Fokozatosan bővül azon iparágak köre, ahol az üzleti döntéshozók munkáját mesterséges intelligenciát alkalmazó rendszerek is segítik. A Dmlab szállítmányozó vállalatoknak, gyáraknak, bankoknak, biztosítótársaságoknak, távközlési és médiacégeknek is készített már olyan megoldásokat, amelyek az ügyféladatok hatékony felhasználását, a költségek optimalizálását szolgálják. A fejlesztőcég egyik felsorolt területnek sem szakértője, de bigdata-megoldásaik bármely ipari területen alkalmazhatóak. Adatelemzői tudásukat és tapasztalataikat adják hozzá az adott domén szakértőinek tudásához, s így alakítanak ki olyan adatvezérelt mesterségesintelligencia-megoldást, amellyel az érintett vállalat okosabb döntéseket tud hozni. Nagy-Rácz István, a Dmlab alapítója az adatvezérelt irányítás logisztikai alkalmazásáról beszélt a Computerworldnek.
Nagy-Rácz István: A közúti szállítás költségének körülbelül egyharmadát teszi ki az üzemanyag-költség, alapvetően ebben kell megtakarítást elérni. Különböző méretű szállítmányozási vállalatokkal dolgoztunk már együtt. Fuvarszervezési rendszerünkkel mindenütt jelentős, 2-3 százalékos üzemanyag-csökkenést értünk el.
Computerworld: Mennyi egy ilyen rendszer megtérülési ideje?
NRI: Volt már projektünk kisebb (K&V), közepes (Trans-Sped) és nagyméretű (Waberer's) szállítmányozási cégnél, és ezek alapján megállapíthatjuk, hogy a fuvarszervezési rendszerek valahol a középméretnél kezdenek rentábilissá válni. Százas nagyságrendű járműnél egy-két éves, sőt akár egy éven belüli megtérüléssel is számolhatunk.
CW: A fuvarszervezési rendszer figyelembe veszi, hogy a jármű városon belül vagy többnyire országúton közlekedik? Van ennek egyáltalán jelentősége?
NRI: Először azt nézzük meg, hogy adott földrajzi területen, adott kamionnal, sofőrrel és szállítmánnyal mennyi lenne a kívánatos fogyasztás. Ezt az értéket múltbéli adatokból tudjuk kinyerni; ezt tekintjük benchmarknak. Ha a rendszer azt érzékeli, hogy egy kamion fogyasztása meghaladja a benchmarkot, akkor akár valós időben, akár később, például az oktatási rendszeren keresztül jelezheti ezt a sofőrnek, illetve javaslatot tehet, hogy miként, merre lenne érdemes vezetni a járművet. Ez azt is jelenti, hogy az útvonal mindenképpen az egyik paramétere a rendszernek. Tapasztalataink szerint az üzemanyag-megtakarítás szempontjából az autópályákon sem sokkal könnyebb a dolgunk, mint városon belül. Az európai nagyvárosokat elkerülő körgyűrűkön például jellemzőek az óriási dugók. Ilyenkor a megfelelő vezetési móddal jelentős üzemanyag-megtakarítást lehet elérni. Városon belül a közlekedési helyzetek kialakulása sokkal inkább ad hoc, mint az autópályán. Az ad hoc közlekedési helyzetekre adott válaszok változatosabbak lehetnek, ezért a fuvarszervezési rendszernek több szempontot kell figyelembe vennie.
Nagy-Rácz István alapító, Dmlab
CW: Melyek az alapvető feltételei a fuvarszervezési rendszer bevezetésének?
NRI: Az egyik feltétel, hogy legyenek megfelelő adatok, amelyeket elemezni lehet. Az összes forgalomban lévő szállítmányozási jármű rengeteg adatot gyűjt, köztük a sofőrök vezetésére vonatkozó információkat is. Első lépésben ezeket az adatokat kell kiolvasni a fedélzeti számítógépből. Ez végezhető valós időben, mobilhálózaton keresztül vagy a fuvar végén, kvázi offline. A mi megoldásunk online adatgyűjtést végez, azaz valós időben kapunk információt arról, hogy például merre jár a kamion, mennyi az aktuális fogyasztása, vagy be van-e kapcsolva a tempomat. A fedélzeti számítógépből kinyert adatokon kívül a fuvarszervezéshez elengedhetetlenek a szállítmányra vonatkozó adatok is, például annak jellege, tömege, úti célja. Ezek az adatok digitálisan a vállalatirányítási rendszerben találhatóak, így azt össze kell kapcsolni a fuvarszervezési rendszerrel. A harmadik, opcionális adatcsoportot a külső adatok (időjárási és útviszonyok stb.) képezik. Rendszerünk ezeket is felhasználja.
CW: Mi történik az összegyűjtött adatokkal?
