Как использовать n8n с многомодальным ИИ и инструментами оптимизации, чтобы помочь компаниям с низким уровнем зрелости данных ускорить цифровую трансформацию.
Делиться
Каждый день в профессиональных социальных сетях кто-то заявляет, что его «искусственный интеллект-агент будет управлять всем вашим бизнесом, пока вы спите».
Создается впечатление, что они могут внедрить общий искусственный интеллект (AGI) на заводах, в финансовых отделах и службах поддержки клиентов, используя свой «секретный» шаблон n8n.
Реальность такова, что многие компании по-прежнему испытывают трудности со сбором и согласованием данных для отслеживания основных показателей эффективности.
Директор по логистике: «Я даже не знаю, сколько заказов было доставлено с опозданием, как вы думаете, на что способен ваш ИИ-агент?»
И эти рекламируемые рабочие процессы на основе ИИ, которые зачастую еще не готовы к внедрению в производство, к сожалению, ничем не могут в этом помочь.
Поэтому я придерживаюсь более прагматичного подхода к нашим проектам в области управления цепочками поставок.
Вместо того чтобы обещать искусственный общий интеллект, который будет управлять всей вашей логистической инфраструктурой, давайте начнем с локальных проблем, препятствующих конкретному процессу.
Директор по логистике: «Я хочу, чтобы наши операторы отказались от бумаги и ручек при подготовке заказов и проведении инвентаризации».
В большинстве случаев это включает в себя извлечение данных, повторяющийся ввод данных и трудоемкую административную работу с использованием ручных процессов, которые неэффективны и не обеспечивают отслеживаемости.
Например, один из клиентов использовал бумажные процессы для организации проведения инвентаризации на своем складе.
Представьте себе контролера запасов, который распечатывает файл Excel со списком мест, которые необходимо проверить.
Затем он проходит по переулкам и вручную записывает количество ящиков в каждом месте в форму, подобную той, что приведена ниже.
В каждом пункте оператор должен сделать паузу, чтобы зафиксировать фактическое количество и подтвердить, что территория проверена.
Мы можем (и должны) легко оцифровать этот процесс!
Вот что мы сделали с Telegram-ботом, использующим n8n и подключенным к агенту на базе GPT, что позволило реализовать голосовые команды.
Теперь нашему оператору достаточно следовать инструкциям бота и использовать голосовые сообщения для сообщения о количестве подсчитанных коробок в каждом пункте.
Эта локальная цифровизация становится первым конкретным шагом в цифровой трансформации этой компании с низким уровнем зрелости данных.
Мы даже добавили систему логирования для улучшения отслеживаемости процесса и отчетности о производительности.
В этой статье я приведу два реальных оперативных примера, чтобы показать, как n8n может поддержать цифровую трансформацию цепочек поставок малых и средних предприятий.
Идея заключается в использовании этой платформы автоматизации для внедрения простых рабочих процессов на основе искусственного интеллекта, которые окажут реальное влияние на операционную деятельность.
Для каждого примера я предоставлю ссылку на полное руководство (с репозиторием GitHub, содержащим шаблон), в котором подробно объясняется, как развернуть решение на вашем экземпляре.
Вокализация процессов
В логистике и управлении цепочками поставок всегда важны производительность и эффективность.
Специалисты по разработке решений для управления цепочками поставок анализируют процессы для оценки оптимальной производительности, анализируя каждый этап выполнения задачи.
Прорывом стало внедрение технологии выбора голоса, также называемой вокализацией.
Идея заключается в том, чтобы операторы общались с системой голосом, получая инструкции и предоставляя обратную связь посредством таких взаимодействий, как это:
- Голосовой сбор заказов: «Пожалуйста, пройдите в точку А и выберите пять коробок».
- Оператор: «Местоположение А, отобрано пять коробок».
- Голосовой сбор заказа: «Пожалуйста, пройдите в место D и выберите шесть коробок».
- Оператор: «Местоположение D, собрано шесть коробок».
Это повышает производительность операторов, поскольку теперь им нужно лишь сосредоточиться на отборе нужного количества товара в нужных местах.
