هوش مصنوعی مسیر بارها را انتخاب میکند
شرکتهایی که کالا را در مسیرهای بینالمللی جابهجا میکنند، معمولاً با چندین تصمیم همزمان روبهرو هستند. آنها باید مسیر مناسب، شرکت حملونقل، زمان تحویل، هزینه، ظرفیت، احتمال تأخیر و محدودیتهای مربوط به مقصد را بررسی کنند. انتخاب ارزانترین مسیر همیشه بهترین تصمیم نیست، زیرا تأخیر یا آسیبدیدن کالا میتواند هزینه بیشتری به شرکت تحمیل کند.
ماژول جدید MG Ship تلاش میکند این تصمیمها را با استفاده از الگوریتمهای خودکار و سامانههای پیشنهاددهنده سادهتر کند. این ابزار مسیرهای مختلف را بررسی و شرکتهای حملونقل را با یکدیگر مقایسه میکند. سپس بر اساس شرایط سفارش و اولویتهای مشتری، گزینههایی را پیشنهاد میدهد.
در روش سنتی، کارشناسان لجستیک بخش زیادی از این اطلاعات را از سیستمهای مختلف جمعآوری میکنند. دادههای مربوط به قیمت، زمانبندی حرکت، مسیرهای قبلی، عملکرد شرکت باربری و وضعیت ظرفیت ممکن است در چند سامانه جداگانه قرار داشته باشد. جمعآوری و مقایسه این دادهها زمان زیادی میبرد و احتمال خطای انسانی را افزایش میدهد.
هوش مصنوعی میتواند اطلاعات تاریخی و لحظهای را در کنار یکدیگر تحلیل کند. برای مثال، سیستم میتواند بررسی کند یک شرکت حملونقل در گذشته در مسیر مشخصی چه میزان تأخیر داشته است، هزینههای واقعی آن چقدر بوده و در چه شرایطی عملکرد ضعیفتری نشان داده است. این دادهها سپس در پیشنهاد نهایی مورد استفاده قرار میگیرند.
یکی از ویژگیهای مهم چنین سامانهای، امکان بهینهسازی پویا است. مسیر حملونقل همیشه ثابت نمیماند. شرایط آبوهوایی، ازدحام بندر، تغییر ظرفیت کشتیها، اعتصاب، اختلال در زنجیره تأمین یا افزایش ناگهانی تقاضا میتواند برنامه اولیه را تغییر دهد. سامانهای که بتواند دادههای جدید را دریافت کند، ممکن است مسیر یا شرکت جایگزین پیشنهاد دهد.
MG Ship اعلام کرده است این ماژول برای مسیرهای تجاری بینالمللی طراحی شده و خردهفروشان و شرکتهای حملونقل تجاری را هدف قرار میدهد. خردهفروشان بزرگ معمولاً حجم زیادی از سفارشها را در مسیرهای مختلف مدیریت میکنند و حتی کاهش کوچک در هزینه یا زمان، در مقیاس گسترده میتواند اثر قابل توجهی داشته باشد.
برای نمونه، اگر یک شرکت در طول سال هزاران محموله را جابهجا کند، چند ساعت کاهش در زمان تحویل یا کاهش جزئی هزینه هر محموله میتواند مجموع هزینههای عملیاتی را تغییر دهد. البته این صرفهجویی فقط زمانی محقق میشود که پیشنهادهای سیستم با شرایط واقعی بازار هماهنگ باشد.
مدل هوش مصنوعی برای عملکرد دقیق به دادههای کافی نیاز دارد. اگر اطلاعات مربوط به زمان تحویل، ظرفیت، تأخیر و هزینه ناقص باشد، پیشنهادهای سامانه نیز ممکن است قابل اعتماد نباشد. همچنین تغییر ناگهانی در مسیرهای تجاری میتواند مدلهایی را که بر اساس دادههای گذشته آموزش دیدهاند، با مشکل مواجه کند.
