Właściciel informacji

#ad

Do 2025 r. ilość danych na świecie wzrośnie dziesięciokrotnie w porównaniu z 2015 r. – przewiduje międzynarodowa firma badawczo-konsultingowa IDC (International Data Company) w raporcie „Data Age 2025”.

W branży logistycznej sytuacja wygląda podobnie. Ilość informacji podwaja się co dwa lata. Według analityków już w 2020 r. ilość danych wyniesie 44 zettabajty. Dla porównania: dysk twardy o pojemności 1 zettabajta zawiera nagranie video wysokiej rozdzielczości 4K, gdzie chronometraż wynosi ponad 63 milionów lat.

W celu analizy i interpretacji dużych ilości danych na ratunek przychodzą algorytmy uczenia maszynowego (machine learning, ML). ML sporządza prognozy na podstawie otrzymanych informacji i zidentyfikowanych trendów. Więcej informacji na temat uczenia maszynowego i jego zastosowania w branży transportowo-logistycznej w rozmowie z Vitalijem Verbilovichem, Kierownikiem Działu Badań i Rozwoju w międzynarodowej grupie AsstrA.

W jaki sposób uczenie maszynowe jest wykorzystywane w logistyce?
Uczenie maszynowe jest stosowane we wszystkich obszarach transportu i logistyki.
• Logistyka magazynowa. Funkcja rozpoznawania obrazów monitoruje pozostałości towarów w magazynach, kontroluje pracowników, zapewnia bezpieczeństwo w obiektach.
• Spedycja. Na podstawie zebranych informacji o transporcie spedytorzy planują i wyznaczają trasy, prognozują fale sezonowości.
• Sprzedaż. Budowana jest prognoza wielkości sprzedaży oraz zmian w polityce cenowej firmy transportowo-logistycznej z uwzględnieniem historycznych wskaźników sprzedaży usług.
• Bezpieczeństwo. Modele punktacji (punktacja – system oceny punktowej oparty na numerycznych metodach statystycznych) pomagają na podstawie informacji o relacjach z dostawcami identyfikować potencjalnie problematycznych kontrahentów jeszcze przed rozpoczęciem współpracy.

Jakie informacje są przetwarzane przy użyciu algorytmów ML, a co leży w gestii analityków?
W analityce priorytetowym zadaniem jest określenie problemu i sformułowanie zapytania na wybór niezbędnych informacji. Tutaj nie można obejść się bez interwencji człowieka – analityka z doświadczeniem i wiedzą w konkretnym obszarze biznesowym. Następie wkraczają już algorytmy uczenia maszynowego, które bardziej efektywnie radzą sobie z zadaniami gromadzenia, przetwarzania i pierwotnej analizy informacji. Analityk jest wolny od rutynowych i czasochłonnych zadań i koncentruje się na koncepcyjnych aspektach pracy.

W jaki sposób algorytmy uczenia maszynowego są wykorzystywane w AsstrA?
W grupie kapitałowej AsstrA-Associated Traffic AG algorytmy uczenia maszynowego wykorzystywane są do rozwiązywania trzech kategorii zadań:
1. Cyfryzacja przepływu dokumentów poprzez budowę odpowiednich baz danych z dalszym przetwarzaniem informacji.
2. Prognozowanie i informowanie o możliwości wystąpienia siły wyższej w ruchu drogowym. Aby zwiększyć przejrzystość łańcucha dostaw, AsstrA współpracuje z Shippeo, którego algorytmy mogą zwiększać przejrzystość łańcuchów dostaw w czasie rzeczywistym, a także przewidywać i sygnalizować ewentualne sygnały na drodze.
3. Analiza predykcyjna wzorców wskaźników dla poprzednich okresów oraz ocena ewentualnego ryzyka i szans.

Dzięki przetwarzanym informacjom podejmowane są świadome decyzje mające na celu zwiększenie wydajności łańcuchów dostaw.