AI a szállításban és logisztikában | AI az üzletben #75

Flottakezelés mesterséges intelligenciával a szállítmányozásban

A mesterséges intelligencián alapuló rendszerek képesek nagyon nagy mennyiségű adatot elemezni a járművekről, a sofőrökről és az útvonalakról. Ez lehetővé teszi az ütemtervek és útvonalak módosítását, a szállítási erőforrások jobb kihasználását, valamint a üzemanyag-fogyasztás akár 10-15%-os csökkentését.

A gépi tanulási képességekkel felszerelt intelligens rendszerek hónapokkal előre képesek megjósolni a potenciális meghibásodásokat a járművekben és más berendezésekben telepített érzékelők adatai alapján. Ez lehetővé teszi a javítások és karbantartások kényelmes időpontokban történő ütemezését, a leállások minimalizálását, és a nem tervezett megállások elkerülését az úton.

A mesterséges intelligencia flottakezelésben való alkalmazásának egyik példája a DB Schenker, a logisztikai ipar globális vezetője. A cég fejlett mesterséges intelligencia algoritmusokat használ a szállítási tervezés, a kereslet előrejelzés és az ajánlatkezelés optimalizálására. Bulgáriában például a cég a Transmetrics mesterséges intelligencia megoldását használta a járműkihasználás javítására és a tömegszállítmányok átfutási idejének csökkentésére.

Levegőszállítás terén a cég egy hibrid szimulációs és előrejelzési eszközt használ, amely lehetővé teszi a szimulációk testreszabását és a történelmi adatokra épül. A mesterséges intelligencia alkalmazásával a DB Schenker nemcsak felgyorsítja digitális átalakulását, hanem hosszú távú versenyelőnyt is biztosít a logisztikai piacon.

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

A mesterséges intelligencia alkalmazása az útvonalak optimalizálására és a szállítási költségek csökkentésére

A modern, mesterséges intelligenciával működő térképező rendszerek valós időben képesek elemezni a forgalmi torlódásokat, kerülőutakat keresni, és javaslatokat tenni az optimális útvonalakra a sofőrök számára a jelenlegi körülmények alapján. Ráadásul a gépi tanulási algoritmusok segíthetnek a terhek elosztásának jobb megtervezésében, hogy a lehető legrövidebb távolságokon szállítsák őket. Ez közvetlenül alacsonyabb üzemeltetési költségekhez vezet.

A FourKites nevű amerikai cég, amely mesterséges intelligencia megoldásokra specializálódott az útvonaloptimalizálás terén, egy példa erre. Fejlesztettek egy valós idejű ellátási lánc figyelő platformot, amely az adatokat és a gépi tanulást használja a szállítási láthatóság és hatékonyság javítására.

Az egyik ügyfelük, a Henkel, a FourKites megoldásának használatával valós idejű adatokat kap a szállítmányok helyéről és a várható érkezési időről (ETA). Ez lehetővé teszi számukra, hogy jobban megtervezzék feladataikat és reagáljanak a potenciális késésekre.

A FourKites további előnyöket is hozott a Henkel számára, mint például idő- és költségmegtakarítás, a logisztikai szolgáltatók (LSP) minőségének és elszámoltathatóságának javítása, a tisztességes viták rendezése, és a késések miatti büntetések elkerülése. 2024-ben a Henkel tervezi, hogy közel egymillió szállítmányt követ nyomon a FourKites segítségével.

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

Készletkezelés mesterséges intelligenciával a szállítmányozásban

A mesterséges intelligencia ügyesen képes hatalmas mennyiségű adatot elemezni a konkrét áruk és nyersanyagok iránti kereslet pontos előrejelzésére. Ennek eredményeként a készletek hatékonyabban kezelhetők, a raktárak pontosabban tölthetők fel, és csökkenthetők a készlethiányok.

Két népszerű eszköz, amelyek mesterséges intelligenciát és gépi tanulást használnak az ellátási lánc optimalizálására:

• RELEX (https://www.relexsolutions.com/) – egy átfogó platform, amelyet a kereslet előrejelzésére és az automatikus készletfeltöltésre használnak. A cég segít az ügyfeleknek minden iparágban a kereslet tervezésében, a készletek kezelésében, a logisztikai folyamatok optimalizálásában és a bevételnövelésben.
• SAP IBP (https://www.sap.com/products/scm/integrated-business-planning.html) – egy fejlett készlettervezési és ellátási lánc modul, amely a SAP csomag része. Az SAP IBP segít optimalizálni a logisztikai folyamatokat, és különböző funkciókat kínál, beleértve az értékesítési és működési tervezést (S&OP), a kereslet előrejelzést, a válaszadást és a szállítást, a készlettervezést és a szállítási tervezést.

A mesterséges intelligencia bevezetése a raktári folyamatok automatizálására és az autonóm szállításra

Az autonóm robotok, amelyek mesterséges intelligencia modulokkal vannak felszerelve, már sok modern raktárban és logisztikai központban dolgoznak. Képesek rendeléseket összegyűjteni, termékeket csomagolni és raklapokat szállítani. A gépi tanulási algoritmusok lehetővé teszik ezeknek a robotoknak, hogy felismerjék az egyes árukat és csomagokat, megtervezzék saját útvonalukat a raktárban, és még kommunikáljanak a munkavállalókkal is.

