Prediktív megoldások hatalmas adatigénnyel

Jelentős változásokat idézhet elő a mesterséges intellgiencia azon funkciója, amelyben a legjobban teljesít: ez a pontos predikciók létrehozása. Ezek az előrejelzések viszont csak annyira jók, amennyire az AI által felhasznált, betáplált adatok. Szerencsére a logisztika pont egy olyan terület, ahol tengernyi adat áll rendelkezésre és generálódik nap mint nap. Ezek alapján egy erre kialakított AI pontos képet adhat az áruk és szállítóeszközök keresletéről és kapacitás igényeiről, segítséget nyújthat a kockázatkezelésben, valamint a folyamatok és útvonalak optimalizálásával csökkentheti az operációs költségeket is.

Egy ilyen prediktív algoritmus működéséhez az adatok megfelelő összegyűjtése és rendszerezése elengedhetetlen. Az adatgyűjtés legkézenfekvőbb módja az adatok manuális rendezése és szűrése, de az emberi tényező bevonása minden esetben kisebb-nagyobb mértékű hibaszázalékot jelent. Erre megoldást jelenthet az adatbányászat (data mining) félautomatikus feltárási módszere. Ennek során ugyancsak mesterséges intelligencia alapú algoritmusok megkeresik az adatok közötti összefüggéseket és trendeket, így kiszűrhetők a prediktív rendszer számára felhasználható, értékes adatok.

Egy probléma van az adatok ilyen szintű feldolgozásával és felhasználásával: a számadatokból kevés esetben lehet következtetni az emberekhez fűződő kimagasló trendekre, tendenciákra. Ennek megértése érdekében gondoljunk például a 2017-es fidget spinner mániára. A játék berobbanása utáni pár hónapban hozzávetőlegesen 50 millióra tehető annak értékesítési darabszáma és lehet, hogy ez a szám tovább optimalizált kínálat esetén még magasabb lett volna. Mivel a készletek feltöltése sokkal több időt vett volna igénybe vízi fuvarozás esetében, hatalmas igény mutatkozott a légi szállításra ezekben a hónapokban. Az ilyen speciális esetekre aligha lehet következtetni szállítási és keresleti adatokból. Ellenben, a különböző közösségi média felületeken megosztott tartalmak egyértelmű jelét adták a kialakuló népszerűségi hullámnak. A közösségi médiában megosztott tartalmak hatalmas volumene lehetetlenné teszik azok folyamatos emberi nyomon követését és kiértékelését, de egy megfelelő szemantikai és NLP (Natural Language Processing) tudással felvértezett mesterséges intelligencia játszi könnyedséggel megbirkózhat a feladattal.

Robotika AI látással, hallással és gondolkodással

A modern logisztikának megannyi kihívásra kell választ adnia: megváltoztak a vásárlási szokások, folyamatosan növekszik a kezelendő csomagok száma, így a fizikai munkaerő hiányában hatalmas az igény alternatív megoldásokra. Ezt az igényt mesterséges intelligencia által vezérelt autonóm robotok remekül elégíthetik ki a jövőben. Ezen robotok működésének elengedhetetlen feltétele a gépi látás és a beszéd alapú vezérlés, amelyek így remekül kiegészíthetik a jelen kor munkaerejének képességeit és kapacitását.

Automatikus szortírozás

Napjainkban minden logisztikai központnak hatalmas kihívást és feladatot jelent a rendezetlen csomagok és raklap alapú szállítmányok csoportosítása és kiválogatása. Erre a feladatra nagyszerű megoldást nyújtanak az AI alapú robotika berendezései. Ezek a gépi látást és tanulást vegyítve képesek lehetnek precízen, az emberhez képest sokkal alacsonyabb hibaszázalékkal  szétválogatni a központokba beérkezett küldeményeket. Az online vásárlások növekvő száma mellet ez a folyamat egyre nehezedik, így szinte megköveteli a legújabb technológiák folyamatos alkalmazását.

Vizuális ellenőrzés gépi látással

Gépi látással felügyelhető a logisztikai folyamatok nagy része. Sok egységből álló, egymással kommunikálni képes kamerák rendszere automatikus felügyeletet biztosíthat a logisztikai központokban, amely különösen fontos, ha az a fent említett automatizálási folyamatokat is igénybe veszi. Így azonnali értesítés kapható például a következő esetekben:

• Hiányzik, vagy megsérült a vonalkód
• Nem a megrendelt áru érkezett
• Hiányzik egy termék
• Az árucikkek rossz elrendezésben vannak
• Egy csomagon rossz cím szerepel

A logisztikai központokon kívül szállítás közben is lehetőség nyílhat az áruk és a szállítóeszközök ellenőrzésére. Ezzel ugyancsak a rendellenes működés és a különböző hiányosságok küszöbölhetők ki.

Beszéd alapú vezérlés az ellátási láncban

A fogyasztói piacon már jó ideje fellelhetők beszéd alapú vezérlést használó rendszerek. Ezekre gondolva a legtöbben a virtuális személyi asszisztensekre asszociálnak, holott az ellátási láncon belül is rengeteg hasznát lehet venni egy beszédfelismerő rendszernek. A gyakorlatban nagy mértékben megkönnyítik és felgyorsíthatják a feladatok, szállítási megbízások, státuszváltozások, vagy egyéb információk manuális rögzítését, valamint mindezek visszanyerését keresés vagy szűrés útján. Ezeket a feladatokat már korábbi rendszerek is képesek voltak ellátni, de csak meghatározott parancsokra működtek rossz felismerési aránnyal. Egy fejlett hangfelismerő rendszer - amilyen a Régens saját fejlesztésű mesterséges intelligenciája is - sokkal könnyebb módot biztosít az ilyen feladatok elvégzésére.

Forrás: DHL, Forbes