3 způsoby, jak strojové učení transformuje logistický průmysl

Logistické společnosti používají umělé inteligence a strojové učení k dosažení nejlepších výsledků a udržení produktivity na nejvyšší úrovni, lepší firemní rozhodnutí, a udržet krok s konkurencí. Důležitost AI v tomto odvětví je obrovská. Odhaduje se, že v příštích 20 letech společnosti získají mezi 1,3 bilionem a 2 biliony dolarů ročně ekonomické hodnoty díky této pokročilé technologii ve výrobě a globálních dodavatelských řetězcích.

Pokud jste stále zvědaví, jak AI a strojové učení mohou pomoci vaší firmě, podívejte se na některé zajímavé případy užití a rozhodněte, zda je tato řešení pro vás.

1. Softwarové plánování tras založené na AI

​​Volba optimální trasy, plánování přestávek pro řidiče a vyhýbání se nejvíce zaplněným a nebezpečným cestám jsou jen některé z mnoha výzev, které jsou součástí denní práce v logistickém průmyslu.

Podle Goldman Sachs (GS ), když mluvíme o doručování pouze 25 balíků, možných tras dosahuje kolem 15 bilionů bilionů. A tady strojové učení přichází na pomoc. Softwarové plánování tras založené na ML může analyzovat všechny možnosti a zvolit optimální řešení z hlediska nákladů, použitelných termínů a neočekávaných silničních událostí vyžadujících okamžité rozhodnutí.

Na základě velkých datových sad poskytnutých systému, jako je informace o účinnosti paliva, možných dopravních nehodách nebo překážkách, velikosti vozidla a pracovních plánech ostatních řidičů, reálné optimalizační algoritmy tras určují nejlepší trasu pro řidiče. Jsou založeny na cloudu, takže všechny informace jsou poskytovány v reálném čase a mohou být přístupné dispečerům, řidičům, manažerům a ostatním zaměstnancům, jako jsou manažeři účtů, aby udržovali zákazníky informované o očekávaném čase dodání.

Na základě strojového učení, optimalizační software tras může přinést mnoho výhod vaší firmě, jako jsou:

• Zlepšená zákaznická zkušenost: S přesnějšími odhady doby dodání budou zákazníci spokojenější se službami a pravděpodobněji vám dají pozitivní zpětnou vazbu. Navíc můžete zákazníkům zaslat oznámení o nadcházející dodávce e-mailem nebo SMS.
• Úspory nákladů: Jedním z hlavních výhod strojového učení je obvykle úspora času a peněz. To platí i zde, protože optimalizační software tras sleduje spotřebu paliva a navrhuje nejekonomičtější trasy.
• Sledování výkonu řidičů: Cloudový systém založený na strojovém učení vám pomůže dohlížet na práci zaměstnanců a zajistit, aby řidiči plnili své povinnosti spolehlivě. Můžete také zajistit, aby dodržovali pravidla silnice a pracovní harmonogram. Navíc, vědomí, že manažeři mají přístup k těmto informacím, může zvýšit efektivitu a produktivitu zaměstnanců.
• Sledování KPI: Díky přehledu do klíčových informací, jako je doba cestování, náklady na palivo a produktivita zaměstnanců, můžete lépe sledovat výkon vaší firmy a reagovat rychleji, pokud některý prvek vyžaduje zlepšení.

Skutečný příklad, kdy algoritmické optimalizační software tras zlepšil výnosy v logistickém průmyslu, je tento případový studie z McKinsey. Jejich klientem byla asijská logistická společnost, která požádala technologickou firmu o řešení problému s přizpůsobením flotily a tras zákazníků.

Jak toho dosáhli?

Nejprve tým McKinsey shromáždil všechny důležité údaje o procesech, aby našel oblasti, které je možné zlepšit. Analyzovali kritické informace, jako jsou umístění zákazníků, umístění center a zdroje flotily. Tyto informace jim umožnily vytvořit model optimalizace tras, který generuje přizpůsobené plány pro všechna vozidla. Díky tomuto řešení mohli zlepšit řízení v mnoha oblastech, s ohledem na faktory, jako jsou:

• Typ vozidla
• Nákladová cena
• Maximální vykládky
• Doba cestování

Co stálo za jejich úspěchem?

Byla to jak jejich zkušenost, tak i pokročilé algoritmy strojového učení, které použili k vytvoření tohoto řešení. Například použili model algoritmu NOAH (Optimal Cart Pick) k vytvoření vizuálních návodů pro denní mapy tras. Navíc poskytli mobilní aplikaci, která zobrazuje data v reálném čase, což usnadňuje práci dispečerům i řidičům.

Jaký byl výsledek?

Jejich řešení snížilo náklady o 3,6 % a zvýšilo efektivitu line-haul sítě, což vedlo k 16% zvýšení zisku.

