Maskininlärning – Stöd från datakosmos
Digitaliseringen gör arbetet inom logistiken enklare och effektivare. Varor och dataflöden förenas och skapar kvalitet och transparens i alla processteg. På DACHSER kan vi använda maskininlärning för att analysera och använda data från den dagliga verksamheten, vilket öppnar upp nya möjligheter för intelligenta logistiklösningar som ger mervärde.
”Data är 2000-talets olja.” Den brittiske matematikern och dataforskaren Clive Humby sägs ha gjort uttalandet redan 2006 i samband med utvecklingen av ett lojalitetskort. Då var det ett visionärt påstående. Idag har Humbys vision för länge sedan blivit verklighet i vardagen och till och med politiker lyfter fram den liknelsen när de pratar om utveckling. Och det finns goda skäl för det: alla aspekter av vår tillvaro ingår i ett ständigt växande flöde av data som växer exponentiellt. Detta dataflöde är lika mycket en del av vår verklighet som att snabbt kolla smarttelefonen, chatta med vänner och familj eller delta i videokonferenser i jobbet.
Data har blivit en avgörande ekonomisk faktor, och ”Big Five”-teknikföretagen – Google, Apple, Facebook, Amazon och Microsoft – är 2000-talets Rockefellers och oljeshejker. De har sedan länge gått förbi de stora oljebolagen, som tidigare var världens mest värdefulla företag.
Vissa observatörer är oroliga över att data kommit att dominera allt mer. De målar upp dystra bilder av företag som lägger beslag på våra data samtidigt som dataskydd och personliga rättigheter urholkas i allt snabbare takt. Men fördelarna väger ändå upp förbehållen när tillvaron blir enklare och mindre komplicerad, oavsett om det gäller digitala interaktioner över nations- och kulturella gränser eller om att i realtid ha tillgång till nyheter och kunskapsinnehåll, musik och litteratur samt uppdaterade navigeringsverktyg för att undvika trafik och trängsel.
Öka effektiviteten med dataanalys
Inom tillverknings- och tjänstesektorerna ger data betydande effektivitetsvinster. Exempelvis gör dataanalys det möjligt att bättre övervaka driftsprocesser, upptäcka och eliminera fel och ineffektivitet i ett tidigt skede samt kontinuerligt optimera rutiner. Inom logistiken har data och dataanalys länge varit en integrerad del av hanteringen av varor och leveranskedjor. De utgör grunden för tillförlitliga logistikprocesser utformade för maximal transparens, vare sig det handlar om att kombinera laster, planera transportvägar, kombinera olika transportmedel eller spåra försändelser – kort sagt, att hantera nätverket i stort.
”Den betydelse artificiell intelligens, maskininlärning och datavetenskap har för transport, logistik och hantering av leveranskedjan kommer fortsatt att öka under de kommande åren.”
DACHSER och företagets globala nätverk har redan ”lärt sig” allt detta. Redan i mitten av 1980-talet utvecklade logistikföretaget Domino, en hörnsten i företagets koncept för bearbetning av speditionsdata. Programvaran omfattar alla processer relaterade till transport av varor – inte bara utgående och inkommande på transitterminalen, eller import och export, utan även orderadministration, transportplanering, fakturering och framför allt leveransinformation: spårning och uppföljning. Vid sidan av Domino har DACHSER idag två andra djupt integrerade system: Mikado (lager) och Othello (flyg- och sjötransport), som båda byggs ut kontinuerligt. B2B Gateway fungerar som den centrala kommunikationsplattformen för alla system. Samtidigt kan DACHSERs kunder hantera beställningar online via portalen eLogistics. Detta kompletteras av verktyget ActivePort för hantering av leveranskedjan, som slår larm när avvikelser uppstår i leveransprocessen. Kort sagt: DACHSER och företagets kunder verkar i en värld av data och använder dem för att genomföra leveranser varje dag.
Man klarar det inte själv
För att fullt ut utnyttja fördelarna med digitalisering och fortsätta utveckla nätverkets mognadsgrad arbetar DACHSER för en ännu djupare förening av IT och logistik. ”Här behöver vi speditions- och logistikexperter lika mycket som vi behöver statistiker, matematiker och dataexperter. Man klarar det inte på egen hand – det enda sättet att utveckla intelligenta algoritmer för logistik är att samarbeta med andra.” säger Stefan Hohm, Chief Development Officer (CDO) hos DACHSER. Han förklarar att detta är en löpande process som inte bara återspeglar den tekniska utvecklingen, utan också hjälper till att driva den.