به همین دلیل، ابزارهای هوش مصنوعی در لجستیک معمولاً باید در کنار کارشناسان انسانی فعالیت کنند. مدیر لجستیک میتواند پیشنهاد سیستم را بررسی کند، شرایطی را که در دادهها ثبت نشدهاند در نظر بگیرد و در صورت نیاز تصمیم نهایی متفاوتی بگیرد.
این موضوع بخشی از روند گستردهتر استفاده از هوش مصنوعی در زنجیره تأمین است. شرکتها در گذشته بسیاری از پروژههای هوش مصنوعی را بهصورت آزمایشی اجرا میکردند، اما اکنون تمرکز بیشتری بر پروژههایی دارند که بتوانند نتیجه مالی یا عملیاتی قابل اندازهگیری ایجاد کنند.
رایان داز، نویسنده گزارش، اشاره میکند که سرمایهگذاری شرکتها در حوزه هوش مصنوعی بهتدریج از آزمایشهای صرف به سمت استفاده عملیاتی حرکت کرده است. کسبوکارها دیگر فقط به دنبال معرفی یک پروژه هوش مصنوعی نیستند، بلکه میخواهند بدانند این فناوری چقدر هزینه را کاهش میدهد، چند ساعت در زمان صرفهجویی میکند یا چه میزان خطا را از فرایند حذف خواهد کرد.
مدیرعامل MG Ship قرار است در نشست WMX Asia درباره نتایج استفاده از این فناوری صحبت کند. این نشست با عنوان «هوش مصنوعی فراتر از هیاهو: نتایج قابل اندازهگیری در لجستیک امروز» برگزار خواهد شد. مدیران شرکتهایی مانند Pos Malaysia، Omniva و OnyX Space نیز در این جلسه حضور خواهند داشت.
تمرکز بر نتایج قابل اندازهگیری نشان میدهد صنعت لجستیک در حال عبور از مرحله وعدههای کلی درباره هوش مصنوعی است. برای مشتریان سازمانی، مهم است که یک ابزار جدید بتواند در شرایط واقعی کار کند و نتیجه آن با شاخصهایی مانند هزینه حمل، زمان تحویل، نرخ تأخیر و بهرهوری کارکنان سنجیده شود.
انتخاب شرکت حملونقل یکی از بخشهای پیچیده فرایند لجستیک است. قیمت پایین ممکن است با ریسک تأخیر، خدمات ضعیف یا ظرفیت محدود همراه باشد. در مقابل، شرکت گرانتر ممکن است عملکرد باثباتتری داشته باشد. هوش مصنوعی میتواند این عوامل را در قالب یک ارزیابی چندمعیاره با یکدیگر مقایسه کند.
مسئله دیگر، هماهنگی میان مسیر و شرکت حملونقل است. بهترین مسیر برای یک شرکت ممکن است برای شرکت دیگر مناسب نباشد، زیرا ظرفیت، پوشش جغرافیایی یا نوع خدمات آنها متفاوت است. سامانه باید بتواند این تفاوتها را در پیشنهاد نهایی در نظر بگیرد.
در صورت موفقیت، ابزار MG Ship میتواند به کاهش تصمیمگیری دستی و افزایش سرعت واکنش شرکتها کمک کند. شرکتها قادر خواهند بود برای هر سفارش، چند گزینه را سریعتر مقایسه و بر اساس اولویتهای خود انتخاب کنند.
با این حال، استفاده از هوش مصنوعی به معنی حذف کامل کارشناسان لجستیک نیست. تصمیمهای مربوط به حملونقل همچنان به تجربه، مذاکره، شناخت بازار و ارتباط با شرکای تجاری نیاز دارند. هوش مصنوعی بیشتر نقش ابزاری برای پردازش داده و ارائه پیشنهاد دارد.
موفقیت این سامانه در نهایت به کیفیت دادهها، اتصال آن به سیستمهای عملیاتی شرکت، بهروزرسانی مداوم مدل و توانایی واکنش به شرایط غیرمنتظره بستگی خواهد داشت. اگر این عوامل فراهم شود، هوش مصنوعی میتواند از یک ابزار تحلیلی به بخشی از فرایند روزمره مدیریت زنجیره تأمین تبدیل شود.