Sztuczna inteligencja oraz machine learning dla spedycji

Tempo rozwoju technologii w ciągu ostatniej dekady zdecydowanie przyspieszyło. Nieustannie słyszymy o nowych aplikacjach i funkcjonalnościach. Sztuczna inteligencja oraz machine learning, wykorzystywane w powstającym oprogramowaniu, zaspokajają potrzeby poszczególnych grup konsumentów. Technologia jest obecna w każdej dziedzinie życia, co powoduje, że powstają nowe, wyróżniające się start-up’y oferujące coraz to nowe innowacyjne funkcjonalności. Podobnie jest w logistyce. Liczba dostawców oferujących szeroką gamę rozwiązań jest naprawdę spora. Co zatem wyróżnia vendor’ów w ciągłej walce o klienta?

Czym jest sztuczna inteligencja oraz machine learning?

Sztuczna inteligencja (artificial intelligence – AI) to termin określający aplikacje wykonujące złożone zadania, które kiedyś wymagały wkładu ludzi, np. komunikacja online z klientami, czy gra w szachy. Nazwę tę często stosuje się wymiennie z nazwami dyscyplin podrzędnych. Należą do nich samouczenie się maszyn (machine learning – ML) i uczenie głębokie (deep learning). Istnieją jednak między nimi różnice. Przykładowo samouczenie się maszyn koncentruje się na budowaniu systemów, które uczą się lub zwiększają swoją wydajność na podstawie przetwarzanych danych. Warto sobie uświadomić, że chociaż wszystkie zagadnienia samouczenia się maszyn należą do badań nad sztuczną inteligencją, AI nie ogranicza się jedynie do nich. [1]

Analityka danych – co to jest?

W celu pełnego wykorzystania wartości sztucznej inteligencji wiele firm poważnie inwestuje w zespoły zajmujące się analityką danych. Analityka danych (data science) to dziedzina interdyscyplinarna, która wykorzystuje metody naukowe i inne do wyodrębniania z danych użytecznych informacji. Wymaga ona połączenia umiejętności z zakresu różnych dziedzin — takich jak statystyka i informatyka — z wiedzą biznesową, w celu analizy danych zebranych z wielu źródeł. [1]

Dane to ropa XXI wieku

Kluczowym elementem z perspektywy każdej firmy jest dzisiaj dostęp do danych, które nie bez przyczyny określane są jako ropa XXI wieku. Bez dostępu do informacji żadna organizacja nie jest w stanie efektywnie zarządzać strukturą i podejmować właściwych decyzji biznesowych. Łatwy dostęp do danych to dzisiaj marzenie każdego managera, ponieważ daje to realną kontrolę nad obszarem, którym zarządza. Dostęp do danych jest również kluczowy z perspektywy narzędzi IT oraz uczenia maszynowego.

Rodzaje danych w transporcie i logistyce

W logistyce i transporcie możemy wyróżnić kilka niezbędnych rodzajów danych, będących podstawą do zapewnienia jakości oraz właściwej współpracy w relacji spedytor – przewoźnik – klient.

1. Dane dotyczące tras, czasu dostawy, kosztów transportu.
2. Dane związane z dostawcami, magazynami, transportem, czy czasem realizacji zamówień.
3. Dane finansowe, tj. koszty transportu, magazynowania. Służą one odpowiedniemu oszacowaniu wydatków oraz zaplanowaniu i monitorowaniu budżetu.
4. Dane dotyczące klientów, tj. wymagania klientów, terminy dostaw, oczekiwania dotyczące jakości i kosztów, które są istotne w zapewnieniu odpowiedniego poziomu świadczonych usług logistycznych.

Spedytor

Spedytor jest pośrednikiem między klientem a przewoźnikiem, dbającym o optymalizowanie usługi transportu. Najważniejszymi zadaniami jakimi zajmuje się spedytor są planowanie i organizacja procesu transportowego. Organizując proces transportowy, spedytor uwzględnia dostępne zasoby, uwarunkowania rynkowe oraz warunki oferty transportowej. Dochodzą do tego inne wymagania klienta, rodzaj ładunku, ramy czasowe, wszelkie koszty realizacji, dostępność przewoźników i wiele innych czynników. Dodatkowymi elementami pracy spedytora są również przygotowanie dokumentacji transportowej, a także obsługa ubezpieczeniowa przesyłek. [2; s. 4]

Cyfrowy spedytor

Spedytor cyfrowy jest w stanie bez pośrednictwa ludzi, cyfrowo i na bieżąco dostarczać swojemu klientowi informacje o statusie danego frachtu, zleceniach, co do których istnieje ryzyko opóźnienia, wyliczać ETA dla każdego frachtu. To znów – oszczędność czasu ludzi, ale też większa transparentność i lepsze relacje z klientami. [2; s. 12].

