AI in transport en logistiek | AI in business #75

Vlootbeheer met AI in transport

AI-gebaseerde systemen kunnen zeer grote hoeveelheden gegevens over voertuigen, chauffeurs en routes analyseren. Dit maakt het mogelijk om schema’s en routes aan te passen, transportmiddelen beter te benutten en het brandstofverbruik met 10-15% te verminderen.

Intelligente systemen uitgerust met machine learning-capaciteiten kunnen potentiële storingen maanden van tevoren voorspellen op basis van gegevens van sensoren die in voertuigen en andere apparatuur zijn geïnstalleerd. Dit maakt het mogelijk om reparaties en onderhoud op handige tijden in te plannen, stilstand te minimaliseren en ongeplande stops op de weg te vermijden.

Een voorbeeld van het gebruik van AI in vlootbeheer is DB Schenker, een wereldleider in de logistieke sector. Het bedrijf gebruikt geavanceerde AI-algoritmen om transportplanning, vraagvoorspelling en aanbodbeheer te optimaliseren. In Bulgarije bijvoorbeeld, gebruikte het bedrijf de Transmetrics AI-oplossing om de voertuigbenutting te verbeteren en de doorlooptijden voor bulkzendingen te verkorten.

In luchttransport gebruikt het bedrijf een hybride simulatie- en voorspellingsinstrument dat aanpassing van simulaties mogelijk maakt en is gebaseerd op historische gegevens. Door AI te gebruiken, versnelt DB Schenker niet alleen zijn digitale transformatie, maar verzekert het ook een langdurig concurrentievoordeel op de logistieke markt.

Bron: DB Schenker (https://shippingwatch.com/logistics/article14448745.ece)

AI implementeren om routes te optimaliseren en transportkosten te verlagen

Moderne AI-gestuurde kaartsystemen kunnen verkeersopstoppingen in real-time analyseren, omleidingen zoeken en optimale routes voor chauffeurs voorstellen op basis van de huidige omstandigheden. Bovendien kunnen machine learning-algoritmen helpen bij het beter plannen van de distributie van ladingen, zodat ze over de kortst mogelijke afstanden worden vervoerd. Dit vertaalt zich direct in lagere operationele kosten.

Een voorbeeld van een bedrijf dat gespecialiseerd is in AI-oplossingen voor routeoptimalisatie is het Amerikaanse bedrijf FourKites. Ze hebben een platform voor realtime supply chain monitoring ontwikkeld dat gebruikmaakt van gegevens en machine learning om de transportzichtbaarheid en efficiëntie te verbeteren.

Een van hun klanten, Henkel, profiteert van het gebruik van de FourKites-oplossing door toegang te hebben tot realtime gegevens over de locatie en de geschatte aankomsttijd (ETA) van zendingen. Dit stelt hen in staat om hun taken beter te plannen en te reageren op eventuele vertragingen.

FourKites heeft ook extra voordelen voor Henkel gebracht, zoals tijd- en kostenbesparingen, verbetering van de kwaliteit en verantwoordelijkheid van LSP (Logistics Service Providers), eerlijke geschillenbeslechting en het vermijden van boetes voor vertragingen. In 2024 is Henkel van plan om bijna een miljoen zendingen te volgen met behulp van FourKites.

Bron: Four Kites (https://www.fourkites.com/platform/)

Voorraadbeheer met AI in transport

Kunstmatige intelligentie is bedreven in het analyseren van enorme hoeveelheden gegevens om de vraag naar specifieke goederen en grondstoffen nauwkeurig te voorspellen. Hierdoor kan de voorraad efficiënter worden beheerd, kunnen magazijnen nauwkeuriger worden aangevuld en kunnen out-of-stocks worden verminderd.

Twee populaire tools die AI en machine learning gebruiken voor supply chain optimalisatie zijn:

• RELEX (https://www.relexsolutions.com/) – een uitgebreid platform dat wordt gebruikt voor vraagvoorspelling en automatische voorraadaanvulling. Het bedrijf helpt klanten in alle sectoren bij het plannen van de vraag, het beheren van de voorraad, het optimaliseren van logistieke processen en het stimuleren van de omzetgroei.
• SAP IBP (https://www.sap.com/products/scm/integrated-business-planning.html) – Een geavanceerd voorraadplannings- en supply chain-module die deel uitmaakt van de SAP-suite. SAP IBP helpt bij het optimaliseren van logistieke processen en biedt verschillende functionaliteiten, waaronder Sales and Operations Planning (S&OP), vraagvoorspelling, respons en levering, voorraadplanning en transportplanning.

AI introduceren om magazijnprocessen en autonome transport te automatiseren

Autonome robots uitgerust met kunstmatige intelligentiemodules zijn al aan het werk in veel moderne magazijnen en logistieke centra. Ze zijn in staat om bestellingen te picken, producten in te pakken en pallets met goederen te vervoeren. Machine learning-algoritmen stellen deze robots in staat om individuele goederen en pakketten te herkennen, hun eigen paden door het magazijn te plannen en zelfs te communiceren met medewerkers.

