AI dalam transportasi dan logistik | AI dalam bisnis #75

Manajemen armada dengan AI dalam transportasi

Sistem berbasis AI dapat menganalisis jumlah data yang sangat besar tentang kendaraan, pengemudi, dan rute. Ini memungkinkan penyesuaian jadwal dan rute, pemanfaatan sumber daya transportasi yang lebih baik, dan pengurangan konsumsi bahan bakar hingga 10-15%.

Sistem cerdas yang dilengkapi dengan kemampuan pembelajaran mesin dapat memprediksi kemungkinan kerusakan berbulan-bulan sebelumnya berdasarkan data dari sensor yang dipasang di kendaraan dan peralatan lainnya. Ini memungkinkan penjadwalan perbaikan dan pemeliharaan pada waktu yang nyaman, meminimalkan waktu henti, dan menghindari pemberhentian yang tidak direncanakan di jalan.

Salah satu contoh penggunaan AI dalam manajemen armada adalah DB Schenker, pemimpin global dalam industri logistik. Perusahaan ini menggunakan algoritma AI canggih untuk mengoptimalkan perencanaan transportasi, peramalan permintaan, dan manajemen penawaran. Di Bulgaria, misalnya, perusahaan ini menggunakan solusi AI Transmetrics untuk meningkatkan pemanfaatan kendaraan dan mengurangi waktu transit untuk pengiriman massal.

Dalam transportasi udara, perusahaan ini menggunakan alat simulasi dan peramalan hibrida yang memungkinkan kustomisasi simulasi dan didasarkan pada data historis. Dengan menggunakan AI, DB Schenker tidak hanya mempercepat transformasi digitalnya tetapi juga mengamankan keunggulan kompetitif jangka panjang di pasar logistik.

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

Menerapkan AI untuk mengoptimalkan rute dan mengurangi biaya transportasi

Sistem pemetaan modern yang didukung AI dapat menganalisis kemacetan lalu lintas secara real-time, mencari jalan alternatif, dan menyarankan rute optimal untuk pengemudi berdasarkan kondisi saat ini. Selain itu, algoritma pembelajaran mesin dapat membantu merencanakan distribusi muatan dengan lebih baik sehingga diangkut dengan jarak terpendek. Ini secara langsung diterjemahkan menjadi biaya operasional yang lebih rendah.

Salah satu contoh perusahaan yang mengkhususkan diri dalam solusi AI untuk optimasi rute adalah perusahaan Amerika FourKites. Mereka telah mengembangkan platform pemantauan rantai pasokan real-time yang memanfaatkan data dan pembelajaran mesin untuk meningkatkan visibilitas dan efisiensi transportasi.

Salah satu klien mereka, Henkel, mendapatkan manfaat dari penggunaan solusi FourKites dengan akses ke data real-time tentang lokasi dan perkiraan waktu kedatangan (ETA) pengiriman. Ini memungkinkan mereka untuk merencanakan tugas mereka dengan lebih baik dan merespons setiap potensi keterlambatan.

FourKites juga membawa manfaat tambahan bagi Henkel, seperti penghematan waktu dan biaya, peningkatan kualitas dan akuntabilitas LSP (Penyedia Layanan Logistik), penyelesaian sengketa yang adil, dan menghindari penalti untuk keterlambatan. Pada tahun 2024, Henkel berencana untuk melacak hampir satu juta pengiriman menggunakan FourKites.

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

Manajemen inventaris dengan AI dalam transportasi

Kecerdasan buatan mahir dalam menganalisis jumlah data yang besar untuk memprediksi permintaan barang dan bahan baku tertentu dengan akurat. Akibatnya, inventaris dapat dikelola dengan lebih efisien, gudang dapat diisi ulang dengan lebih akurat, dan kekurangan stok dapat dikurangi.

Dua alat populer yang menggunakan AI dan pembelajaran mesin untuk optimasi rantai pasokan adalah:

• RELEX (https://www.relexsolutions.com/) – platform komprehensif yang digunakan untuk peramalan permintaan dan pengisian ulang inventaris otomatis. Perusahaan ini membantu pelanggan di semua industri merencanakan permintaan, mengelola inventaris, mengoptimalkan proses logistik, dan mendorong pertumbuhan pendapatan.
• SAP IBP (https://www.sap.com/products/scm/integrated-business-planning.html) – Modul perencanaan inventaris dan rantai pasokan yang canggih yang merupakan bagian dari suite SAP. SAP IBP membantu mengoptimalkan proses logistik dan menyediakan berbagai fungsionalitas, termasuk Perencanaan Penjualan dan Operasi (S&OP), peramalan permintaan, respons dan pengiriman, perencanaan inventaris, dan perencanaan transportasi.

Memperkenalkan AI untuk mengotomatiskan proses gudang dan transportasi otonom

Robot otonom yang dilengkapi dengan modul kecerdasan buatan sudah bekerja di banyak gudang dan pusat logistik modern. Mereka mampu mengambil pesanan, mengemas produk, dan mengangkut palet barang. Algoritma pembelajaran mesin memungkinkan robot-robot ini mengenali barang dan paket individu, merencanakan jalur mereka sendiri di sekitar gudang, dan bahkan berkomunikasi dengan karyawan.

