Uczenie maszynowe – wsparcie bezmiaru danych

Digitalizacja sprawia, że praca w logistyce jest łatwiejsza i bardziej efektywna. Przepływające strumienie towarów i danych kształtują jakość i przejrzystość na każdym etapie tego procesu. DACHSER chce zastosować uczenie maszynowe do analizy danych z codziennych operacji, co otwiera nowe horyzonty dla inteligentnych rozwiązań logistycznych, które tworzą wartość dodaną.

Uczenie maszynowe – wsparcie bezmiaru danych
Uczenie maszynowe – wsparcie bezmiaru danych

„Dane są ropą naftową XXI wieku”. Podobno po raz pierwszy tego porównania użył w 2006 roku brytyjski matematyk i Data Scientist Clive Humby. W tamtym czasie było to wizjonerskie twierdzenie, które dziś stało się rzeczywistością. Nawet politycy, nawołując do postępu, wciąż na nowo odwołują się do tej analogii. I nie bez powodu: każdy aspekt naszego życia jest osadzony w stale rosnącym strumieniu danych, który narasta w tempie wykładniczym. Jest on tak samo częścią naszej rzeczywistości, jak szybkie spojrzenie na smartfona, rozmowy z przyjaciółmi i rodziną czy wideokonferencje w codziennej pracy.

Dane stały się decydującym czynnikiem ekonomicznym, a „wielka piątka” firm technologicznych – Google, Apple, Facebook, Amazon i Microsoft – to Rockefellerowie i szejkowie naftowi XXI wieku. Już dawno wyprzedziły one supermajorów naftowych jako najbardziej wartościowe firmy na świecie.

Niektórzy obserwatorzy są zaniepokojeni rosnącą dominacją danych, rysują ponure scenariusze firm zagarniających nasze personalia oraz szybkiego upadku ochrony danych i praw osobistych. Ostatecznie jednak korzyści przeważają nad potencjalnym ryzykiem. Życie staje się łatwiejsze i mniej skomplikowane – czy to w interakcjach online, znoszących granice państwowe i kulturowe, czy też w dostępności w czasie rzeczywistym informacji, wiedzy, muzyki i literatury oraz aktualnych narzędzi nawigacyjnych, pozwalających uniknąć korków i innych utrudnień na drogach.

Analiza danych pomaga zwiększyć efektywność

W sektorze produkcyjnym czy usługowym dane przyczyniają się do znacznego wzrostu wydajności. Na przykład analiza danych umożliwia lepsze monitorowanie procesów, wykrywanie i eliminowanie błędów na wczesnym etapie oraz ciągłą optymalizację procedur. W logistyce dane i ich analiza od dawna stanowią integralną część zarządzania zapasami i łańcuchami dostaw. Są one podstawą niezawodnych procesów logistycznych, zaprojektowanych z myślą o maksymalnej przejrzystości, np. przy zestawianiu ładunków, planowaniu tras, łączeniu różnych środków transportu czy śledzeniu przesyłek, krótko mówiąc – zarządzaniu całą siecią.

Dziś, oprócz Domino, DACHSER posiada dwa inne głęboko zintegrowane systemy: Mikado (do zarządzania magazynem) i Othello (do zarządzania frachtem lotniczym i morskim).

DACHSER i jego globalne sieci już się tego wszystkiego „nauczyły”. W połowie lat 80. firma opracowała Domino, kamień węgielny swojej koncepcji przetwarzania danych spedycyjnych. Oprogramowanie obejmuje wszystkie procesy związane z transportem towarów – nie tylko obsługę w terminalu przeładunkowym czy sam przewóz, ale również zarządzanie zleceniami, planowanie transportu, rozliczenia, a przede wszystkim wyszukiwanie informacji o przesyłkach i śledzenie ich. Dziś, oprócz Domino, DACHSER posiada dwa inne głęboko zintegrowane systemy: Mikado (do zarządzania magazynem) i Othello (do zarządzania frachtem lotniczym i morskim). Oba stale rozbudowuje. Brama B2B służy jako centralna platforma komunikacyjna dla nich wszystkich. Tymczasem klienci DACHSER mogą zarządzać zamówieniami online za pomocą portalu eLogistics. Do tego dochodzi narzędzie do zarządzania zdarzeniami w łańcuchu dostaw ActiveReport, które sygnalizuje wszelkie nieprawidłowości. Nic więc dziwnego, że mając do dyspozycji takie innowacyjne rozwiązania, DACHSER i jego klienci w świecie cyfrowych danych czują się jak w domu i korzystają z nich każdego dnia.

Zintegrowane systemy w DACHSER
Zintegrowane systemy w DACHSER

Praca zespołowa

Aby w pełni wykorzystać zalety cyfryzacji i dalej rozwijać dojrzałość sieci, DACHSER pogłębia integrację IT i logistyki. „Dlatego ekspertów w dziedzinie spedycji i praktyków logistyki potrzebujemy tak samo jak statystyków, matematyków i informatyków. Nie da się tego osiągnąć bez rozbudowanego zespołu – jedynym sposobem na opracowanie inteligentnych algorytmów jest współpraca”, zauważa Stefan Hohm, Chief Development Officer (CDO) w DACHSER. Wyjaśnia, że jest to proces ciągły, który nie tylko odzwierciedla rozwój technologiczny, ale także go napędza.

