Welke rol is er voor AI in de transport sector ?

Het is nu al een paar jaar dat we horen over Kunstmatige Intelligentie (KI), maar de afgelopen maanden lijkt het alsof we in een hogere versnelling zijn gekomen met #ChatGPT (ontwikkeld door #OpenAI) die beschikbaar is gesteld aan het publiek.

Er rijzen veel vragen over het gevaar van KI en hoe we het wel of niet zouden moeten gebruiken. Dit gaat zelfs zo ver dat voormalige medewerkers van technologiebedrijven die verantwoordelijk waren voor de ontwikkeling van KI officiële waarschuwingen geven…

Ik kan alleen maar aannemen dat bovenstaande discussie op overheidsniveau gevoerd zal worden om de toekomstige regels rond KI vast te stellen (wat wel en niet mag) en dat we daar nu niet verder op ingaan.

Intussen zou KI uiterst nuttig kunnen zijn voor de transportindustrie, met name om de planningsefficiëntie te vergroten bij het maken van “milk runs” (een “milk run” is een bezorgmethode waarbij gemengde ladingen van verschillende leveranciers naar één klant worden vervoerd. Het kan ook worden gebruikt om een transportroute met veel stops te beschrijven. In dit artikel verwijs ik naar deze laatste definitie).

Huidige planningsmethoden

De meest gebruikelijke manier om een distributieroute (lees: “milk run”) te maken, is via een semi-geautomatiseerde manier, wat betekent dat een TMS (Transport Management Systeem) wordt gebruikt en vooraf ingestelde parameters worden toegepast.

Er zijn ook bedrijven die handmatige planning doen op basis van gedrukte versies van CMR-documenten, gerangschikt op postcode, en die de handmatige planning in een systeem kopiëren wanneer deze klaar is — wat nog inefficiënter is — en ik zou zelfs zeggen een complete verspilling van middelen, tijd en geld.

Deze manieren van plannen zijn verre van efficiënt, laat me dat uitleggen:

* Handmatige interventie is vereist

Je hebt handmatige interventie nodig, want hoewel je zo diep in detail kunt gaan als je wilt bij het instellen van de parameters, kan het systeem slechts zoveel doen en moet worden gecontroleerd. De parameters moeten voortdurend worden bewaakt en indien nodig aangepast, het uiteindelijke resultaat van de geplande routes moet ook worden gecontroleerd op haalbaarheid.

* De uitkomst is subjectief

Afhankelijk van wie de planning uitvoert, krijg je verschillende resultaten. Geen enkele planner zal precies dezelfde routes maken. Je bent ook sterk afhankelijk van de kennis van infrastructuur, beperkingen, middelen, klantvereisten, enzovoort.

* De "Milk run" is statisch

Zodra de planning klaar is, zal de “milk run” niet evolueren. Het is een statische route geworden die de chauffeur van punt A naar punt B brengt en zo verder. Bijna alsof het in marmer is geschreven.

* Externe factoren worden niet in aanmerking genomen

Denk aan: weersomstandigheden, files, wegwerkzaamheden, kleine wegen, verkeersbeperkingen, enzovoort.

* Dezelfde fout(en) kunnen steeds opnieuw worden gemaakt

Menselijke fouten zijn iets waar je rekening mee moet houden bij het gebruik van een semi-geautomatiseerd systeem of een handmatig planningsproces. Een fout kan steeds opnieuw worden gemaakt als de oplossing niet in een systeem kan worden vastgelegd. Het veranderen van de planner, gebrek aan kennisoverdracht of slecht onderhouden systeemparameters kunnen er ook toe leiden dat dezelfde problemen vaker voorkomen.

* * *

De planner is de spin in het midden van het web, waarin zij (of hij) zoveel mogelijk informatie en details moet verzamelen en diezelfde informatie in overweging moet nemen voordat de planning wordt gemaakt.

Bijvoorbeeld: gebrek aan kennis, alleen gedeeltelijke informatie beschikbaar, niet op de hoogte zijn van de kosten van gebruikte middelen, en andere belangrijke factoren die niet worden overgedragen / bekend zijn, enzovoort, zorgen ervoor dat je planning gedoemd is om te mislukken.

Als je planner geen rekening houdt met bepaalde beperkingen, zul je de volgende dag de impact voelen van niet-efficiënte planning op je klantenserviceafdeling…

Conclusie: op basis van het bovenstaande zullen de meest gebruikte transportplanningsprocessen binnen bedrijven niet leiden tot de meest efficiënte of geoptimaliseerde routes. Laat staan dat ze kostenefficiënt zijn.