Однако эти решения, как правило, предоставляемые поставщиками систем управления складом, могут оказаться слишком дорогими для небольших предприятий.
Здесь мы можем использовать n8n для создания легковесного решения на основе многомодального генеративного ИИ.
Озвучивание результатов циклического подсчета запасов
Я хочу вернуться к первоначальному примеру, чтобы показать вам, как я использовал технологию преобразования текста в речь (TTS) для оцифровки процесса, основанного на бумажных документах.
Мы оказываем поддержку команде по управлению запасами на складе розничной торговли модной одеждой среднего размера.
Они регулярно проводят так называемые инвентаризационные подсчеты:
- Они случайным образом выбирают места хранения на складе.
- Они извлекают из системы информацию об уровне запасов в коробках.
- На месте проверяют фактическое количество.
Для этого они используют электронную таблицу, подобную этой.
Нынешний процесс крайне неэффективен, поскольку сотруднику, занимающемуся подсчетом запасов, приходится вручную вводить фактическое количество товара.
Мы можем заменить печатные листы смартфонами, используя Telegram-ботов, управляемых n8n.
Оператор начинает работу с подключения к боту и запуска процесса с помощью команды /start .
Наш бот выберет первое неотмеченное местоположение и даст оператору указание отправиться туда.
Оператор прибывает на место, подсчитывает количество коробок и подает голосовую команду, чтобы сообщить количество.
Количество зафиксировано, и местоположение отмечено как проверенное.
Затем бот автоматически попросит оператора переместиться в следующее неотмеченное место.
Если голосовая обратная связь оператора содержит ошибку, бот запрашивает исправление.
Процесс продолжается до достижения конечной точки.
Подсчет циклов проводится без использования бумаги!
Это простое решение было внедрено для 10 операторов, а подсчет циклов проводился с помощью простой электронной таблицы.
Как нам это удалось?
Давайте подробно рассмотрим рабочий процесс.
Озвучивание логистических процессов с помощью n8n
Большинство узлов используются для координации различных этапов подсчета циклов.
Во-первых, у нас есть узлы для генерации инструкций:
- (1) запускает рабочий процесс, когда оператор отправляет сообщение или аудио.
- (6) помогает оператору, если он обращается за помощью или использует неправильную команду.
- (7) и (8) изучают электронную таблицу, чтобы найти следующее место для проверки.
Для этого нам не нужно хранить переменные состояния, поскольку логика обрабатывается электронной таблицей с помощью отметок «X» и «V» в столбце «Отмечено».
Ключевой момент в этом рабочем процессе — это зелёная наклейка.
Здесь обработка вокализации осуществляется путем сбора аудиофайла в узле Collect Audio.
Этот файл отправляется в узел аудиотранскрипции OpenAI в n8n, который предоставляет письменную транскрипцию голосовой команды нашего оператора.
Поскольку мы не можем гарантировать, что все операторы будут следовать формату сообщения, мы используем этот узел агента OpenAI для извлечения местоположения и количества из транскрипции.
[СИСТЕМНАЯ ПОДСКАЗКА] Извлеките код места хранения и подсчитанное количество из этой краткой складской выписки (EN/FR). Верните ТОЛЬКО этот JSON: {«location_id»: «…», «quantity»: «0»} — location_id: строка или null (код места хранения, например, «A-01-03», «B2») — quantity: строка или null (преобразуйте слова в числа, например, «двадцать семь» → 27) Если значение отсутствует или неясно, установите его в null. Без дополнительного текста, без пояснений. [ { «output»: { «location_id»: «A14», «quantity»: «10» } } ]
Благодаря парсеру структурированного вывода мы получаем корректный JSON с необходимой информацией.
Полученные данные затем используются блоками (4) и (5).
- (4) попросит оператора повторить, если в транскрипции есть ошибка.
- (5) обновляет электронную таблицу с количеством, предоставленным оператором, если местоположения и количества действительны.
Теперь мы охватили все потенциальные сценарии с помощью надежного решения на основе искусственного интеллекта.
