In che modo AWS ha utilizzato il machine learning per aiutare i centri logistici di Amazon a ridurre i tempi di inattività del 70%
Nel corso degli anni, i clienti Amazon si sono abituati e hanno grandi aspettative per la consegna ultraveloce.
Ma non accade per magia, ovviamente. Invece, i pacchi nelle centinaia di centri logistici dell’azienda attraversano ogni giorno chilometri di sistemi di trasporto e smistamento, quindi Amazon ha bisogno che le sue attrezzature funzionino in modo affidabile se spera di consegnare rapidamente i pacchi ai clienti.
Per affrontare questa sfida, il leader della vendita al dettaglio ha annunciato di utilizzare Amazon Monitron, un sistema di apprendimento automatico (ML) end-to-end per rilevare comportamenti anomali nei macchinari industriali, lanciato a dicembre 2020 , per fornire una manutenzione predittiva.
Di conseguenza, Amazon ha ridotto di quasi il 70% i tempi di inattività non pianificati nei centri logistici, il che aiuta a consegnare più ordini dei clienti in tempo.
Amazon Monitron risolve i problemi industriali del mondo reale
“Una delle cose fondamentali che Amazon fa è prendere tecnologie come l’apprendimento automatico e applicarle su larga scala per risolvere i problemi del mondo reale” , ha detto a VentureBeat Vasi Philomin, vicepresidente dei servizi AI di AWS . “Questo è davvero ciò che mi ha attratto in questa azienda in primo luogo.”
Secondo Amazon, fino a 80 ingegneri sono responsabili della manutenzione delle apparecchiature in ciascun centro logistico. Prima di implementare Amazon Monitron, i tecnici hanno visitato il sito, effettuando letture e analizzando manualmente le misurazioni per determinare le condizioni dell’apparecchiatura, inclusi ultrasuoni, termografia e analisi dell’olio.
I tempi di inattività non pianificati, osserva l’azienda, possono essere costosi e ritardare le consegne ai clienti. Ad esempio, se uno smistatore critico si guasta per tre ore durante il picco del periodo natalizio, può portare alla consegna in ritardo di oltre 30.000 ordini.
Monitron riceve misurazioni automatiche della temperatura e delle vibrazioni ogni ora, rilevando potenziali guasti entro poche ore, rispetto alle 4 settimane delle precedenti tecniche manuali. Nell’anno e mezzo da quando i centri logistici hanno iniziato a utilizzarlo, hanno contribuito a evitare circa 7.300 problemi confermati in 88 centri logistici in tutto il mondo, ha affermato Philomin.
Consentire ai tecnici di utilizzare ML per la manutenzione predittiva in loco
“Abbiamo appreso che la persona che utilizza questo non è lo sviluppatore, sono tecnici in quei siti di produzione”, ha spiegato. Con Monitron, il costo per sensore è di $ 100 e possono essere acquistati su Amazon.com. “Quindi è dirompente in termini di costi e la configurazione è semplicissima: viene fornita con un’app sul telefono che ti aiuta a ottenere l’autorizzazione in cinque minuti. Un tecnico può farlo e non deve essere un esperto di IA o di manutenzione predittiva”.
Infine, c’è il pezzo di apprendimento automatico: “L’ML apprende un comportamento personalizzato per ogni singolo sensore che viene installato, quindi apprende il comportamento predefinito per vibrazione e temperatura per quella parte della macchina ed è in grado di capire rapidamente quando c’è un deviazione», disse Philomin. “Tutti e tre questi aspetti sono davvero ciò che rende Monitron molto dirompente”.
Amazon prevede di espandere l’uso di Monitron
Secondo Amazon Customer Fulfillment, la società aveva inizialmente previsto che ci sarebbero voluti circa due anni per realizzare risparmi sui costi per pagare l’implementazione di Monitron. Ma la società ha analizzato 25 siti live e ha calcolato di aver risparmiato abbastanza denaro per ottenere un ROI in meno di un anno.
Di conseguenza, secondo Amazon, prevede di estendere l’uso di Monitron a nuovi centri logistici nelle regioni del Nord America, Europa e Asia Pacifico. Amazon Customer Fulfillment prevede inoltre di mettere a punto le soglie che richiamano gli allarmi ed espandersi in altre aree come il monitoraggio delle apparecchiature di controllo.
La linea di fondo, ha affermato Philomin, riguarda la democratizzazione di AI e ML.
“Puoi avere una tecnologia che si rivolge solo a ragazzi di apprendimento automatico avanzato – ovviamente, abbiamo più livelli dello stack che sono più focalizzati sui data scientist”, ha affermato. “Ma se vuoi veramente democratizzare il machine learning e metterlo in uso ogni giorno, la tecnologia deve diventare invisibile. Ciò che conta è comprendere appieno la persona che lo utilizzerà e costruire in modo tale che quella persona possa effettivamente utilizzarlo.
