Strojové učení – podpora z datového vesmíru
Digitalizace usnadňuje a zefektivňuje práci v logistice. Zboží a datové toky proudí společně, což vytváří kvalitu a transparentnost ve všech krocích procesu. Společnost DACHSER dokáže aplikovat strojové učení k analýze a využití dat z každodenního provozu a otevírá tak nové obzory pro svoje inteligentní logistická řešení, která přinášejí přidanou hodnotu.
„Data jsou ropou 21. století.“ Britský matematik a datový vědec Clive Humby údajně poprvé použil toto přirovnání již v roce 2006 při vývoji věrnostní karty. V té době to bylo vizionářské tvrzení. Dnes už se Humbyho vize dávno stala každodenní realitou, a i politici se tohoto obrazu znovu a znovu chytají, když volají po pokroku. A mají k tomu dobrý důvod: každý aspekt našeho života je zasazen do stále rostoucího proudu dat, který exponenciálně narůstá. Tento datový proud je stejně tak součástí naší reality jako letmý pohled na chytrý telefon, chaty s přáteli a rodinou nebo videokonference v každodenním podnikání.
Data se stala rozhodujícím ekonomickým faktorem a "velká pětka" technologických společností – Google, Apple, Facebook, Amazon a Microsoft – jsou Rockefellerové a ropní magnáti 21. století. Již dávno jako nejhodnotnější společnosti na světě předstihly ropné supervelmoci.
Někteří pozorovatelé jsou z tohoto rozšiřování datové dominance znepokojeni; vykreslují chmurné obrazy společností, které shromažďují naše údaje, a rychlý úpadek ochrany údajů a osobních práv. Výhody však nakonec převáží nad výhradami, protože život se stává jednodušším a méně komplikovaným, ať už jde o online interakce přesahující hranice států a kultur nebo o dostupnost zpráv a vědomostí, hudby a literatury v reálném čase a o navigační nástroje v reálném čase, které pomáhají vyhnout se hustému provozu a dopravním zácpám.
Zvýšení efektivity pomocí analýzy dat
Ve výrobním sektoru a sektoru služeb jsou data hnacím motorem významného zvýšení efektivity. Analýza dat například umožňuje lépe sledovat provozní procesy, včas odhalovat a odstraňovat chyby a nízkou efektivitu a průběžně optimalizovat postupy. V logistice jsou data a jejich analýza již dlouho nedílnou součástí hodnotových a dodavatelských řetězců. Jsou základem spolehlivých logistických procesů navržených pro maximální transparentnost, ať už se jedná o plánování nakládek, plánování přepravních tras, kombinování různých dopravních prostředků nebo sledování zásilek – zkrátka řízení celé sítě.
"Význam umělé inteligence, strojového učení a datové vědy pro dopravu, logistiku a řízení dodavatelského řetězce v nadcházejících letech nadále poroste."
Společnost DACHSER a její globální sítě se to vše už „naučily“. Již v polovině 80. let minulého století vyvinula tato logistická společnost systém Domino, základní kámen své koncepce zpracování dat o přepravách zboží. Tento software pokrývá všechny procesy související s přepravou zboží – nejen odchozí a příchozí zboží v tranzitním terminálu nebo dovoz a vývoz, ale také správu objednávek, plánování přepravy, fakturaci, a především informace o zásilkách: tracking and tracing (sledování a vyhledávání stavu zásilky). Kromě systému Domino má dnes společnost DACHSER dva další hluboce integrované systémy: Mikado (sklady) a Othello (letecké a námořní přepravy), které neustále rozvíjí. Brána B2B slouží jako centrální komunikační platforma pro všechny tyto systémy. Mezitím mohou zákazníci společnosti DACHSER spravovat objednávky online prostřednictvím portálu eLogistics. K tomu patří i nástroj ActiveReport pro správu událostí v dodavatelském řetězci, který spustí alarm, když se v procesu přepravy objeví nesrovnalosti. Stručně řečeno: společnost DACHSER a její zákazníci jsou ve světě dat jako doma a denně je využívají.
Sami ničeho nedosáhnete
Aby společnost DACHSER plně využila výhod digitalizace a dále posunula vyspělost své sítě, usiluje o ještě hlubší propojení IT a logistiky. „K tomu potřebujeme odborníky na spedici a logistiku, ale také statistiky, matematiky a informatiky. Sami ničeho nedosáhnete – jediný způsob, jak vyvinout inteligentní algoritmy pro logistiku, je spojit se s ostatními," poznamenává Stefan Hohm, Chief Development Officer (CDO) skupiny DACHSER. Vysvětluje, že jde o nepřetržitý proces, který nejen odráží technologický vývoj, ale také jej pomáhá řídit.