Od czerwca 2021 r. specjalistyczną wiedzę zdobytą w różnych projektach badawczych
i innowacyjnych DACHSER integruje w swoim nowym wewnętrznym centrum kompetencji data science i uczenia maszynowego. „W najbliższych latach znaczenie sztucznej inteligencji, uczenia maszynowego i nauki o danych dla transportu, logistyki
oraz zarządzania łańcuchem dostaw będzie nadal rosło.
To sprawia, że dla DACHSER kluczowe jest dalsze wzmacnianie naszych kompetencji w tej ważnej dziedzinie oraz poszerzanie zdolności wdrażania i obsługi aplikacji uczenia maszynowego” – mówi Hohm.     

Punktem wyjścia są codzienne operacje logistyczne, które każdego dnia generują duże ilości danych będących podstawą do rozwoju i wykorzystania nowych technologii AI (ang. artificial intelligence).W przyszłości będziemy jeszcze lepiej wykorzystywać gromadzone dane, ułatwiając naszym pracownikom podejmowanie decyzji” – mówi Florian Zizler, Team Leader Data Science & Machine Learning. W kontekście „sztucznej inteligencji” nie zawsze jednak przychodzą nam do głowy pozytywne skojarzenia. Ludzie myślą o niekontrolowanych maszynach „big data”, które żyją własnym życiem, o robotach zastępujących ludzi i ostatecznie czyniących ich całkowicie zbędnymi w pracy. Warto więc najpierw wyjaśnić kilka pojęć.

Presja ciągłego uczenia się

Brytyjski logik, matematyk, kryptoanalityk i informatyk Alan Turing (1912-1954), jeden z twórców nowoczesnej technologii informacyjnej i komputerowej, przedstawił pragmatyczną propozycję zawężenia bardzo szerokiej dziedziny, jaką jest AI. Według niego maszynę można uznać za „inteligentną”, jeśli nie da się stwierdzić czy mamy do czynienia z człowiekiem, czy z komputerem. A irlandzki dramaturg George Bernard Shaw (1856-1950) zauważył, że wadą inteligencji jest to, iż jest się stale zmuszanym do nauki.

W sztucznej inteligencji to algorytmy zajmują się uczeniem. Algorytmem określamy sekwencję instrukcji i operacji obliczeniowych w programie komputerowym, która może być użyta do rozwiązania pewnych problemów. I właśnie tutaj pojawia się uczenie maszynowe jako subdyscyplina AI. Sztuczna inteligencja uczy się na przykładach rozpoznawać wzorce i prawidłowości w procesach oraz kontekstach, by opanować nieznane sytuacje.    

DACHSER, działając wspólnie z naukowcami z instytutu Fraunhofer IML w Dortmundzie w ramach DACHSER Enterprise Lab, opracował w ostatnim czasie konkretne aplikacje uczenia maszynowego. Jedną z nich jest PAnDA One: Predictive Analytics DACHSER, gdzie „One” oznacza, że jest to pierwszy projekt firmy związany z uczeniem maszynowym.

Model PAnDA One został zaprojektowany specjalnie dla oddziału Road Logistics do prognozowania wolumenów przesyłek przychodzących. „Naszym celem jest zapewnienie pracownikom w oddziałach cennego wsparcia w procesach decyzyjnych związanych z sezonowym planowaniem mocy przerobowych” – wyjaśnia Thomas Schmalz, Head of Production Management w DACHSER. Dzięki temu możliwe jest wczesne uzyskanie odpowiedniej ładowności lub zarezerwowanie zasobów w terminalu przeładunkowym: „W tym celu model prognostyczny dostarcza nam informacji o spodziewanym wolumenie z wyprzedzeniem do 25 tygodni”.

Uczenie maszynowe nie jest celem samym w sobie, podkreśla Schmalz: „Chcemy dać naszym oddziałom narzędzie, które ostatecznie uczyni ich pracę łatwiejszą, bardziej wydajną, a także bardziej atrakcyjną”. DACHSER nie chce zastąpić ludzi obliczeniami i informatyką. „Postrzegamy IT, technologię, sieć i ludzi jako jedną całość: system cyber-socjo-fizyczny. W ten sposób wspieramy rozwój naszych klientów i nas samych”.

Kluczowa jest jakość danych
Kluczowa jest jakość danych

Kluczowa jest jakość danych

Sukces uczenia maszynowego zależy od jakości danych wejściowych. „Same dane są ważniejsze niż algorytm” – mówi Schmalz. „Mamy wyjątkową pulę spójnych danych o gwarantowanej i ustandaryzowanej jakości”. DACHSER ma w tym zakresie przewagę ze względu na jednolity system w European Logistics oraz Air & Sea Logistics, a także dzięki dojrzałości sieci, która jest rozwijana od dziesięcioleci. „Nie ma w logistyce zbyt wielu organizacji, które mogą zaoferować rozwiązanie na takim poziomie”.

