Maskinlæring – støtte fra datakosmos
Digitalisering gjør logistikkarbeidet enklere og mer effektivt. Varer og datastrømmer flyter sammen og skaper kvalitet og gjennomsiktighet gjennom alle trinnene i prosessen. DACHSER kan benytte maskinlæring til å analysere og bruke data fra den daglige driften, og dermed åpne opp nye horisonter for intelligente logistikkløsninger som tilfører verdi, både for oss og våre kunder.
«Data er den nye oljen i det 21. århundre.» Den britiske matematikeren og dataviteren Clive Humby sies å ha kommet med denne analogien så tidlig som i 2006 da han utviklet et lojalitetskort. På den tiden var det en visjonær påstand. I dag har Humbys visjon for lengst blitt en hverdagsvirkelighet, og selv politikerne bruker sammenligningen om og om igjen når de etterlyser fremgang. Og det med god grunn: alle sider av livene våre er innebygd i en stadig voksende datastrøm som vokser eksponentielt. Denne datastrømmen er i like stor grad en del av virkeligheten vår som et raskt blikk på smarttelefonen, samtaler med venner og familie, eller videokonferanser i hverdagen.
Data har blitt en avgjørende økonomisk faktor, og teknologiselskapene «Big Five» – Google, Apple, Facebook, Amazon og Microsoft er det 21. århundres Rockefellers og oljesjeiker. De har for lengst passert oljegigantene som de mest verdifulle selskapene i verden.
Enkelte er urolige over denne stadig sterkere datadominansen og maler dystre bilder av selskaper som håver inn dataene våre – på bekostning av databeskyttelsen og personvernet. Likevel veier fordelene til syvende og sist tyngre enn disse bekymringene, ettersom livet blir enklere og mindre komplisert. Eksempler på dette kan være samhandling på nettet på tvers av nasjonale og kulturelle grenser, eller at nyheter, kunnskapsinnhold, musikk og litteratur blir tilgjengelig i sanntid og at oppdaterte navigasjonsverktøy gjør at vi kan unngå trafikkaos og kø.
Effektiviteten øker med dataanalyse
I produksjons- og tjenestesektorene gir data betydelige effektivitetsgevinster. Dataanalyse gjør det for eksempel mulig å overvåke driftsprosessene bedre, oppdage og eliminere feil og ineffektivitet på et tidlig stadium, og optimalisere prosedyrene kontinuerlig. Innen logistikk har data og dataanalyse lenge vært en integrert del av styringen av varer og forsyningskjeder. De danner grunnlaget for pålitelige logistikkprosesser som er designet for maksimal åpenhet. Dette kan for eksempel være å sette sammen last, planlegge transportruter, kombinere ulike transportmidler eller spore forsendelser – kort sagt, styring av hele nettverket.
«Betydningen som kunstig intelligens, maskinlæring og datavitenskap har for transport, logistikk og styring av forsyningskjedene vil bare fortsette å vokse i årene som kommer.»
DACHSER med sitt globale nettverk har allerede «lært» alt dette. Så tidlig som på midten av 1980-tallet utviklet logistikkselskapet Domino, selve hjørnesteinen i konseptet for behandling av data innen spedisjon. Programvaren dekker alle prosessene som er knyttet til transport av varer – ikke bare utgående og innkommende i transitterminalen, eller import og eksport, men også ordrebehandling, transportplanlegging, fakturering og fremfor alt forsendelsesinformasjon: sporing og følging. I dag har DACHSER, i tillegg til Domino, to andre integrerte systemer: Mikado (lager) og Othello (luft- og sjøfrakt), som begge ekspanderer kontinuerlig. B2B Gateway fungerer som den sentrale kommunikasjonsplattformen for dem alle. I mellomtiden kan kundene til DACHSER administrere ordrene på nettet ved hjelp av eLogistics-portalen. I tillegg benytter selskapet styringsverktøyet ActiveReport som håndterer hendelser i forsyningskjeden, og varsler når det oppstår avvik i forsendelsesprosessen. Kort sagt: DACHSER og kundene er hjemme i dataverdenen og nyter fordelene av dette hver eneste dag.
Du kan ikke gå alene
For å utnytte fordelene ved digitaliseringen fullt ut og gjøre nettverket enda mer modent, arbeider DACHSER med en enda større integrering av IT og logistikk. «Her trenger vi spedisjonseksperter og logistikkpraktikere i like stor grad som statistikere, matematikere og dataeksperter. Ingen klarer å komme dit på egen hånd – den eneste måten å utvikle intelligente algoritmer for logistikk på, er ved å samarbeide med andre», sier Stephen Hohm, Chief Development Officer (CDO) hos DACHSER. Han forklarer at dette er en pågående prosess som ikke bare gjenspeiler den teknologiske utviklingen, men som også bidrar til å drive den fremover.