Вокализация процессов с использованием синтеза речи и речи
Благодаря этому простому рабочему процессу мы повысили производительность сотрудников, занимающихся подсчетом запасов, сократили количество ошибок и добавили возможности ведения журнала.
В рамках данного решения мы не продаем AGI.
Мы решаем простую задачу с помощью подхода, использующего возможности преобразования текста в речь, присущие моделям генеративного искусственного интеллекта.
Для получения более подробной информации об этом решении (и о том, как его реализовать), вы можете ознакомиться с этим руководством (+ описанием рабочего процесса).
А что насчет обработки изображений?
В следующем примере мы рассмотрим, как использовать возможности обработки изображений LLM для поддержки процессов приема.
Автоматизация системы отчетности о повреждениях на складе
На складе получение поврежденных товаров может быстро превратиться в кошмар.
Поскольку приемка товаров может стать узким местом для вашей команды по дистрибуции, команды, занимающиеся входящими операциями, испытывают значительное давление.
Им необходимо получить как можно больше коробок, чтобы данные об остатках на складе обновились в системе, и магазины могли разместить заказы.
При получении поврежденного товара весь механизм должен остановиться для выполнения определенной процедуры:
- О повреждениях необходимо сообщать с подробным описанием.
- Операторам необходимо приложить фотографии поврежденного товара.
Для операторов, ставящих перед собой высокие целевые показатели производительности (количество полученных коробок в час), эти административные расходы могут быстро стать непосильными.
Будем надеяться, что мы сможем использовать возможности компьютерного зрения генеративных моделей искусственного интеллекта для упрощения этого процесса.
Процесс составления отчета о повреждениях при поступлении товара
Представим, что вы работаете оператором в отделе входящих звонков в той же компании розничной торговли модной одеждой.
Вы получили поврежденный поддон.
Вам необходимо подготовить отчет, который вы отправите по электронной почте, и включить в него следующую информацию:
- Краткое описание ущерба: в одном предложении изложите проблемы, о которых необходимо сообщить.
- Обнаруженные повреждения: подробная информация о повреждениях с указанием местоположения и описанием.
- Степень тяжести (поверхностная, умеренная, тяжелая)
- Рекомендуемые действия: вернуть товар или быстро устранить проблему.
- Информация о поддоне: артикул или номер штрихкода.
К счастью, ваша команда предоставила вам доступ к недавно запущенному Telegram-боту.
Вы начинаете разговор с помощью команды /start.
Следуйте инструкциям и начните с загрузки фотографии поврежденного поддона.
Затем бот попросит вас загрузить штрихкод.
Через несколько секунд вы получите это уведомление.
Теперь вы можете переместить поддон на площадку для складирования.
Что случилось?
Автоматизированный рабочий процесс сгенерировал это электронное письмо, которое было отправлено вам и команде контроля качества.
В отчете содержится следующая информация:
- Идентификатор поддона
- Сводка ущерба, выявленные повреждения и оценка их тяжести.
- Рекомендуемые действия
Это было сгенерировано автоматически сразу после загрузки фотографии и штрихкода.
Как это работает?
За этим Telegram-ботом также стоит рабочий процесс n8n.
Анализ повреждений с помощью компьютерного зрения на основе n8n
Как и в предыдущем рабочем процессе, большинство узлов (отмеченных красными стикерами) используются для организации работы и сбора информации.
Рабочий процесс также запускается сообщениями, полученными от оператора:
- (1) и (2) гарантируют, что мы отправим оператору сообщение с инструкцией, если сообщение не содержит изображения.
- (3) использует переменные состояния, чтобы определить, ожидаем ли мы получить изображение поврежденных товаров или штрихкод.
Выходные данные передаются блокам, управляемым искусственным интеллектом.
Если ожидается наличие штрихкода, файл отправляется в секцию (4); в противном случае он отправляется в секцию (5).
Для обоих случаев мы используем узлы анализа изображений OpenAI из пакета n8n.
Загруженное изображение отправляется на узел анализа изображений с простым запросом.
Считайте штрихкод, выведите только значение, больше ничего.
