Πως μπορεί η τεχνητή νοημοσύνη να βοηθήσει τις εταιρείες logistics να προσπεράσουν τα εμπόδια που προκύπτουν από την ποιότητα των δεδομένων.

Tο internet από τη γέννησή του, αποτελούσε σε ένα βαθμό μια ψηφιακή έκφανση του παγκόσμιου συστήματος logistics. Έχοντας διασυνδέσει άψογα ομάδες από όλο τον κόσμο, επιτρέποντάς τους να μεταφέρουν πληροφορίες με την μορφή δεδομένων προς οποιονδήποτε, οπουδήποτε, αφαιρώντας συγχρόνως από την εξίσωση τα φορτηγά, τα πλοία και τα αεροπλάνα που χρειάζονται τα παραδοσιακά logistics. Από τα πρώτα του βήματα μάλιστα το internet είχε ήδη κερδίσει για τον εαυτό του το όνομα “information superhighway” ως ένα κατάλληλο φόρο τιμής στην βιομηχανία.

Με την άνοδο του e-commerce, οι απαιτήσεις για παραδοσιακά logistics έχουν αυξηθεί εκθετικά. Εντούτοις η βιομηχανία κωλυσιεργεί στην υιοθέτηση των νέων τεχνολογιών που απαιτούνται για την κάλυψη των αναγκών. Συγκεκριμένα σύμφωνα με έρευνα της Gartner το 2017, πάνω από τα τρία τέταρτα των chief supply chain officers παραδέχονται πως τα πλάνα τους για τον ψηφιακό μετασχηματισμό ακόμα δεν είναι πλήρως ευθυγραμμισμένα. Ευτυχώς η αλλαγή είναι στον ορίζοντα.

Ενώ όμως οι περισσότεροι οργανισμοί μπορεί να μην έχουν τα σχέδια για τον ψηφιακό τους μετασχηματισμό ευθυγραμμισμένα, μια μελέτη από την Capgemini Consulting και την GT Nexus δείχνει πως οι μεταβολές βρίσκονται ήδη εν κινήσει. Η έκθεση τονίζει πως 70 τοις εκατό των διευθυντών του supply chain έχει ήδη ενεργοποιήσει επίσημες προσπάθειες ψηφιακού μετασχηματισμού στην εφοδιαστική αλυσίδα εντός των οργανισμών τους, πιθανότατα σε μια προσπάθεια να καρπωθούν μερικά από τα τεράστια οφέλη που οι μοντέρνες τεχνολογίες έχουν να προσφέρουν.

Αλλά τι μεγέθους είναι αυτά τα οφέλη ακριβώς; Σύμφωνα με μια ανάλυση από το World Economic Forum, μέχρι το 2025, ο ψηφιακός μετασχηματισμός της βιομηχανίας των logistics μπορεί να φέρει προστιθέμενη αξία 1.5 τρισεκατομμυρίων δολαρίων στους άμεσα εμπλεκόμενους με τα logistics, συν κέρδος αξίας 2,4 τρισεκατομμυρίων στην κοινωνία μέσω της μείωσης των εκπομπών ρύπων, της μείωσης της κυκλοφοριακής συμφόρησης και μέσω της βελτίωσης των τιμών. Ανάμεσα στις τεχνολογίες που αναμένεται να δημιουργήσουν αυτή την αξία, ξεχωρίζουν οι υπηρεσίες πληροφορίας που έχουν ως βάση τα δεδομένα με μια δυναμική ανόδου της τάξης των 810 δισεκατομμυρίων δολαρίων, επιτρέποντας στους ειδικούς των logistics να χρησιμοποιήσουν analytics για να βελτιστοποιήσουν διαδρομές, να μειώσουν τα κόστη συντήρησης και να βελτιώσουν την αξιοποίηση των πόρων.

Η αξία δεν είναι υποθετική, τα big data analytics αποδεδειγμένα αποτελούν μεγάλο πλεονέκτημα για πλήθος επιχειρήσεων logistics. Στην ίδια έκθεση του WEF εξηγείται πως οι προβλέψεις της ζήτησης βασισμένες στα analytics έχουν ήδη βελτιώσει τις προσδοκίες για την μελλοντική ζήτηση κατά 10 με 20 τοις εκατό, έχουν μειώσει τα κόστη ανάπτυξης κατά 20 τοις εκατό και έχουν αυξήσει τα ποσοστά συμπλήρωσης κατά 5 τοις εκατό. Άλλες επιχειρήσεις έχουν αξιοποιήσει τα data analytics για να βελτιστοποιήσουν τις διαδρομές παράδοσης. Η Ολλανδική startup Routific, για παράδειγμα, έχει καταφέρει να υπόσχεται παράδοση οπουδήποτε στην Ολλανδία εντός 10 ωρών. Δηλαδή σε μια έκταση 41.000 τετραγωνικών χιλιομέτρων. Και η what3words του Λονδίνου ήταν ικανή να βελτιώσει το χρόνο παράδοσης για την κολοσσό των logistics, Aramex, πάνω από 40 τοις εκατό.

