Влияние искусственного интеллекта на логистику

УДК 004

Влияние искусственного интеллекта на логистику

Агаев Гурбан Гусейн Оглы

студент 4 курса,

Ярославский государственный технический университет,

г. Ярославль, Россия

E-mail: agaev.gurban@list.ru

Научный руководитель – Страусова Анна Александровна

ст. преподаватель кафедры Управления предприятием

Ярославский государственный технический университет,

г. Ярославль, Россия

E-mail: strausovaaa@ystu.ru

The impact of Artificial Intelligence on Logistics

Agaev Gurban Gusein Ogli

4st grade student,

Yaroslavl State Technical University,  Yaroslavl, Russia

Scientific supervisor – Strausova Anna Aleksandrovna

Senior Lecturer of Department of Enterprise Management

Yaroslavl State Technical University,  Yaroslavl, Russia

В статье рассматриваются возможности искусственного интеллекта в логистике, основанного на машинном обучении с целью повышения производительности при изучении данных. Приложения ИИ способны выполнять задачи на основе большого объема данных с различных входных источников, адаптироваться в режиме реального времени к изменениям различных переменных, решать задачи исполнительного уровня.

Ключевые слова: логистика, искусственный интеллект, машинное обучение, приложение, производительность

The article discusses the capabilities of artificial intelligence in logistics based on machine learning in order to increase productivity when studying data. AI applications are able to perform tasks based on a large amount of data from various input sources, adapt in real time to changes in various variables, solve tasks at the executive level.

Key words: logistics, artificial intelligence, machine learning, application, performance.

Большая часть решений искусственного интеллекта, разрабатываемых в логистике, использует машинное обучение, то есть основывается на процессе, в ходе которого система обрабатывает большое число примеров с целью выявления закономерностей, затем использует их, чтобы прогнозировать характеристики новых данных [1]. По сути, в приложениях машинного обучения используются различные методы, в зависимости от приложения и используемых данных, нацеленные на повышение производительности при изучении данных.

Технология привносит в логистическую среду два ключевых преимущества. Прежде всего, это способность выполнять задачи или доставлять полезную информацию на основе огромных объемов данных с различных входных данных, таких как датчики, ГИС-устройства, рукописные заметки, аудиофайлы, видео, электронные письма. И в отличие от традиционных приложений, которые зависят от фиксированных алгоритмов, приложения машинного обучения способны быстро находить новые подходы к решению очень сложных проблем, а также адаптироваться в режиме реального времени к изменениям переменных, таких как стоимость доставки, объемы продуктов или отношения с партнерами [2].

Однако технологии искусственного интеллекта не являются быстрым решением – приложения требуют времени для разработки, и многие области применения таких технологий только начинают проявляться.

Новые инструменты производительности. Большая часть решений искусственного интеллекта в логистике направлена на то, чтобы помочь специалистам цепочки поставок на всех уровнях быть более продуктивными. Речь идет о поиске способов сделать работу более эффективней, производительней, то есть еще в более короткий срок с еще меньшими затратами способствовать движению материального потока по цепочке поставок. В случае применения искусственного интеллекта речь не идёт о замене работников, решения искусственного интеллекта в какой-то степени становятся их помощниками и коллегами [3].

Новым является то, насколько хорошо искусственный интеллект может выполнять некоторые из более привычных задач автоматизации. Многие решения искусственного интеллекта учатся подражанием. Например, если сотрудник участвует в повторяющихся действиях, таких как заполнение рутинных форм, приложения искусственного интеллекта могут научиться у людей контролировать, как выполнять автозаполнение этих форм, сокращая время и затраты, необходимые для выполнения этих задач.

Технологии искусственного интеллекта также вдыхают новую жизнь в существующие технологии, которым уже десятки лет, но они плохо работают в сложных условиях. Например, оптическое распознавание символов, которое превращает печатную копию в цифровые документы, ранее надежно работавшие только с печатным текстом. Сегодняшние приложения для оптического распознавания текста на основе AI могут читать наброски изнуренного перевозчика, добавляя мощный инструмент к возможностям сбора больших данных.