Siden begynnelsen av juni 2021 har DACHSER samlet ekspertisen selskapet har oppnådd i ulike forsknings- og innovasjonsprosjekter i sitt nye interne kompetansesenter for datavitenskap og maskinlæring.
«Betydningen som kunstig intelligens, maskinlæring og datavitenskap har for transport, logistikk og forsyningskjedestyring vil bare fortsette å vokse i årene som kommer. Derfor ser DACHSER det som helt avgjørende å styrke kompetansen på dette feltet ytterligere og utvide evnen til å implementere og benytte maskinlæringsapplikasjoner», fortsetter Hohm.
Bakgrunnen for denne oppsamlingen av kompetanse kommer fra den daglige logistikkdriften. DACHSER produserer store datamengder daglig, og disse danner grunnlag for utvikling og bruk av de nye AI-teknologiene. «Vi skal utnytte disse dataene enda bedre i fremtiden og gi medarbeiderne våre et enda bedre grunnlag for beslutningstaking», sier Florian Zizler, Team Leader Data Science & Machine Learning. Kunstig intelligens-begrepet vekker imidlertid ikke bare vekker positive assosiasjoner. Mange tenker på ukontrollerbare «big data»-maskiner med et eget liv, at robotene vil erstatte menneskene og til slutt gjøre dem helt overflødige i arbeidslivet. Det hjelper å avklare noen av begrepene først.
Dømt til evig læring
Den britiske logikeren, matematikeren, kryptoanalytikeren og informatikeren Alan Turing (1912–1954), en av hjernene bak moderne informasjons- og datateknologi, kom med et pragmatisk forslag om å begrense det brede feltet som kunstig intelligens er: en maskin er intelligent hvis det ikke kan fastslås om du kommuniserer med en person eller en datamaskin. Den irske dramatikeren George Bernard Shaw (1856–1950) observerte dessuten at ulempen med intelligens er at man kontinuerlig blir tvunget til å lære.
I kunstig intelligens er det algoritmene som står for læringen (en algoritme er en sekvens av instruksjoner og beregningsoperasjoner innenfor et program som kan brukes til å løse visse problemer). Og det er akkurat der maskinlæring kommer inn som et delsett av kunstig intelligens. Ved å se på eksempler lærer kunstig intelligens-systemet å gjenkjenne mønstre og regelmessigheter i prosesser og sammenhenger for å mestre ukjente situasjoner.
DACHSER utviklet nylig konkrete maskinlæringsapplikasjoner som en del av DACHSER Enterprise Lab sammen med forskere fra Fraunhofer IML-instituttet i Dortmund, Tyskland. Én av disse applikasjonene er PAnDA One: Predictive Analytics DACHSER, der «One» viser at det er selskapets første maskinlæringsprosjekt.
PAnDA One-modellen ble spesialutviklet for å gi prognoser om innkommende volumer for en avdeling i Road Logistics. «Målet vårt er å gi medarbeiderne i avdelingene våre verdifull støtte til beslutninger de trenger å ta om sesongbasert kapasitetsplanlegging», forklarer Thomas Schmalz, Head of Production Management hos DACHSER. Det gjør det mulig å skaffe passende lastekapasitet på markedet på et tidlig stadium, eller å planlegge ressursene i transitterminalen. «Det er formålet med prognosene for mengden av inngående gods, som modellen genererer opptil 25 uker i forveien.»
Maskinlæring er ikke et mål i seg selv, understreker Schmalz: «Vi ønsker å gi avdelingene våre et verktøy som til syvende og sist gjør arbeidet enklere, mer effektivt og også mer attraktivt.» DACHSER har ikke noe mål om å erstatte personer med beregninger og databehandling. «Vi ser på IT, teknologi, nettverket og folk som én enkelt enhet: et cyber-sosio-fysisk system. Det er slik vi flytter kundene våre – og oss selv – fremover.»
Datakvaliteten er altavgjørende
Suksessen til maskinlæring avhenger av kvaliteten på dataene systemet mottar. «Dataene i seg selv er viktigere enn algoritmen», sier Schmalz. «Vi har en unik informasjonsbank som mottar konsistente data i sikret og standardisert kvalitet.» DACHSER har en fordel på grunn av det ensartede systemlandskapet i European Logistics og Air & Sea Logistics, og på grunn av modenheten i nettverket som har vokst over flere tiår. «Det er ikke så mange innen logistikk som kan tilby det.»