2. Chatboty v logistice

Víte, že 97 % lidí říká, že špatná zákaznická služba má vliv na jejich rozhodnutí o nákupu? Nicméně, jiný zdroj uvádí, že 36 % zákazníků je stále frustrováno z důvodu, že firmy nezodpovídají na jejich jednoduché otázky.

Tato data ukazují důležitost chatbotu, který okamžitě reaguje na zákazníky, aby ušetřil čas a zlepšil zákaznickou zkušenost. Virtuální asistenti používají přirozený jazykový procesor k rozhovoru s lidmi na chatu, obvykle přímo na firemní webové stránce. Jsou postaveny na algoritmech, které mohou rozpoznat otázku a poté najít odpověď. Pokud uživatel položí nesrozumitelnou otázku, pro kterou neexistuje odpověď v databázi, chatbot se pokusí najít jednu z “fallback” odpovědí nebo se naučit nové vzorce od zákazníka, aby tuto informaci použil příště, když bude kladená podobná otázka.

Chatbot má určitou znalost o firmě a jejích produktech nebo službách. Může použít své databáze nebo čerpat informace z externích zdrojů. Virtuální poradce odpovídá na otázky a vede konverzaci sám, směruje konverzaci na témata související s firemními aktivitami nebo navrhuje návštěvu související stránky.

5 klíčových výhod chatbotů

Ještě jste si jisti, že chatboty jsou dobrým řešením pro vaši firmu? Jen se podívejte na pět klíčových výhod implementace chatbotů v logistické firmě.

1. Okamžité odpovědi 24/7/365

V logistických firmách je zákaznický kontakt zásadní. Například DHL nabízí tři různé kontaktní formuláře:

• E-mail na zákaznickou podporu
• Telefonický kontakt
• 24/7 chatbot

Chatbot umožňuje zákazníkům okamžitě získat informace o stavu dodávky, cenách, očekávaném čase dodání zásilky a další.

Proč je to důležité?

Dnes 77 % lidí očekává okamžitou odpověď z online chatu kdykoli během dne nebo noci. Chatboty mohou pracovat neustále, i když vaši zaměstnanci nepracují (navíc, nikdy nebudou unaveni).

Implementace chatbotu, který je vždy k dispozici, výrazně zlepšuje uživatelskou zkušenost. Například s chatbotem Helmi vytvořeným GetJenny, The Foundation for Student Housing in the Helsinki Region zaznamenala zvýšení celkového skóre zákaznické spokojenosti z 4,11 na 4,26.

2. Lepší navigace na webu

Víte, že 34 % zákazníků je frustrováno obtížnou navigací na webu?

Chatboty mohou vyřešit tento problém tím, že pomohou návštěvníkům navigovat na webu a rychle najít informace, které je zajímají. Pomáhají vám vytvářet pozitivní obraz značky a personalizovanou zákaznickou zkušenost. Pokud se vám záleží na budování spokojenosti a loajality zákazníků, chatbot může být vynikajícím prvním krokem.

Zajímavým příkladem chatbotu, který vám pomůže najít všechny informace o produktu, je chatbot Alex, dostupný na webové stránce Intellexer Summarizer. Když položíte otázku, obdržíte zprávu s odkazem na stránku, kde najdete informace, které vás zajímají.

Zdroj: https://summarizer.intellexer.com/

Abyste takový bot vytvořili, nemusíte poskytovat a extrahovat大量 dat. Stačí zpracovat obsah webu, aby jste jej mohli poskytnout ve vhodném formátu. Poté oddělte informace o obsahu stránky a údaje, aby jste vytvořili logický tok konverzace. Navíc, chatboty se neustále učí, takže čím více otázek obdrží, tím přesnější budou jejich odpovědi. Často je tento typ chatbotu prvním AI řešením, pro které se firmy rozhodují.

3. Asistence při dodávce

Virtuální asistenti mohou být prvním kontaktem se zákazníky a přijímat požadavky na dodávku od nich. Jako jiná řešení AI, mohou ulehčit vašim zaměstnancům mnoho opakujících se úkolů, jako je shromažďování informací o objednávce. Navíc, mohou okamžitě vyřídit požadavky zákazníků související s dodávkou, jako je odeslání faktury za objednávku nebo informování o stavu dodávky.

4. Komplexní podpora zaměstnanců

Chatboty mohou pomoci vašim zaměstnancům mnoha způsoby, od papírování po zpracování plateb. Mohou přijímat nebo vyplňovat dokumenty, jako jsou faktury nebo požadavky na platbu, a mnoho dalších. A když stroje potřebují lidskou pomoc, posílají zprávu lidským pracovníkům, aby provedli správný další krok.