Sedan början av juni 2021 har DACHSER samlat sin expertis inom olika forsknings- och innovationsprojekt i sitt nya interna kompetenscenter för datavetenskap och maskininlärning.
”Den betydelse artificiell intelligens, maskininlärning och datavetenskap har för transport, logistik och hantering av leveranskedjan kommer att öka under de kommande åren. Därför är det avgörande för DACHSER att ytterligare stärka sin expertis inom detta viktiga område och utöka sin förmåga att implementera och använda maskininlärningsprogram.” säger Hohm.
Bakgrunden till att man samlar expertisen har att göra med den dagliga logistikverksamheten. DACHSER producerar stora mängder data dagligen och det skapar en grund för utveckling och användning av den nya AI-tekniken. ”Vi kommer att utnyttja dessa data ännu bättre i framtiden och ge våra anställda en ännu bättre grund för beslutsfattande.” säger Florian Zizler, Team Leader Data Science & Machine Learning. När man nämner ”artificiell intelligens” ger det inte alltid positiva associationer. Människor tänker på okontrollerbara ”big data”-maskiner som lever sitt eget liv, på robotar som ersätter människor och så småningom gör dem helt överflödiga i arbetslivet. Då är det bra att först förklara en del av termerna.
Dömd till ständigt lärande
Den brittiske logikern, matematikern, kryptoanalytikern och datavetaren Alan Turing (1912–1954) – en av hjärnorna bakom den moderna informations- och datatekniken – kom med ett pragmatiskt förslag för att begränsa det mycket breda fältet AI. Han menade att en maskin är intelligent om det inte går att avgöra om du kommunicerar med en person eller en dator. Och den irländske dramatikern George Bernard Shaw (1856–1950) konstaterade att nackdelen med intelligens är att man ständigt måste lära sig nya saker.
När det gäller artificiell intelligens är det algoritmerna som står för inlärningen (för alla icke-matematiker är en algoritm en sekvens av instruktioner och beräkningsoperationer i ett program som kan användas för att lösa vissa problem). Och det är här som maskininlärning kommer in som ett underområde inom AI. Genom att titta på exempel lär sig AI-systemet att känna igen mönster och regelbundenheter i processer och sammanhang för att kunna bemästra okända situationer.
DACHSER utvecklade nyligen konkreta maskininlärningsapplikationer som en del av DACHSER Enterprise Lab tillsammans med forskare från Fraunhofer IML-institutet i Dortmund i Tyskland. En sådan applikation är PAnDA One: Predictive Analytics DACHSER, där ”One” betecknar att det är företagets första maskininlärningsprojekt.
PAnDA One-modellen har utformats särskilt för att förutse inkommande volymer för en Road Logistics-filial. ”Vårt mål är att ge anställda på våra filialer värdefullt stöd för beslut de måste fatta när de planerar säsongskapaciteten.” förklarar Thomas Schmalz, Head of Production Management hos DACHSER. Det gör det möjligt att införskaffa lämplig lastkapacitet på marknaden i ett tidigt skede eller planera resurser på transitterminalen. ”För detta syfte tillhandahåller prognosmodellen information om lämpliga inkommande volymer upp till 25 veckor i förväg.”
Maskininlärning är inte något självändamål, säger Schmalz: ”Vi vill ge våra filialer ett verktyg som i slutändan gör deras arbete enklare, effektivare och även mer attraktivt.” DACHSERs mål är inte att ersätta människor med beräkningar och databehandling. ”Vi ser IT, teknik, nätverk och människor som en enda enhet: ett cyber-sociofysiskt system. Det är så vi får våra kunder – och oss själva – att vidareutvecklas.”
Datakvalitet är avgörande
Framgången för maskininlärning beror på kvaliteten hos ingående data. ”Data i sig är viktigare än algoritmen.” säger Schmalz. ”Vi har en unik pool som tar emot enhetliga data av en säker och standardiserad kvalitet.” DACHSER har en fördel här tack vare sitt enhetliga systemlandskap inom European Logistics och Air & Sea Logistics och tack vare företagets nätverksmognad, som har vuxit under årtionden. ”Det finns inte så många i logistikbranschen som kan erbjuda det.”
