ИИ в складской логистике (WMS): автоматизация приёмки, пикинга и инвентаризации

Крупный маркетплейс в час пик обрабатывает тысячи заказов. Каждый требует: найти товар, взять, упаковать, маркировать, отправить. Без автоматизации это тысячи людей с тележками. Amazon решил задачу роботами. Но 99% складов — не Amazon. Для них ИИ работает иначе: не роботы, а умные алгоритмы, которые делают людей эффективнее.

Кейс 1. 6 River Systems (Shopify) — AI-ассистенты для сборщиков заказов

Инструменты

• Chuck — мобильный робот-ассистент, следующий за сотрудником
• ML-оптимизация маршрутов пикинга в реальном времени
• Совместная работа роботов и людей (collaborative robotics)
• Адаптация к изменениям склада без перепрограммирования

Что происходит

Chuck не заменяет сборщика — он идёт рядом. ML-алгоритм строит оптимальный маршрут сборки для каждого заказа (или batch заказов) с учётом: текущей загрузки других сотрудников, расположения товаров, очерёдности заказов. Chuck везёт товары к зоне упаковки, пока сотрудник уже идёт к следующей позиции.

Без Chuck: сотрудник тратит ~40% времени на ходьбу с тележкой туда-обратно. С Chuck: только пикинг, ходьба минимальна.

Результаты

• Производительность сборщиков: рост на 25–40% без увеличения нагрузки
• Ошибки сборки: снижение на ~50% (Chuck подтверждает каждое взятие)
• 6 River Systems: >50 складов клиентов в 4 странах, Shopify приобрела компанию за $450 млн

Кейс 2. Infor WMS + AI — умное управление ячейками хранения

Инструменты

• ML-оптимизация расстановки товаров (slotting optimization)
• ABC-XYZ анализ с предиктивным компонентом
• AI-управление волнами пикинга
• Forecasting запасов с учётом сезонности и промо

Что происходит

Slotting — где физически хранится каждый SKU на складе — напрямую влияет на производительность. Ходовые товары должны быть близко к зоне отгрузки. Совместно заказываемые товары — рядом друг с другом. ML-система анализирует историю заказов и автоматически рекомендует пересмотр расстановки: «переместить SKU #1234 с 5-го на 1-й ряд — это сократит суммарный путь сборщиков на 800 метров в день».

AI-управление волнами: при наплыве заказов система группирует их в «волны» оптимально — чтобы несколько сборщиков одновременно собирали комплементарные заказы и не мешали друг другу в одних и тех же рядах.

Результаты

• Оптимизация slotting: снижение пути сборщика на ~15–20% для ходовых SKU
• Производительность сборки: рост на 12–18% без изменения численности персонала
• Ошибки сборки при AI-подтверждении: снижение до <0,1% (с ~1–2% при ручном подходе)

Кейс 3. Инвентаризация через дроны и CV

Инструменты

• Автономные дроны (Gather AI, Corvus One) для инвентаризации
• Computer Vision: считывание штрихкодов и QR-кодов с высоты
• ML-сверка с WMS: автоматическое выявление расхождений
• 3D-картирование склада

Что происходит

Традиционная инвентаризация: закрыть склад на ночь, 10 сотрудников обходят все стеллажи со сканерами. Дрон: летит по заданному маршруту ночью, сканирует все ячейки, строит 3D-карту расположения товаров, сравнивает с WMS — к утру полный отчёт о расхождениях.

Gather AI: дрон работает в темноте (есть подсветка), не мешает работе склада. Одна полная инвентаризация склада 10 000 кв.м.: 2–4 часа vs 1–2 суток при ручной.

Результаты

• Время инвентаризации: сокращение в 5–10 раз
• Точность: >99,5% (дрон не устаёт и не пропускает ячейки)
• Частота инвентаризаций: можно проводить еженедельно вместо квартально — расхождения выявляются сразу, не накапливаются

Источники: 6 River Systems case studies, Infor WMS product documentation, Gather AI platform data, MHI «AI in Warehousing 2023».