AI-baserede systemer kan analysere meget store mængder data om køretøjer, chauffører og ruter. Dette gør det muligt at justere tidsplaner og ruter, udnytte transportressourcer bedre og reducere brændstofforbruget med op til 10-15%.
Intelligente systemer udstyret med maskinlæringsevner kan forudsige potentielle nedbrud måneder i forvejen baseret på data fra sensorer installeret i køretøjer og andet udstyr. Dette gør det muligt at planlægge reparationer og vedligeholdelse på bekvemme tidspunkter, minimere nedetid og undgå uplanlagte stop på vejen.
Et eksempel på brugen af AI i flådestyring er DB Schenker, en global leder inden for logistikbranchen. Virksomheden bruger avancerede AI-algoritmer til at optimere transportplanlægning, efterspørgselsprognoser og tilbudshåndtering. I Bulgarien, for eksempel, brugte virksomheden Transmetrics AI-løsningen til at forbedre køretøjsudnyttelse og reducere transitider for bulkforsendelser.
I lufttransport bruger virksomheden et hybrid simulerings- og prognoseværktøj, der muliggør tilpasning af simulationer og er baseret på historiske data. Ved at bruge AI accelererer DB Schenker ikke kun sin digitale transformation, men sikrer også en langsigtet konkurrencefordel på logistikmarkedet.
Kilde: DB Schenker (https://shippingwatch.com/logistics/article14448745.ece)
Moderne AI-drevne kortlægningssystemer kan analysere trafikpropper i realtid, søge efter omveje og foreslå optimale ruter for chauffører baseret på de aktuelle forhold. Desuden kan maskinlæringsalgoritmer hjælpe med bedre at planlægge fordelingen af laster, så de transporteres over de kortest mulige afstande. Dette oversættes direkte til lavere driftsomkostninger.
Et eksempel på en virksomhed, der specialiserer sig i AI-løsninger til ruteoptimering, er det amerikanske firma FourKites. De har udviklet en realtids overvågningsplatform for forsyningskæden, der udnytter data og maskinlæring til at forbedre transportens synlighed og effektivitet.
En af deres kunder, Henkel, drager fordel af at bruge FourKites-løsningen ved at have adgang til realtidsdata om placeringen og den estimerede ankomsttid (ETA) for forsendelser. Dette giver dem mulighed for bedre at planlægge deres opgaver og reagere på eventuelle forsinkelser.
FourKites har også bragt yderligere fordele til Henkel, såsom tids- og omkostningsbesparelser, forbedring af kvaliteten og ansvarligheden hos LSP (Logistics Service Providers), retfærdig tvistløsning og undgåelse af bøder for forsinkelser. I 2024 planlægger Henkel at spore næsten en million forsendelser ved hjælp af FourKites.
Kilde: Four Kites (https://www.fourkites.com/platform/)
Kunstig intelligens er dygtig til at analysere massive mængder data for nøjagtigt at forudsige efterspørgslen efter specifikke varer og råmaterialer. Som et resultat kan lageret styres mere effektivt, lagre kan genopfyldes mere præcist, og udsolgte varer kan reduceres.
To populære værktøjer, der bruger AI og maskinlæring til optimering af forsyningskæden, er:
Autonome robotter udstyret med kunstige intelligensmoduler er allerede i arbejde i mange moderne lagre og logistikcentre. De er i stand til at plukke ordrer, pakke produkter og transportere paller med varer. Maskinlæringsalgoritmer gør det muligt for disse robotter at genkende individuelle varer og pakker, planlægge deres egne ruter rundt om i lageret og endda kommunikere med medarbejdere.
Hvad sker der, når et produkt, pakket og forberedt af en robot, er klar til at komme på vejen? Dette åbner døren for implementeringen af AI i autonome køretøjer. Et eksempel er T-Pod autonome lastbil, som i øjeblikket testes i DB Schenkers distributionscentre. Den kan styres af en operatør, mens den kører på vejen, eller takket være implementeringen af AI kan den autonomt transportere paller med produkter og undgå forhindringer undervejs. Navigationen lettes gennem brugen af kameraer, radar og dybdesensorer.
DB Schenker T-Pod er det første køretøj af sin art, der er godkendt til offentlige veje i Sverige. Den kan bære op til 20 tons last og har en rækkevidde på omkring 200 km på en enkelt opladning.
