Отправьте статью сегодня! Журнал выйдет 19 июля, печатный экземпляр отправим 23 июля
Опубликовать статью

Молодой учёный

Повышение эффективности логистического планирования за счет использования искусственного интеллекта

Транспорт
29.08.2019
1126
Поделиться
Библиографическое описание
Еремина, Л. В. Повышение эффективности логистического планирования за счет использования искусственного интеллекта / Л. В. Еремина, А. Ю. Мамойко, А. С. Папикян. — Текст : непосредственный // Техника. Технологии. Инженерия. — 2019. — № 4 (14). — С. 1-7. — URL: https://moluch.ru/th/8/archive/142/4404/.


Один из возможных сценариев применения искусственного интеллекта в логистике может быть извлечение соответствующей части данных, связывать их с внутренними данными, которые могут быть очень сложными из-за низкого качества данных, а также могут включать в себя прогнозирование времени прибытия грузовиков в зависимости от условий движения.

Ключевые слова: искусственный интеллект, логистика, управление автомобильным транспортом.

Искусственный интеллект (ИИ) уже получил широкое распространение в логистике благодаря внедрению таких передовых технологий ИИ, как автоматизированные склады Amazon, автономные грузовики Einride, беспилотники Zipline, роботы доставки последней мили Starship и другие. Эти разновидности технологий могут потенциально заменить некоторые виды ручной работы, не требующие сложных навыков (например, сортировка на складе, доставка «последней мили», водитель грузовика и т. д.).

Однако ситуация меняется, когда искусственный интеллект используется для работы с такими высококвалифицированными позициями, как специалисты по планированию логистических процессов — логистов. В этом случае на сцену выходит расширенный интеллект (РИ). Объединяя человеческий интеллект с искусственным интеллектом, компании могут сэкономить время, сократить операционные расходы и устранить ошибки, допущенные вручную, а сотрудники могут больше сосредоточиться на аналитических и сложных задачах.

Логист — это не тривиальная или повторяющаяся работа, а должность, которая требует больших знаний и опыта в отношении того, что работает, а что нет в отрасли. Эти сотрудники должны понимать сложные требования клиентов, бизнес-правила и исключения, решать вопросы качества данных и многое другое. Их работа также часто связана с использованием здравого смысла, который не является самой сильной чертой искусственного интеллекта, не говоря уже о более фундаментальных вопросах ответственности, когда ИИ совершает ошибку — ответственен ли разработчик, диспетчер, который использовал предложение ИИ, или менеджер, который внедрил эту систему? Поэтому в современном состоянии технологии искусственного интеллекта лучше всего ориентировать на расширение прав и возможностей таких высококвалифицированных сотрудников, чем пытаться их заменить.

В области логистического планирования есть много возможностей для технологических усовершенствований. Сегодня проектировщики обычно используют 2–3 монитора с системой управления транспортом (TMS) на одном экране и Excel или другая учетная программа на другом. Решения часто принимаются на основе ручных расчетов, опыта логиста и интуитивных ощущений. Остается около 10 % на потенциальную оптимизацию, что не стоит игнорировать в низкомаржинальной отрасли.

В то время как логистика становится все более и более динамичной, обычные логистические программы или Excel уже не удовлетворяют скорости логистических процессов. Типичный документ в Excel при планировании включает модели с 10–20 рабочими листами, которые в значительной степени известны только одному человеку, подвергая тем самым всю организацию серьезным рискам в случае, если этот человек покинет компанию по какой-либо причине. Excel не позволяет логистам очень часто обновлять свои планы и может обрабатывать только часть данных, имеющихся в логистической компании. Рабочие листы не обеспечивают прозрачности при принятии решений и подвержены ошибкам при принятии управленческих решений, поэтому логистические компании вынуждены перестраховываться, что приводит, в частности, к избытку порожних грузовиков, порожних контейнеров и ненужных линейных перевозок. Кроме того, эти таблицы Excel позволяют принимать локальные, а не глобальные решения по оптимизации — логисты имеют свои собственные документы Excel и решают, что делать со своим сервисом, складом, складом и т. д. Глобальная оптимизация, при такой организации работы, невозможна.