Od začátku června 2021 sdružuje společnost DACHSER odborné znalosti, které získala v různých výzkumných a inovačních projektech, ve svém novém interním kompetenčním centru pro datovou vědu a strojové učení.
„Význam umělé inteligence, strojového učení a datové vědy pro dopravu, logistiku a řízení dodavatelského řetězce v nadcházejících letech nadále poroste. Proto je pro společnost DACHSER zásadní, aby dále posilovala své odborné znalosti v této důležité oblasti a rozšiřovala svou schopnost implementovat a provozovat aplikace strojového učení," říká Stefan Hohm.
Podklady pro toto sdružování odborných znalostí vycházejí z každodenních logistických operací. Společnost DACHSER denně produkuje velké objemy dat, která tvoří základ pro vývoj a využití nových technologií umělé inteligence. „V budoucnu budeme tato data využívat ještě lépe a poskytneme našim zaměstnancům ještě lepší podklady pro rozhodování," říká Florian Zizler, vedoucí týmu Data Science & Machine Learning společnosti DACHSER. Zmíníme-li však slovo „umělá inteligence“, ne vždy se nám vybaví jen pozitivní představy. Lidé si představují nekontrolovatelné stroje na „big data“, které si žijí vlastním životem, roboty, kteří nahradí lidi, a nakonec je učiní ve světě práce zcela zbytečnými. Pomůže, když si nejprve ujasníme některé pojmy.
Odsouzeni k neustálému učení
Britský logik, matematik, kryptoanalytik a počítačový vědec Alan Turing (1912-1954), jeden ze strůjců moderních informačních a počítačových technologií, předložil pragmatický návrh na zúžení velmi široké oblasti umělé inteligence: stroj je inteligentní, pokud nelze určit, zda komunikujete s člověkem, nebo s počítačem. A irský dramatik George Bernard Shaw (1856-1950) poznamenal, že nevýhodou inteligence je, že jste neustále nuceni se učit.
V umělé inteligenci se učí algoritmy (pro „nematematiky“: algoritmus je posloupnost instrukcí a výpočetních operací v softwarovém programu, které lze použít k řešení určitých problémů). A právě zde se objevuje strojové učení jako dílčí disciplína umělé inteligence. Na základě příkladů se systém umělé inteligence učí rozpoznávat vzory a pravidelnosti v procesech a souvislostech, aby zvládl neznámé situace.
Společnost DACHSER nedávno vyvinula konkrétní aplikace strojového učení v rámci firemní laboratoře DACHSER Enterprise Lab společně s vědci z Fraunhoferova institutu IML v německém Dortmundu. Jednou z takových aplikací je PAnDA One: Predictive Analytics DACHSER, kde "One" označuje, že se jedná o první projekt strojového učení této společnosti.
Model PAnDA One byl speciálně navržen pro předpověď objemu příchozích zásilek pro pobočku pozemní logistiky. „Naším cílem je poskytnout zaměstnancům našich poboček cennou podporu při rozhodování o sezónním plánování kapacit," vysvětluje Thomas Schmalz, vedoucí oddělení řízení výroby ve společnosti DACHSER. Díky tomu je možné včas získat vhodnou kapacitu nákladu na trhu nebo plánovat zdroje v tranzitním terminálu. „Za tímto účelem poskytuje prognostický model vhodné objemy příchozích zásilek až 25 týdnů dopředu,“ doplňuje Thomas Schmalz
Strojové učení není samospasné, zdůrazňuje Thomas Schmalz: „Chceme dát našim pobočkám nástroj, který jim v konečném důsledku usnadní, zefektivní a také zatraktivní práci.“ Cílem společnosti DACHSER není nahradit lidi výpočty a výpočetní technikou. „Na IT, technologie, síť a lidi se díváme jako na jeden celek: kyberneticko-sociálně-fyzický systém. Tímto způsobem posouváme naše zákazníky – a sami sebe – vpřed,“ vysvětluje Thomas Schmalz.
Kvalita dat je vše
Úspěch strojového učení závisí na kvalitě vstupních dat. „Samotná data jsou důležitější než algoritmus,“ říká Thomas Schmalz, a dodává, „máme k dispozici jedinečný fond, který dostává konzistentní data v zajištěné a standardizované kvalitě." Společnost DACHSER zde má výhodu díky jednotnému systémovému prostředí v oblasti evropské logistiky a letecké a námořní logistiky a díky vyspělosti své sítě, která se rozrůstala po desetiletí. “V logistice není příliš mnoho těch, kteří mohou něco takového nabídnout,“ poznamenává Thomas Schmalz.