Όπως υποδεικνύουν αυτά τα παραδείγματα, γίνεται όλο και πιο εμφανές πως τα δεδομένα, σε συνδυασμό με τα advanced analytics, ειδικά όταν γίνεται και αξιοποίηση της ισχύος της τεχνητής νοημοσύνης, θα είναι υπεύθυνα για την άνοδο της βιομηχανίας σε νέα ύψη.

Εμπόδια στην ποιότητα των δεδομένων
Σύμφωνα με μια πρόσφατη έκθεση από το McKinsey Global Institute, η γραμμή παραγωγής και τα logistics είναι ένας από τους τομείς στους οποίους το AI έχει τις μεγαλύτερες δυνατότητες επιρροής. Η έρευνα υποδεικνύει use cases προληπτικής συντήρησης του εξοπλισμού, βελτιστοποίησης της απόδοσης, ανάλυσης των προμηθειών και των δαπανών, καθώς και απογραφής και βελτιστοποίησης εξαρτημάτων.

Μια ξεχωριστή έκθεση που εκδόθηκε από την DHL και την IBM εμβαθύνει με περισσότερη λεπτομέρεια σε διάφορα use cases της χρήσης του AI στην βιομηχανία των logistics, τα οποία ή Kate Patrick περιγράφει στο άρθρο της για το Supply Chain Dive. «Η πιο εμφανής use case του AI στην γραμμή παραγωγής είναι η συλλογή όλων των δεδομένων από την εφοδιαστική αλυσίδα, η ανάλυση τους, ο εντοπισμός patterns και η ενημέρωση και βελτιστοποίηση του κάθε κρίκου της εφοδιαστικής αλυσίδας».

Και δεν είναι μόνο η χρήση των δεδομένων σε συνδυασμό με τις αναδυόμενες τεχνολογίες τεχνητής νοημοσύνης που έχουν τη δυναμική να ανατρέψουν τη βιομηχανία των logistics. Τα δεδομένα logistics μπορούν επίσης να φέρουν μεγάλα οφέλη στην βιομηχανία όταν εφαρμοστούν σε τεχνολογίες blockchain. Όπως αποτυπώνεται σε μια έκθεση της DHL και της Accenture, το blockchain στα logistics έχει τη δυνατότητα να πραγματοποιήσει μεγάλες βελτιώσεις στην αποδοτικότητα και στην διαφάνεια όλης της εφοδιαστικής αλυσίδας. Όμως για να συνειδητοποιήσει η βιομηχανία τα οφέλη του AI, του blockchain και των άλλων τεχνολογιών, πρέπει να ξεπεράσει κάποια μεγάλα εμπόδια, κυρίως σχετικά με την ποιότητα των δεδομένων. Όπως επισημάνει ο Richard Waters στο άρθρο του στους Financial Times σχετικά με την έκθεση του McKinsey, «Υπάρχουν πολλά εμπόδια. Το μεγαλύτερο αφορά τα δεδομένα, αρχής γενομένης από τον τρόπο με τον οποίο θα μπορούσε να γίνει η συλλογή τους, ώστε να είναι “καθαρά” και με τις κατάλληλες επισημάνσεις για να φανούν χρήσιμα στην εκπαίδευση των συστημάτων machine-learning». Το ίδιο πρόβλημα σχετικά με την ποιότητα των δεδομένων συναντάμε και στην αποτελεσματική αξιοποίηση των δομών blockchain στην βιομηχανία των logistics.

Αυτή τη στιγμή η βιομηχανία μαστίζεται από ποικίλα θέματα που σχετίζονται με την ποιότητα των δεδομένων, που εμποδίζουν την αποτελεσματική χρήση των αναδυόμενων τεχνολογιών. Μεγάλος όγκος πληροφοριών δεν καταγράφεται ψηφιακά. Το πλήθος των φορτίων είναι δυσανάλογα μεγάλο για να καταγραφούν τα δεδομένα χειροκίνητα. Τα δεδομένα είναι ασυνεπή και καταχωρούνται με διαφορετικούς τύπους μετρήσεων, σε διαφορετικά συστήματα. Δεν υπάρχει «ένας κοινός ορισμός της αλήθειας» που θα μπορούσε να δώσει στους οργανισμούς μια ενιαία οπτική κατά μήκος της εφοδιαστικής αλυσίδας.