Для улучшения планирования логистических процессов компаниям следует использовать искусственный интеллект, не в смысле «искусственного интеллекта», а скорее в смысле «расширенного интеллекта». Расширенный интеллект объединяет в себе вклад специалистов по планированию (опыт, ответственность, обслуживание клиентов, гибкость, здравый смысл и т. д.) с технологией искусственного интеллекта, которая позволяет выполнять повторяющуюся и утомительную работу (использование всех имеющихся данных, обновление моделей новыми данными, предоставление резервных решений при отсутствии проектировщика) и многое другое. Например, такие сложные процессы, как оптимальный выбор перевозчика, могут занять 10 минут или больше, когда они выполняются только людьми, которые должны сортировать сотни или тысячи маршрутов и графиков. Но когда этот процесс передается ИИ, сортировка может быть выполнена за считанные секунды, и окончательный выбор остается на усмотрение оператора.

В своем нынешнем состоянии ИИ помогает логистам в реальных логистических операциях, используя интеллектуальные оповещения, основанные на прогнозном анализе. Например, из таких источников, как MarineTraffic компании могут получить информацию о положении в режиме реального времени и расчетном времени прибытия (ETA) для каждого судна в мире на основе спутниковых данных [1]. Чтобы повысить эффективность логистического бизнеса, алгоритмы ИИ могут:

− извлекать соответствующую часть данных, связывать их с внутренними данными, которые могут быть очень сложными из-за низкого качества данных,

− определять, какие события имеют значение из огромного количества данных,

− формулировать предложения по принятию решений и информировать специалистов по планированию о предлагаемом решении в нужное время и месте (например, как оповещения в системе, где принимаются и осуществляются решения, а не по электронной почте, как это часто происходит.

Другие примеры интеллектуальных прогнозных предупреждений могут включать в себя прогнозирование времени прибытия грузовиков в зависимости от условий движения, прогнозирование требований к ремонту контейнеров на основе обнаружения ударов GPS-трекеров, прогнозирование повреждения товаров и страховых требований на основе датчиков температуры, прогнозирование высокого будущего спроса на морские перевозки на основе различных переменных, прогнозирование дней болезни сотрудников склада на основе государственных праздников и погодных условий, и многое другое.

Рис. 1. Человек в среде искусственного интеллекта

Следующим шагом для ИИ в логистическом планировании является так называемый подход «Человек в среде ИИ». Ряд компаний, например, Transmetrics уже предлагает это со своими решениями по прогнозируемой оптимизации логистики [2]. Он работает на основе использования архивных данных для обучения алгоритмам искусственного интеллекта. Решения из этих алгоритмов предлагаются только в качестве предложений для логистов, которые затем должны сделать выбор, принять их или изменить. После этого алгоритмы фиксируют окончательные решения логистов, сравнивают результаты между предложениями людей и ИИ и используют эти данные для дальнейшего обучения ИИ. Таким образом, компании могут продолжать улучшать производительность ИИ, и в конечном итоге обновлять его до версий 2.0, 3.0 и так далее. При таком подходе поставщики логистических услуг могут удержать своих опытных сотрудников в процессе планирования, оставить их под контролем и использовать свои знания для улучшения искусственного интеллекта.

