AI liikenteessä ja logistiikassa | AI liiketoiminnassa #75

Laivanhallinta tekoälyn avulla liikenteessä

Tekoälypohjaiset järjestelmät voivat analysoida erittäin suuria määriä tietoa ajoneuvoista, kuljettajista ja reiteistä. Tämä mahdollistaa aikataulujen ja reittien säätämisen, kuljetusresurssien paremman hyödyntämisen ja polttoaineenkulutuksen vähentämisen jopa 10-15 %.

Älykkäät järjestelmät, joissa on koneoppimisominaisuuksia, voivat ennustaa mahdollisia vikoja kuukausia etukäteen ajoneuvoihin ja muuhun laitteistoon asennettujen antureiden tietojen perusteella. Tämä mahdollistaa korjausten ja huoltojen aikatauluttamisen käteviin aikoihin, seisokkiajan minimoinnin ja suunnittelemattomien pysähdysten välttämisen tiellä.

Esimerkki tekoälyn käytöstä laivanhallinnassa on DB Schenker, joka on globaali johtaja logistiikkateollisuudessa. Yritys käyttää edistyneitä tekoälyalgoritmeja kuljetussuunnittelun, kysynnän ennustamisen ja tarjousten hallinnan optimointiin. Bulgariassa yritys käytti esimerkiksi Transmetricsin tekoälyratkaisua parantaakseen ajoneuvojen käyttöastetta ja vähentääkseen massakuljetusten transittoaikoja.

Ilmaliikenteessä yritys käyttää hybridisimulaatio- ja ennustustyökalua, joka mahdollistaa simulaatioiden mukauttamisen ja perustuu historiallisten tietojen analysoimiseen. Tekoälyn avulla DB Schenker ei ainoastaan nopeuta digitaalista transformaatiotaan, vaan myös varmistaa pitkäaikaisen kilpailuedun logistiikkamarkkinoilla.

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

Tekoälyn käyttöönotto reittien optimointiin ja kuljetuskustannusten vähentämiseen

Nykyajan tekoälypohjaiset kartoitusjärjestelmät voivat analysoida liikenneongelmia reaaliajassa, etsiä kiertoteitä ja ehdottaa optimaalisia reittejä kuljettajille nykyisten olosuhteiden perusteella. Lisäksi koneoppimisalgoritmit voivat auttaa suunnittelemaan kuormien jakelua paremmin siten, että ne kuljetetaan mahdollisimman lyhyitä matkoja. Tämä kääntyy suoraan alhaisempiin käyttökustannuksiin.

Esimerkki yrityksestä, joka on erikoistunut tekoälyratkaisuihin reittien optimoinnissa, on amerikkalainen yritys FourKites. He ovat kehittäneet reaaliaikaisen toimitusketjun seuranta-alustan, joka hyödyntää tietoa ja koneoppimista parantaakseen kuljetusnäkyvyyttä ja -tehokkuutta.

Yksi heidän asiakkaistaan, Henkel, hyötyy FourKites-ratkaisun käytöstä saamalla reaaliaikaista tietoa lähetyksien sijainnista ja arvioidusta saapumisajasta (ETA). Tämä mahdollistaa heidän suunnitella tehtävänsä paremmin ja reagoida mahdollisiin viivästyksiin.

FourKites on myös tuonut Henkelille lisäetuja, kuten ajan ja kustannusten säästöjä, parannuksia LSP:n (logistiikkapalveluntarjoajien) laatuun ja vastuullisuuteen, oikeudenmukaista riitojen ratkaisua sekä viivästysten aiheuttamien seuraamusten välttämistä. Vuonna 2024 Henkel aikoo seurata lähes miljoonaa lähetystä FourKitesin avulla.

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

Varastonhallinta tekoälyn avulla liikenteessä

Tekoäly on taitava analysoimaan valtavia määriä tietoa ennustamaan tarkasti kysyntää tietyille tuotteille ja raaka-aineille. Tämän seurauksena varastoa voidaan hallita tehokkaammin, varastoja voidaan täydentää tarkemmin ja loppuunmyynnit voidaan vähentää.

Kaksi suosittua työkalua, jotka käyttävät tekoälyä ja koneoppimista toimitusketjun optimointiin, ovat:

• RELEX (https://www.relexsolutions.com/) – kattava alusta kysynnän ennustamiseen ja automaattiseen varaston täydentämiseen. Yritys auttaa asiakkaita kaikilla toimialoilla suunnittelemaan kysyntää, hallitsemaan varastoja, optimoimaan logistiikkaprosesseja ja edistämään liikevaihdon kasvua.
• SAP IBP (https://www.sap.com/products/scm/integrated-business-planning.html) – edistynyt varaston suunnittelu- ja toimitusketjumoduuli, joka on osa SAP-sarjaa. SAP IBP auttaa optimoimaan logistisia prosesseja ja tarjoaa erilaisia toimintoja, mukaan lukien myynnin ja operaatioiden suunnittelu (S&OP), kysynnän ennustaminen, reagointi ja toimitus, varaston suunnittelu ja kuljetussuunnittelu.

Tekoälyn käyttöönotto varastoprosessien automatisoimiseksi ja autonomiseen kuljetukseen

Autonomiset robotit, joissa on tekoälymoduuleja, ovat jo töissä monissa moderneissa varastoissa ja logistiikkakeskuksissa. Ne pystyvät keräämään tilauksia, pakkaamaan tuotteita ja kuljettamaan tavarapalettia. Koneoppimisalgoritmit mahdollistavat näiden robottien tunnistaa yksittäisiä tuotteita ja paketteja, suunnitella omia reittejään varastossa ja jopa kommunikoida työntekijöiden kanssa.

