Почему Amazon работает над системой искусственного интеллекта?

Система, которую тестирует Amazon для автоматизации распределения сотрудников на складах, запустила новую дискуссию с изменением рекомендаций алгоритма некоторых менеджеров. Компания пытается идентифицировать сотрудников с данными в режиме реального времени, которые будут назначены в каких разделах. Однако менеджеры считают, что программное обеспечение не всегда читает переменные на сайте. В центре проблемы нет решений, которые дает только искусственный интеллект. Главное, как на эти решения будут опираться доверительные управляющие на складах Amazon.

Документы Business Insider и Slack перепискаСогласно новостям, на которых она основана, некоторые менеджеры были повторно проверены на автоматические рекомендации по планированию сотрудников, хотели закрыть некоторые автоматические функции. Amazon утверждает, что системы находятся на экспериментальной стадии и используются для того, чтобы помочь менеджерам принимать решения вместо того, чтобы их выполнять.

Amazon Что делает система искусственного интеллекта в складах?

Система, работающая на Amazon, ориентирована на автоматическое распределение сотрудников на складе в соответствии с изменяющейся рабочей нагрузкой. Идея, стоящая за этим, совершенно ясна: Если рабочая нагрузка увеличивается в секции, больше сотрудников должны направляться туда, персонал должен быть перемещен в другую задачу, если это необходимо в другой секции. Этот подход не является новым для Amazon. Автоматизация, машинное обучение и роботизированные системы давно используются в логистических операциях компании. На новом этапе автоматизация направлена не только на пакеты, но и на оптимизацию движения сотрудников.

Почему сотрудники перераспределяют разные секции?

Рабочая нагрузка на склады Amazon не фиксируется на сутки. Объем пакета может потребовать больше персонала в определенных областях, поскольку плотность транзакций и операционные потребности изменились.

Business Insider перевели в июне Система полной балансировки нагрузки (FFLB) пытается решить эту проблему. Система может пересчитать потребность в персонале примерно за три минуты, используя объемы пакетов и прогнозы рабочей нагрузки и рекомендовать перевод сотрудников в разные области.

Этот подход имеет экономическую сторону в Amazon. Внутренние модели компании FFLB Приблизительно 193 миллиона долларов в год были рассчитаны для обеспечения потенциальной экономии и сокращения примерно на 7 миллионов рабочих часов. Но это не реализованные результаты, а потенциальные выгоды, основанные на моделировании Amazon.

Amazon: Почему сотрудники не хотят заниматься искусственным интеллектом?

Распределение складских управляющих каждый день требует серьезного количества времени и координации в крупных операциях. Amazon создал собственную команду AWS тематическое исследование, Более 100 средних расстояний в Северной Америке указывают на то, что планирование мощности бизнеса выполняется для более чем 100 тысяч сотрудников в центре разделения.

Компания автоматизирует ручной процесс планирования, который длится около 28 часов в неделю с автоматической платформой планирования. FFLB фокусируется на другом уровне: где сотрудники должны быть расположены в течение дня.

Что такое 193 миллиона долларов на счету?

193 миллиона долларов, дело Amazon не деньги. Потенциальная годовая экономия, рассчитанная в собственных моделях, рассмотренных Business Insider. Аналогичным образом, сокращение продолжительности рабочего времени на 7 миллионов часов — это не потеря времени безотказной работы, а потенциальная эффективность, на которую нацелена система. Это различие важно, потому что успех системы в реальной жизни может отличаться от того, насколько хорошо алгоритм работает в моделировании.

Почему руководители обращаются к системе Amazon?

Некоторые менеджеры считают, что количество сотрудников, рекомендованных алгоритмом, недостаточно. Во внутренней переписке, которую передает Business Insider, видно, что менеджеры хотят сохранить больше персонала в своих регионах, некоторые автоматизированные средства управления требуют закрытия и замещения рекомендаций вручную. Менеджер хотел закрыть систему после одного из обязательных прикладных тестов на ранней стадии. С точки зрения Amazon, такое поведение может предотвратить автоматизацию производства ожидаемой эффективности. С точки зрения менеджеров, могут быть операционные детали, которые алгоритм пропускает.

Полевая информация, которую алгоритм не видит

Алгоритм может анализировать объем пакета, время обработки и количество сотрудников. Но невозможно сделать все, что менеджер знает на поле, с такой же легкостью данных. Плотность в одном участке может увеличиться через несколько минут. Определенный сотрудник может быть более опытным в конкретной задаче. Другая операция может ждать срочной поддержки при кратковременном замедлении на станции. Важная часть возражений менеджеров связана с такими различиями в контексте.

Почему искусственный интеллект отключается в складских операциях?

Проблема с Amazon на самом деле касается не только Amazon. Одной из основных проблем, с которыми сталкивается искусственный интеллект в операциях в реальном мире, является разница между измеренными данными и контекстом в поле. Какими бы исчерпывающими ни были данные в руках модели, никакая информация, передаваемая в систему, не может быть включена в механизм принятия решений.

Почему сотрудники знают разные таланты?