У «Человека в среде ИИ» все еще есть проблемы, которые в основном связаны с тем, как логисты принимают инновационное программное обеспечение. Даже если предложения ИИ оптимальны с статистической точки зрения, люди все равно склонны изменить их, установить дополнительные подушки безопасности, добавить больше правил к алгоритмам и попытаться превратить систему в свою старую Excel. В таком случае программное обеспечение для искусственного интеллекта в конечном счете начнет работать именно как обычный логист, лишаясь потенциальных преимуществ принятия решений по искусственному интеллекту и ограничивая все дополнительные возможности, которые оно предлагает. Для решения этих проблем хорошо продуманные инструменты искусственного интеллекта позволяют выполнять неограниченные настройки, не заставляя логистов использовать программное обеспечение, но в то же время они внимательно следят за эффективностью работы логистов и алгоритмов искусственного интеллекта. Как правило, приемка происходит постепенно в течение шести-двенадцати месяцев опыта работы с системой на основе ИИ.

Рис. 2. Концепция «Логистический автопилот»

Конечной целью ИИ в планировании является так называемая концепция «Логистического автопилота», в соответствии с которой ИИ автоматически выполняет все расчеты и предложения, а логист вмешиваются только в случае необходимости учитывать непредвиденные факторы и стратегию, предоставляя дополнительную обратную связь для обучения ИИ.

Например, в одном случае, система помогает оптимизировать использование порожних контейнеров в отрасли контейнерных перевозок [3]. Программное обеспечение, управляемое ИИ, автоматически рассчитывает, сколько пустых контейнеров нужно загрузить/разгрузить в каждом порту, как распределить оптимальные контейнеры для каждого заказа клиента, вернуть их в нужное время и в нужном месте в нужном состоянии, чтобы дать их следующему клиенту, заранее планировать техническое обслуживание, выгрузку, сортировку и так далее. В результате одна из ведущих судоходных линий добилась 20 % экономии за счет снижения затрат на перевалку порожних контейнеров, в частности, расходов на хранение и транспортировку, а также на 10 % сокращение количества используемых контейнеров.

В другом случае программное обеспечение оптимизирует отправку заказов на перевозку грузов по маршруту и управляет грузовыми автомобильными перевозками на основе фактических и прогнозируемых заказов в течение следующих одной-двух недель [4]. Данная концепция продемонстрировала потенциал сокращения холостых километров перевозки на 10 % и обеспечила в 90 % случаев прогнозирование перевозчиками конечных пунктов назначения в течение следующих двух недель.

Таким образом, расширенный интеллект является более мощным инструментом, чем просто человек или машина, и, вероятно, наилучшим подходом для внедрения технологий искусственного интеллекта в высококвалифицированные рабочие места. Наделенные такими инструментами, эксперты-логисты станут еще более ценными для своих компаний. Пока, только крупнейшие логистические компаний могут позволит себе самостоятельно разрабатывать решения на основе искусственного интеллекта. Необходимо развивать независимых разработчиков программного обеспечения с использованием ИИ С такими поставщиками логистических технологий, которые ежемесячно предоставляют средства прогнозирования и оптимизации ИИ, даже мелкие и средние логистические компании могут получить шанс стать более эффективными и сократить потери ресурсов с помощью новейших технологий.

Литература:

  1. M. Swan, Blockchain: Blueprint for a New Economy, O’Reilly Media, Inc., 2015.
  2. Q.-J. Kong, L.-F. Li, B. Yan, S. Lin, F.-H. Zhu, G. Xiong, Developing parallel control and management for urban traffic systems, IEEE Intelligent Systems, 28 (2013) 66–69.
  3. F.-Y. Wang, Parallel system methods for management and control of complex systems, Control and Decision, 19(5) (2004) 485–489
  4. F.-Y. Wang, R. Dai, S. Zhang, G. Chen, S. Tang, D. Yang, X. Yang, and P. Li, A complex system approach for studying sustainable and integrated development of metropolitan transportation, logistics and ecosystems, Complex Systems and Complexity Science, 1(2)(2004) 60–69
Можно быстро и просто опубликовать свою научную статью в журнале «Молодой Ученый». Сразу предоставляем препринт и справку о публикации.
Опубликовать статью
Ключевые слова
искусственный интеллект
логистика
управление автомобильным транспортом

Молодой учёный