Jedna věc je mít k dispozici kvalitní data, druhá věc je data interpretovat a používat. „Strojové učení je týmová práce. Úspěšné modely jsou možné pouze tehdy, když odborníci na procesy pracují ruku v ruce s odborníky z kompetenčního centra pro datovou vědu a strojové učení. Potřebujeme se navzájem," říká Florian Zizler.
Kompetenční centrum DACHSER pro datovou vědu a strojové učení propojuje svět logistiky a IT. „Vytváříme prostor, kde se mohou setkávat nejrůznější zainteresované strany a přispívat svými odbornými znalostmi v dané oblasti. Výměna informací je okamžitá a přímá. V konečném důsledku jde o využití dat k modelování konkrétních procesů," uvádí Florian Zizler, a dodává, „pro všechny je skvělou zkušeností přistupovat k vysoce specifickým úkolům v rámci mezioborové výměny a na jejich základě vyvíjet užitečná řešení pro každodenní logistiku.“
V případě PAnDA One pracovali odborníci z kompetenčního centra DACHSER s různými odděleními na komplexní analýze procesů a určení kritérií pro spolehlivé předpovědi. „Naše data sahají až do roku 2011. Zaměřujeme se na historické údaje o dodávkách . Tento datový fond doplňujeme o kalendářní údaje, jako jsou státní svátky nebo školní prázdniny. To umožňuje modelu rozpoznat sezónní vzorce, které jsou v pozemní dopravě tak důležité. Abychom mohli lépe předvídat trendy, integrovali jsme do něj také celou řadu ekonomických indexů,“ říká Florian Zizler.
Předvídatelnost budoucích požadavků a potřeb zákazníků však stále naráží na své limity, když se podmínky změní v důsledku závažných nepředvídaných událostí. „Pro prognózy bylo samozřejmě výzvou vyrovnat se s nestálými výkyvy objemu i s pandemií koronaviru,“ vysvětluje Florian Zizler. On a jeho tým odborníků však zůstávají optimističtí a tvrdí: „Brzy se nám podaří vrátit předpovědi na obvyklou vysokou kvalitu.“
Dalším specifickým případem aplikace je projekt B2X Labeling. Úkolem algoritmu je zlepšit kvalitu dat a vyřešit klasifikační problém z každodenního provozu, konkrétně určit, zda je příjemce firma (B2B) nebo soukromá osoba (B2C). Pouze na základě údajů o objednávkách není toto rozlišení vždy jednoznačné. Pro logistické procesy je však podstatný rozdíl, zda je příjemcem firma nebo soukromá domácnost.
Ve strojovém učení se zásadně rozlišuje mezi fází trénování a aplikační fází. Během trénování se algoritmu zobrazují vzorová data, aby se naučil, jak se vstupní data transformují na výstupní. Vstupní data pro projekt B2X se zaměřují na data o zakázkách, jako jsou zeměpisná data. V následné aplikační fázi používá natrénovaný model naučené korelace k vytvoření výstupu (B2B nebo B2C) v reálných provozních podmínkách na základě nových informací. Tento projekt hraje zásadní roli při zajišťování kvality nejen tím, že zvyšuje kvalitu dat, ale také další optimalizací procesů v logistice.
Kompetenční centrum průběžně vyhodnocuje nové nápady a potenciální případy použití. Jedním z nich je optimalizace procesů a zlepšení ergonomických pracovních podmínek logistických pracovníků při manipulaci s nákladem. Zde odborníci na strojové učení testují společně se startupem MotionMiners na pěti místech nový postup pro zvýšení kvality procesů (psali jsme o tom v časopise DACHSER 2/2021).
Škála aplikací strojového učení je široká. V průběhu jejich zkoumání se v posledních letech vyvinul robustní a dynamický ekosystém otevřeného softwaru. „Strojové učení bude stále více utvářet rozmanité procesní prostředí společnosti DACHSER. Díky dostupnosti aplikací s otevřeným zdrojovým kódem už nemusíme vše vyvíjet sami. Chytré využívání těchto algoritmů nám umožní ještě efektivněji využívat potenciál našich dat,“ komentuje Florianříká Zizler. To je jeden z důvodů, proč je společnost DACHSER zakládajícím členem nadace Open Logistics Foundation. A tak zde máme další rozdíl oproti ropě minulých století: data se nevyčerpají. Právě naopak! Tvoří vynikající základ pro budoucnost.