Kilde: DB Schenker (https://www.dbschenker.com/)
Data fra sensorer i køretøjer, automatiseringssystemer i lagre og forsendelseslokatorer kan analyseres i realtid af kunstige intelligensalgoritmer. Dette muliggør at træffe nøjagtige forretningsbeslutninger øjeblikkeligt og forbedrer effektiviteten i hele organisationen. For eksempel kan et system udstyret med et AI-modul hjælpe med at reagere øjeblikkeligt på leveringsforsinkelser og informere kunderne eller tage forebyggende foranstaltninger.
OLX-teamet brugte maskinlæring til at bygge en forudsigelig ETA-model, som i transport og logistik står for Estimeret Ankomsttid. Modellen tager højde for faktorer som:
Modellen blev trænet på data fra over to millioner transaktioner og testet med data fra seks lande. ETA-modellen opnåede meget høj nøjagtighed og præcision og viste evnen til at tilpasse sig ændringer i markedet og driftsforholdene. ETA-modellen har hjulpet med at øge kundernes tillid og tilfredshed samt forbedre effektiviteten og rentabiliteten af leveringsprocessen.
Intelligente overvågningssystemer udstyret med AI-moduler beskytter ikke kun transportvirksomhedernes aktiver. Ved at analysere billeder fra kameraer og data fra sensorer kan de vurdere chaufførens adfærd og opdage tegn på træthed, hvilket foreslår pauser under rejsen. Desuden kan maskinlæringsalgoritmer, der kontinuerligt analyserer indkommende telemetridata fra køretøjer, forudsige potentielle fejl i god tid.
Og således anvendte den israelske start-up Cortica neurale netværk til at analysere motorlyde for tidlig opdagelse af kommende funktionsfejl. Virksomheder som Continental og ZF Friedrichshafen AG tilbyder lignende løsninger til forudsigende køretøjsdiagnostik for transportører.
Eksperter er enige om, at på grund af kunstig intelligens vil TSL-branchen gennemgå en fuldstændig transformation inden for de næste ti år. Autonome lastbiler vil blive standard på vejene i USA og vil begynde at dukke op oftere i andre dele af verden. I mellemtiden vil størstedelen af operationerne i lagre – fra ordreplukning til lastning – blive håndteret af robotter.
Takket være AI vil transport- og logistikomkostningerne falde med op til 30-40%. Leveringstiderne vil også blive forkortet gennem rute- og lastoptimering samt implementeringen af intelligente bysystemer, der letter køretøjets bevægelse i de sidste kilometer af ruten. Integrationen af AI i logistik vil forbedre kvaliteten af kundeservice, og risikoen for menneskelige fejl vil næsten blive elimineret.
Kilde: DALL·E 3, prompt: Marta M. Kania (https://www.linkedin.com/in/martamatyldakania/)
Afslutningsvis har systemer, der bruger maskinlæring og AI-algoritmer i transport, stort potentiale i TSL-branchen, som lige er begyndt at blive udnyttet. Deres implementering er en mulighed for at reducere omkostningerne betydeligt, forkorte leveringstider, forbedre transportsikkerheden og bedre betjene kunderne. For at få succes skal implementeringen af disse teknologier dog tilgås strategisk.
Hvis du kan lide vores indhold, så bliv en del af vores travle bier-fællesskab på Facebook, Twitter, LinkedIn, Instagram, YouTube, Pinterest, TikTok.
JavaScript-ekspert og instruktør, der coacher IT-afdelinger. Hans hovedmål er at hæve teamproduktiviteten ved at lære andre, hvordan man effektivt samarbejder, mens man koder.
Virksomheder kæmper med at håndtere en stor mængde indhold, der offentliggøres online, fra sociale medieindlæg…
I en tid med digital transformation har virksomheder adgang til en hidtil uset mængde data…
Vidste du, at du kan få essensen af en fler timers optagelse fra et møde…
Forestil dig en verden, hvor dit firma kan skabe engagerende, personlige videoer til enhver lejlighed…
For fuldt ud at udnytte potentialet i store sprogmodeller (LLMs) skal virksomheder implementere en effektiv…
I 2018 havde Unilever allerede påbegyndt en bevidst rejse for at balancere automatiserings- og augmenteringsevner.…