TransInfo

Iki 2025 metų duomenų kiekis pasaulyje padidės 10 kartų. Ar logistika sugebės su jais susidoroti?

Vidutinis skaitymo laikas 3 minutės

Logistikos sritis turi rimtai pasiruošti milžiniškai duomenų skaičiui. Informacijos kiekis dvigubėja kas dvejus metus. Analitikai prognozuoja, kad jau 2020 metais duomenų kiekis bus 44 zetabaitai. Dėl įdomumo primename, kad 1 zetabaito standžiajame diske telpa 4K raiškos filmas, kurio bendras chronometražas yra daugiau kaip 63 milijonai metų.

Analizuojant ir interpretuojant didelius kiekius duomenų pasitelkiami mašininio mokymo algoritmai. Jie pateikia prognozes remdamiesi gauta informacija ir pagrindinėmis tendencijomis.

Kaip mašininis mokymas taikomas logistikoje?

Mašininis mokymas taikomas visose transporto ir logistikos srityse.

  • Sandėlio logistika. Kompiuterinis matymas vykdo prekių likučių sandėliuose monitoringą, kontroliuoja darbininkus, užtikrina objektų saugumą
  • Remiantis apie vežimus surinkta informacija planuojami ir kuriami maršrutai, prognozuojamas sezoniškumas.
  • Pardavimų apimčių prognozė, transporto ir logistikos kompanijos kainų politikos pokyčiai grindžiami taip pat ir atsižvelgiant į paslaugų pardavimų istorinius rodiklius.
  • Remiantis informacija apie santykius su tiekėjais, vertinimo balais modeliai padeda išryškinti nesąžiningus arba potencialiai probleminius kontragentus dar prieš pradedant bendradarbiauti.

Analitikoje svarbiausia yra pateikti užduotį ir suformuoti užklausą, pagal kurią bus atrinkta būtina informacija. Čia nepavyks apseiti be žmogaus – būtinas analitikas, turinti patirties ir atitinkamos verslo srities žinių. 

Toliau pasitelkiami mašininio mokymo algoritmai, kurie rezultatyviai veikia informacijos rinkimo, apdorojimo ir pirminės analizės etapais. Analitikui nereikia atlikti rutininių ir daug laiko reikalaujančių užduočių, jis gali susitelkti į konceptualius darbo aspektus.

Kaip mašininio mokymo algoritmus naudoja logistikos operatoriai?

Pasak Vitaly Verbilovich, tarptautinės įmonių grupės „AsstrA“ tyrimų ir plėtros skyriaus vadovo, bendrovė mašininio mokymo algoritmai naudoja sprendžiant trijų kategorijų uždavinius. 

Visų pirma – dokumentų apdorojimo skaitmenizavimą kuriant relevantines duomenų bazes su tolesniu informacijos apdorojimu. Galimų force majeure transporto judėjimo kelyje numatymas ir informavimas apie tai. AsstrA“ bendradarbiauja su „Shippeo“, kurios algoritmai suteikia galimybę padidinti gabenimo grandinės skaidrumą realiu laiku, taip pat prognozuoti galimas problemas transporto judėjimo kelyje ir pranešti apie jas.

Be to, įmonė naudoja praėjusių periodų rodiklių dėsningumų prognozinę analitiką ir būsimų rizikų bei galimybių vertinimą. Apdorota informacija leidžia priimti pasvertus sprendimus, susijusius su logistikos grandžių efektyvumo didinimu.

BNS Asstra/ciol.com nuotr.

Paantraštės