Легко предположить, что два сотрудника имеют одинаковые возможности для выполнения одной и той же задачи, но ситуация в реальных операциях более сложная. Опыт, знание задач и знакомство с определенными станциями могут изменить производительность. Менеджеры могут наблюдать эту информацию во время ежедневной работы. Алгоритм должен быть измерен и надежно передан в систему для использования этой информации. Здесь Управление персоналом Home Критический момент дискуссии здесь. Цель состоит не только в том, чтобы ответить на вопрос «Где должно быть несколько человек?». «Какая работа эффективнее в задаче?» — вопрос нужно правильно смоделировать.

Как работает система планирования сотрудников Amazon?

FFLB играет важную роль в работе с данными в реальном времени. Система вычисляет рабочую нагрузку и объем упаковки по всему заводу, на каких участках требуется больше или меньше сотрудников.

Согласно документам, переданным Business Insider, система может перераспределять потребности персонала примерно через три минуты. Таким образом, он направлен на перевод сотрудников в разделы, которые различаются. Эта модель выглядит логично на бумаге. Проблема не работает регулярно на бумаге реальных складов.

Решение о том, что алгоритм верен в течение трех минут, может потребоваться для повторной оценки из-за новых условий через три минуты. То же самое относится и к человеческим менеджерам. Разница заключается в том, что менеджер может распознавать некоторые изменения, но без отражения в системах данных.

Amazon Почему человеческий фактор влияет на инвестиции в искусственный интеллект?

Исследование Amazon Science 2026 в режиме реального времени в полуавтоматических системах разделения складов Планирование сотрудников Для автономного обучения и LLM-подходов рассматриваются. Модель на основе трансформатора, обученная с данными прошлых операций и увеличенная на 2,4 процента по исторической базовой линии в моделировании. В рамках подхода LLM осуществляется работа с оперативной информацией и административными предпочтениями, пригодными для чтения людьми.

Что такое человек-в-петле подход?

Одна из замечательных сторон исследования Amazon Science не исключена из системы полностью. Исследователи считают, что LLM может работать с понятными для человека оперативными сводками и может включать предпочтения администратора в цикл обратной связи. Поэтому целью является не только подход «изобрести, поставить алгоритм».

В связи с этим Amazon имеет интересную связь между текущей дискуссией на складах с собственным исследованием: если система использует информацию о человеке на поле, менеджеру необходимо полностью опровергнуть алгоритм.

Алгоритма, это менеджер склада?

Нет единого ответа на эту проблему. Преимущество алгоритмизма заключается в непрерывном анализе большого количества данных. Преимущество менеджера-человека в том, что трудно измерить оперативную информацию. Здесь же возникает проблема Amazon. Компания Дело. Некоторые руководители считают, что их опыт работы на местах еще более надежен.

Amazon в собственных документах, которые Business Insider передает, оценивает менеджеров как признак того, что их система должна применяться более строго, чем недействительная автоматизация обнаружения. Компания должна сократить ручное планирование рабочей силы между 2026 целями. Amazon говорит, что менеджеры FFLB предназначены не для замены, а для более быстрого реагирования на изменяющиеся условия.

Исследование ИИ Amazon: что исправляет эту проблему?

Подход, разработанный на исследовательской стороне Amazon, показывает, что планирование мощности бизнеса не является простой задачей автоматизации.

В то время как такие методы, как офлайн-обучение, пытаются повысить производительность в определенных задачах, изучая прошлые операции, LLM считаются кандидатами для принятия решений с помощью более высокого уровня и считываемой человеком оперативной информации. Amazon Научные исследования, Это показывает, что два подхода имеют разные преимущества. Это исследование также является важным первичным ресурсом, который показывает, что Amazon не полностью рассмотрел бизнес-союз человека и ИИ в планировании сотрудников.

Что такое Amazon в плане искусственного интеллекта?

Дело в том, что Amazon не только делает алгоритм более точным. С помощью системы вы должны определить, какой пункт менеджера будет разделять решения.

Более строгий контроль автоматизации может улучшить выполнение рекомендаций алгоритма. Но в ситуации, когда система считается неправильной или отсутствующей, ограничение вмешательства человека может создать новые операционные риски.

Так что самая сложная задача перед Amazon может быть очень управляемой, чтобы быть технической: как использовать анализ данных, что алгоритм силен, как отличить менеджера от информации поля он силен?

Исследование Amazon, проведенное в 2026 году, подходит к этому вопросу путем включения обратной связи с человеком в систему, планы приложений в компании указывают на большую автоматизацию и меньшее ручное вмешательство.

Будут ли работать сотрудники Amazon?

Прямая цель системы в этих новостях частная - не заменить всех сотрудников. Целью FFLB является автоматизация распределения существующих сотрудников на складе.

Другие операционные технологии Amazon позиционируются таким образом, что работают с аналогичными сотрудниками. Компания представила Blue Jay и Project Eluna для сокращения повторяющихся задач сотрудников в 2025 году и поддержки операционных решений. Amazon в феврале 2026 Голубой ДжейОн пояснил, что разработанная в проекте технология продолжит поддерживать сотрудников.

Пример Amazon показывает, что использование искусственного интеллекта в рабочей силе — это не только уравнение «машина вместо машины». Основной вопрос заключается в том, насколько надежным и осуществимым человеком является данное алгоритмом решение.