Dirbtinis intelektas transportavime ir logistikoje | Dirbtinis intelektas versle #75

Laivyno valdymas su AI transporto srityje

AI pagrindu veikiantys sistemos gali analizuoti labai didelius duomenų kiekius apie transporto priemones, vairuotojus ir maršrutus. Tai leidžia koreguoti tvarkaraščius ir maršrutus, geriau išnaudoti transporto išteklius ir sumažinti degalų suvartojimą iki 10-15%.

Inteligentinės sistemos, aprūpintos mašininio mokymosi galimybėmis, gali numatyti galimus gedimus mėnesiais iš anksto, remiantis duomenimis iš transporto priemonėse ir kitoje įrangoje įrengtų jutiklių. Tai leidžia suplanuoti remontus ir priežiūrą patogiu metu, sumažinti prastovas ir išvengti neplanuotų sustojimų kelyje.

Vienas iš AI naudojimo laivyno valdyme pavyzdžių yra DB Schenker, pasaulinis logistikos pramonės lyderis. Įmonė naudoja pažangius AI algoritmus transporto planavimui, paklausos prognozavimui ir pasiūlymų valdymui optimizuoti. Pavyzdžiui, Bulgarijoje įmonė naudojo Transmetrics AI sprendimą, kad pagerintų transporto priemonių išnaudojimą ir sumažintų tranzito laiką didelėms siuntoms.

Oro transporto srityje įmonė naudoja hibridinį simuliacijos ir prognozavimo įrankį, leidžiantį pritaikyti simuliacijas ir pagrįstą istoriniais duomenimis. Naudodama AI, DB Schenker ne tik pagreitina savo skaitmeninę transformaciją, bet ir užtikrina ilgalaikį konkurencinį pranašumą logistikos rinkoje.

Šaltinis: DB Schenker (https://shippingwatch.com/logistics/article14448745.ece)

AI diegimas maršrutams optimizuoti ir transporto išlaidoms mažinti

Modernios AI pagrindu veikiantys žemėlapių sistemos gali analizuoti eismo spūstis realiu laiku, ieškoti aplinkkelių ir siūlyti optimaliausius maršrutus vairuotojams, atsižvelgiant į esamas sąlygas. Be to, mašininio mokymosi algoritmai gali padėti geriau planuoti krovinių paskirstymą, kad jie būtų transportuojami per trumpiausius atstumus. Tai tiesiogiai verčia į mažesnes veiklos išlaidas.

Vienas iš pavyzdžių, kaip įmonė specializuojasi AI sprendimuose maršrutų optimizavimui, yra amerikiečių firma FourKites. Jie sukūrė realaus laiko tiekimo grandinės stebėjimo platformą, kuri naudoja duomenis ir mašininį mokymąsi, kad pagerintų transporto matomumą ir efektyvumą.

Vienas iš jų klientų, Henkel, gauna naudos naudodamas FourKites sprendimą, turėdamas prieigą prie realaus laiko duomenų apie siuntų vietą ir numatomą atvykimo laiką (ETA). Tai leidžia jiems geriau planuoti savo užduotis ir reaguoti į galimus vėlavimus.

FourKites taip pat suteikė papildomų privalumų Henkel, tokių kaip laiko ir išlaidų taupymas, LSP (logistikos paslaugų teikėjų) kokybės ir atsakomybės gerinimas, teisingas ginčų sprendimas ir baudų už vėlavimus išvengimas. 2024 m. Henkel planuoja stebėti beveik milijoną siuntų naudodama FourKites.

Šaltinis: Four Kites (https://www.fourkites.com/platform/)

Inventoriaus valdymas su AI transporto srityje

Dirbtinis intelektas yra puikus analizuojant didelius duomenų kiekius, kad tiksliai prognozuotų paklausą tam tikroms prekėms ir žaliavoms. Dėl to inventorius gali būti valdomas efektyviau, sandėliai gali būti papildomi tiksliau, o prekių trūkumai gali būti sumažinti.

Dvi populiarios priemonės, naudojančios AI ir mašininį mokymąsi tiekimo grandinės optimizavimui, yra:

• RELEX (https://www.relexsolutions.com/) – išsami platforma, naudojama paklausos prognozavimui ir automatinio inventoriaus papildymo. Įmonė padeda klientams visose pramonės šakose planuoti paklausą, valdyti inventorių, optimizuoti logistikos procesus ir skatinti pajamų augimą.
• SAP IBP (https://www.sap.com/products/scm/integrated-business-planning.html) – pažangi inventoriaus planavimo ir tiekimo grandinės modulis, kuris yra SAP paketo dalis. SAP IBP padeda optimizuoti logistikos procesus ir teikia įvairias funkcijas, įskaitant pardavimų ir operacijų planavimą (S&OP), paklausos prognozavimą, atsakymą ir pristatymą, inventoriaus planavimą ir transporto planavimą.

AI diegimas automatizuojant sandėlio procesus ir autonominį transportą

Autonominiai robotai, aprūpinti dirbtinio intelekto moduliais, jau dirba daugelyje modernių sandėlių ir logistikos centrų. Jie sugeba rinkti užsakymus, pakuoti produktus ir transportuoti prekių paletes. Mašininio mokymosi algoritmai leidžia šiems robotams atpažinti atskiras prekes ir pakuotes, planuoti savo kelius po sandėlį ir net bendrauti su darbuotojais.