Apa yang terjadi ketika produk, yang dikemas dan disiapkan oleh robot, siap untuk diangkut? Ini membuka pintu untuk penerapan AI dalam kendaraan otonom. Salah satu contohnya adalah truk otonom T-Pod, yang saat ini sedang diuji di pusat distribusi DB Schenker. Truk ini dapat dikendalikan oleh operator saat berkendara di jalan atau, berkat penerapan AI, dapat secara otonom mengangkut palet produk, menghindari rintangan di sepanjang jalan. Navigasi difasilitasi melalui penggunaan kamera, radar, dan sensor kedalaman.

T-Pod DB Schenker adalah kendaraan pertama dari jenisnya yang disetujui untuk jalan umum di Swedia. Kendaraan ini dapat mengangkut hingga 20 ton muatan dan memiliki jangkauan sekitar 200 km dalam sekali pengisian daya.

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

Pemantauan dan analisis data real-time dengan AI dalam transportasi

Data dari sensor di kendaraan, sistem otomatisasi gudang, dan pelacak pengiriman dapat dianalisis secara real-time oleh algoritma kecerdasan buatan. Ini memungkinkan pengambilan keputusan bisnis yang akurat secara instan dan meningkatkan efisiensi seluruh organisasi. Misalnya, sistem yang dilengkapi dengan modul AI dapat membantu merespons segera terhadap keterlambatan pengiriman dan memberi tahu pelanggan atau mengambil langkah pencegahan.

Tim OLX menggunakan pembelajaran mesin untuk membangun model ETA prediktif, yang dalam transportasi dan logistik berarti Perkiraan Waktu Kedatangan. Model ini mempertimbangkan faktor-faktor seperti:

• lokasi,
• jenis barang,
• kondisi cuaca,
• hari libur, dll.

Model ini dilatih dengan data dari lebih dari dua juta transaksi dan diuji dengan data dari enam negara. Model ETA mencapai akurasi dan presisi yang sangat tinggi, dan menunjukkan kemampuan untuk beradaptasi dengan perubahan kondisi pasar dan operasional. Model ETA telah membantu meningkatkan kepercayaan dan kepuasan pelanggan, serta meningkatkan efisiensi dan profitabilitas proses pengiriman.

Keamanan dan pencegahan kecelakaan

Sistem pemantauan cerdas yang dilengkapi dengan modul AI tidak hanya melindungi aset perusahaan transportasi. Dengan menganalisis gambar dari kamera dan data dari sensor, mereka dapat menilai perilaku pengemudi dan mendeteksi tanda-tanda kelelahan, menyarankan istirahat selama perjalanan. Selain itu, algoritma pembelajaran mesin, yang terus menganalisis data telemetri yang masuk dari kendaraan, dapat memprediksi potensi kerusakan jauh sebelumnya.

Dan demikian, start-up Israel Cortica menerapkan jaringan saraf untuk menganalisis suara mesin untuk deteksi dini kerusakan yang akan datang. Perusahaan seperti Continental dan ZF Friedrichshafen AG menawarkan solusi serupa untuk diagnosis kendaraan prediktif bagi pengangkut.

Masa depan AI dalam transportasi dan logistik

Para ahli sepakat bahwa berkat kecerdasan buatan, industri TSL akan mengalami transformasi total dalam sepuluh tahun ke depan. Truk otonom akan menjadi standar di jalan-jalan di Amerika Serikat dan akan mulai muncul lebih sering di bagian lain dunia. Sementara itu, di gudang, sebagian besar operasi—dari pengambilan pesanan hingga pemuatan—akan ditangani oleh robot.

Berkat AI, biaya transportasi dan logistik akan menurun hingga 30-40%. Waktu pengiriman juga akan dipersingkat melalui optimasi rute dan pemuatan, serta penerapan sistem kota cerdas yang memfasilitasi pergerakan kendaraan selama kilometer terakhir rute. Integrasi AI dalam logistik akan meningkatkan kualitas layanan pelanggan, dan risiko kesalahan manusia akan hampir dihilangkan.

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

AI dalam transportasi – ringkasan

Sebagai kesimpulan, sistem yang menggunakan pembelajaran mesin dan algoritma AI dalam transportasi memiliki potensi besar dalam industri TSL yang baru mulai dimanfaatkan. Penerapannya adalah kesempatan untuk secara signifikan mengurangi biaya, memperpendek waktu pengiriman, meningkatkan keselamatan transportasi, dan melayani pelanggan dengan lebih baik. Namun, untuk berhasil, penerapan teknologi ini harus dilakukan secara strategis.

Jika Anda menyukai konten kami, bergabunglah dengan komunitas lebah sibuk kami di Facebook, Twitter, LinkedIn, Instagram, YouTube, Pinterest, TikTok.