Tovább lép a mesterséges intelligencia hasznosításában az okoslogisztikai szolgáltatásokat kínáló DODO.

Már teszteli az új AI-alapú technológiáját, amellyel két héttel, órára pontosan képes előrejelezni a területi és mennyiségi keresletigényt. Ez az innovatív fejlesztés többek között javítja az útvonalak, a flottakapacitás és a költségek tervezését, amelyeknek köszönhetően a megrendeléseket még hatékonyabban, pontosabban és környezetkímélőbben tudja teljesíteni.

A logisztikai vállalatok számára komoly kihívást jelent az ügyféligények egyre gyorsabb és egyre költséghatékonyabb teljesítése. A DODO ennek érdekében a kezdetektől kiemelt hangsúlyt fektet a fejlett adatkezelésre és a szállítási feladatok hatékonyságának állandó javítására. A vállalat ugyanakkor régóta tudja, hogy a hatékony tervezéshez és a kapacitás helyes elosztásához nem elég a jelenlegi, valós idejű reagálás, a jövőbeli helyzetekről is a lehető legbiztosabb tudással kell rendelkeznie. Itt jönnek a képbe a mesterséges intelligencia és a gépi tanulás alapú technológiák.

“Az előrejelző algoritmus tanításához az adatsorokat manuálisan tisztítjuk meg a kiugró értékektől, például a zárva tartás napjaitól, valamint az alacsony rendelésszámú partnerektől, amelyek túl sok véletlenszerű változót eredményeznének az adott idősorhoz képest. Mivel a DODO nagyobb és kisebb partnerekkel is együtt dolgozik, a következő lépés az előre jelzett rendelésszám szabványosítása. Ezt a legutóbbi hónapok adataiból számított átlag és standard deviáció segítségével végezzük el. Így reagálunk a kereslet trendjére vagy szezonalitására is“

– magyarázza Marek Štěpán, a DODO adatszakértője.

A prediktív vagy megrendelés-előrejelző modell minden egyes megrendelésre vonatkozó adatot felhasznál, és először ezt a több tízmillió sorból álló táblázatot összesíti a kívánt részletességig. A DODO jelenleg 14 napos előrejelzésekkel dolgozik, partnerei több száz üzletére kiterjedően, így még az összesített adatok is több százezer rekordot tartalmaznak.

“Matematikailag ez egy érdekes eset, mivel az olyan adatok, mint a hét napjai, a hónap, a szállítási partner, a város és más paraméterek táblázatos adatok és idősorok keverékei. A modellek tanításához döntési fákon alapuló gépi tanulási algoritmusokat használunk, köztük az olyan legújabb és továbbfejlesztett algoritmusokat, mint például az XGBoost és az ADAboost“

– mondta Marek Štěpán.

Ahogy a ChatGPT és más mesterséges intelligencia alkalmazások esetében, a bevitt adatok mennyisége döntő fontosságú az előrejelzés pontossága és az eredmények helyessége szempontjából. A jelenlegi előrejelző modellel a DODO 10 százalék alatt tudja tartani a 14 napos, órára lebontott előrejelzések hibaarányát. A konkrét szám attól függően változik, hogy milyen kihasználtságú az adott telephely, üzlet vagy étterem, amelyre a keresletet modellezik. A forgalmasabbak esetében, ahol több adat áll rendelkezésre, a hibaarány mindössze 6 százalék körüli. Az algoritmus további finomításával és az adatminta növekedésével várhatóan tovább fog nőni a pontosság.

Az ügyfelek keresletének pontos előrejelzése rendkívül jelentős mérföldkő a hatékony logisztikai műveletek szempontjából, mivel pontosan azt teszi lehetővé, ami a fenntartható szállításhoz elengedhetetlen: mindig megfelelő számú járművet és futárt rendelnek ki egy adott területre, és az útvonalakat úgy tervezik meg, hogy ne csak az aktuális helyzetet, hanem a nap folyamán bekövetkező változásokat is figyelembe veszik. A városi okoslogisztikai szolgáltatásokat nyújtó DODO első tudományos adatelemző projektje, a megrendelés-előrejelző algoritmus célja, hogy egy megbízható, hosszú távon 90 százalék feletti pontosságú mesterséges intelligenciamodellt ültessen át a mindennapi gyakorlatba. A vállalat tervei szerint ez lehetővé teszi, hogy az ügyfelek számára magas színvonalú, pontos, ugyanakkor megfizethető szállítási szolgáltatást tudjon nyújtani, miközben a lehető legkisebb hatással van a városi közlekedésre és környezetre.

További friss híreket talál a Technokrata főoldalán! Csatlakozzon hozzánk a Facebookon is!