Mały model AI na terminalu magazynowym

Załóżmy, że pracownik ma otwarty właściwy zapis przyjęcia towaru. Po obejrzeniu opakowań wpisuje: „dwa kartony, jeden rozerwany z boku, drugi mokry od spodu, środka nie sprawdzałem, zdjęcie tylko tego rozerwanego”. Dołącza zdjęcie rozerwanego kartonu. Kolejna osoba będzie potrzebowała rozróżnić oba opakowania i wiedzieć, czego dotyczy zdjęcie.

Aplikacja mogłaby zaproponować w tym przykładzie: „Jeden karton ma rozerwany bok, drugi jest mokry od spodu. Dołączone zdjęcie pokazuje rozerwany karton. Zawartość obu kartonów nie została sprawdzona”. Pracownik czyta opis i poprawia go, jeśli nie odpowiada jego obserwacji. Dopiero potem zatwierdza tekst do dołączenia do zapisu.

Opis rozdziela informacje o obu opakowaniach i przypomina, że ich zawartość pozostaje niesprawdzona. Przy krótszych, powtarzalnych zgłoszeniach formularz z wyborem rodzaju uszkodzenia może być równie wygodny. Model warto porównać z nim tam, gdzie uwagi są bardziej zróżnicowane i trudno zmieścić je w kilku stałych polach.

Pracownik zatwierdza to, co zobaczył

Proponowany opis musi być łatwy do przeczytania na ekranie terminala. Jeśli jego sprawdzenie wymaga przewijania długiej odpowiedzi lub przechodzenia do osobnego czatu, pomoc zaczyna dodawać pracy. W tym zastosowaniu wystarczy krótki tekst obok wpisanej obserwacji i możliwość jego poprawienia przed zatwierdzeniem.

Brak informacji powinien pozostać widoczny. Gdy pracownik nie poda liczby uszkodzonych opakowań, aplikacja nie powinna jej zgadywać. Jeśli formularz wymaga tej liczby, pracownik musi ją uzupełnić sam. Podobnie decyzja o dalszym postępowaniu z towarem wynika z zasad magazynu i uprawnień osoby obsługującej sprawę. Redakcja notatki nie daje modelowi podstaw do podjęcia takiej decyzji.

Identyfikator przyjęcia warto pobierać z otwartego zapisu w aplikacji magazynowej. Pracownik nie powinien przepisywać go do rozmowy i później sprawdzać, czy model go zachował. Tam, gdzie zadanie polega na odczytaniu kodu, właściwym punktem wyjścia jest dostępna funkcja skanowania.

„AI na terminalu” może oznaczać różne rzeczy

Zebra opisuje AI Data Capture SDK jako narzędzia do pracy z obrazem, między innymi odczytu kodów kreskowych i rozpoznawania tekstu na zdjęciu. Te funkcje nie dowodzą, że dany terminal potrafi uruchomić model językowy redagujący notatkę. Odczyt etykiety i ułożenie zdania z wpisanej obserwacji to odrębne zadania.

Google udostępnia LiteRT-LM do uruchamiania modeli językowych na Androidzie. Starsze MediaPipe LLM Inference API jest według dokumentacji Google już tylko utrzymywane, a zalecanym następcą jest LiteRT-LM. To powód, by z dostawcą potwierdzić aktualne wsparcie dla proponowanego rozwiązania i konkretnego terminala.

Dlatego rozmowa o sprzęcie powinna zacząć się od urządzeń, które pracownicy rzeczywiście noszą: ich dokładnego modelu, wersji systemu i aplikacji działających podczas zmiany. Określenie „mały model” nie gwarantuje krótkiego oczekiwania ani pomijalnego zużycia baterii. Potrzebną pamięć i zachowanie aplikacji trzeba sprawdzić na wybranym urządzeniu.

Gotowa notatka może nadal czekać na zapis

Lokalny model może przygotować tekst bez wysyłania samego zadania do zewnętrznego serwera, jeśli potrzebne oprogramowanie i model są dostępne na terminalu. Zapisanie zatwierdzonej notatki w WMS, czyli systemie zarządzania magazynem, może nadal wymagać połączenia z jego serwerem.

Jeżeli aplikacja zachowuje notatkę na urządzeniu podczas przerwy w połączeniu, pracownik powinien widzieć, że tekst nadal czeka na przesłanie. Po jego otrzymaniu przez WMS potrzebne jest czytelne potwierdzenie przy właściwym przyjęciu towaru. Dzięki temu pracownik wie, czy kolega zajmujący się sprawą może już przeczytać opis w systemie. Ogólny komunikat „zapisano” pozostawiałby tę kwestię bez odpowiedzi.

Zależność całej aplikacji od sieci omawiamy także przy dostępie do instrukcji w fabryce bez internetu. Na terminalu magazynowym pytanie jest inne: czy pracownik może dokończyć opis zdarzenia i rozpoznać moment, w którym magazynowy system rzeczywiście go otrzymał?

Czy pomoc jest warta miejsca na terminalu

Najbardziej miarodajna będzie praca z kilkoma rzeczywistymi rodzajami notatek na używanym sprzęcie. Pracownik powinien móc porównać aplikację z obecnym sposobem zapisu. Jeśli regularnie usuwa dopisane szczegóły albo czeka na zdanie, które sam napisałby szybciej, trudno uzasadnić takie wdrożenie. Przy powtarzalnych zgłoszeniach lista kategorii i krótkie pole tekstowe mogą wystarczyć.

Przy ocenie czasu warto uwzględnić pierwsze uruchomienie, a później zwykłe używanie terminala wraz z aplikacją magazynową. Google zwraca uwagę w dokumentacji LiteRT-LM, że załadowanie modelu może wymagać zauważalnego czasu. Płynność obsługi i zużycie baterii trzeba ocenić przez okres odpowiadający planowanemu użyciu. Wynik pojedynczej notatki nie mówi, jak urządzenie zachowa się podczas zmiany.

Syntalith może pomóc zbudować aplikację AI na zamówienie, która porządkuje wpisaną obserwację, pokazuje pracownikowi tekst do zatwierdzenia i przekazuje go do uzgodnionego miejsca w systemie magazynowym. Proponowany początek to mała próba na terminalu używanym w magazynie. Po niej można zdecydować, czy rozwijać rozwiązanie i jaki zakres połączenia z WMS jest potrzebny. Informacje o wycenie znajdują się w cenniku.

Do pierwszej rozmowy wystarczy opisać, co pracownicy dziś wpisują i komu te notatki później pomagają. Przyda się również nazwa terminala. Nie trzeba od razu udostępniać danych z WMS ani przygotowywać pełnej specyfikacji.