Efektivita skrytá v plánování a datech

Firmy po celém světě se v posledních letech předhánějí v tom, kdo zařadí do svého vozového parku vyšší počet elektromobilů, do městské logistiky proniká čím dál více cargo kol a experimentuje se také s dalšími alternativními prostředky přepravy – od autonomních elektrických vozítek po drony. Všechny tyto iniciativy bezesporu mají svůj význam, ale jejich dopad má své limity. Elektromobil je pro ovzduší přímo ve městě určitě lepší než stará dieselová dodávka, ale skutečnou výhrou pro prostředí, ve kterém žijeme, dýcháme a pohybujeme se, je auto, které nevyjede vůbec – a toho se dá dosáhnout jen špičkovým plánováním.

Právě zde do hry vstupuje umělá inteligence a technologie strojového učení. Klíčem k efektivní logistice je být schopen efektivně naplánovat trasy tak, že auto vždy jede po optimální trase s ohledem na aktuální provoz a že je maximálně vytíženo, což ve výsledku znamená, že maximum objednávek rozveze minimum aut s najetím co nejnižšího počtu kilometrů a co nejnižší investicí do času kurýrů. Stále chytřejší umělá inteligence ale tuto schopnost plánování posouvá ještě o kus dál, protože díky ní již dokážeme víc, než jen co nejlépe reagovat na minulost a současnost. Umožňuje nám také předvídat a dokázat v předstihu alokovat vozy i kurýry tak, jak bude v daný den a v dané oblasti potřeba.

Umělá inteligence předpoví objednávky s přesností na hodinu

Stejně jako je tomu u ChatGPT a dalších aplikací umělé inteligence do praxe, zásadní pro přesnost predikcí a správnost výsledků je objem datových vstupů. V DODO testujeme pro predikci objednávek v pořadí již čtvrtý model a za několik let našeho provozu jsme dokázali nasbírat takový vzorek dat, že jsme byli schopni vyvinout prediktor, jenž na dva týdny dopředu dokáže předpovědět objednávky s přesností na konkrétní hodiny, přičemž chybovost se nám daří držet pod 10 procenty. Konkrétní číslo se liší dle vytíženosti dané pobočky, obchodu či restaurace, pro níž poptávku modelujeme. U těch vytíženějších, kde máme k dispozici více dat, se chybovost pohybuje dokonce okolo 6 %.

Matematicky se jedná o zajímavý případ, protože data jako den v týdnu, měsíc, partner, pro kterého doručujeme, město a další parametry jsou směsicí tabulárních dat a časových řad. Pro trénová­ní modelů využíváme machine-learningové algoritmy založené na tzv. rozhodovacích stromech (decision trees), včetně nejnovějších a vylepšených algoritmů jako XGBoost, ADAboost a dalších.

Schopnost přesně „věštit“ zákaznickou poptávku je pro efektivní logistický provoz skutečně zásadním milníkem, protože umožňuje přesně to, co je pro udržitelné doručování zásadní – alokovat vždy adekvátní množství vozů, kurýrů pro danou oblast a naplánovat trasy tak, aby počítaly nejen s aktuální situací, ale také s vývojem během daného dne.

V praxi se nám ukazuje, že umělá inteligence a strojové učení mohou být pro další posouvání logistiky směrem k udržitelnosti skutečným zlomem, který si zaslouží pozornost. Překotný rozvoj v oblasti AI a ML totiž rozhodně neznamená jen mediálně zajímavé novinky jako precizní deep fake videa, schopnost vygenerovat si obrázek zadáním slova, nebo si nechat složit básničku. Umělá inteligence může znamenat zefektivňování každodenních procesů, ulehčení denních rutin, ale co víc, stává se nástrojem, který nám umožňuje činit kvalifikovanější rozhodnutí nejen v městské logistice.

Marek Štěpán Autor článku je Data Scientist ve společ­nos­ti DODO, která se specializuje na mo­der­ní a ekologicky šetrnou městskou logis­ti­ku řízenou komplexní datovou platformou.