Å ha gode data er én ting, men å tolke og bruke dem, er en annen. «Maskinlæring er en teaminnsats. Vellykkede modeller er bare mulig når prosesseksperter jobber hånd i hånd med ekspertene fra Data Science & Machine Learning Competence Center. Vi trenger hverandre», påpeker Florian Zizler.
DACHSERs kompetansesenter for datavitenskap og maskinlæring knytter logistikkens verden og IT-verdenen sammen. «Vi skaper et rom der et bredt utvalg av interessenter kan komme sammen og bidra med fagekspertise. Utvekslingen er umiddelbar og direkte. Til syvende og sist handler det om å bruke data til å modellere konkrete prosesser», forteller Zizler. «Det er en flott opplevelse for alle å håndtere svært spesifikke oppgaver i en tverrfaglig utveksling, og å utvikle nyttige løsninger for den daglige logistikken basert på disse.»
Når det gjelder PAnDA One, samarbeidet DACHSER-ekspertene i kompetansesenteret med de ulike avdelingene for å analysere prosesser og identifisere kriterier for pålitelige prognoser. «Dataene våre går helt tilbake til 2011. Fokuset er på historiske forsendelsesdata», sier Zizler. «Vi supplerer denne datapoolen med kalenderdata, som helligdager eller skoleferier. Dermed kan modellen kjenne igjen sesongmønstrene som er så viktige i veitransporten. Vi har også integrert en rekke økonomiske indekser for å bli bedre til å forutse trender.»
Forutsigbarheten når det gjelder fremtidige krav og kundebehov når imidlertid sine grenser når forholdene endres på grunn av store uforutsette hendelser. «Det var selvfølgelig en utfordring for prognosene å skulle takle både store volumsvingninger og koronapandemien», sier Zizler. Likevel er han og ekspertteamet fortsatt optimister: «Prognosene våre skal snart være tilbake på det sedvanlige høye nivået.»
Et annet spesifikt brukstilfelle er merkingsprosjekt B2X. Jobben til algoritmen er å forbedre datakvaliteten og løse et klassifiseringsproblem fra den daglige driften, nemlig å avgjøre om mottakeren er et selskap (B2B) eller en privatperson (B2C). Basert på ordredataene alene, er ikke dette skillet alltid klart. For logistikkprosessene utgjør det imidlertid en betydelig forskjell om mottakeren er en bedrift eller en privat husholdning.
I maskinlæring er det et grunnleggende skille mellom utviklingsfasen og bruksfasen. Under læringen blir algoritmen vist eksempeldata for å lære hvordan inndata blir transformert til utdata. Inndataene til B2X-prosjektet fokuserer på ordredata som f.eks. geografiske data. I den etterfølgende bruksfasen bruker den opplærte modellen de innlærte korrelasjonene til å generere utdata (B2B eller B2C) under reelle driftsforhold basert på ny informasjon. Dette prosjektet spiller en viktig rolle i kvalitetssikringen ved at det ikke bare øker datakvaliteten, men også optimaliserer prosessene i logistikkhåndteringen ytterligere.
Kompetansesenteret evaluerer hele tiden nye ideer og potensielle bruktilfeller. Ett av disse ligger i prosessoptimalisering og forbedring av ergonomiske arbeidsforhold for logistikkoperatører innen lasthåndtering. Her tester maskinlæringseksperter en ny prosess for å øke prosesskvaliteten sammen med oppstartsselskapet MotionMiners på fem steder.
Maskinlæring har en rekke bruksområder. I prosessen med å utforske disse har det utviklet seg et robust og dynamisk økosystem med åpen kildekode de siste årene. «Maskinlæring vil i økende grad forme DACHSERs mangfoldige prosesslandskap. Takket være tilgjengeligheten av applikasjoner med åpen kildekode trenger vi ikke lenger å utvikle alt selv. Kompetent bruk av disse algoritmene setter oss i stand til å utnytte datapotensialet vårt enda mer effektivt», sier Zizler. Dette er én av grunnene til at DACHSER er en av grunnleggerne av Open Logistics Foundation. Dette utgjør da en forskjell fra oljen fra tidligere århundrer: dataene kommer aldri til å ta slutt. Tvert imot! Det er et god utgangspunkt for fremtiden.
