3 Herausforderungen der Lieferkette künstliche Intelligenz lösen
#AI #Machinelearning #Supplychain
Um den Mangel an Lkw -Fahrern zu lösen, ist die Übereinstimmung und die Nachfrage nur der Anfang
Die LKW-Industrie hat in den letzten Jahren beispiellose Turbulenzen erlebt, die zum großen Teil durch eine Kombination aus Nachfragevolatilität, makroökonomischen Ereignissen, groß angelegten Störungen, Forderungen für nachhaltige Transportmittel und steigende Kundenerwartungen getrieben wurde. Mit dem Aufstieg des E-Commerce und der zunehmenden Nachfrage nach Erfüllung der letzten Meile stehen Lieferanten unter starkem Druck, ihre Operationen anzupassen und in der neuen Normalität zu gedeihen. Trotz der Herausforderungen bleibt die LKW -Branche ein wesentlicher Bestandteil der Weltwirtschaft und ihr anhaltendes Wachstum wird eine Schlüsselrolle bei der Gestaltung der Zukunft des globalen Handels spielen.
In den letzten Jahren haben technologische Fortschritte wie Automatisierung, Konnektivität und Datenanalyse der Branche die Möglichkeit geboten, echte Durchbrüche zu erzielen. Die Branche ist jedoch in der digitalen Fitness zurückgeblieben und gefährdet die Akzeptanz. Insbesondere sind neue technologiebetriebene Teilnehmer innovativ, um Lücken zu schließen und ihre eigenen Nischen in der Wertschöpfungskette mit brennender Geschwindigkeit herauszuarbeiten. Ein Feld, der in dieser Innovation an der Spitze steht, ist die künstliche Intelligenz (KI). Künstliche Intelligenz hat das Potenzial, alle Funktionen des Supply -Chain -Managements zu revolutionieren, indem es Unternehmen ermöglicht, Prozesse zu optimieren, die Kosten zu senken und die Effizienz zu steigern.
Dieser Artikel ist der erste in einer zweiteiligen Serie darüber, wie KI große Herausforderungen der LKW-Branche lösen und lindern kann. In diesem Teil sind drei Herausforderungen detailliert und kI-gesteuerte Lösungen hervorgehoben.
Einstellung und Aufbewahrung von Fahrern
Die Fahrerknappheit war seit der großen Rezession von 2008 eine chronische Herausforderung für die LKW -Branche. Die American Trucking Association (ATA) erwartet, dass der Fahrermangel von 60.000 im Jahr 2021 auf 160.000 im Jahr 2030 steigt. Die Maximierung der Produktivität bestehender Treiber ist kritisch geworden.
Die Verwendung von KI für die Routenplanung und die Fahrerplanung kann die Nutzung erhöhen und die Treiber freisetzen, um sich auf den treibenden Aspekt ihrer Arbeit zu konzentrieren. Die zögernde frühzeitige Einführung hat einer rasenden Annahme fortschrittlicher Fahrerhilfesysteme (ADAs) Platz gemacht, um Unfälle zu erkennen und zu verhindern, die Fahrerleistung zu überwachen und vor Problemen wie Müdigkeit zur Verbesserung der Fahrsicherheit zu warnen. Auf lange Sicht kann die Analyse der Faktoren, die die Treiber zum Kündigen vorantreiben, die Mitarbeitererfahrung verbessern und den Umsatz verringern. In einer Branche, die sich vor nicht allzu langer Zeit auf papierbasierte Prozesse und Zeitungsanzeigen für das Rekrutierungsmarketing stützte, interagieren die Fahrer jetzt mit NLP-Chatbots und simulierten Fahrwerkzeugen, um alles von der Rekrutierung bis hin zur täglichen Fahrerunterstützung zu unterstützen. NFI Industries, Inc.
Angebot und Nachfrageanpassung
In den letzten fünf Jahren ist die US -amerikanische Speditekapazität mit einer Geschwindigkeit von 1%gewachsen, während die Tonnage mit einer Geschwindigkeit von 1,2%gewachsen ist, was eine signifikante Schwankungen der Größe und der geografischen Verteilung aufwies. Um die Kapazität dort zu setzen, wo die Nachfrage ist, verwenden die Fluggesellschaften und Eigentümer Lastbretter, wenn sie können und ansonsten hilflos sind. Während sie sich auf dem Spotmarkt vermehren, begrenzen Fragmentierung, begrenzte Sichtbarkeit und manuelle Prozesse die Attraktivität und Effektivität von Lastvorständen. Interessanterweise wird allgemein geschätzt, dass ein Drittel aller LKW-Meilen leer ist.
