Tegenwoordig raakt alles in elke sector met elkaar verbonden, vloten zijn verbonden met voorraden en deze zijn weer verbonden met de winkelschappen. Dit zorgt ervoor dat we steeds meer gegevens verzamelen, maar hoe moeten we met deze gegevens omgaan? Dat is het moment waarop machine learning in het spel komt, maar wat is machine learning en hoe wordt het gebruikt, specifiek in de transport en logistiek sector?
Wat is machine learning in het kort?
Machine learning, ook wel ML, is een groep van wiskundige modellen. Het bestaat uit algoritmes die gebruikt worden om software te trainen, waardoor artifical intelligence (AI) ontstaat. Er vallen drie categorieën van leren onder machine learning, namelijk supervised learning, unsupervised learning en reinforcement learning. In supervised learning heb je duidelijke labels voor de data, waarmee de AI bepaalde uitkomsten kan voorspellen, bijvoorbeeld de kosten van een huis die voorspeld kunnen worden gebaseerd op data over het huis (hoe oud het is, of het nog in tact is, hoe groot het is). Bij unsupervised learning maak je gebruik van niet gelabelde data, maar zoek je naar patronen waardoor de classificatie achteraf gedaan kan worden. Dit wordt vaak gebruikt om groepen te kunnen vormen wanneer deze vantevoren nog niet duidelijk waren, bijvoorbeeld een webshop die data van hun klanten verzameld en hier patronen in zoekt in wat voor soort producten klanten samen kopen. Als laatst heb je reinforcement learning, hierbij wordt er gebruik gemaakt van trial and error in combinatie met een soort beloonsysteem waardoor de machine leert wat goed is en wat niet, dit is het meest ‘echte’ leren.
Waar wordt machine learning voor gebruikt in transport en logistiek?
ML wordt voor verschillende objectieven gebruikt, maar de volgende zijn het belangrijkst:
– Voorspelling van de vraag
– Verminderen van vrachtkosten
– Risicovermindering
– Efficiëntie van de toeleveringsketen
– Automatisering van klantenservice
– Controle en toezicht
– Voorraadbeheer
– Voorspellend onderhoud
– Voorspelling van de klantketen
– Optimalisering en automatisering van de vloot
Met gebruik van algoritmes die gebaseerd zijn op historische data kunnen veel patronen worden ontdekt waardoor de vraag, onderhoud en klantenketen makkelijker voorspeld kunnen worden. Deze algoritmes helpen ook met het vroeg herkennen van problemen, waardoor risico’s verminderd worden, efficiëntie vergroot wordt en onderhoud bijna nooit plotseling nodig is. Daarbij kunnen veel handelingen voor transport en logistiek geautomatiseerd worden, wat snelheid brengt in de processen en menselijke fouten vermijdt. Uiteindelijk heb je constant informatie over alles dat er speelt, van voorraad aantallen tot welke voertuigen gebruikt worden, hierdoor zijn de toezicht problemen van tafel en weet je altijd wat er aan de hand is in de vloten.
Wat zijn de risico’s van machine learning?
Natuurlijk wordt er vooral gesproken over de goede kanten van machine learning, maar deze technologie komt ook met nadelen. Eén daarvan is dat te veel gebruik maken van AI niet optimaal is. Wanneer je alles overlaat aan de algoritmes, is het mogelijk voor kleine foutjes in het programma om zich te vergroten, en dit zal pas opvallen wanneer het te laat is en niet snel opgelost kan worden. Er komt ook de vraag van aansprakelijkheid bij als deze fouten opkomen. Stel de machine zorgt voor schade, wie is dan de schuldige? Is het de schuld van de eigenaar of de programmeur? Dit is nog een groot discussiepunt dat voor veel verwarring zorgt. Als laatst bespreken we het risico van baanverlies voor de mensen in de sector. Iedereen kent wel van deze angst, de robots doen alles beter en sneller dus waarom zouden wij nog mensen in dienst nemen? Dit is nog een reden waarom AI alleen in mate gebruikt moet worden, we willen immers niet dat de machines onze levens overnemen.
Wil je meer weten over machine learning in tranport en logistiek? Lees dan hier onze whitepaper voor nog meer verdieping in het onderwerp of neem hier contact op met een van onze experts.