Posiadanie dobrej jakości danych to jedno, ale ich interpretacja i wykorzystanie to już inna sprawa. „Uczenie maszynowe to praca zespołowa. Skuteczne modele są możliwe tylko wtedy, gdy eksperci od procesów pracują ramię w ramię ze specjalistami Data Science & Machine Learning Competence Center. Potrzebujemy siebie nawzajem” – podkreśla Zizler.

Centrum kompetencji DACHSER w zakresie data science i uczenia maszynowego łączy światy logistyki i IT. „Tworzymy przestrzeń, w której różni interesariusze mogą się spotkać i podzielić swoją wiedzą. Wymiana jest natychmiastowa i bezpośrednia. Ostatecznie chodzi o wykorzystanie danych do modelowania konkretnych procesów” – mówi Zizler. „To wspaniałe doświadczenie, gdy podchodzimy do bardzo specyficznych zadań w interdyscyplinarnym gronie, by wspólnie opracować pomocne rozwiązania dla logistyki" – dodaje.

W przypadku PAnDA One eksperci z centrum kompetencyjnego DACHSER współpracowali z różnymi działami, aby kompleksowo przeanalizować procesy i określić kryteria wiarygodnych prognoz.Nasze dane sięgają aż 2011 roku. Koncentrujemy się na danych historycznych dotyczących przesyłek. Uzupełniamy tę pulę o dane kalendarzowe, takie jak święta państwowe czy wakacje. Dzięki temu model jest w stanie rozpoznać wzorce sezonowe, które są tak ważne w transporcie lądowym. Aby lepiej przewidywać trendy, zintegrowaliśmy również szeroki wachlarz indeksów ekonomicznych” – mówi Zizler.

Jednak przewidywalność przyszłych wymagań i potrzeb klientów nadal osiąga swoje granice, gdy warunki zmieniają się z powodu poważnych nieprzewidzianych zdarzeń. „Oczywiście wyzwaniem dla prognoz było poradzenie sobie z wahaniami wolumenu oraz pandemią koronawirusa” – mówi Zizler,ale on i jego zespół ekspertów pozostają optymistami i zapowiadają, że wkrótce prognozy wrócą do swojej zwykłej, wysokiej jakości.

Innym specyficznym przypadkiem zastosowania uczenia maszynowego jest projekt B2X Labeling. Zadaniem algorytmu jest poprawa jakości danych i rozwiązanie problemu klasyfikacyjnego z codziennych operacji, czyli określenie, czy odbiorca jest firmą (B2B), czy osobą prywatną (B2C). Na podstawie samych danych o zleceniach rozróżnienie to nie zawsze jest jasne. Dla procesów logistycznych to, czy odbiorcą jest przedsiębiorstwo, czy osoba fizyczna, ma duże znaczenie.

W uczeniu maszynowym istnieje zasadnicze rozróżnienie pomiędzy fazą szkolenia i fazą zastosowania. Podczas treningu algorytmowi pokazuje się przykładowe dane, aby nauczył się, jak dane wejściowe są przekształcane w dane wyjściowe. Dane wejściowe dla projektu B2X koncentrują się na informacjach dotyczących zamówień, takich jak dane geograficzne. W kolejnej fazie zastosowania, wytrenowany model wykorzystuje poznane korelacje do wygenerowania danych wyjściowych (B2B lub B2C) w rzeczywistych warunkach operacyjnych w oparciu o nowe informacje. Projekt ten odgrywa istotną rolę w zapewnieniu poziomu usług, nie tylko poprzez podniesienie jakości danych, ale również poprzez dalszą optymalizację procesów w obsłudze logistycznej.

Centrum kompetencyjne stale analizuje nowe pomysły i potencjalne przypadki użycia. Jednym z nich jest optymalizacja procesów oraz poprawa ergonomicznych warunków pracy przy przeładunku towarów. Przykładem jest testowana w pięciu lokalizacjach we współpracy z firmą MotionMiners nowa metoda doskonalenia jakości.

Zakres zastosowań uczenia maszynowego jest szeroki. W trakcie ich poznawania przez ostatnie lata rozwinął się solidny i dynamiczny ekosystem open source. „Uczenie maszynowe będzie w coraz większym stopniu kształtować zróżnicowany wachlarz procesów w DACHSER. Dzięki dostępności aplikacji open source nie musimy już wszystkiego tworzyć sami. Umiejętne wykorzystanie tych algorytmów pozwoli nam jeszcze skuteczniej wykorzystać potencjał naszych danych” – mówi Zizler. Jest to jeden z powodów, dla których DACHSER jest członkiem założycielem Open Logistics Foundation. Kolejną różnicą w stosunku do ropy naftowej jest fakt, że dane się nie kończą. Wręcz przeciwnie! Są doskonałym fundamentem logistyki przyszłości.

Kontakt Anna Szalek-Kowalska