KI ter verbetering van de transparantie van toeleveringsketens

De moderne zakenwereld ontwikkelt zich voortdurend en stelt bedrijven keer op keer voor nieuwe uitdagingen. Hierbij komen de mogelijkheden van machine learning (ML) en kunstmatige intelligentie (AI) voor procesoptimalisatie en toeleveringsketens steeds meer op de voorgrond. Verschillende toepassingsgevallen tonen al aan hoe deze innovatieve technologie transformatieve veranderingen kan teweegbrengen.

Door: Robert Zehentbauer

(München) In hoeverre kunnen de veelbelovende mogelijkheden van machine learning (ML) daadwerkelijk in de praktijk worden gebracht? En welke voordelen levert dit op voor de toeleveringsketens?

Intelligente locatie-tracking

Geofences fungeren als een virtuele barrière die een onmiddellijke ping activeert zodra een persoon of voertuig deze doorkruist. Ze bieden realtime zichtbaarheid en nauwkeurigere mijlpalen voor het transport van goederen per vrachtwagen. Het opschalen naar duizenden locaties blijkt echter een uitdaging te zijn, wat kan leiden tot onnauwkeurige geofence-grenzen. Zo kan het gebeuren dat een cirkelgebied rond een adres overlapt met naburige instellingen of doorgangswegen. Deze onnauwkeurigheden kunnen leiden tot foutieve resultaten en ernstige gevolgen – waaronder voortijdige beëindiging van de tracking, onjuiste aankomsttijden, gemiste afspraken en noodzakelijke herplanning.

Het gebruik van machine learning vertegenwoordigt een significante vooruitgang in de verbetering van geofences, waardoor nauwkeurigere en daarmee uiterst waardevolle logistieke informatie wordt gegenereerd. Zo ontstaan automatisch kleinere geofences die zijn gebaseerd op daadwerkelijke pings en karakteristieke bewegingen van voertuigen door historische gegevens in overweging nemen. Deze aanpak maakt een effectieve afstemming van de geofence mogelijk en vermindert eerdere beperkingen.

Logistieke planning door nauwkeurige ETA-voorspellingen

ETA (estimated time of arrival) verwijst naar de geplande aankomsttijd van een vervoermiddel op de bestemming onder de gegeven omstandigheden. Voorspelde aankomsttijden zijn echter zelden nauwkeurig en worden daarom als onbetrouwbaar beschouwd. Proactieve planning is daardoor moeilijk, vooral wanneer de verzender niet op de opgegeven aankomsttijden kan vertrouwen. Nauwkeurige tijdsaanduidingen zijn echter noodzakelijk in de logistieke sector, ook al zijn ze complex.

Vrachtvervoerders bieden vaak geen continu bijgewerkte ETA-waarden aan, waardoor tijdvensters vaak worden gemist. De reistijd van een zending zelf is doorgaans voorspelbaar, maar er zijn andere factoren die vaak leiden tot vertragingen en onnauwkeurige ETA’s – bijvoorbeeld de verblijfsduur in het magazijn en onvoorspelbaar rijgedrag. Door het gebruik van machine learning kan echter een nauwkeurige voorspelling van de verwachte aankomsttijd van vrachtwagens worden bereikt. Door ML-training met miljarden gegevenspunten uit miljoenen vrachtleveringen zijn nauwkeurigere en betrouwbaardere ETA’s mogelijk.

Om verzenders uitgebreidere inzichten te bieden, integreren de machine learning-modellen verschillende variabelen zoals rijgedrag, seizoensgebonden schommelingen en kenmerken van voertuigen en ladingen. Tijdens het transport vindt een continue dynamische update van de ETA-waarden plaats. In vergelijking met statische tijdvensters en dienstregelingen kan dit model vertragingen nauwkeurig identificeren en de foutenmarge met meer dan 60 procent verminderen. En dat onderstreept de effectiviteit van de ML-aanpak voor een nauwkeurigere en efficiëntere logistieke planning.

