Изкуствен интелект в транспорта и логистиката | Изкуствен интелект в бизнеса #75

Управление на флота с ИИ в транспорта

Системите, базирани на ИИ, могат да анализират много големи количества данни за превозни средства, шофьори и маршрути. Това позволява коригиране на графиците и маршрутите, по-добро използване на транспортните ресурси и намаляване на разхода на гориво с до 10-15%.

Интелигентните системи, оборудвани с възможности за машинно обучение, могат да предсказват потенциални повреди месеци напред, базирайки се на данни от сензори, инсталирани в превозните средства и друго оборудване. Това позволява планиране на ремонти и поддръжка в удобни моменти, минимизиране на времето на простои и избягване на непланирани спирания на пътя.

Един пример за използването на ИИ в управлението на флота е DB Schenker, глобален лидер в логистичната индустрия. Компанията използва напреднали ИИ алгоритми за оптимизиране на транспортното планиране, прогнозиране на търсенето и управление на офертите. В България, например, компанията използва решението Transmetrics AI, за да подобри използването на превозни средства и да намали времето за транзит на насипни товари.

В авиационния транспорт компанията използва хибриден инструмент за симулация и прогнозиране, който позволява персонализиране на симулациите и е базиран на исторически данни. Чрез използването на ИИ, DB Schenker не само ускорява цифровата си трансформация, но и осигурява дългосрочно конкурентно предимство на логистичния пазар.

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

Прилагане на ИИ за оптимизиране на маршрутите и намаляване на транспортните разходи

Съвременните картографски системи, захранвани от ИИ, могат да анализират задръстванията в реално време, да търсят обходни маршрути и да предлагат оптимални маршрути за шофьорите, базирани на текущите условия. Освен това, алгоритмите за машинно обучение могат да помогнат за по-добро планиране на разпределението на товарите, така че те да се транспортират на най-кратки разстояния. Това директно се превръща в по-ниски оперативни разходи.

Един пример за компания, специализирана в ИИ решения за оптимизация на маршрути, е американската фирма FourKites. Те са разработили платформа за мониторинг на веригата за доставки в реално време, която използва данни и машинно обучение, за да подобри видимостта и ефективността на транспорта.

Един от техните клиенти, Henkel, се възползва от използването на решението FourKites, като има достъп до данни в реално време за местоположението и прогнозното време на пристигане (ETA) на пратките. Това им позволява да планират по-добре задачите си и да реагират на потенциални закъснения.

FourKites също така е донесла допълнителни ползи за Henkel, като спестяване на време и разходи, подобряване на качеството и отговорността на LSP (доставчици на логистични услуги), справедливо разрешаване на спорове и избягване на глоби за закъснения. През 2024 г. Henkel планира да проследи почти милион пратки, използвайки FourKites.

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

Управление на инвентара с ИИ в транспорта

Изкуственият интелект е способен да анализира огромни количества данни, за да предскаже точно търсенето на конкретни стоки и суровини. В резултат на това инвентарът може да се управлява по-ефективно, складовете могат да се попълват по-точно и недостигът на стоки може да бъде намален.

Два популярни инструмента, които използват ИИ и машинно обучение за оптимизация на веригата за доставки, са:

• RELEX (https://www.relexsolutions.com/) – комплексна платформа, използвана за прогнозиране на търсенето и автоматично попълване на инвентара. Компанията помага на клиенти от всички индустрии да планират търсенето, да управляват инвентара, да оптимизират логистичните процеси и да увеличават приходите.
• SAP IBP (https://www.sap.com/products/scm/integrated-business-planning.html) – напреднал модул за планиране на инвентара и веригата за доставки, който е част от пакета SAP. SAP IBP помага за оптимизиране на логистичните процеси и предоставя различни функционалности, включително планиране на продажбите и операциите (S&OP), прогнозиране на търсенето, реакция и доставка, планиране на инвентара и планиране на транспорта.

Внедряване на ИИ за автоматизиране на складовите процеси и автономен транспорт

Автономни роботи, оборудвани с модули за изкуствен интелект, вече работят в много съвременни складове и логистични центрове. Те са способни да събират поръчки, да опаковат продукти и да транспортират палети с стоки. Алгоритмите за машинно обучение позволяват на тези роботи да разпознават отделни стоки и пакети, да планират собствените си маршрути из склада и дори да комуникират с служителите.