Σε αυτό το σημείο, μια έρευνα της Deloitte το 2017 βρήκε πως σχεδόν οι μισοί από τους Chief Procurement Officers υπέδειξαν το θέμα της ποιότητας των δεδομένων ως το βασικό φράγμα στην αποτελεσματική εφαρμογή της ψηφιακής τεχνολογίας στους οργανισμούς τους, ακολουθούμενη από την έλλειψη data integration. Από την άλλη πλευρά η διαθεσιμότητα των δεδομένων κατρακύλησε σχεδόν στον πυθμένα της λίστας των ζητημάτων, υποδεικνύοντας πως η ποσότητα δεδομένων υπάρχει, το θέμα εντοπίζεται πλέον στο να μορφοποιηθεί καταλλήλως ώστε να μπορεί να αξιοποιηθεί.


Το AI δείχνει τον δρόμο
Υπάρχει μια λύση. Ιδανικά, οι εταιρείες logistics θα μπορούσαν να συμφωνήσουν με τους συνεργάτες τους της γραμμής παραγωγής, στην εφαρμογή ενός τυποποιημένου συστήματος για την καταγραφή και τον διαμοιρασμό δεδομένων, που θα μπορούσε να τους προσφέρει μια ακριβή και πλήρη οπτική της γραμμής παραγωγής. Ενώ οι παραδοσιακές εταιρείες logistics έχουν επιφυλάξεις στον διαμοιρασμό των δεδομένων, με τον φόβο απώλειας του ανταγωνιστικού τους πλεονεκτήματος, το όφελος αυτής της κίνησης θα υπερτερούσε μαζικά του ρίσκου. Όμως έως ότου ολόκληρη η βιομηχανία συμφωνήσει, οι εταιρείες έχουν ανάγκη κάποιας εναλλακτικής για τη βελτίωση της ποιότητας των δεδομένων τους.

Ευτυχώς λύσεις τεχνητής νοημοσύνης υπάρχουν για να βοηθήσουν τις εταιρείες logistics να δουλέψουν με τα υπάρχοντα datasets. Η τεχνολογία machine learning μπορεί να ξεσκαρτάρει τα σποραδικά και ασυνεχή δεδομένα, προετοιμάζοντας τα για να χρησιμοποιηθούν από πιο εξελιγμένες τεχνικές βελτιστοποίησης, predictive maintenance και πρόβλεψης που αναφέρθηκαν νωρίτερα. Χρησιμοποιώντας μόνο ένα 5 με 10 τοις εκατό από ακριβή και πλήρη δεδομένα, το AI μπορεί να αναλύσει συστηματικά το ιστορικό των δεδομένων της επιχείρησης που αφορούν τις αποστολές ή την απογραφή και να εξάγει συγκεκριμένα συμπεράσματα σχετικά με τον τρόπο διόρθωσης των ελλιπών ή απόντων δεδομένων. Το αποτέλεσμα είναι ένα πλήρες dataset που μπορεί να προσφέρει πραγματική επιχειρηματική αξία.

Εφαρμόζοντας τεχνητή νοημοσύνη σε καθαρά δεδομένα με τον ίδιο τρόπο, εταιρείες μπορούν να πάρουν τα υπάρχοντα δεδομένα τους και να τα μεταμορφώσουν σε κάτι που μπορεί να αξιοποιηθεί για την αποκόμιση των προνομίων που φέρνουν οι αναδυόμενες τεχνολογίες. Βέβαια αυτό απαιτεί ένα ελάχιστο ποσό χειρονακτικής εργασίας για να κατασκευαστεί στην αρχή ένα εκπαιδευτικό dataset και να δοκιμαστούν οι αλγόριθμοι τεχνητής νοημοσύνης, αλλά αφού αυτό έχει ολοκληρωθεί το AI μπορεί να πάρει τα ηνία και να προσθέσει τα απαιτούμενα συστατικά για την διεξαγωγή μιας πιο ενδελεχούς ανάλυσης και βελτιστοποίησης.

Τελικά, τεχνολογίες όπως τα AI και το blockchain προμηνύουν μια επερχόμενη επανάσταση στη βιομηχανία των logistics. Ωστόσο η επιτυχία τους εξαρτάται πλήρως από την ποιότητα των δεδομένων με τα οποία τροφοδοτούνται από τις εταιρείες logistics. Και ενώ η ποιότητα των δεδομένων αποτελεί την Αχίλλειο πτέρνα για οργανισμούς όλης της βιομηχανίας, το AI προσφέρει μια πολύτιμη λύση. Η βιομηχανία είναι στο δρόμο της ψηφιοποίησης, και το AI φαίνεται ικανό να παρακάμψει όλα τα σχετικά με την ποιότητα των δεδομένων, εμπόδια που υπάρχουν στο δρόμο.