Mitä tapahtuu, kun tuote, jonka robotti on pakannut ja valmistanut, on valmis lähtemään tielle? Tämä avaa oven tekoälyn käyttöönotolle autonomisissa ajoneuvoissa. Esimerkki on T-Pod-autonominen kuorma-auto, jota testataan parhaillaan DB Schenkerin jakelukeskuksissa. Sitä voidaan ohjata operaattorin toimesta ajon aikana tai, tekoälyn käyttöönoton ansiosta, se voi autonomisesti kuljettaa tavarapalettia, väistellen esteitä matkalla. Navigointia helpotetaan kameroiden, tutkien ja syvyysantureiden avulla.

DB Schenkerin T-Pod on ensimmäinen laatuaan, joka on hyväksytty julkisille teille Ruotsissa. Se voi kuljettaa jopa 20 tonnia kuormaa ja sillä on noin 200 km:n toimintamatka yhdellä latauksella.

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

Reaaliaikainen tietojen seuranta ja analysointi tekoälyn avulla liikenteessä

Ajoneuvojen antureista, varaston automaatiojärjestelmistä ja lähetyksen paikantimista kerättyä tietoa voidaan analysoida reaaliajassa tekoälyalgoritmien avulla. Tämä mahdollistaa tarkkojen liiketoimintapäätösten tekemisen välittömästi ja parantaa koko organisaation tehokkuutta. Esimerkiksi järjestelmä, jossa on tekoälymoduuli, voi auttaa reagoimaan välittömästi toimitusviivästyksiin ja ilmoittamaan asiakkaille tai ryhtymään ennaltaehkäiseviin toimiin.

OLX-tiimi käytti koneoppimista rakentaakseen ennustavan ETA-mallin, joka liikenteessä ja logistiikassa tarkoittaa arvioitua saapumisaikaa. Malli ottaa huomioon sellaiset tekijät kuin:

• sijainti,
• tuotteen tyyppi,
• sääolosuhteet,
• juhlapäivät jne.

Malli koulutettiin yli kahden miljoonan transaktion tiedoilla ja sitä testattiin kuuden maan tiedoilla. ETA-malli saavutti erittäin korkean tarkkuuden ja täsmällisyyden, ja se osoitti kykyä sopeutua markkina- ja toimintaympäristön muutoksiin. ETA-malli on auttanut lisäämään asiakastyytyväisyyttä ja luottamusta sekä parantamaan toimitusprosessin tehokkuutta ja kannattavuutta.

Turvallisuus ja onnettomuuksien ehkäisy

Älykkäät valvontajärjestelmät, joissa on tekoälymoduuleja, suojaavat ei vain kuljetusyritysten omaisuutta. Analysoimalla kameroista saatuja kuvia ja antureista kerättyjä tietoja, ne voivat arvioida kuljettajan käyttäytymistä ja havaita väsymyksen merkkejä, ehdottaen taukoja matkan aikana. Lisäksi koneoppimisalgoritmit, jotka jatkuvasti analysoivat saapuvia telemetriatietoja ajoneuvoista, voivat ennustaa mahdollisia vikoja hyvissä ajoin.

Niinpä israelilainen start-up Cortica sovelsi neuroverkkoja moottorin äänten analysoimiseen, jotta voitaisiin havaita ennakoivia vikoja. Yritykset kuten Continental ja ZF Friedrichshafen AG tarjoavat samanlaisia ratkaisuja ennakoivaan ajoneuvodiagnostiikkaan kuljetusyrityksille.

Tekoälyn tulevaisuus liikenteessä ja logistiikassa

Asiantuntijat ovat yhtä mieltä siitä, että tekoälyn ansiosta TSL-teollisuus kokee täydellisen muutoksen seuraavien kymmenen vuoden aikana. Autonomiset kuorma-autot tulevat olemaan standardi teillä Yhdysvalloissa ja alkavat ilmestyä yhä useammin muilla puolilla maailmaa. Samaan aikaan varastoissa suurin osa toiminnoista – tilauksen keräämisestä kuormaukseen – hoidetaan robottien toimesta.

Tekoälyn ansiosta kuljetus- ja logistiikkakustannukset laskevat jopa 30-40 %. Toimitusaikoja lyhennetään myös reittien ja kuormauksen optimoinnin sekä älykkäiden kaupunkijärjestelmien käyttöönoton avulla, jotka helpottavat ajoneuvojen liikkeitä reitin viimeisillä kilometreillä. Tekoälyn integrointi logistiikkaan parantaa asiakaspalvelun laatua, ja inhimillisten virheiden riski lähes poistuu.

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

Tekoäly liikenteessä – yhteenveto

Yhteenvetona voidaan todeta, että koneoppimista ja tekoälyalgoritmeja hyödyntävillä järjestelmillä liikenteessä on suuri potentiaali TSL-teollisuudessa, jota vasta alettaan hyödyntää. Niiden käyttöönotto on mahdollisuus merkittävästi vähentää kustannuksia, lyhentää toimitusaikoja, parantaa kuljetusturvallisuutta ja palvella asiakkaita paremmin. Menestyäkseen näiden teknologioiden käyttöönottoa on kuitenkin lähestyttävä strategisesti.

Jos pidät sisällöstämme, liity vilkkaaseen mehiläisyhteisöömme Facebookissa, Twitterissä, LinkedInissä, Instagramissa, YouTubessa, Pinterestissä, TikTokissa.