Kas nutinka, kai produktas, supakuotas ir paruoštas roboto, yra pasiruošęs išvykti? Tai atveria duris AI diegimui autonominiuose transporto priemonėse. Vienas pavyzdys yra T-Pod autonominis sunkvežimis, kuris šiuo metu testuojamas DB Schenker paskirstymo centruose. Jį gali valdyti operatorius važiuojant keliu arba, dėka AI diegimo, jis gali autonomiškai transportuoti prekių paletes, vengdamas kliūčių kelyje. Navigacija palengvinama naudojant kameras, radarą ir gylio jutiklius.

DB Schenker T-Pod yra pirmas tokio tipo transporto priemonė, patvirtinta viešosioms keliams Švedijoje. Ji gali vežti iki 20 tonų krovinio ir turi apie 200 km nuotolį vienu įkrovimu.

Šaltinis: DB Schenker (https://www.dbschenker.com/)

Duomenų stebėjimas ir analizė realiu laiku su AI transporto srityje

Duomenys iš transporto priemonių jutiklių, sandėlio automatizavimo sistemų ir siuntų lokatorių gali būti analizuojami realiu laiku dirbtinio intelekto algoritmų. Tai leidžia priimti tikslius verslo sprendimus akimirksniu ir pagerina visos organizacijos efektyvumą. Pavyzdžiui, sistema, aprūpinta AI moduliu, gali padėti nedelsiant reaguoti į pristatymo vėlavimus ir informuoti klientus arba imtis prevencinių priemonių.

OLX komanda naudojo mašininį mokymąsi, kad sukurtų prognozuojamą ETA modelį, kuris transporto ir logistikos srityje reiškia numatomą atvykimo laiką. Modelis atsižvelgia į tokius veiksnius kaip:

• vietą,
• prekių tipą,
• oro sąlygas,
• šventes ir kt.

Modelis buvo apmokytas naudojant daugiau nei du milijonus sandorių duomenų ir išbandytas su duomenimis iš šešių šalių. ETA modelis pasiekė labai didelį tikslumą ir preciziškumą, ir jis parodė gebėjimą prisitaikyti prie rinkos ir operacinių sąlygų pokyčių. ETA modelis padėjo padidinti klientų pasitikėjimą ir pasitenkinimą, taip pat pagerinti pristatymo proceso efektyvumą ir pelningumą.

Saugumas ir avarijų prevencija

Inteligentinės stebėjimo sistemos, aprūpintos AI moduliais, ne tik saugo transporto įmonių turtą. Analizuodamos vaizdus iš kamerų ir duomenis iš jutiklių, jos gali įvertinti vairuotojų elgesį ir nustatyti nuovargio požymius, siūlydamos pertraukas kelionės metu. Be to, mašininio mokymosi algoritmai, nuolat analizuojantys gaunamus telemetrijos duomenis iš transporto priemonių, gali numatyti galimus gedimus gerokai iš anksto.

Taigi, Izraelio startuolis Cortica taikė neuroninius tinklus, kad analizuotų variklio garsus, siekiant ankstyvo artėjančių gedimų nustatymo. Tokios įmonės kaip Continental ir ZF Friedrichshafen AG siūlo panašius sprendimus prognozuojamai transporto priemonių diagnostikai vežėjams.

AI ateitis transporto ir logistikos srityje

Ekspertai sutinka, kad dėl dirbtinio intelekto TSL pramonė per artimiausius dešimt metų patirs visišką transformaciją. Autonominiai sunkvežimiai taps standartu keliuose JAV ir pradės dažniau pasirodyti kitose pasaulio dalyse. Tuo tarpu sandėliuose dauguma operacijų – nuo užsakymų rinkimo iki pakrovimo – bus atliekamos robotų.

Dėl AI transporto ir logistikos išlaidos sumažės net 30-40%. Pristatymo laikai taip pat bus sutrumpinti optimizuojant maršrutus ir pakrovimą, taip pat diegiant išmaniuosius miesto sistemas, kurios palengvina transporto priemonių judėjimą per paskutinius kilometrus maršrute. AI integracija logistikos srityje pagerins klientų aptarnavimo kokybę, o žmogaus klaidų rizika bus beveik eliminuota.

Šaltinis: DALL·E 3, užklausa: Marta M. Kania (https://www.linkedin.com/in/martamatyldakania/)

AI transporto srityje – santrauka

Apibendrinant, sistemos, naudojančios mašininį mokymąsi ir AI algoritmus transporto srityje, turi didelį potencialą TSL pramonėje, kuri tik pradeda būti išnaudojama. Jų diegimas yra galimybė žymiai sumažinti išlaidas, sutrumpinti pristatymo laikus, pagerinti transporto saugumą ir geriau aptarnauti klientus. Tačiau, norint pasiekti sėkmę, šių technologijų diegimą reikia vertinti strategiškai.

Jei jums patinka mūsų turinys, prisijunkite prie mūsų užimtų bičių bendruomenės Facebook, Twitter, LinkedIn, Instagram, YouTube, Pinterest, TikTok.