Spedycje cyfrowe to wciąż zwyczajne spedycje, oferujące ten sam zakres usług co spedycje tradycyjne i wciąż zatrudniające spedytorów. Potrafią one jednak wybrać i zautomatyzować pewien zakres swoich operacji oraz zapewnić sobie cyfrowy przepływ informacji end-to-end. Dzięki temu pracują wydajniej, potrafią wygenerować większą marżę, zredukować liczbę błędów i uzyskać większą transparentność współpracy

raport: „Spedycje cyfrowe – odpowiedź na wyzwania w nowoczesnym świecie?”, s. 11-13.

POBIERZ raport: „Spedycje cyfrowe – odpowiedź na wyzwania w nowoczesnym świecie?”

Autonomiczny Spedytor

W celu zapewnienia transparentności dla wymienionych wcześniej rodzajów danych istotne pozostają narzędzia IT, które dzięki dostępnej technologii nie tylko są w stanie agregować dane, ale także przetwarzać je, dając dostęp do kluczowych informacji. Dobrym przykładem, w jaki sposób można efektywnie wykorzystać dane, które generuje sztuczna inteligencja oraz machine learning jest projekt Autonomiczny Spedytor, realizowany przez producenta systemu VIA TMS – Control System Software we współpracy z Narodowym Centrum Badań i Rozwoju. Projekt koncentruje się na kilku istotnych kwestiach – wykorzystanie technik Machine Learning (ML) oraz algorytmów dla stworzenia inteligentnego modułu decyzyjnego doradzającemu spedytorom i dyspozytorom w ich codziennej pracy. W szczególności z uwzględnieniem braków w danych – poprzez generowanie rozwiązań dla poniższych problemów:

1. Przyjmowanie zleceń, czyli w podjęciu decyzji o realizacji kontraktu spedycyjnego.
2. Scoringu kontraktów, czyli oceny rentowności takiego kontraktu.
3. Planowaniu oraz optymalizacji tras dla ładunków całopojazdowych oraz drobnicowych, w tzw. zagadnieniu ostatniej mili.
4. Harmonogramowaniu pojazdów.

Autonomiczny spedytor wsparciem dla działów operacyjnych

Autonomiczny Spedytor w swoim założeniu będzie pozostawał wsparciem dla działów operacyjnych. Swoją szczególną rolę będzie stanowił dla osób rozpoczynających swoją przygodę w branży TSL. Dzięki wykorzystaniu algorytmów oraz AI system ma na celu zapewnić odpowiednie know-how dla wykonywanych operacji.

Przykłady wykorzystania AI oraz ML w logistyce

W związku z dynamicznym rozwojem, w logistyce i transporcie, gdzie część zadań jest powtarzalna, właściciele, czy menedżerowie firm zastanawiają się, gdzie można wykorzystać zalety tych narzędzi. Inne przykłady wykorzystania AI oraz ML w logistyce:

1. Zarządzanie zapasem, czyli monitorowanie poziomu, prognozowanie popytu oraz dostępności towaru.
2. Automatyzacja procesów magazynowych, takich jak: załadunek oraz rozładunek, przepakowywanie, relokacja w obrębie magazynu.
3. Monitorowanie i zarządzanie łańcuchem dostaw, od dostawców po klientów końcowych.
4. Predykcyjna konserwacja sprzętu, takiego jak samochody ciężarowe lub wózki widłowe, co pomaga w uniknięciu awarii i zmniejszeniu kosztów utrzymania.
5. Analiza danych i prognozowanie.

Podsumowanie

Zastosowanie sztucznej inteligencji w logistyce niesie ze sobą wiele korzyści i nowych możliwości. Coraz więcej firm obecnie decyduje się na wdrażanie oprogramowania z wykorzystaniem nowych technologii. Przyczyniają się one do poprawy efektywności, jakości oraz zwiększenia tempa procesów magazynowych, transportowych, a co za tym idzie – całego łańcucha dostaw. Sztuczna inteligencja to niewątpliwie przyszłość, przed którą stoi cała branża. Warto podjąć decyzję już dziś, by dotrzymać tempa w wyścigu technologicznym.

Autor

Damian Swoboda, konsultant w obszarze technologii informatycznych do zarządzania logistyką.

Przypisy

[1] https://www.oracle.com/pl/artificial-intelligence/what-is-ai/#ai-terms
[2] Świeboda J. (red.) i inni, Spedycje cyfrowe – odpowiedź na wyzwania w nowoczesnym świecie?, Polski Instytut Transportu Drogowego, 2022.

Chat GPT w transporcie – kto zostanie zastąpiony? [przeczytaj]