Podle Bas Vogels, dozorce a trenéra týmu zákaznické podpory DHL: “Zaměstnanci mají mnohem více času na řešení složitých otázek zákazníků a prevenci eskalací. Spokojenost zaměstnanců se také dramaticky zvýšila.”

5. Skutečné sledování zásilek

V logistice je doba dodání a skutečné informace o stavu objednávky zásadní. Chatboty zajistí, že vaši zákazníci nebudou muset čekat na odpověď. Skutečným příkladem tohoto řešení je případová studie RoboRobo. Vytvořili bot pro RPL, který informuje zákazníky o stavu jejich objednávky. Chatbot umožňuje zákazníkům RPL sledovat umístění své zásilky a zjistit, kdy bude doručena.

Chatboty mohou být použity na mnoha místech, nejen na webu. Více a více firem se rozhoduje pro chatboty dostupné na Facebooku, Skype, WhatsApp a dalších kanálech.

3. Řešení problémů s trasami a dávkami ve skladu

Další úloha, kterou umělé inteligence plní v logistice, je vývoj nejefektivnějších metod pro tok zboží ve skladu a fázi distribuce.

Systémy správy skladu založené na AI mohou zaznamenávat všechny aktivity a procesy, které se vyskytují ve skladu. Softwarový systém analyzuje historická data shromážděná a používá je k plánování, jak zařízení (roboty a automatické a poloautomatické systémy) budou zpracovávat zásilky. Zvláště užitečné zde může být hluboké učení, prediktivní analýza, počítačové vidění a software pro rozpoznání produktů, který může pomoci rozpoznat objekty ve skladu a provést prodlouženou predikci toho, jaké akce budou potřeba.

Jedním z hlavních cílů algoritmů strojového učení je pomoci lidem s monotonními, ale náročnými úkoly. V logistice a výrobním průmyslu je jedním z těchto úkolů trasování, které stroje mohou také podporovat.

Zajímavým příkladem je řešení vytvořené Nvidií pro Zalando, e-commerce giganta, který má tisíce nových objednávek každou hodinu. Jejich řešení AI umožnilo vyřešit dva problémy.

​​1. Snížení času trasování

Připravili řešení, které umožňuje řízení skladu s “lanovým” rozložením (což znamená, že všechny produkty jsou uloženy na regálech umístěných v několika řadách s uličkami). Vzhledem k tomu, že pracovník potřebuje vyzvednout produkty umístěné v různých částech skladu, systém navrhuje nejkratší možnou trasu po skladu, která umožňuje vyzvednutí všech potřebných položek.

Vývojáři Nvidie vytvořili algoritmus OCaPi (Optimal Cart Pick), který najde optimální trasu pro pracovníka a dokonce i pro pohyb pracovníkova vozíku. To umožnilo pracovníkům Zalanda přestat používat heuristiku S-tvaru a naplánovat více optimální trasu.

2. Řešení problému dávkování

V Zalando musí být všechny objednávky přiřazeny k výdejnímu seznamu. Když je seznam kompletní, produkty jsou zabalené pro zákazníka.

Vývojáři Nvidie se pokusili vytvořit řešení, které umožňuje dosáhnout minimální sumy cestovních časů pro všechny výdejní seznamy, s předpokladem, že pracovník může mít v vozíku pouze 10 položek. Analyzovali trasování OCaPi pro 10 objednávek se dvěma položkami, aby našli nejefektivnější rozdělení objednávek do výdejních seznamů.

Jaké technologie mohou tyto problémy snížit?

Klíčovou technologií použitou v těchto projektech je algoritmus OCaPi — vysoce ne-lineární funkce, která umožnila vývojářům vypočítat cestovní čas s ohledem na různé pozice vyzvednutí. Toto řešení ukázalo, že cestovní čas závisí hlavně na čase stráveném vyzvednutím položky z zadního rohu, umístěného daleko od všech ostatních produktů.

Abyste mohli odhadnout cestovní čas OCaPi ještě rychleji, použili framework neuronové sítě Caffe a knihovnu NVIDIA (NVDA ) cuDNN. To jim umožnilo paralelně trénovat čtyři modely a najít velmi přesnou architekturu neuronové sítě. Jako výsledek, jejich systém umožnil firmě snížit cestovní čas na položku o asi 11 %.

Taková řešení založená na strojovém učení umožňují firmám:

• Zvýšit produktivitu
• Zrychlit časy vyzvednutí objednávek, což vede ke zvýšení spokojenosti zákazníků
• Zvýšit spokojenost zaměstnanců, jejichž práce je podporována inteligentními řešeními
• Vylepšit denní pracovní postup
• Vyloučit lidské chyby, protože výpočet trasy je rychlejší a přesnější než kdyby ho provedl člověk.