Die digitale Güterübereinstimmung ist eine AI-fähige Fähigkeit, die die Frachtreise durch End-to-End-Digitalisierung vereinfacht. Der Ladekapazitätsanpassungsprozess wird durch maschinelles Lernen basierend auf den Sendungsanforderungen (OD-Paar, Lkw-Typ, Versicherung, Service) automatisiert, der Ausschreibungsvorgang wird durch Kommunikationstechnologien (EDI, API) automatisiert und die Verfolgung erleichtert die Sichtbarkeit der Echtzeit während der Ausführung. KI kann auch die zukünftige Nachfrage vorhersagen, die Kapazitätspositionierung für die Nachfrage ermöglichen und kontinuierliche Bewegungen basierend auf der verfügbaren Last entwerfen. Die Anpassung der verfügbaren Nachfragekapazität wird verbessert, wodurch die Nutzung des Vermögens maximiert, die Leerlaufmeilen minimiert und die Kapazitätsverlagerung verbessert wird.
Die digitale Güterübereinstimmung ist eine AI-fähige Fähigkeit, die die Frachtreise durch End-to-End-Digitalisierung vereinfacht. Der Ladekapazitätsanpassungsprozess wird durch maschinelles Lernen basierend auf den Sendungsanforderungen (OD-Paar, Lkw-Typ, Versicherung, Service) automatisiert, der Ausschreibungsvorgang wird durch Kommunikationstechnologien (EDI, API) automatisiert und die Verfolgung erleichtert die Sichtbarkeit der Echtzeit während der Ausführung. KI kann auch die zukünftige Nachfrage vorhersagen, die Kapazitätspositionierung für die Nachfrage ermöglichen und kontinuierliche Bewegungen basierend auf der verfügbaren Last entwerfen. Die Anpassung der verfügbaren Nachfragekapazität wird verbessert, wodurch die Nutzung des Vermögens maximiert, die Leerlaufmeilen minimiert und die Kapazitätsverlagerung verbessert wird.
Dynamische ETA
Die Schätzung der geschätzten Ankunftszeit (ETA) ist ein komplexes Unterfangen, das von Ladungsverzögerungen, Verkehr, Wetter, Straßensperrungen, Zusammenbrüchen und menschlichem Fehler beeinflusst wird, was zu einer Kaskade spontaner Aktionen und suboptimaler Leistung führt. Die Prognosegenauigkeit ist in vielen Schritten nachgeschalteter Prozesse von entscheidender Bedeutung, z. B. die Verwaltung von Hoftermine, das Entladen von Docks, die Verteilung, die Erfüllung der Bestandsaufnahme, die Arbeitszuweisung in Lagern und die Ausführung in geschäftigen Produktionszellen. Während Verzögerungen unvermeidlich sind, ist die Verbesserung der Genauigkeit von ETAs von entscheidender Bedeutung, um das Produkt effizient fließen zu lassen.
Während sich die Systeme immer noch zu Echtzeit-Updates entwickeln, trägt die künstliche Intelligenz (KI) dazu bei, diese Verschiebung durch die Berechnung von ETAs im laufenden Fliegen zu erleichtern, wobei wissenschaftliche Methoden verwendet werden, um Echtzeitprognosen durch komplexe Algorithmen zu generieren. Die KI verwendet eine Vielzahl von Echtzeitdateneingaben, einschließlich, aber nicht beschränkt auf historische Musterverfolgung, GPS-Informationen, OBC-Daten (On-Board-Computer), Treiberdaten, EDI-Updates, Geräteleistung und Wartungsinformationen. Da die Daten so spezifisch sind, können KI -Modelle unter anderem genauere und relevantere Vorhersagen für verschiedene Operationsorte auf der Grundlage von Bestandsmustern, Fahrerverhalten, Lkw -Zeiten und Geolokationsdaten erstellen. Wenn sich die Jahreszeiten oder Muster ändern, ändern sich,
"Diese dynamischen AI-basierten ETA-Berechnungen verbessern die Effizienz, die Genauigkeit der Ausläufe von Outbound-Fulfillment-Läufen, die Liefergeschwindigkeit der Speicher und den Verkauf von E-Commerce und Kundenerfahrung."
Mit aufregenden Fortschritten in autonomen LKWs, dem Internet of Things (IoT), Drohnen-basierter Erfüllung und Blockchain am Rande des Durchbruchs und der Kommerzialisierung ist die Zukunft hell.
Hinterlassen Sie einen Kommentar