Wat gebeurt er wanneer een product, verpakt en voorbereid door een robot, klaar is om de weg op te gaan? Dit opent de deur voor de implementatie van AI in autonome voertuigen. Een voorbeeld is de T-Pod autonome vrachtwagen, die momenteel wordt getest in de distributiecentra van DB Schenker. Het kan door een operator worden bestuurd terwijl het op de weg rijdt of, dankzij de implementatie van AI, kan het autonoom pallets met producten vervoeren, terwijl het obstakels onderweg ontwijkt. Navigatie wordt vergemakkelijkt door het gebruik van camera’s, radar en dieptesensoren.

De DB Schenker T-Pod is het eerste voertuig van zijn soort dat is goedgekeurd voor de openbare weg in Zweden. Het kan tot 20 ton vracht vervoeren en heeft een actieradius van ongeveer 200 km op een volle accu.

Bron: DB Schenker (https://www.dbschenker.com/)

Realtime gegevensmonitoring en analyse met AI in transport

Gegevens van sensoren in voertuigen, magazijnautomatiseringssystemen en zendinglocators kunnen in realtime worden geanalyseerd door kunstmatige intelligentie-algoritmen. Dit maakt het mogelijk om onmiddellijk nauwkeurige zakelijke beslissingen te nemen en verbetert de efficiëntie van de hele organisatie. Een systeem dat is uitgerust met een AI-module kan bijvoorbeeld helpen om onmiddellijk te reageren op leveringsvertragingen en klanten te informeren of preventieve maatregelen te nemen.

Het OLX-team gebruikte machine learning om een voorspellend ETA-model te bouwen, dat in transport en logistiek staat voor Estimated Time of Arrival. Het model houdt rekening met factoren zoals:

• locatie,
• type goederen,
• weersomstandigheden,
• feesten, enz.

Het model is getraind op gegevens van meer dan twee miljoen transacties en getest met gegevens uit zes landen. Het ETA-model behaalde een zeer hoge nauwkeurigheid en precisie en toonde de mogelijkheid aan om zich aan te passen aan veranderingen in de markt- en operationele omstandigheden. Het ETA-model heeft geholpen om het vertrouwen en de tevredenheid van klanten te vergroten, evenals de efficiëntie en winstgevendheid van het leveringsproces te verbeteren.

Veiligheid en ongevallenpreventie

Intelligente monitoringsystemen uitgerust met AI-modules beschermen niet alleen de activa van transportbedrijven. Door beelden van camera’s en gegevens van sensoren te analyseren, kunnen ze het rijgedrag van chauffeurs beoordelen en tekenen van vermoeidheid detecteren, waarbij ze pauzes tijdens de reis voorstellen. Bovendien kunnen machine learning-algoritmen, die continu binnenkomende telemetriegegevens van voertuigen analyseren, potentiële defecten ver van tevoren voorspellen.

En zo paste de Israëlische start-up Cortica neurale netwerken toe om motorgeluiden te analyseren voor vroege detectie van dreigende storingen. Bedrijven zoals Continental en ZF Friedrichshafen AG bieden vergelijkbare oplossingen voor voorspellende voertuigdiagnose voor vervoerders.

De toekomst van AI in transport en logistiek

Experts zijn het erover eens dat de TSL-industrie door kunstmatige intelligentie binnen de komende tien jaar een complete transformatie zal ondergaan. Autonome vrachtwagens zullen de standaard op de wegen in de Verenigde Staten worden en zullen vaker in andere delen van de wereld verschijnen. Ondertussen zullen in magazijnen de meeste operaties – van orderpicking tot laden – door robots worden afgehandeld.

Dankzij AI zullen de transport- en logistieke kosten met maar liefst 30-40% dalen. De levertijden zullen ook worden verkort door route- en laadoptimalisatie, evenals de implementatie van intelligente stadsystemen die de voertuigbeweging tijdens de laatste kilometers van de route vergemakkelijken. De integratie van AI in de logistiek zal de kwaliteit van de klantenservice verbeteren, en het risico op menselijke fouten zal bijna worden geëlimineerd.

Bron: DALL·E 3, prompt: Marta M. Kania (https://www.linkedin.com/in/martamatyldakania/)

AI in transport – samenvatting

Concluderend hebben systemen die gebruikmaken van machine learning en AI-algoritmen in transport een groot potentieel in de TSL-industrie dat net begint te worden benut. Hun implementatie is een kans om de kosten aanzienlijk te verlagen, de levertijden te verkorten, de transportveiligheid te verbeteren en klanten beter te bedienen. Om succesvol te zijn, moet de implementatie van deze technologieën echter strategisch worden benaderd.

Als je onze inhoud leuk vindt, sluit je dan aan bij onze drukke bijengemeenschap op Facebook, Twitter, LinkedIn, Instagram, YouTube, Pinterest, TikTok.