AI inom transport och logistik | AI i affärer #75

Flottförvaltning med AI inom transport

AI-baserade system kan analysera mycket stora mängder data om fordon, förare och rutter. Detta gör det möjligt att justera scheman och rutter, bättre utnyttja transportresurser och minska bränsleförbrukningen med upp till 10-15%.

Intelligenta system utrustade med maskininlärningskapabiliteter kan förutsäga potentiella driftstopp månader i förväg baserat på data från sensorer installerade i fordon och annan utrustning. Detta gör det möjligt att schemalägga reparationer och underhåll vid lämpliga tidpunkter, minimera stillestånd och undvika oplanerade stopp på vägen.

Ett exempel på användning av AI inom flottförvaltning är DB Schenker, en global ledare inom logistikbranschen. Företaget använder avancerade AI-algoritmer för att optimera transportplanering, efterfrågeprognoser och erbjudandehantering. I Bulgarien, till exempel, använde företaget Transmetrics AI-lösning för att förbättra fordonens utnyttjande och minska transitider för bulkleveranser.

Inom flygtransport använder företaget ett hybrid simulerings- och prognosverktyg som möjliggör anpassning av simuleringar och baseras på historiska data. Genom att använda AI accelererar DB Schenker inte bara sin digitala transformation utan säkrar också en långsiktig konkurrensfördel på logistikmarknaden.

Källa: DB Schenker (https://shippingwatch.com/logistics/article14448745.ece)

Implementera AI för att optimera rutter och minska transportkostnader

Moderna AI-drivna kartläggningssystem kan analysera trafikstockningar i realtid, söka efter omvägar och föreslå optimala rutter för förare baserat på aktuella förhållanden. Dessutom kan maskininlärningsalgoritmer hjälpa till att bättre planera distributionen av laster så att de transporteras över de kortaste möjliga avstånden. Detta översätts direkt till lägre driftskostnader.

Ett exempel på ett företag som specialiserar sig på AI-lösningar för ruttoptimering är det amerikanska företaget FourKites. De har utvecklat en plattform för övervakning av leveranskedjan i realtid som utnyttjar data och maskininlärning för att förbättra transportens synlighet och effektivitet.

En av deras kunder, Henkel, drar nytta av att använda FourKites-lösningen genom att ha tillgång till realtidsdata om plats och beräknad ankomsttid (ETA) för leveranser. Detta gör att de kan planera sina uppgifter bättre och reagera på eventuella förseningar.

FourKites har också gett ytterligare fördelar till Henkel, såsom tids- och kostnadsbesparingar, förbättring av kvaliteten och ansvarstagandet hos LSP (Logistics Service Providers), rättvis tvistlösning och undvikande av böter för förseningar. År 2024 planerar Henkel att spåra nästan en miljon leveranser med hjälp av FourKites.

Källa: Four Kites (https://www.fourkites.com/platform/)

Lagerhantering med AI inom transport

Artificiell intelligens är skicklig på att analysera massiva mängder data för att noggrant förutsäga efterfrågan på specifika varor och råvaror. Som ett resultat kan lagret hanteras mer effektivt, lagerhus kan fyllas på mer exakt och brist på varor kan minskas.

Två populära verktyg som använder AI och maskininlärning för optimering av leveranskedjan är:

• RELEX (https://www.relexsolutions.com/) – en omfattande plattform som används för efterfrågeprognoser och automatisk påfyllning av lager. Företaget hjälper kunder inom alla branscher att planera efterfrågan, hantera lager, optimera logistikprocesser och driva intäktsökning.
• SAP IBP (https://www.sap.com/products/scm/integrated-business-planning.html) – En avancerad modul för lagerplanering och leveranskedja som är en del av SAP-sviten. SAP IBP hjälper till att optimera logistiska processer och erbjuder olika funktioner, inklusive Sales and Operations Planning (S&OP), efterfrågeprognoser, respons och leverans, lagerplanering och transportplanering.

Införa AI för att automatisera lagerprocesser och autonom transport

Autonoma robotar utrustade med artificiella intelligensmoduler arbetar redan i många moderna lager och logistikcenter. De är kapabla att plocka beställningar, packa produkter och transportera pallar med varor. Maskininlärningsalgoritmer gör det möjligt för dessa robotar att känna igen individuella varor och paket, planera sina egna vägar runt lagret och till och med kommunicera med anställda.