Hoewel in veel gevallen het verschil tussen winst maken of verlies lijden rechtstreeks verband houdt met de kwaliteit van de routes die door de planner zijn gemaakt.

Dat is veel verantwoordelijkheid om in handen van planners te leggen, vooral als we bedenken dat de beschikbare tools beperkt zijn.

Maar draait het niet allemaal om #data ?

Ja, dat klopt. En dat is precies waar KI in het spel komt. Wat als we de rol van een transportplanner evolueren naar iemand die eigenlijk de machine voedt?

Oké, nu ben ik je kwijt, laten we even teruggaan.

Onthoud: in de eerder genoemde planningsprocessen is tussen de regels door duidelijk dat een transportplanner alleen zo’n goede prestatie kan leveren als de informatie / gegevens die hij bezit.

Met slechts de helft van de informatie, of volledig gebrek daaraan, zullen de transportroutes weer falen. De echte vraag hier is dus hoe we ervoor zorgen dat de transportplanner ALLE informatie / details heeft die zij (of hij) nodig heeft om een (kosten)efficiënte planning te maken? En tegelijkertijd moeten wij als 3PL nauwkeurige, actuele informatie en de juiste tools (lees: systemen) verschaffen aan een planner om routes te verzekeren die optimaal, consistent en kostenefficiënt zijn.

Dat is onder de veronderstelling dat er nog steeds een transportplanner is die de “milk runs” maakt.

Laten we een stap verder gaan.

Dit is het punt waar Kunstmatige Intelligentie het verschil kan maken. KI door middel van machine learning op basis van historische gegevens (eerder gemaakte “milk runs” / distributieroutes) en gelogde problemen op die routes kan beginnen te leren om de meest voorkomende problemen op bepaalde routes te voorspellen en nieuwe routes te creëren die deze vermijden.

Op basis van de details van elk van de assets die een 3PL bezit (vrachtwagentype, beschikbare laadmeters, maximaal laadgewicht, laadklep, ADR, enz.), en met toevoeging van verschillende toepasbare beperkingen (dagelijkse rijtijd, openingstijden van klanten, vaste tijdvakken) zou het verwachte resultaat een uitvoerbare en efficiënte planning zijn.

Voeg daar kosteninformatie aan toe (brandstof, kilometervergoeding, personeelskosten, verzekering, onderhoudskosten, afschrijving, enz.) en het resultaat zou niet beperkt blijven tot uitvoerbaar en efficiënt, elke route zou winstgevend zijn.

Alles staat of valt echter met de nauwkeurigheid van de gegevens. De rol van de planner zou evolueren van het daadwerkelijk maken van de planning naar het zorgen voor accurate gegevens (en het controleren van de uitkomst).

Als de planner een fout of een niet-uitvoerbare route in de uitkomst opmerkt, moet de planner de redenen waarom dit niet uitvoerbaar is aan het systeem doorgeven, zodat deze redenen opnieuw in overweging worden genomen voor de volgende run, weer via machine learning.

N.B. de planner zou de machine voeden.

Het bovenstaande is al een grote verbetering, zowel qua kosten als qua tijd, zeker in vergelijking met handmatige en semi-geautomatiseerde planning. De toegevoegde waarde van de planner zou verschuiven van het daadwerkelijk maken van de planning naar het verzekeren van de nauwkeurigheid van de gegevens.

Maar voorlopig blijft de uitkomst ook statisch.

Stel je nu eens voor dat we realtime verkeersinformatie en weersvoorspellingen via het systeem zouden koppelen aan de boordcomputer in de vrachtwagens, dan verandert het spel volledig.

Dynamische KI-routeplanning…

Degene die in staat zal zijn om geavanceerde KI-technologie te combineren binnen een TMS, zal mijlenver voor liggen op de concurrentie.

Mijn bevindingen: ik geloof sterk dat er een toekomst is voor KI in de transportsector. Het bovenstaande is slechts een beknopte weergave van de onbeperkte mogelijkheden en voordelen als KI zou worden gebruikt.

Ik ben benieuwd hoe dit zich zal ontwikkelen en de transportsector in het algemeen zal verbeteren.

Sources:

Vertaling vanuit het Engels naar het Nederlands: ChatGPT
Machine Learning : https://en.wikipedia.org/wiki/Machine_learning
3PL : https://redstagfulfillment.com/3pl-definition-process-resources/
How AI is improving transportation and logistics : 
https://www.aiplusinfo.com/blog/how-ai-is-improving-transportation-and-logistics/