Iki 2025 metų duomenų kiekis pasaulyje padidės 10 kartų lyginant su 2015 metais. Tokius skaičius skelbia tarptautinė tyrimų ir konsultacijų kompanija IDC (angl. International Data Company) ataskaitoje „Duomenų era 2025“.
Logistikos srityje vyrauja tos pačios tendencijos kaip ir visame pasaulyje. 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. Išsamiau apie mašininį mokymą ir jo taikymą transporto ir logistikos srityje kalbamės su Vitaly Verbilovich, tarptautinės įmonių grupės „AsstrA“ tyrimų ir plėtros skyriaus vadovu.
Vitaly, 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
- Ekspedijavimas. Remiantis apie vežimus surinkta informacija planuojami ir kuriami maršrutai, prognozuojamas sezoniškumas.
- Pardavimai. Pardavimų apimčių prognozė, transporto ir logistikos kompanijos kainų politikos pokyčiai grindžiami taip pat ir atsižvelgiant į paslaugų pardavimų istorinius rodiklius.
- Saugumas. Remiantis informacija apie santykius su tiekėjais, vertinimo balais modeliai padeda išryškinti nesąžiningus arba potencialiai probleminius kontragentus dar prieš pradedant bendradarbiauti.
Kokia informacija apdorojama pasitelkus mašininio mokymo algoritmus, o kas paliekama analitikams?
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 algoritmai naudojami kompanijoje „AsstrA“?
Įmonių grupėje „AsstrA-Associated Traffic“ AG mašininio mokymo algoritmai naudojami sprendžiant trijų kategorijų uždavinius:
- Dokumentų apdorojimo skaitmenizavimas kuriant relevantines duomenų bazes su tolesniu informacijos apdorojimu.
- Galimų force majeure transporto judėjimo kelyje numatymas ir informavimas apie tai. Siekdama didinti gabenimo grandinės skaidrumą „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.
- Praėjusių periodų rodiklių dėsningumų prognozinė analitika ir būsimų rizikų bei galimybių vertinimas.
Apdorota informacija leidžia priimti pasvertus sprendimus, susijusius su logistikos grandžių efektyvumo didinimu.