3 Wyzwania łańcucha dostaw sztuczna inteligencja rozwiązuje
#Ai #MachineLearning #supplychain
Aby rozwiązać brak kierowców ciężarówek, dopasowanie pojemności i popytu to dopiero początek
Przemysł transportowy doświadczył bezprecedensowych turbulencji w ciągu ostatnich kilku lat, napędzany w dużej mierze przez połączenie zmienności popytu, zdarzeń makroekonomicznych, zakłóceń na dużą skalę, wezwań do zrównoważonych sposobów transportu i rosnących oczekiwań klientów. Wraz ze wzrostem handlu elektronicznego i rosnącym popytem na realizację ostatniej mili, dostawcy mają intensywną presję, aby dostosować swoją działalność i rozwijać się w nowej normie. Pomimo wyzwań przemysł transportowy pozostaje istotną częścią globalnej gospodarki, a jej ciągły rozwój będzie odgrywał kluczową rolę w kształtowaniu przyszłości globalnego handlu.
W ostatnich latach postęp technologiczny, taki jak automatyzacja, łączność i analizy danych, zapewniły branży możliwość osiągnięcia prawdziwych przełomów. Jednak branża pozostaje w tyle za cyfrową fitness i zagraża adopcji. W szczególności nowi uczestnicy oparte na technologii wprowadzają innowacje w celu wypełnienia luk i wyrównania własnych nisz w łańcuchu wartości z odwróconą prędkością. Jednym z dziedzin, która jest na czele tej innowacji, jest sztuczna inteligencja (AI). Sztuczna inteligencja może zrewolucjonizować wszystkie funkcje zarządzania łańcuchem dostaw poprzez umożliwienie organizacjom optymalizacji procesów, zmniejszenia kosztów i zwiększania wydajności.
Ten artykuł jest pierwszym z dwuczęściowej serii na temat tego, jak AI może rozwiązać i złagodzić poważne wyzwania branżowe. W tej części szczegółowe są trzy wyzwania i wyróżniono rozwiązania oparte na AI.
Zatrudnianie i zatrzymanie kierowców
Niedobory kierowcy były przewlekłym wyzwaniem dla branży transportowej od Wielkiej Recesji w 2008 roku. American Trucking Association (ATA) oczekuje, że niedobór kierowcy wzrośnie z 60 tys. W 2021 r. Do 160 tys. W 2030 roku Maksymalizacja wydajności istniejących sterowników stała się krytyczna.
Korzystanie z sztucznej inteligencji do planowania trasy i planowania kierowców może zwiększyć wykorzystanie i zwolnić kierowców, aby skupić się na aspekcie jazdy swojej pracy. Wahanie wczesnego przyjęcia ustąpiło miejsca szaleństwu uścisku zaawansowanych systemów wspomagania kierowcy (ADAS) do wykrywania i zapobiegania wypadkom, monitorowaniu wydajności kierowcy oraz ostrzegania przed problemami, takimi jak zmęczenie w celu poprawy bezpieczeństwa jazdy. Na dłuższą metę analiza czynników, które napędzają kierowców do rzucenia palenia, może poprawić doświadczenie pracowników i zmniejszyć obrót. W branży, która nie tak dawno polegała na papierowych procesach i reklamach w gazetach w zakresie marketingu rekrutacyjnego, kierowcy wchodzą teraz w interakcje z chatbotami NLP i symulowane narzędzia do jazdy, aby pomóc we wszystkim, od rekrutacji po wdrożenie po codzienne wsparcie kierowców. NFI Industries, Inc.
Dopasowanie podaży i popytu
W ciągu ostatnich pięciu lat zdolność transportu transportu amerykańskiego wzrosła w tempie 1%, podczas gdy tonaż wzrósł w tempie 1,2%, wykazując znaczące wahania wielkości i rozkładu geograficznego. Aby umieścić pojemność tam, gdzie jest zapotrzebowanie, przewoźnicy i właściciele-operatorzy korzystają z płyt obciążenia, gdy mogą i w inny sposób są bezradni. Podczas gdy rozprzestrzeniają się na rynku spot, fragmentacja, ograniczona widoczność i ręczne procesy ograniczają atrakcyjność i skuteczność płyt obciążenia. Co ciekawe, powszechnie szacuje się, że jedna trzecia wszystkich mil ciężarówek jest pusta.