Από την πλευρά του ειδικού
Ο Κωνσταντίνος Περήφανος τα τελευταία 15 χρόνια έχει συλλέξει εμπειρία σε έργα που είχαν σχέση με user behaviour analysis, ranking και optimization. Τώρα ζει και εργάζεται στο Λονδίνο ως Lead Machine Learning Engineer στο argos.co.uk. Μας μεταφέρει τη γνώση και τις απόψεις του για τον χώρο των logistics και την επιρροή του ΑΙ.

    Ποιες είναι οι πιο σημαντικές αλλαγές που έχει επιφέρει ήδη η τεχνολογία του machine learning στο χώρο των logistics και τι προβλέπεται να ακολουθήσει;

Σε μια φράση: Βελτιστοποίηση σε μεγάλη κλίμακα. Υπάρχει μια κλιμάκωση τα τελευταία 10 περίπου χρόνια, που ξεκίνησε με αυτό που ονομάζουμε “Big Data”, το οποίο ουσιαστικά είναι τεχνολογίες που δίνουν τη δυνατότητα επεξεργασίας μεγάλου όγκου δεδομένων. Οι τεχνολογίες αυτές ωρίμασαν πλέον και από το απλό μέτρημα υπό μορφή analytics και KPIs, περνάμε στην εποχή των predictive analytics και της βελτιστοποίησης (optimisation), υποσύνολο της οποίας είναι και η Μηχανική Μάθηση. Οι τεχνολογίες αυτές δίνουν (υπό συνθήκες) τη δυνατότητα βελτιστοποίησης σε μεγάλη κλίμακα.

    Βάσει της εμπειρίας σας, τί λύσεις θα προτείνατε σε μια επιχείρηση logistics που θέλει να βελτιστοποιήσει τις διαδικασίες της;

Θα ακουστεί λίγο κλισέ ίσως, αλλά πριν αρχίσουμε να τρέχουμε, πρώτα μαθαίνουμε να περπατάμε. Δυστυχώς, υπάρχει τεράστιο buzz γύρω από το machine learning και την Τεχνητη Νοημοσύνη φυσικά, και εδώ να αναφέρουμε την αγαπημένη μου φράση το τελευταίο χρονικό διάστημα, «there’s no such thing as AI». Πολύς κόσμος έχει την εσφαλμένη εντύπωση ότι ένα μαγικό “machine learning box” είναι ικανό να διορθώσει τα πάντα. Η αλήθεια είναι αρκετά διαφορετική: Χωρίς αξιόπιστα δεδομένα, δεν υπάρχει machine learning. Αυτό που λέμε στην “αργκό” GIGO (Garbabe In, Garbage Out). Η συμβουλή μου για όλες τις επιχειρήσεις που θέλουν να περάσουν σε επιτυχημένη εφαρμογή τεχνολογιών μηχανικής μάθησης και βελτιστοποίησης είναι απλή: Επένδυση σε σωστό, scalable engineering. Ακούγεται απλό, αλλά πιστέψτε με δεν είναι.

    Από τα προβλήματα που παρουσιάζονται όταν μια επιχείρηση αποφασίζει να ενσωματώσει λύσεις βασισμένες στο machine learning στις διαδικασίες της, ποια είναι τα πιο κρίσιμα και τι θα συμβουλεύατε για να αποφευχθούν;

Η μετάβαση από παραδοσιακά μοντέλα επιχειρείν σε data driven μοντέλα είναι συνήθως επώδυνη διαδικασία. Η μεταφορά των κέντρων λήψεων αποφάσεων από τους ανθρώπους στις μηχανές δεν είναι πάντα ευπρόσδεκτη, για προφανείς λόγους: πολιτική, κατάρτιση, απώλεια θέσεων εργασίας. Δεν είναι τυχαίο ότι τα ομολογουμένως επιτυχημένα μοντέλα των facebook, google, amazon κλπ, έχουν λυμένα αυτά τα θέματα από την ημέρα μηδέν. Η αντίληψη αυτή αλλάζει εντελώς και την δυναμική των ρόλων σε έναν οργανισμό, με αποτέλεσμα πολλές εταιρείες να αναγκάζονται πλέον να μετατραπούν σε technology companies, είτε λόγω πίεσης από τον ανταγωνισμό είτε από καθαρή διορατικότητα.

Στο πρακτικό κομμάτι, όσον αφορά συστήματα παραγωγής, το machine learning είναι ιδιαίτερη μορφή software engineering, που απαιτεί ιδιαίτερους χειρισμούς όσον αφορά τον έλεγχο, την αποσφαλμάτωση και την παρακολούθηση (monitoring). Αυτό όμως είναι διαφορετικό, μακροσκελές και μάλλον καθαρά τεχνικό κεφάλαιο που αξίζει να καλυφθεί ξεχωριστά.