#ad

Właściciel informacji

Właściciel informacji


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.

Z tej samej kategorii

Zaufali nam

Masz pytania? Skontaktuj się!

Masz pytania dotyczące branży? Nurtuje Cię jakiś temat? Masz ciekawego newsa, lub pomysł na artykuł? Chciałbyś pojawić się na łamach TSL Biznes? Napisz do nas a my skontaktujemy się z Tobą!