AI v dopravě a logistice | AI v podnikání #75

Správa flotily s AI v dopravě

Systémy založené na AI mohou analyzovat velmi velké množství dat o vozidlech, řidičích a trasách. To umožňuje upravit jízdní řády a trasy, lépe využívat dopravní zdroje a snížit spotřebu paliva až o 10-15 %.

Inteligentní systémy vybavené schopnostmi strojového učení mohou předpovědět potenciální poruchy měsíce dopředu na základě dat ze senzorů nainstalovaných ve vozidlech a jiném vybavení. To umožňuje naplánovat opravy a údržbu v pohodlných časech, minimalizovat prostoje a vyhnout se neplánovaným zastávkám na cestě.

Jedním příkladem využití AI v řízení flotily je DB Schenker, globální lídr v logistickém průmyslu. Společnost používá pokročilé AI algoritmy k optimalizaci plánování dopravy, předpovědi poptávky a řízení nabídek. V Bulharsku například společnost využila řešení Transmetrics AI k zlepšení využití vozidel a snížení tranzitních časů pro hromadné zásilky.

V letecké dopravě společnost používá hybridní simulační a předpovědní nástroj, který umožňuje přizpůsobení simulací a je založen na historických datech. Díky využití AI DB Schenker nejen urychluje svou digitální transformaci, ale také si zajišťuje dlouhodobou konkurenční výhodu na logistickém trhu.

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

Implementace AI pro optimalizaci tras a snížení nákladů na dopravu

Moderní mapovací systémy poháněné AI mohou analyzovat dopravní zácpy v reálném čase, hledat objížďky a navrhovat optimální trasy pro řidiče na základě aktuálních podmínek. Co víc, algoritmy strojového učení mohou pomoci lépe plánovat distribuci nákladů tak, aby byly přepravovány na co nejkratší vzdálenosti. To se přímo promítá do nižších provozních nákladů.

Jedním příkladem společnosti specializující se na AI řešení pro optimalizaci tras je americká firma FourKites. Vyvinuli platformu pro monitorování dodavatelského řetězce v reálném čase, která využívá data a strojové učení k zlepšení viditelnosti a efektivity dopravy.

Jedním z jejich klientů, Henkel, těží z používání řešení FourKites tím, že má přístup k datům v reálném čase o poloze a odhadovaném čase příjezdu (ETA) zásilek. To jim umožňuje lépe plánovat své úkoly a reagovat na případné zpoždění.

FourKites také přinesl Henkelovi další výhody, jako jsou úspory času a nákladů, zlepšení kvality a odpovědnosti LSP (poskytovatelé logistických služeb), spravedlivé řešení sporů a vyhnutí se pokutám za zpoždění. V roce 2024 plánuje Henkel sledovat téměř milion zásilek pomocí FourKites.

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

Správa zásob s AI v dopravě

Umělá inteligence je schopna analyzovat obrovské množství dat, aby přesně předpověděla poptávku po konkrétním zboží a surovinách. V důsledku toho může být správa zásob efektivnější, sklady mohou být doplňovány přesněji a nedostatek zboží může být snížen.

Dva populární nástroje, které využívají AI a strojové učení pro optimalizaci dodavatelského řetězce, jsou:

• RELEX (https://www.relexsolutions.com/) – komplexní platforma používaná pro předpověď poptávky a automatické doplňování zásob. Společnost pomáhá zákazníkům ve všech odvětvích plánovat poptávku, spravovat zásoby, optimalizovat logistické procesy a zvyšovat růst příjmů.
• SAP IBP (https://www.sap.com/products/scm/integrated-business-planning.html) – pokročilý modul pro plánování zásob a dodavatelského řetězce, který je součástí sady SAP. SAP IBP pomáhá optimalizovat logistické procesy a poskytuje různé funkce, včetně plánování prodeje a operací (S&OP), předpovědi poptávky, reakce a dodání, plánování zásob a plánování dopravy.

Zavedení AI pro automatizaci procesů ve skladech a autonomní dopravu

Autonomní roboti vybavení moduly umělé inteligence již pracují v mnoha moderních skladech a logistických centrech. Jsou schopni vybírat objednávky, balit produkty a přepravovat palety zboží. Algoritmy strojového učení umožňují těmto robotům rozpoznávat jednotlivé zboží a balíčky, plánovat si vlastní cesty po skladu a dokonce komunikovat se zaměstnanci.