Vad händer när en produkt, packad och förberedd av en robot, är redo att ge sig ut på vägen? Detta öppnar dörren för implementering av AI i autonoma fordon. Ett exempel är T-Pod, en autonom lastbil som för närvarande testas i DB Schenkers distributionscenter. Den kan styras av en operatör medan den kör på vägen eller, tack vare implementeringen av AI, kan den autonomt transportera pallar med produkter och undvika hinder längs vägen. Navigeringen underlättas genom användning av kameror, radar och djupsensorer.

DB Schenkers T-Pod är det första fordonet av sitt slag som har godkänts för allmänna vägar i Sverige. Den kan transportera upp till 20 ton last och har en räckvidd på cirka 200 km på en enda laddning.

Källa: DB Schenker (https://www.dbschenker.com/)

Övervakning och analys av realtidsdata med AI inom transport

Data från sensorer i fordon, automatiserade lager och leveranslokalisatorer kan analyseras i realtid av artificiella intelligensalgoritmer. Detta möjliggör att fatta exakta affärsbeslut omedelbart och förbättrar effektiviteten i hela organisationen. Till exempel kan ett system utrustat med en AI-modul hjälpa till att omedelbart reagera på leveransförseningar och informera kunder eller vidta förebyggande åtgärder.

OLX-teamet använde maskininlärning för att bygga en förutsägande ETA-modell, som inom transport och logistik står för Estimated Time of Arrival. Modellen tar hänsyn till faktorer som:

• plats,
• typ av varor,
• väderförhållanden,
• helgdagar, etc.

Modellen tränades på data från över två miljoner transaktioner och testades med data från sex länder. ETA-modellen uppnådde mycket hög noggrannhet och precision, och den visade förmåga att anpassa sig till förändringar i marknads- och driftsförhållanden. ETA-modellen har hjälpt till att öka kundernas förtroende och tillfredsställelse, samt förbättra effektiviteten och lönsamheten i leveransprocessen.

Säkerhet och olycksförebyggande

Intelligenta övervakningssystem utrustade med AI-moduler skyddar inte bara transportföretagens tillgångar. Genom att analysera bilder från kameror och data från sensorer kan de bedöma förarbeteende och upptäcka tecken på trötthet, vilket föreslår pauser under resan. Dessutom kan maskininlärningsalgoritmer, som kontinuerligt analyserar inkommande telemetridata från fordon, förutsäga potentiella fel långt i förväg.

Således tillämpade den israeliska start-upen Cortica neurala nätverk för att analysera motorljud för tidig upptäckte av förestående funktionsfel. Företag som Continental och ZF Friedrichshafen AG erbjuder liknande lösningar för förutsägande fordonsdiagnostik för transportörer.

Framtiden för AI inom transport och logistik

Experter är överens om att på grund av artificiell intelligens kommer TSL-branschen att genomgå en fullständig transformation inom de kommande tio åren. Autonoma lastbilar kommer att bli standard på vägarna i USA och börja dyka upp oftare i andra delar av världen. Under tiden kommer majoriteten av operationerna i lager—från orderplockning till lastning—att hanteras av robotar.

Tack vare AI kommer transport- och logistikkostnaderna att minska med så mycket som 30-40%. Leveranstiderna kommer också att förkortas genom rutt- och lastoptimering, samt implementering av intelligenta stadssystem som underlättar fordonens rörelse under de sista kilometerna av rutten. Integrationen av AI i logistik kommer att förbättra kvaliteten på kundservicen, och risken för mänskliga fel kommer att nästan elimineras.

Källa: DALL·E 3, prompt: Marta M. Kania (https://www.linkedin.com/in/martamatyldakania/)

AI inom transport – sammanfattning

Sammanfattningsvis har system som använder maskininlärning och AI-algoritmer inom transport stor potential i TSL-branschen som just börjar utnyttjas. Deras implementering är en möjlighet att avsevärt minska kostnader, förkorta leveranstider, förbättra transportsäkerheten och bättre betjäna kunder. För att lyckas måste dock implementeringen av dessa teknologier närmas strategiskt.

Om du gillar vårt innehåll, gå med i vår aktiva community av busy bees på Facebook, Twitter, LinkedIn, Instagram, YouTube, Pinterest, TikTok.