В данном случае я выбрал модель генеративного искусственного интеллекта, поскольку мы не можем гарантировать, что операторы всегда будут предоставлять четкие изображения штрих-кодов.
В случае (5) системная подсказка немного расширена, чтобы убедиться в полноте отчета.
Вы — ИИ-помощник, специализирующийся на складских операциях и составлении отчетов о поврежденных товарах. Проанализируйте предоставленное изображение и составьте четкий, структурированный отчет о повреждениях. Будьте объективны и описывайте только то, что видите. Ваш отчет ДОЛЖЕН соответствовать следующей структуре: Краткое описание повреждений: — [Описание в 1-2 предложениях] Наблюдаемые повреждения: — Состояние упаковки: […] — Состояние поддона: […] — Состояние товара: […] — Стабильность: […] Степень тяжести: [Незначительная / Умеренная / Серьезная] Рекомендуемые действия: — […] — […] Рекомендации: — НЕ придумывайте информацию, невидимую на изображении. — Если что-то неясно, напишите: «Не видно». — Степень тяжести должна быть одной из следующих: Незначительная, Умеренная, Серьезная.
Данное системное уведомление было составлено в консультации с командой контроля качества, которая поделилась своими ожиданиями относительно отчета.
Этот отчет хранится в переменной состояния, которая будет использоваться (6) и (7) для генерации электронного письма.
Отчет включает в себя код JavaScript и HTML-шаблон, которые заполняются данными отчета и штрихкодом.
В итоге получается краткий отчет, готовый к отправке в нашу службу контроля качества.
Если вы хотите протестировать этот рабочий процесс на своем экземпляре, вы можете следовать подробному руководству (+ предоставленный шаблон) в этом видео.
Все эти решения можно напрямую реализовать в вашем экземпляре n8n.
Но что, если вы никогда не использовали n8n?
Начните изучать автоматизацию с помощью n8n
Для начинающих я подготовил полный пошаговый учебник, в котором покажу, как:
- Настройте свой экземпляр n8n
- Настройте учетные данные для подключения к Google Sheets, Gmail и Telegram.
- Выполните базовую обработку данных и создайте свой первый узел агента ИИ.
По завершении этого руководства вы сможете запустить любой из представленных выше рабочих процессов.
Отличный способ попрактиковаться — адаптировать их к своим собственным задачам.
Как улучшить этот рабочий процесс?
Я предлагаю вам улучшить эту первоначальную версию, используя возможности преобразования текста в речь, предоставляемые моделями генеративного искусственного интеллекта.
Например, мы можем попросить оператора предоставить дополнительный контекст в аудиоформате, и узел ИИ-агента включит его в отчет.
Заключение
Это не первый мой проект, в котором я использую n8n для автоматизации рабочих процессов и создания автоматизированных процессов на основе ИИ.
Однако эти рабочие процессы всегда были связаны со сложными аналитическими продуктами, выполняющими оптимизацию (распределение бюджета, планирование производства) или прогнозирование.
Эти передовые возможности прескриптивной аналитики позволили решить проблемы, с которыми сталкиваются крупные компании.
Для поддержки менее развитых малых и средних предприятий мне пришлось применить более прагматичный подход и сосредоточиться на решении «локальных проблем».
Именно это я и пытался здесь продемонстрировать.
Надеюсь, это вас достаточно убедило. Не стесняйтесь попробовать эти рабочие процессы самостоятельно, используя мои обучающие материалы.
В следующей статье мы рассмотрим использование сервера MCP для оптимизации этих рабочих процессов.
Обо мне
Давайте свяжемся в LinkedIn и Twitter; я инженер по управлению цепочками поставок, использующий анализ данных для улучшения логистических операций и снижения затрат.
Для консультаций или получения рекомендаций по аналитике и устойчивой трансформации цепочек поставок, пожалуйста, свяжитесь со мной через Logigreen Consulting.
Самир Сачи | Наука о данных и повышение производительности
Технический блог, посвященный науке о данных, личной продуктивности, автоматизации, исследованию операций и устойчивому развитию… samirsaci.com
Источник: towardsdatascience.com