Versnelde vastlegging door realtime-mijlpalen

Het betrouwbaar herkennen van mijlpalen in realtime vormt vooral in de zeevaart een centrale uitdaging. Het is cruciaal voor strategische beslissingen en het monitoren van de prestaties. Door machine learning in de processen te implementeren, kunnen nauwkeurige aanlegpunten voor belangrijke havens en terminals in de zeevaart worden vastgesteld. Een uitgebreid overzicht van de mijlpalen wordt daarbij gewaarborgd door de integratie van deze informatie met satellietvolggegevens.

De identificatie van deze mijlpalen vindt in realtime plaats met behulp van geofences en GPS-trackinggegevens. Alternatief kan de vertrekmijlpaal worden geïdentificeerd wanneer het schip de geofence verlaat. Deze innovatieve aanpak is gemiddeld ongeveer vier keer sneller dan wachten op een door de vervoerder gerapporteerd evenement. Zo is een versnelde en nauwkeurigere monitoring in de zeevaart mogelijk.

Geoptimaliseerde ETA’s voor een geoptimaliseerde planning

De betrouwbaarheid van geplande aankomsttijden is van groot belang in het zeevervoer. In de afgelopen drie jaar is het landschap van de containervervoer snel veranderd – vergezeld van talrijke verstoringen en uitval. Deze dynamische ontwikkelingen bemoeilijken een continue aanpassing en vormen een extra uitdaging voor de nauwkeurige levering van exacte ETA’s. Zelfs bij minder ernstige verstoringen blijken de door vervoerders gerapporteerde ETA’s onbetrouwbaar, vooral in cruciale momenten zoals aanzienlijke zendingvertragingen.

Het aanpakken van de uitdagingen in de zeevaart vereist betrouwbare en uitvoerbare ETA’s. Hierbij revolutioneert machine learning de nauwkeurigheid, volledigheid en praktische toepasbaarheid van de geplande aankomsttijden in het scheepvaartverkeer. Zo is het bijvoorbeeld mogelijk om vertragingen gemiddeld een week eerder te identificeren dan gebruikelijk bij de meldingen van rederijen. Dit ondersteunt verzenders bij het tijdig nemen van geschikte maatregelen om hun toeleveringsketen te optimaliseren. Terwijl vervoerders doorgaans alleen de aankomsttijd van het schip opgeven, biedt ML ook een uitgebreid perspectief. Het gebruik van deze technologie maakt niet alleen de nauwkeurige voorspelling van de aankomsttijd van een schip mogelijk, maar levert ook waardevolle informatie over de vrijgave van de container van het schip.

Betrouwbare ETA’s gaan verder dan alleen de opgave van de vervoerder. Ze houden rekening met verschillende factoren zoals dienstregelingen, containeroverslagen, transitietijden van de routes, havenbezettingen en specifieke kenmerken van het schip en de container. Om altijd de meest actuele en relevante gegevens te waarborgen, ondergaat het onderliggende algoritme continue verbeteringen en aanpassingen. Deze dynamische aanpassingen vinden plaats afhankelijk van waar in de reis de container zich bevindt en waarborgen altijd een optimale en nauwkeurige prognose.

Machine learning: Transparantie en betekenis in de schijnwerpers

In de afgelopen jaren is de betekenis van kunstmatige intelligentie en machine learning steeds meer toegenomen. En veel grootse beloften over het potentieel van deze technologieën circuleerden in de media. De vier hierboven genoemde toepassingsgevallen maken echter duidelijk dat machine learning niet alleen een buzzword is, maar concrete en significante gevolgen heeft. De mogelijkheden die hieruit voortvloeien, stellen in staat om strategische beslissingen te nemen en de gehele toeleveringsketen duurzaam te verbeteren.

Robert Zehentbauer is Regional Vice President DACH-regio bij project44. Hij beschikt over uitgebreide kennis als sales- en logistiek-expert en kan terugkijken op meer dan drie decennia ervaring in de logistiek, software en IT. Zijn carrière omvat belangrijke posities bij Kühne + Nagel, Siemens Information Systems en toonaangevende Amerikaanse bedrijven op het gebied van logistiek en supply chain-software zoals JDA Technologies, Descartes en i2 Technologies.

www.project44.de

Foto’s: © Loginfo24/project44