Att ha bra data är en sak, men att tolka och använda dem är något annat. ”Maskininlärning är ett lagarbete. Framgångsrika modeller är endast möjliga när processexperter har ett nära samarbete med experterna från Data Science & Machine Learning Competence Center. Vi behöver varandra.” säger Zizler.
DACHSERs kompetenscenter för datavetenskap och maskininlärning kopplar samman logistik- och IT-världen. ”Vi skapar en plats där en rad olika intressenter kan samlas och bidra med sin ämnesexpertis. Utbytet är snabbt och direkt. I slutändan handlar det om att använda data för att modellera konkreta processer.” säger Zizler. ”Det är en stor upplevelse för alla att ta sig an mycket specifika uppgifter i ett tvärvetenskapligt utbyte och att med hjälp av dem utveckla användbara lösningar för logistik i vardagen.”
För PAnDA One arbetade DACHSER-experterna på kompetenscentret med de olika avdelningarna för att analysera processer och identifiera kriterier för tillförlitliga prognoser. ”Våra data går tillbaka ända till 2011. Fokus ligger på historiska leveransdata.” säger Zizler. ”Vi kompletterar den här datapoolen med kalenderdata, som helgdagar eller skollov. Det gör det möjligt för modellen att känna igen de säsongsmönster som är så viktiga inom marktransporter. För att bättre kunna förutse trender har vi också integrerat en rad olika ekonomiska index.”
Förutsägbarheten för framtida krav och kundbehov har dock fortfarande sina begränsningar när förhållandena förändras på grund av stora oförutsedda händelser. ”Det var förstås en utmaning för prognoserna att hantera volatila volymfluktuationer och coronapandemin.” säger Zizler. Men han och hans expertteam är fortsatt optimistiska: ”Våra prognoser kommer snart att ha samma höga kvalitet som normalt.”
Ett annat specifikt användningsområde är B2X-märkningsprojektet. Algoritmens uppgift är att förbättra datakvaliteten och lösa ett klassificeringsproblem i den dagliga verksamheten, nämligen att avgöra om mottagaren är ett företag (B2B) eller en privatperson (B2C). Enbart baserat på orderdata är denna skillnad inte alltid tydlig. I logistikprocesserna gör det dock stor skillnad om mottagaren är ett företag eller ett privat hushåll.
Inom maskininlärning finns det en grundläggande skillnad mellan en träningsfas och en tillämpningsfas. Under träningen visas provdata för algoritmen för att den ska lära sig hur indata omvandlas till utdata. Indata för B2X-projektet fokuserar på orderdata som geografiska data. I den efterföljande tillämpningsfasen använder den tränade modellen de inlärda korrelationerna för att generera utdata (B2B eller B2C) under verkliga driftsförhållanden baserat på ny information. Det här projektet spelar en viktig roll för kvalitetssäkringen genom att det inte bara ökar datakvaliteten utan även ytterligare optimerar processer inom logistikhantering.
Kompetenscentret utvärderar kontinuerligt nya idéer och potentiella användningsfall. Ett sådant fall är inom processoptimering och förbättring av ergonomiska arbetsförhållanden för logistikoperatörer vid lasthantering. Här testar maskininlärningsexperter en ny process för att höja processkvaliteten tillsammans med startup-företaget MotionMiners på fem anläggningar (detta kunde man läsa om i DACHSER magazine 2/2021).
Det finns ett stort antal tillämpningar för maskininlärning. I arbetet med att undersöka dessa tillämpningar har ett robust och dynamiskt ekosystem med öppen källkod utvecklats under de senaste åren. ”Maskininlärning kommer i allt högre grad att forma DACHSERs breda processlandskap. Tack vare tillgången till applikationer med öppen källkod behöver vi inte längre utveckla allt själva. En kompetent användning av dessa algoritmer kommer att göra det möjligt för oss att utnyttja vår datapoential ännu mer effektivt.” säger Zizler. Detta är en av anledningarna till att DACHSER är en av grundarna av Open Logistics Foundation. Här skiljer sig data från tidigare århundradens oljetillgångar: de tar inte slut. Tvärtom, faktiskt! En utmärkt grund för framtiden.
