Introductie & uitdaging
ZAS had een efficiëntere manier nodig om 269 stockrooms op regelmatige basis te organiseren. Het huidige systeem resulteerde in onderbenutte opslagruimte en inefficiënt voorraadbeheer, wat leidde tot tijdverlies bij het ophalen van producten. De uitdaging was om het aantal gebruikte module-eenheden te minimaliseren, voornamelijk gebaseerd op productafmetingen, zonder afbreuk te doen aan de vereiste scheiding tussen steriele en niet-steriele items en de juiste productplaatsing te garanderen op basis van gewicht, stapelbaarheid en andere kenmerken (het 3D bin packing problem).
In plaats van het vinden van de wiskundig meest optimale oplossing - die steeds complexer wordt naarmate je meer producten toevoegt - was het doel om heuristieken te gebruiken om een oplossing te creëren die de efficiëntie van het magazijn verbetert terwijl de runtime van het model beheersbaar blijft.
Projectaanpak
Modelvereisten
Het model moest rekening houden met verschillende product- en moduledetails. Productspecifieke kenmerken waren productafmetingen, productgroep, steriele en niet-steriele producten, gewicht van de items, stapelbare items en nestbare producten. Ook moest rekening worden gehouden met verschillende moduleafmetingen bij het bepalen van de opslagcapaciteit.
Uitvoering van het model
Het model werd ontworpen om direct vanuit een webapplicatie te worden uitgevoerd, die in verbinding staat met een backend algoritme om de zware berekeningen af te handelen. Gebruikers kunnen een sjabloonbestand met productgegevens uploaden, parameters configureren en de uitvoering van het model starten vanuit de interface. Het algoritme genereert dan een geoptimaliseerde voorraadindeling, rekening houdend met de door de gebruiker gedefinieerde parameters en het heuristische algoritme.
Output en evaluatie
Wanneer het model wordt uitgevoerd, hebben gebruikers toegang tot een overzicht van de resultaten in een webapplicatie, waar een samenvatting van de output van het model kan worden geraadpleegd. De belangrijkste statistieken zijn:
- Het aantal gebruikte opslagmodules en racks.
- Het percentage lege plaatsen in zowel modules als rekken, als indicator voor de efficiëntie van het ruimtegebruik.
- Een grafische weergave van hoe producten worden georganiseerd binnen de modules.
Het model genereerd ook een lijst met producten die niet in beschikbare bakken past en speciale aandacht nodig hebben. Deze output kan worden geraadpleegd in de webapplicatie zelf en er kan ook een rapport in PDF-formaat worden gedownload.
Resultaten
Het gebruik van heuristieken stelde ons in staat om een balans te vinden tussen ruimte-efficiëntie en rekensnelheid. Het model bereikt een hoge mate van ruimtegebruik terwijl de beperkingen rond productplaatsing en -scheiding worden gerespecteerd. Bovendien kan het model worden gebruikt om het aantal modules en opslageenheden te simuleren dat nodig is voor nieuwe stockrooms of wanneer er een verandering is in de bestaande productportfolio.
ZNA voerde parallelle tests en validaties uit om de effectiviteit van het model en de afstemming op de operationele eisen van het ziekenhuis te garanderen. Hierbij werd het model gelijktijdig uitgevoerd met de bestaande voorraadbeheermethode van het ziekenhuis, zodat we de resultaten in real-time konden vergelijken.
Deze testaanpak leverde waardevolle inzichten op en zorgde ervoor dat het model betrouwbaar presteerde op verschillende afdelingen en opslagconfiguraties. Het gaf het ziekenhuis ook vertrouwen in de overgang naar het nieuwe systeem zonder de bestaande processen te verstoren.
Conclusie
Dit project toonde het effectieve gebruik van AI gebaseerde heuristiek bij het oplossen van een complex probleem voor magazijnoptimalisatie in een ziekenhuisomgeving. Door prioriteit te geven aan runtime-efficiëntie boven wiskundige optimaliteit, waren we in staat om een praktische oplossing te leveren die de activiteiten van het ziekenhuis verbeterde. Ons model kan worden aangepast aan toekomstige veranderingen in voorraad- en opslagconfiguraties, waardoor het bruikbaar blijft op de lange termijn.
Wens je meer informatie hoe we Machine Learning gebruiken om workflows te optimaliseren? Ga naar onze Machine Learning pagina.
