www.machinelearningmastery.ru

Машинное обучение, нейронные сети, искусственный интеллект
Header decor

Home

Интеллектуальная логистика

Дата публикации Mar 21, 2017

[Надевая шляпу моего корпоративного аналитика ...]

Лидеры логистики начинают извлекать выгоду из огромного количества данных, генерируемых их кибер-физическими системами. С помощью искусственного интеллекта они находят более высокую эффективность, более высокую производительность, более сложную оркестровку сети и более точные прогнозы спроса.

Логистика - это огромная индустрия, которая охватывает сложную сеть вокруг планеты. Выручка оценивается в 8 триллионов долларов США и, как ожидается, вырастет до 15,5 триллионов долларов США к 2024 году. В то же время, IDCПо прогнозам, к 2020 году глобальные расходы на искусственный интеллект вырастут до 47 млрд долларов - на 55% в год. Логистические компании теперь видят ценность ИИ, поскольку он сходится с промышленным Интернетом вещей.

Как и многие части цепочки поставок, логистика переживает цифровую трансформацию. Подключение логистической цепочки создания ценности дает больше данных, больше функциональной совместимости и лучший контроль. Теперь его усиливают обучающие системы - совокупности алгоритмов глубокого обучения - которые просеивают данные, строят модели с высоким разрешением и управляют ими, точно настраивают производительность и прогнозируют изменения в цепочке создания стоимости. Для логистических операторов эти изменения обеспечивают непрерывное восприятие и обучение, а также способность быть гибкими и адаптивными в ускоряющемся мире.

Немецкая логистическая компания DHL видит в этом возможность в 1,9 триллиона долларов. Ссылаясь на давление со стороны энергетики, безопасности и технологий, их радар в области логистических тенденций заявляет: «Воздействие управляемых данными и автономных цепочек поставок предоставляет возможность для ранее невообразимых уровней оптимизации в производстве, логистике, складировании и доставке последней мили, которые могут стать реальность менее чем за пол десятилетия ». Логистика вступает в 4-ю промышленную революцию.

... управление их динамичной сетью поставок вокруг разнообразного географического спроса.

Требование поставки

От инвентаря до поставки промышленность продолжала оцифровывать и автоматизировать. В настоящее время Amazon размещает на своих складах более 45 000 роботизированных сборщиков. Обучающие системы визуально проверяют новые упаковки, отслеживают стеллажи, распределяют упаковку для каждого предмета и организуют перемещение инвентаря со склада на транспортные средства доставки. Это сближение данных, робототехники и машинного интеллекта стало шаблоном для кибер-физических систем. «Нам нравится воспринимать это как симфонию программного обеспечения, машинного обучения, компьютерных алгоритмов и людей», - говорит пресс-секретарь Amazon Келли Чизмен.

Управление спросом и предложением может быть очень сложным, а ошибки могут означать упущенные возможности и упущенные товары, особенно для скоропортящихся продуктов. Shelf Engine использует системы обучения для прогнозирования количества продуктов на заказ на основе исторических моделей спроса. Они помогли увеличить прибыль для магазина Molly's на 9%. Многонациональная бакалейная лавка Tesco сэкономила 140 миллионов долларов, передав данные о погоде в свой механизм прогнозной аналитики для прогнозирования спроса на продукты, связанные с погодой, такие как мороженое. Они используют эти данные для корректировки запасов и заказов для каждого магазина, организовывая свою динамичную сеть поставок в соответствии с разнообразным географическим спросом.

Из инвентаря в оркестровку

Логистические компании должны координировать работу крупных сетей поставщиков, партнеров, субподрядчиков и транспортных средств. Они существуют в более широких контекстах, таких как региональный спрос, глобальная экономика, геополитика и климат. По мере того, как системы обучения создают более сильные модели и интегрируют информацию из мира, их способность выступать в качестве сетевых организаторов растет. ClearMetalРешает эту сложность, используя интеллектуальную логистику для управления транспортными контейнерами. Чтобы снизить риск между спросом и предложением, они отслеживают контейнеры, оценивают перевозчиков и интегрируют сторонние сигналы о погоде, экономике и условиях порта, моделируя все это с помощью машинного обучения.