Co se stane, když je produkt, který zabalil a připravil robot, připraven vyrazit na cestu? To otevírá dveře implementaci AI v autonomních vozidlech. Jedním příkladem je autonomní nákladní vůz T-Pod, který je v současnosti testován v distribučních centrech DB Schenker. Může být řízen operátorem během jízdy na silnici nebo, díky implementaci AI, může autonomně přepravovat palety produktů a vyhýbat se překážkám na cestě. Navigaci usnadňuje použití kamer, radarů a hloubkových senzorů.

DB Schenker T-Pod je první vozidlo svého druhu, které bylo schváleno pro veřejné silnice ve Švédsku. Může nést až 20 tun nákladu a má dojezd přibližně 200 km na jedno nabití.

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

Monitorování a analýza dat v reálném čase s AI v dopravě

Data ze senzorů ve vozidlech, systémů automatizace skladů a lokalizátorů zásilek mohou být analyzována v reálném čase algoritmy umělé inteligence. To umožňuje okamžité a přesné obchodní rozhodování a zlepšuje efektivitu celé organizace. Například systém vybavený modulem AI může pomoci okamžitě reagovat na zpoždění dodávek a informovat zákazníky nebo přijmout preventivní opatření.

Tým OLX použil strojové učení k vytvoření prediktivního modelu ETA, což v dopravě a logistice znamená Odhadovaný čas příjezdu. Model zohledňuje takové faktory jako:

• lokace,
• typ zboží,
• počasí,
• svátky atd.

Model byl trénován na datech z více než dvou milionů transakcí a testován s daty ze šesti zemí. Model ETA dosáhl velmi vysoké přesnosti a preciznosti a prokázal schopnost přizpůsobit se změnám na trhu a provozních podmínkách. Model ETA pomohl zvýšit důvěru a spokojenost zákazníků, stejně jako zlepšit efektivitu a ziskovost procesu dodání.

Bezpečnost a prevence nehod

Inteligentní monitorovací systémy vybavené moduly AI nejen chrání majetek dopravních společností. Analyzováním obrazů z kamer a dat ze senzorů mohou posoudit chování řidiče a detekovat známky únavy, navrhovat přestávky během cesty. Navíc algoritmy strojového učení, které neustále analyzují příchozí telemetrická data z vozidel, mohou předpovědět potenciální závady s velkým předstihem.

A tak izraelský start-up Cortica aplikoval neuronové sítě k analýze zvuků motoru pro včasné odhalení blížících se poruch. Společnosti jako Continental a ZF Friedrichshafen AG nabízejí podobná řešení pro prediktivní diagnostiku vozidel pro dopravce.

Budoucnost AI v dopravě a logistice

Odborníci se shodují, že díky umělé inteligenci projde průmysl TSL v příštích deseti letech kompletní transformací. Autonomní nákladní vozy se stanou standardem na silnicích ve Spojených státech a začnou se častěji objevovat i v jiných částech světa. Mezitím ve skladech většinu operací – od vybírání objednávek po nakládání – budou zajišťovat roboti.

Díky AI se náklady na dopravu a logistiku sníží až o 30-40 %. Dodací lhůty se také zkrátí díky optimalizaci tras a nakládání, stejně jako implementaci inteligentních městských systémů, které usnadňují pohyb vozidel během posledních kilometrů trasy. Integrace AI v logistice zlepší kvalitu zákaznického servisu a riziko lidských chyb bude téměř eliminováno.

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

AI v dopravě – shrnutí

Na závěr, systémy využívající strojové učení a AI algoritmy v dopravě mají obrovský potenciál v průmyslu TSL, který teprve začíná být využíván. Jejich implementace je příležitostí k výraznému snížení nákladů, zkrácení dodacích lhůt, zlepšení bezpečnosti dopravy a lepšímu servisu zákazníkům. Aby však byla úspěšná, musí být implementace těchto technologií přistupována strategicky.

Pokud se vám náš obsah líbí, připojte se k naší komunitě pracovních včel na Facebooku, Twitteru, LinkedInu, Instagramu, YouTube, Pinterestu, TikToku.