Data science

ข้อมูล: ภาษากำหนดในเทคโนโลยีโลจิสติกส์

ในฟีเจอร์พิเศษของแขกนี้ Marc Meyer, CCO ที่ Transmetrics กล่าวถึง AI และการขนส่งแบบทันเวลา: วิธีที่โมเดลเทคโนโลยีให้ความได้เปรียบในการแข่งขันสำหรับธุรกิจโลจิสติกส์ Marc เป็นนักยุทธศาสตร์เชิงพาณิชย์ที่ลงมือปฏิบัติจริงด้วยความสามารถที่ได้รับการพิสูจน์แล้วในการแปลกลยุทธ์ทางธุรกิจเป็นวัตถุประสงค์และการดำเนินการ เขามีประสบการณ์ในการทำงานกับสตาร์ทอัพ การขยายขนาด การสร้างแบรนด์ การต่อสู้แบบลีนและคล่องตัว และการคิดเชิงออกแบบ Marc เป็นผู้นำในการสร้างและใช้กลยุทธ์การตลาดและการขายแบบบูรณาการ เปิดตลาดใหม่โดยมุ่งเน้นที่การรับรู้ถึงแบรนด์ การตลาดที่เน้นลูกค้าเป็นศูนย์กลาง การสร้างความสนใจในตัวสินค้า และการตลาดข้อตกลงเชิงกลยุทธ์ เมื่อเรียนรู้ภาษาใหม่ การซึมซับเป็นกุญแจสำคัญ นี่เป็นเพราะว่าเราต้องแยกแยะความแตกต่างของการใช้คำอย่างละเอียด—ไม่ต้องพูดถึงว่าในภาษาศาสตร์ มีข้อแม้อยู่เสมอ ข้อมูลเป็นภาษาของตัวเองทั้งหมด ปัญญาประดิษฐ์ (AI) สามารถช่วยแปลภาษาของข้อมูลจากรูปแบบความรู้ดิบเป็นข้อมูลที่มีข้อมูลเชิงลึกที่ใช้งานได้และควบคุมการดำเนินการ ในฐานะที่เป็นข้อมูลภายในที่ประมวลความรู้ AI มีพลังในการเปลี่ยนแปลงกระบวนการที่มีประสิทธิภาพของธุรกิจข้ามอุตสาหกรรม โดยเฉพาะอย่างยิ่งในเทคโนโลยีด้านลอจิสติกส์ที่ข้อมูลเป็นรากฐานที่สำคัญของการดำเนินงานทั้งหมด นวัตกรรม AI ที่เกิดขึ้นใหม่เป็นปัจจัยขับเคลื่อนในการกำหนดความสามารถในการใช้งานของข้อมูล และจะมีความสำคัญต่อห่วงโซ่อุปทานและกระบวนการที่อยู่ติดกันทั้งหมด ตั้งแต่การจัดส่งไปจนถึงไมล์สุดท้าย ตัวอย่างหนึ่งเรียกว่า Just-In-Time shipping ซึ่งตั้งชื่อตามวิธีการผลิตที่มีชื่อเสียงซึ่งพัฒนาขึ้นโดยโตโยต้าเป็นครั้งแรก มาดูวิธีที่ AI จะใช้ภาษาของข้อมูลในการเปิดตัว Just-In-Time shipping ในอนาคตกัน Insight แปลโดย NLP และ ML คาดการณ์ว่า AI จะเพิ่มประสิทธิภาพการทำงานด้านลอจิสติกส์ได้มากกว่า 40% โดย 2035 สิ่งนี้มีความสำคัญเนื่องจากเช่นเดียวกับทุกสิ่งในด้านลอจิสติกส์ ประสิทธิผลไม่เพียงแต่มีความสำคัญ แต่ยังสร้างหรือทำลายสำหรับตัวชี้วัดประสิทธิภาพสำหรับบริษัท การขนส่งและค่าระวาง ถ้ามีอะไรในยุคนี้ เป็นสากล