NRI: Az adatgyűjtést követően a rendszer integrálja, összekapcsolja az adatokat. Amikor az adatmennyiség elér egy bizonyos szintet, különféle mesterségesintelligencia-algoritmusok olyan mintázatokat keresnek és találnak bennük, amelyekből sok minden leszűrhető. Meg lehet például mondani, hogy az adott kamionnak, adott fuvarral, adott koordinátán mennyit kellene fogyasztania, és a jármű ehhez képest többet vagy kevesebbet fogyaszt. Meglehetősen széles palettáról választható ki, hogy a rendszer az adatokból pontosan milyen információkat nyerjen ki. Mi általában azokat az üzleti problémákat keressük, amelyek partnereinket leginkább szorongatják. Megmondjuk például, hogy adott útvonalon az egyik sofőr miért fogyaszt sokkal többet, mint a másik, és javaslatot is adunk, hogy a rosszabbul teljesítőnek mit kellene változtatnia viselkedésén. Mivel az adatgyűjtés, -elemzés és -visszajelzés valós idejű, a sofőr akár azonnal értesülhet az eredményről, és korrigálhat. Ehhez természetesen a kamiont is el kell látni megfelelő eszközzel, például egy táblagéppel.
CW: Az ügyfél megvásárolja a rendszert, vagy annak szolgáltatásait veheti igénybe?
NRI: Mindkettőre van lehetőség. A különbséget a két üzleti modell között az adja, hogy azokat a tanuló modelleket, amelyek a mintázatokat megkeresik az adatokban, időről időre újra kell futtatni. Ha a szállítmányozó cég maga üzemelteti a rendszert, akkor azt kvázi öntanulóvá kell tenni. Ha mi nyújtjuk a szolgáltatást, akkor az újrabetanítást kézzel is el tudjuk végezni. Megjegyzem, nem biztos, hogy a modellek minden változást automatikusan és gyorsan tudnak követni, ezért előnyös lehet a manuális, szakértői beavatkozás.
CW: Egy fuvarszervezési rendszer létrehozásához, használatához milyen informatikai tudás kell a szállítmányozó vállalat részéről?
NRI: A projekt elején szükség van közös egyeztetésekre, ahol felszínre kerülnek a megoldandó üzleti problémák. Mivel a mesterséges intelligencia, a big data, az adatelemzés manapság jelentős buzzword, és sokan hajlamosak valamiféle csodavárásra ezekkel a megoldásokkal kapcsolatban, érdemes még az elején tiszta vizet önteni a pohárba. Világossá kell tenni, hogy a rendelkezésre álló adatok, illetve az azokra épülő rendszer mely üzleti problémák megoldását segíti majd, illetve melyekét nem. A következő kérdés, hogy miként lehet a fuvarszervezési rendszert a vállalat meglévő, például vállalatirányítási rendszereivel integrálni. Ez az a pont, amely már a szállítmányozó cég részéről is informatikai tudást igényel. Ahol nincs vállalatirányítási rendszer, hanem csak papíron tartják nyilván a fuvarokat, ott komoly fejtörést okozhat valamilyen köztes megoldás kitalálása. Igencsak valószínűtlen azonban, hogy a fuvarszervezés e szintjén tartó vállalatok egy adatelemzésre és mesterséges intelligenciára épülő rendszer bevezetésén gondolkoznának. Az integrációkat követően a szállítmányozó cégnek gyakorlatilag nincs informatikai teendője. Maga az integráció, valamint a rendszer felparaméterezése már nem az ő dolga. Tapasztalatunk szerint azoknál a cégeknél, ahol egy ilyen fuvarszerezési rendszer rentábilisan működtethető, megvan az ilyen projekthez szükséges informatikai tudás.
CW: Hogy történik a kinyert információ elemzése?
NRI: Az eredményeket átadjuk a cégnek, üzletileg nekik kell azokat validálniuk. A Dmlab az adatelemzés, a mesterségesintelligencia-megoldások szakértője, ugyanakkor nem rejtjük véka alá, hogy a szállítmányozáshoz - mint ahogy számos más területhez - nem értünk. A kapott eredmények értékeléséhez egyébként az érintett szállítmányozási cégeknél bőven megvan a tudás.
CW: A fuvarszervezési rendszer folyamatosan gyűjt információkat a jármű mozgásáról, a vezetés módjáról. Mit szólnak ehhez a gépkocsivezetők?
NRI: Minden szállítmányozó cég - mérettől függetlenül - foglalkozik a sofőrök oktatásával. Egyes fuvarozók például próbavezetésre mennek velük, majd megmondják nekik, mit kellene másképpen csinálniuk. Minél közelebb kerülünk a valós idejű visszajelzéshez, annál inkább tudunk segíteni a sofőröknek abban, hogy viselkedésüket optimalizálják. Természetesen nagyon fontos, hogy az online visszajelzések ne zavarják a járművezetőkett, és ne okozzanak nekik stresszhelyzetet. Mi is sok időt fordítottunk e probléma megoldására. Fontos azonban megjegyeznünk, hogy egy ilyen rendszer nem tudja kiváltani a gyakorlott sofőrök szakértelmét, csak segíti őket, hogy még jobban végezzék munkájukat. Ha nincs valós idejű visszajelzés, hanem a rendszerből kinyert adatok alapján tréningeket tartanak a sofőrök számára, akkor is nagy segítség, ha az oktató konkrétumokra hivatkozva tud javaslatokat tenni a vezetéssel kapcsolatban. Ha a kritika építő jellegű tanáccsal egészül ki, azt általában jól fogadják a pilóták. Természetesen némi ellenállás minden új dolognál tapasztalható, és ez érthető. Nehezen fogadja el az ember, ha sokéves bevett gyakorlatán változtatni akarnak. Előbb-utóbb azonban a legtöbben rájönnek, hogy nem is ostobaság, amit a rendszerek javasolnak.