Какво се случва, когато продукт, опакован и подготвен от робот, е готов да тръгне на път? Това отваря вратата за внедряване на ИИ в автономни превозни средства. Един пример е автономният камион T-Pod, който в момента се тества в разпределителните центрове на DB Schenker. Той може да бъде управляван от оператор, докато шофира на пътя или, благодарение на внедряването на ИИ, може автономно да транспортира палети с продукти, избягвайки препятствия по пътя. Навигацията се улеснява чрез използването на камери, радар и дълбочинни сензори.

T-Pod на DB Schenker е първото превозно средство от този вид, одобрено за обществени пътища в Швеция. То може да носи до 20 тона товар и има обхват от около 200 км с едно зареждане.

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

Мониторинг и анализ на данни в реално време с ИИ в транспорта

Данни от сензори в превозни средства, системи за автоматизация на складове и локатори на пратки могат да бъдат анализирани в реално време от алгоритми за изкуствен интелект. Това позволява вземането на точни бизнес решения незабавно и подобрява ефективността на цялата организация. Например, система, оборудвана с модул за ИИ, може да помогне да се реагира незабавно на закъснения в доставките и да уведомява клиентите или да предприема превантивни мерки.

Екипът на OLX използва машинно обучение, за да изгради предсказващ модел за ETA, който в транспорта и логистиката означава Прогнозно Време на Пристигане. Моделът взема предвид такива фактори като:

• местоположение,
• тип стоки,
• метеорологични условия,
• празници и др.

Моделът е обучен на данни от над два милиона транзакции и е тестван с данни от шест държави. Моделът за ETA постигна много висока точност и прецизност и демонстрира способността си да се адаптира към промените в пазарните и оперативните условия. Моделът за ETA е помогнал за увеличаване на доверието и удовлетвореността на клиентите, както и за подобряване на ефективността и рентабилността на процеса на доставка.

Безопасност и предотвратяване на инциденти

Интелигентните мониторингови системи, оборудвани с модули за ИИ, не само защитават активите на транспортните компании. Чрез анализ на изображения от камери и данни от сензори, те могат да оценят поведението на шофьорите и да открият признаци на умора, предлагайки почивки по време на пътуването. Освен това, алгоритмите за машинно обучение, които непрекъснато анализират входящите телеметрични данни от превозните средства, могат да предсказват потенциални неизправности много предварително.

И така, израелският стартъп Cortica приложи невронни мрежи за анализ на звуци от двигатели за ранно откриване на предстоящи неизправности. Компании като Continental и ZF Friedrichshafen AG предлагат подобни решения за предсказателна диагностика на превозни средства за превозвачите.

Бъдещето на ИИ в транспорта и логистиката

Експертите са единодушни, че поради изкуствения интелект, индустрията TSL ще претърпи пълна трансформация в следващите десет години. Автономните камиони ще станат стандарт на пътищата в Съединените щати и ще започнат да се появяват все по-често в други части на света. Междувременно, в складовете, повечето операции – от събиране на поръчки до натоварване – ще бъдат извършвани от роботи.

Благодарение на ИИ, транспортните и логистичните разходи ще намалеят с до 30-40%. Времето за доставка също ще бъде съкратено чрез оптимизация на маршрутите и натоварването, както и внедряване на интелигентни градски системи, които улесняват движението на превозните средства през последните километри от маршрута. Интеграцията на ИИ в логистиката ще подобри качеството на обслужване на клиентите, а рискът от човешки грешки ще бъде почти елиминиран.

Източник: DALL·E 3, подтик: Марта М. Кания (https://www.linkedin.com/in/martamatyldakania/)

ИИ в транспорта – резюме

В заключение, системите, използващи машинно обучение и ИИ алгоритми в транспорта, имат голям потенциал в индустрията TSL, която едва започва да бъде експлоатирана. Тяхното внедряване е възможност за значително намаляване на разходите, съкращаване на времето за доставка, подобряване на безопасността на транспорта и по-добро обслужване на клиентите. За да бъде успешно, обаче, внедряването на тези технологии трябва да бъде стратегически подходено.

Ако харесвате нашето съдържание, присъединете се към нашата общност на активните пчели в Facebook, Twitter, LinkedIn, Instagram, YouTube, Pinterest, TikTok.