Технологии искусственного интеллекта также обещают возобновить усилия по автоматизации некоторых более повторяющихся физических задач на складах и в центрах распределения, таких как сбор и складирование, путем создания решений, которые могут адаптироваться к среде.

Задачи исполнительного уровня. Что касается стратегической стороны, искусственный интеллект позволяет организациям переходить из информационной среды с фиксированными правилами в среду, в которой правила могут изменяться в зависимости от условий бизнеса и целей. Например, организация, сталкивающаяся с новым давлением для повышения удовлетворенности клиентов, может нуждаться в корректировке своих политик для маршрутизации поставок, чтобы сделать больший акцент на эффективности доставки. Возможности искусственного интеллекта также позволяют профессионалам цепочки поставок отвечать на широкий круг корпоративных задач.

Компании, стремящиеся использовать преимущества искусственного интеллекта в своих цепочках поставок, имеют множество вариантов, начиная от использования готовых инструментов в корпоративном программном обеспечении, таких как NetSuite, и заканчивая созданием индивидуального решения с командой исследователей данных [4].

В Канаде сформировалось сильное сообщество молодых компаний ИИ, таких как Element AI, и платформы для разработчиков ИИ, например Microsoft Azure, которые широко используются и были приняты рядом партнеров по решениям.

Однако все внедрения искусственного интеллекта начинаются с данных. Необходимо выяснить, в чем заключаются сильные стороны данных, которыми оперирует компания, и где имеются пробелы. Например, может быть много региональной демографической информации, которая помогает направлять информацию о запасах. Поэтому нужно знать, аккумулируются ли правильные данные, связанные с этим аспектом деятельности.

Также важно исключить наличие посторонних данных (избыточной информации), отчасти потому, что машинное обучение в большей степени зависит от данных, чем традиционные приложения. Даже если имеются правильные данные, они могут быть скрыты из-за присутствия менее полезной информации. Есть факторы, которые менее значимы, и они могут подавить вклад полезных факторов. После того, как данные выбраны и проверены, следующим шагом является установление начального набора правил, которыми должно управлять приложение. Далее начинается работа с системой, основанной на правилах, где делаются определенные предположения. Затем используется машинное обучение, чтобы ослабить или утвердить эти предположения и узнать, какими они должны быть.

Процесс требует, чтобы специалисты по цепочке поставок определяли, чего они хотят от своего приложения искусственного интеллекта, а затем продолжали работать с ним, чтобы убедиться, что оно работает в соответствии с поставленными целями. По сути, люди сначала будут учить и направлять технологию, а затем учиться на ней.

Таким образом, влияние искусственного интеллекта на логистику, а также процесс его внедрения в управление цепями поставок имеет свои особенности. В целом все технологические достижения можно свести к следующим положениям: повышение скорости и мощности компьютерной обработки, расширение объемов доступа ИИ-систем к большим данным и усовершенствование алгоритмических возможностей для решения всё более сложных задач [2].

Библиографический список:

1. Знакомство с машинным обучением. [Электронный ресурс]. – URL: https://www.google.ru/about/main/machine-learning-qa/, (дата обращения: 30.03.2020 г.).

2. Слиньков Д. Искусственный интеллект в логистике. [Электронный ресурс]. – URL: https://clickserviceretail.ru/blog/iskusstvenniy-intellect-v-logistike-1, (дата обращения: 30.03.2020 г.).

3. Солнцева О. Г. Аспекты применения технологий искусственного интеллекта // E-Management. – 2018. – №1. – С. 43-51

4. Шаран К. Н. Искусственный интеллект в логистике // Интерэкспо Гео-Сибирь. – 2018. – С. 33-36

Материал размещен кафедрой «Логистика и маркетинг в АПК» Красноярского государственного аграрного университета
Источник: Материалы XV Международной научно-практической конференции «Логистика – Евразийский мост» ЛЕМ - 2020