Под капотом

По мере того, как все больше компонентов становятся связанными и воспринимающими, все больше данных может поступать в системы обучения. Реактивный двигатель Rolls Royce Trent XWB имеет тысячи датчиков, которые выдают терабайты данных о дальних рейсах. Используя библиотеки Microsoft Azure Stream Analytics и Machine Intelligence, они оптимизируют топливную экономичность и ожидают обслуживания, экономят затраты и минимизируют время простоя. GE Transportation делает то же самое со своими локомотивами, пытаясь оборудовать железнодорожную систему США, которая ежедневно перевозит 5 миллионов тонн грузов. Daimler и Navistar каждый пилотировал автономные дальнемагистральные грузовики в связанных взводах - Anheuser-Busch InBev доставил грузовик пива автономно (с помощью устройства Uber Otto без водителя). AB InBev говорит, что автономные грузоперевозки могут сэкономить 50 миллионов долларов в год в США. ABB Ship Management в Мумбаи показывает дорожную карту для многих отраслей тяжелой промышленности. Они строят сети на своих кораблях и между ними, а также сервисы для подключения и автоматизации операций. Это позволит им использовать пульты дистанционного управления, а затем запускать полностью автономные системы. АББ показывает, как инструментарий физических активов для сбора данных с высоким разрешением закладывает основу для глубокой аналитики, прогнозных моделей и самоуправления.

Это иллюстрирует, пожалуй, наиболее ценную возможность: возможность снизить потребление энергии и воды, загрязнение окружающей среды и выбросы, а также смежность индустриализации.

Последствия

В своей работе над 4-й промышленной революцией Всемирный экономический форум заявил, что «мы стоим на пороге технологической революции, которая в корне изменит наш образ жизни, работу и отношения друг с другом». закладывая эту основу, и в настоящее время строим системы обучения, чтобы разобраться во всех данных. Стартапы пытаются разделить логистику, предоставляя крупным операторам некоторую гибкость и возможность отказаться, одновременно угрожая их контролю. Это ведет к росту конкуренции и слияний и поглощений.

Способность автоматизировать, прогнозировать и управлять сложными, динамичными экосистемами в направлении более высоких порядков производительности и эффективности будет продолжать привлекать НИОКР и обеспечивать квартальную прибыль. Google показал, что его системы обучения DeepMind могут снизить затраты энергии в своих центрах обработки данных на 15%. Они не только внедряют это в своих центрах обработки данных, но и теперь работают с Национальной сетью Великобритании, чтобы посмотреть, сможет ли это решение уменьшить общую нагрузку на британский энергетический след. Это иллюстрирует, пожалуй, наиболее ценную возможность: возможность снизить потребление энергии и воды, загрязнение окружающей среды и выбросы, а также смежность индустриализации.

Дороги

Есть много проблем для преобразования логистики. ИИ сложен, а логистика - это большая и фрагментированная отрасль, которая координирует десятки тысяч предприятий. Существуют значительные проблемы с данными и функциональной совместимостью, но ИИ можно научить переводить между ними. Отрасль не склонна к риску и медленно внедряется, особенно когда сетевое взаимодействие открывает проблемы безопасности и уязвимости. Кроме того, регуляторные меры будут сильными, поскольку автономные системы продолжают оказывать давление на человеческий труд. В Америке 3,5 миллиона рабочих водят транспортные средства. По мере того, как логистический парк станет автономным, возникнут трудовые кризисы и подтолкнут регуляторы к введению ограничений.

Есть много проблем, которые еще предстоит решить, но возможности, предлагаемые ИИ, слишком велики, чтобы их игнорировать. Это следующая волна цифровой трансформации, которая охватывает все отрасли.

Оригинальная статья

Footer decor

© www.machinelearningmastery.ru | Ссылки на оригиналы и авторов сохранены. | map