Digital Freight Dopasowanie to funkcja obsługująca sztuczną inteligencję, która upraszcza podróż towarową przez digitalizację kompleksową. Proces dopasowywania pojemności obciążenia jest zautomatyzowany poprzez uczenie maszynowe w oparciu o wymagania dotyczące wysyłki (Para OD, rodzaj ciężarówki, ubezpieczenie, usługa), proces licytacji jest zautomatyzowany za pośrednictwem technologii komunikacyjnych (EDI, API), a śledzenie ułatwia widoczność w czasie rzeczywistym podczas wykonywania. AI może również przewidzieć przyszłe zapotrzebowanie, ułatwić pozycjonowanie pojemności w celu dopasowania do popytu i projektowanie ciągłego ruchu na podstawie dostępnego obciążenia. Dopasowanie dostępnej pojemności do popytu jest ulepszone, maksymalizując wykorzystanie aktywów, minimalizując bezczynne mile i poprawę przeniesienia wydajności.
Digital Freight Dopasowanie to funkcja obsługująca sztuczną inteligencję, która upraszcza podróż towarową przez digitalizację kompleksową. Proces dopasowywania pojemności obciążenia jest zautomatyzowany poprzez uczenie maszynowe w oparciu o wymagania dotyczące wysyłki (Para OD, rodzaj ciężarówki, ubezpieczenie, usługa), proces licytacji jest zautomatyzowany za pośrednictwem technologii komunikacyjnych (EDI, API), a śledzenie ułatwia widoczność w czasie rzeczywistym podczas wykonywania. AI może również przewidzieć przyszłe zapotrzebowanie, ułatwić pozycjonowanie pojemności w celu dopasowania do popytu i projektowanie ciągłego ruchu na podstawie dostępnego obciążenia. Dopasowanie dostępnej pojemności do popytu jest ulepszone, maksymalizując wykorzystanie aktywów, minimalizując bezczynne mile i poprawę przeniesienia wydajności.
Dynamiczny eta
Szacunkowy czas przybycia ciężarówki (ETA) jest złożonym przedsięwzięciem wpływającym na obciążenie opóźnień, ruchu, pogody, zamknięcia dróg, awarii i błędów ludzkich, co skutkuje kaskadą zaimprowizowanych działań i nieoptymalnej wydajności. Dokładność prognozy ma kluczowe znaczenie w wielu etapach dalszych procesów, takich jak zarządzanie wizytami na podwórku, rozładunek Dock, dystrybucja, realizacja zapasów, alokacja siły roboczej w magazynach i wykonywanie w ruchliwych komórkach produkcyjnych. Chociaż opóźnienia są nieuniknione, poprawa dokładności ETA ma kluczowe znaczenie dla wydajnego utrzymywania produktu.
Podczas gdy systemy wciąż ewoluują w kierunku aktualizacji w czasie rzeczywistym, sztuczna inteligencja (AI) pomaga złagodzić tę zmianę poprzez obliczenie ETA w locie, wykorzystując metody naukowe do generowania prognoz w czasie rzeczywistym poprzez złożone algorytmy. AI wykorzystuje różne dane wejściowe w czasie rzeczywistym, w tym między innymi historyczne śledzenie wzorców, informacje GPS, dane komputerowe (OBC), dane sterownika, aktualizacji EDI, wydajności sprzętu i informacji o konserwacji. Ponieważ dane są tak specyficzne, modele AI mogą dokonywać dokładniejszych i odpowiednich prognoz dla różnych lokalizacji operacji opartych na wzorcach zapasów, zachowaniu kierowcy, czasach ciężarówki i danych geolokalizacji. Gdy zmieniają się pory roku lub wzorce,
„Te dynamiczne obliczenia ETA oparte na sztucznej inteligencji poprawiają wydajność otrzymywania, dokładność fali wychodzącego, prędkość dostawy oraz sprzedaż e-commerce i obsługę klienta”.
Dzięki ekscytującym postępom w autonomicznych ciężarówkach, Internecie rzeczy (IoT), realizacji dronów i blockchain na skraju przełomu i komercjalizacji, przyszłość jest jasna.
zostaw komentarz