โลกาภิวัตน์ได้เปลี่ยนแปลงตลาดอย่างมากและความต้องการไม่ได้อยู่ในประเทศอีกต่อไป ค่อนข้างตรงกันข้าม—บริษัทขนส่งมักจะยึดตามมุมหนึ่งของแผนที่ และผลิตภัณฑ์ที่พวกเขาย้ายจากจุด A และ B ในอีกสองมุม สิ่งนี้ทำให้การเข้าใจภาษาที่หลากหลายมีความสำคัญอย่างยิ่ง ด้วยการประมวลผลภาษาธรรมชาติ (NLP) AI สามารถดึงข้อมูลการดำเนินงานจากหลายภาษา จับบริบทของข้อมูลทั้งหมด และใส่ความเฉียบแหลมทั้งหมดลงในฐานข้อมูลส่วนกลางและฐานข้อมูลที่มีข้อมูลในท้องถิ่น ด้วยความรู้ AI ผ่านการเรียนรู้ของเครื่อง (ML) สามารถใช้ข้อมูลที่ครอบคลุมทั้งหมดนี้เพื่อการวิเคราะห์เชิงคาดการณ์และการคาดการณ์ความต้องการเพื่อแจ้งสินทรัพย์ทางกายภาพในพื้นที่ต่างๆ ได้ดีขึ้น อัลกอริธึม AI ที่ออกแบบเองสามารถนำไปใช้กับ linehaul และการวางแผนการลงทุนเครือข่าย การวางกลยุทธ์ที่แม่นยำยิ่งขึ้นสำหรับภูมิภาคต่างๆ สิ่งนี้สร้างข้อมูลเชิงลึกเพื่อช่วยให้บริษัทเดินเรือคาดการณ์การเปลี่ยนแปลงในสถานที่ต่างๆ ก่อนเส้นอุปสงค์ การจัดส่งสินค้าแบบ Just-In-Time (JIT) นั้นได้รับการสนับสนุนเนื่องจากกลยุทธ์การจัดการสินค้าคงคลังจะได้รับข้อมูลที่ดีขึ้นในระดับท้องถิ่น บริษัทผู้ผลิตด้านการขนส่งหลายแห่งมีแผนกซัพพลายเชนของตนเอง และด้วยความเข้าใจในระดับท้องถิ่นและระดับภูมิภาคที่ดีขึ้น ยิ่งมีรายละเอียดและความถูกต้องมากขึ้นในภาพรวมที่ใหญ่ขึ้น ด้วยวิธีนี้ AI ช่วยให้เกิดความเข้าใจอย่างกว้างขวางมากขึ้นในการดำเนินงานแบบแบ่งกลุ่ม ช่วยคาดการณ์ความต้องการสำหรับแต่ละหน่วยภายในบริษัทระหว่างประเทศหรือบริษัทที่มีหลายแง่มุม ข้อมูลนี้จะแจ้งให้บริษัททราบเกี่ยวกับจำนวนสินค้าคงคลังที่ต้องมีในพื้นที่เฉพาะ ณ เวลาหนึ่งๆ ซึ่งมีความสำคัญอย่างยิ่งในบริษัทขนส่งที่มีสินค้าคงคลังที่เป็นวัตถุดิบหรือสินค้าที่เน่าเสียง่าย ความสำเร็จของกระบวนการนี้ขึ้นอยู่กับสิ่งแรกและสำคัญที่สุด ข้อมูลที่แม่นยำและมีข้อมูลครบถ้วน JIT ในเทคโนโลยีลอจิสติกส์ ในการศึกษาเมื่อเร็ว ๆ นี้ แสดงให้เห็นถึงคุณค่าสูงสุดของข้อมูลที่ถูกต้อง ในการศึกษา บริษัทที่เป็นปัญหาไม่มีสถิติโดยตรงของการใช้ (ปัจจัยโหลด) ของไลน์haul การจัดกลุ่ม เนื่องจากพวกเขาดึงข้อมูลจากการตรวจสอบเฉพาะจุดเพียงไม่กี่จุดในการดำเนินการ linehaul ของพวกเขา