Začněme tím, že si povíme, co je strojové učení. Tento termín do naší slovní zásoby přidal v roce 1959 Arthur Samuel, průkopník v oblasti počítačových her a umělé inteligence (AI). Strojové učení je odvětví umělé inteligence založené na předpokladu, že systémy se dokáží učit z dat, identifikovat vzory a poskytovat efektivní a spolehlivé předpovědi s minimálním lidským zásahem.
Strojové učení je často zaměňováno s hlubokým učením, které je podmnožinou strojového učení a je inspirováno způsoby zpracování informací v lidském mozku. Hluboké učení je často považováno za další krok ve strojovém učení, protože se dokáže učit ze svých vlastních výpočetních postupů a dosahovat vyšší přesnosti například v rozpoznávání obrazu a zpracování přirozeného jazyka.
Strojové učení tu existuje už dlouhou dobu. Skutečný rozmach však zažilo v posledních několika letech díky pokroku ve výpočetním výkonu počítačů a cloudových technologiích, které umožnily škálování a analýzu obrovského množství dat. Dnes je strojové učení přítomné ve všech oblastech našeho života – poslechli jste si někdy skladbu doporučenou službou Spotify? Použili virtuálního osobního asistenta, jako je Alexa? Nebo plánovali cestu pomocí GPS navigace či zajišťovali přepravu zboží pro zákazníka e-shopu? Pak jste strojové učení využili.
Strojové učení je všude a kamionová doprava není výjimkou. Vzhledem k obrovskému množství dat, která toto odvětví generuje prostřednictvím propojených vozidel, elektronických záznamových zařízení, senzorů a dalších technologií, lze očekávat, že jeho význam bude dále růst. Mezi oblasti, kde se strojové učení v kamionové dopravě již využívá, patří automatizace administrativy (back-office), optimalizace tras, prediktivní údržba a rozvoj řidičů. Je také klíčovou součástí vývoje technologií, jako je platooning (jízda vozidel v konvojích) a digitální platformy pro párování nákladů.
To je však pouze letmý náhled na to, co může strojové učení pro kamionovou dopravu nabídnout. Při pohledu do budoucna se tato technologie bude nadále vyvíjet, bude schopna vytvářet přesnější predikce ve stále složitějších prostředích a pomůže řešit největší výzvy tohoto odvětví. Zde je přehled některých oblastí, ve kterých bude strojové učení vytvářet významnou hodnotu pro dopravní operátory:
Optimalizace tras nákladu a seskupování zásilek
Prázdné kilometry představují v Evropě 20 % silniční nákladní dopravy, přičemž v Číně může tento podíl dosahovat až 40 %. Hlavní příčinou jsou neefektivní dispečerské systémy, kdy kamiony jezdí na místo vyzvednutí bez nákladu. Strojové učení může počet prázdných kilometrů snížit například predikcí času příjezdu různých vozidel a nákladu a seskupováním dodávek podle geografické polohy a cílové destinace. Výsledkem není jen lepší využití vozidel a menší počet vozidel na silnicích, ale také snížení nákladů na dopravu až o 25 % a emisí až o 30 %. Stejný princip využívají Uber a Lyft pro přepravu lidí a nové obchodní modely se objevují i pro přepravu zboží.
Predikce dopravního toku
Dnes plánovači měst a další rozhodovatelé často navrhují dopravní infrastrukturu bez dostatečných informací o dopravních vzorcích, což vede k problémům, jako jsou dopravní zácpy. Současně roste množství zdrojů dat – například z GPS navigací, satelitních snímků či kontrolních příspěvků na sociálních sítích – která může technologie strojového učení analyzovat a na jejich základě vytvářet predikce dopravního toku a doporučení v reálném čase. Díky využití automatizovaných semaforů, které fungují na datech získaných z kamer, senzorů a satelitních snímků, by bylo možné přesměrovat dopravu a zmírnit přetížení, zejména na městských silnicích. Město Hangzhou již toto testuje prostřednictvím projektu City Brain od společnosti Alibaba, který koordinuje více než 1 000 semaforů s cílem předcházet dopravním zácpám nebo je zmírňovat.
Autonomní vozidla
Autonomní řízení je již delší dobu klíčovou oblastí zájmu kamionového průmyslu. Autonomní vozidla by nebyla možná bez strojového učení, které mimo jiné neustále zpracovává okolní prostředí samořiditelného vozidla a predikuje možné změny tohoto prostředí. Autonomie vozidel již probíhá, i když časový rámec pro její plné zavedení zůstává nejistý. Co je však jasné, je to, že tato technologie nabízí potenciál snížit náklady, zvýšit produktivitu a řešit výzvy spojené s novými způsoby spotřeby, jako je e-commerce.
Toto jsou jen některé způsoby, jak strojové učení již ovlivňuje a bude ovlivňovat kamionovou dopravu. Samozřejmě existuje mnoho dalších oblastí, ve kterých tato technologie učiní logistický průmysl proaktivnějším, prediktivnějším, automatizovanějším a více přizpůsobeným individuálním potřebám.
Jako dopravní poskytovatel bude pro vaše podnikání zásadní přizpůsobit se a začlenit digitální technologie do každodenního provozu. I když se to může zdát jako náročný úkol, ve skutečnosti to začíná několika praktickými kroky, které jsem shrnul v průvodci dostupném ke stažení.
Tento průvodce vám pomůže:
Určit potřeby digitalizace ve vašem podnikání
Pochopit, jak a kde může digitalizace přinést hodnotu
Zjistit, jaké informace a data můžete získat od svého výrobce (OEM)
Porozumět, jak zúžit možnosti digitálních řešení na základě klíčových faktorů, jako je velikost společnosti, bezpečnost a snadnost použití
-
