומגיעה לרמה כזו שהמוח האנושי אינו מסוגל להתמודד איתה. וזאת, טרם הוספנו אילוצים "חיצוניים" שיש להביא בחשבון, כגון: מוצר פגום שיש לייצר שוב, מי מהעובדים מוסמך להפעיל איזו מכונה, זמינות חומרי הגלם ועוד.

אז כיצד בכל זאת מחברים בין הידע האנושי לנתונים ליצירת אופטימיזציה?

מערכות בינה מלאכותית (Artificial Intelligence), המנסות לדמות את דרך החשיבה האנושית באמצעות טכנולוגיה, הן הדרך להפוך נתונים לערך מוסף עסקי. הן מאפשרות קבלת החלטות נכונה, מדויקת ומהירה יותר וכתוצאה מכך – גמישות וצמיחה עסקית.

נחזור לדוגמא של נצילות המכונות (OEE) – מערכת AI יכולה לעבד את היסטוריית הייצור של כל אחת מהמכונות, ו"ללמוד" ממנה על מאפיינים כמו קצב ייצור, מופע תקלות, משכי השבתות ועוד. על בסיס הנתונים האלו ונתונים ממערכות ארגוניות נוספות (צפי קבלת חומרי גלם, תכנית הסמכות של העובדים, צבר ההזמנות, לוח חופשות וכו') – תמליץ המערכת על שיבוץ אופטימלי של העבודות והעובדים למכונות. אגב, אופטימום הוא סובייקטיבי והוא מוגדר בהתאם לחשיבות של המאפיינים השונים (לוחות זמנים, איכות, עלות הייצור) לארגון.

לאורך שרשרת האספקה, ישנן אפשרויות רבות להתייעלות: החל מפונקציות פנים-ארגוניות (הסכמי רכש, רמות מלאי, שיבוץ משימות לייצור, תחזוקת מכונות, השמת עובדים לתפקידים…) ועד שירותים חוץ-ארגוניים בקצוות השרשרת (מסלולי הפצה, דירוג ספקים, ועוד).

התמונה מתוך: "מתוך מערכת AI של Amphorica"

בהקשר זה, התועלת הגדולה של מערכות AI טמון ביכולתן:

  • לזהות דרכים טובות יותר לבצע משימות (אופטימיזציה של תהליכים)
  • להתממשק ישירות למערכות מידע תפעוליות ולייתר את הצורך בתיווך אנושי

מערכות AI נבדלות זו מזו בטיב אלגוריתם שלהן, אך גם בפונקציונליות שהן מציעות. בסקר שנערך בקרב מנהלי תפעול ולוגיסטיקה מענפי מסחר שונים בארה"ב (2021), דורגו חמשת המאפיינים החשובים ביותר (מבחינתם) של מערכות AI:

  • יכולת חיזוי

    – מערכת AI טובה יודעת ללמוד את היסטוריית הנתונים ולהקיש ממנה לגבי העתיד, כלומר: לחזות התנהגות. חיזוי ביקושים למוצר או חיזוי תקלות במכונה מאפשר לצמצם את אי הוודאות ולהכין תכנית, שבהסתברות גבוהה יותר תתממש. כתוצאה מכך, ניתן להוריד את "דמי הביטוח" (מלאי בטחון, באפר בלוחות זמנים וכו').

  • נתונים חיצוניים

    – מערכת AI מתממשקת ישירות למערכות מידע ארגוניות, ויודעת להתאים את ההמלצות שלה למאפיינים הייחודיים של הארגון. אבל ארגונים אינם פועלים בוואקום, אלא בסביבה שיש בה שחקנים נוספים, המשפיעים על פעילותם. לכן, מערכת AI טובה תדע לשלב גם נתונים חיצוניים רלבנטיים, כגון: מזג אויר, עומסי תחבורה, והנחות שמציע המתחרה. אלו יוסיפו מידע חשוב ויאפשרו למקבלי ההחלטות לקבל תמונת מצב מדויקת יותר.

  • יצירתיות

    – כן, יצירתיות! מה לבסיסי נתונים וליצירתיות? היכולת של המערכת להציג את הנתונים בקלות ובמהירות ("בלחיצת כפתור") מזוויות מבט שונות ובאופן ויזואלי, מציפה תובנות חדשות, כאלה שרוב הסיכויים שלא היינו מזהים מתוך טבלאות. התובנות הללו יכולות לאשש או להפריך החלטות (בקרה בתהליך) או לפתוח כיווני פעולה חדשים.

  • דינמיות

    – הפרמטרים השונים המשפיעים על ניהול שרשראות אספקה משתנים כל הזמן – ברמה העולמית, ברמת השוק וגם ברמת העסק. לכן, אופטימיזציה היא תהליך דינאמי איטרטיבי של הפקת תובנות, שיפור הפעילות וכיול מחדש של הנתונים.

  • אופטימיזציה כוללת, הטמעה בחלקים

    – שרשרת האספקה מתחילה בספקים מחוץ לארגון, ומסתיימת בספקים ולקוחות – גם הם מחוץ לארגון. באמצע היא עוברת דרך מספר חוליות פנים-ארגוניות. ככל שאיסוף הנתונים מקיף יותר חוליות בשרשרת – האופטימיזציה תהיה רחבה וטובה יותר. עם זאת, מומלץ להטמיע מערכת AI באופן מודולרי – חוליה אחרי חוליה, וזאת על מנת לשמור על יציבות עסקית ובו בזמן – לבחון לעומק כל נושא ולטפל בו ביסודיות המתבקשת.

כמו כן, עולה מתוך הסקר, כי כאשר חברות שונות הציעו מערכות בעלות פונקציונליות דומה, מנהלים בחרו מערכת AI של חברה בעלת לקוחות רבים יותר מאותו תחום, כדי ליהנות ממידע אודות ה- Benchmark של השוק.

לסיכום,

"מקסימום רווח" היא פונקציית המטרה של כל עסק. שרשרת האספקה היתה תמיד מקור להתייעלות ולהשגת יתרון תחרותי, ובתקופה האחרונה – יותר מתמיד. השימוש במערכות AI הוא משנה מציאות! ומאפשר "לעשות יותר עם מה שיש" ולהשיא רווחים ותועלות. וזה רק עניין של זמן עד שאלגוריתמים חכמים ינהלו את האופטימיזציה של שרשראות האספקה…

התמונות מתוך: "מתוך מערכת AI של Amphorica"

—————-

*אפרת ספרנוביץ, מהנדסת תעשיה וניהול (M.Sc) מומחית בעולמות שרשרת האספקה, בעלת למעלה מ-20 שנות ניסיון מעשי בתחום. מלווה מפעלים ועסקים בשיפור תהליכים והתייעלות, בדגש על ניהול מלאי, ומסייעת להם ליישם מצויינות תפעולית.

לפרטים נוספים וליצירת קשר: 054-5425769, efrat@safranovich.com, www.safranovich.com

דילוג לתוכן