จากการวิเคราะห์เบื้องต้น พบว่ามีข้อมูลของบริษัทน้อยกว่า % ที่ใช้งานได้จริง ซึ่งส่งผลกระทบอย่างมีนัยสำคัญต่อการดำเนินงานของบริษัท พบว่าการดึงข้อมูลจากระบบการจัดการการขนส่ง (TMS) คุณภาพของข้อมูลจากกระบวนการส่วนหลังมีศักยภาพที่จะปรับปรุงได้ การใช้เฟรมเวิร์กคุณภาพข้อมูลที่ขับเคลื่อนด้วย AI โดยใช้ NLP, ML และการเพิ่มประสิทธิภาพคอมพิวเตอร์ อัลกอริธึมที่กำหนดเองจะทำงานโดยอัตโนมัติ อัลกอริทึมนี้สามารถใช้อย่างต่อเนื่องทุกวันเพื่อช่วยล้างข้อมูลได้ทันที ยิ่งไปกว่านั้น จะไม่ส่งผลกระทบต่อกระบวนการที่มีอยู่ของบริษัท และสามารถทำงานควบคู่กับการดำเนินงานที่กำหนดไว้ได้ ภายในสองเดือน อัลกอริธึมที่ใช้กับการดำเนินงานของบริษัทนี้ถึงระดับ 90%+ การคาดคะเนที่ถูกต้องของค่าที่หายไป และพร้อมที่จะทดสอบในโลกแห่งความเป็นจริง การทดสอบครั้งแรกดำเนินการในคลังสินค้า โดยเปรียบเทียบขนาดที่คาดการณ์ไว้ของการขนส่งกับสิ่งที่พบบนพื้น แสดงให้เห็นแล้วว่ามิติที่คาดการณ์เกิน 90% ตรงกันกับสิ่งที่สามารถวัดได้ด้วยไม้บรรทัดบนการขนส่งทางกายภาพ สิ่งนี้ใช้ได้กับกล่อง การขนส่งที่มีรูปร่างไม่ปกติ และการขนส่งบนพาเลท การทดสอบครั้งที่สองทำที่ระดับ linehauls (รถบรรทุก) การเปรียบเทียบปัจจัยการโหลดที่วัดโดยข้อมูลที่เสริมด้วย AI กับสิ่งที่สามารถเห็นได้ในการบันทึกกล้องรักษาความปลอดภัยของรถบรรทุกที่ออกจากโกดัง มีการจับคู่มากกว่า 90% ที่สังเกตได้ระหว่าง AI อีกครั้ง ข้อมูลและสิ่งที่สามารถเห็นได้บนกล้อง โดยรวมแล้ว กระบวนการล้างข้อมูลแสดงให้เห็นว่าการนำ AI มาใช้ในการขนส่งมีความชัดเจนในตัวเองเพียงใด แต่คุณค่าของความแม่นยำที่จำเป็นจากข้อมูลในลอจิสติกส์ยิ่งมีค่ามากขึ้นไปอีก เมื่อพบว่าปัจจัยการโหลดจริงต่ำกว่าอัตราความแม่นยำเฉลี่ย 40% ที่รายงานโดยบริษัทในขั้นต้นอย่างมีนัยสำคัญ การนำ AI ไปใช้ปรับปรุงคุณภาพของข้อมูลและเพิ่มความแม่นยำใน การดำเนินงาน ลงทะเบียนเพื่อรับจดหมายข่าว InsideBIGDATA ฟรี เข้าร่วมกับเราบน Twitter: @InsideBigData1 – https://twitter.com/InsideBigData1

  • บ้าน
  • Business
  • Data science
  • Marketing
  • Leave a Reply

    Your email address will not be published. Required fields are marked *

    Back to top button