Mi történik, amikor egy robot által csomagolt és előkészített termék készen áll az útra? Ez megnyitja az ajtót a mesterséges intelligencia autonóm járművekbe való bevezetésére. Egy példa erre a T-Pod autonóm teherautó, amelyet jelenleg a DB Schenker elosztóközpontjaiban tesztelnek. Az út során egy operátor irányíthatja, vagy a mesterséges intelligencia alkalmazásának köszönhetően autonóm módon szállíthat raklapokat, elkerülve az akadályokat az úton. A navigációt kamerák, radar és mélységérzékelők használatával könnyítik meg.

A DB Schenker T-Pod az első jármű a maga nemében, amelyet nyilvános utakon való közlekedésre engedélyeztek Svédországban. Akár 20 tonna rakományt is szállíthat, és egyetlen töltéssel körülbelül 200 km-t képes megtenni.

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

Valós idejű adatfigyelés és elemzés mesterséges intelligenciával a szállítmányozásban

A járművekben található érzékelőkből, a raktári automatizálási rendszerekből és a szállítmány-nyomkövetőkből származó adatokat a mesterséges intelligencia algoritmusok valós időben képesek elemezni. Ez lehetővé teszi a pontos üzleti döntések azonnali meghozatalát, és javítja az egész szervezet hatékonyságát. Például egy mesterséges intelligencia modullal felszerelt rendszer segíthet azonnal reagálni a szállítási késésekre, értesíteni az ügyfeleket vagy megelőző intézkedéseket tenni.

Az OLX csapata gépi tanulást használt egy előrejelző ETA modell felépítésére, amely a szállítmányozásban és logisztikában az Estimated Time of Arrival (várható érkezési idő) kifejezést jelenti. A modell figyelembe veszi az alábbi tényezőket:

• helyszín,
• áruk típusa,
• időjárási körülmények,
• ünnepek stb.

A modellt több mint kétmillió tranzakció adataira képezték ki, és hat ország adataival tesztelték. Az ETA modell nagyon magas pontosságot és precizitást ért el, és képes volt alkalmazkodni a piaci és működési körülmények változásaihoz. Az ETA modell segített növelni az ügyfelek bizalmát és elégedettségét, valamint javítani a szállítási folyamat hatékonyságát és jövedelmezőségét.

Biztonság és balesetmegelőzés

A mesterséges intelligencia modulokkal felszerelt intelligens megfigyelő rendszerek nemcsak a szállítmányozó cégek eszközeit védik. A kamerákból származó képek és az érzékelőkből származó adatok elemzésével képesek értékelni a sofőrök viselkedését és észlelni a fáradtság jeleit, javasolva a pihenőidőket az utazás során. Ráadásul a gépi tanulási algoritmusok, amelyek folyamatosan elemzik a járművekből érkező telemetriai adatokat, előre meg tudják jósolni a potenciális hibákat.

Így az izraeli Cortica startup neurális hálózatokat alkalmazott a motorhangok elemzésére a közelgő meghibásodások korai észlelésére. Olyan cégek, mint a Continental és a ZF Friedrichshafen AG hasonló megoldásokat kínálnak a fuvarozók számára a járművek előrejelző diagnosztikájához.

A mesterséges intelligencia jövője a szállítmányozásban és logisztikában

A szakértők egyetértenek abban, hogy a mesterséges intelligencia miatt a TSL ipar a következő tíz évben teljes átalakuláson fog átesni. Az autonóm teherautók a normává válnak az Egyesült Államok útjain, és egyre gyakrabban fognak megjelenni a világ más részein is. Eközben a raktárakban a műveletek többségét – a rendelés összegyűjtésétől a rakodásig – robotok fogják végezni.

A mesterséges intelligenciának köszönhetően a szállítási és logisztikai költségek akár 30-40%-kal is csökkenhetnek. A szállítási idők is lerövidülnek az útvonal- és rakodásoptimalizálás, valamint az intelligens városi rendszerek bevezetése révén, amelyek megkönnyítik a járművek mozgását az útvonal utolsó kilométerein. A mesterséges intelligencia integrálása a logisztikába javítani fogja az ügyfélszolgálat minőségét, és a humán hibák kockázata szinte teljesen megszűnik.

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

Mesterséges intelligencia a szállítmányozásban – összegzés

Összegzésképpen elmondható, hogy a gépi tanulást és mesterséges intelligencia algoritmusokat alkalmazó rendszerek a szállítmányozásban óriási potenciállal bírnak, amelyet csak most kezdenek kiaknázni. A bevezetésük lehetőséget ad a költségek jelentős csökkentésére, a szállítási idők lerövidítésére, a szállítási biztonság javítására és az ügyfelek jobb kiszolgálására. A siker érdekében azonban a technológiák bevezetését stratégiai megközelítéssel kell végrehajtani.

Ha tetszik a tartalmunk, csatlakozz a nyüzsgő méheink közösségéhez a Facebookon, Twitteren, LinkedInen, Instagramon, YouTube-on, Pinterest-en, TikTokon.