ほとんどの荷主、運送業者、物流サービスプロバイダーは、データ収集とデータに基づいた意思決定の重要性を理解しています。 時間をかけて収集されたデータはインテリジェンスを提供し、企業が長期的な意思決定を強化できるようにします。 一方、リアルタイム データを使用すると、問題が発生したときに修正または再計画する方法など、瞬時に賢明な意思決定を行うことができます。
人工知能は、企業がデータを最大限に活用するのに役立つ強力なツールです。 これにはいくつかの形式があります。 「統計AI」により、ユーザーは膨大な量の情報を分析して隠れたパターンを発見し、賢明な意思決定を行うことができます。 一方、企業は過去のデータを使用して「シンボリック AI」モデルをプログラムし、プロセスの最適化などの「目的追求型」アプリケーションに使用できます。 Jonah Mcintire (写真)、最高ネットワーク責任者、トランスポレオン、Trimble Company はさらに詳しく調べます。
自動化と AI – 違いを理解する
自動化と AI は、あたかも同義語であるかのように、同義語として語られることがよくあります。 ただし、これらは相互に関連していますが、この 2 つは重要な違いがあります。 自動化には、日常的な、多くの場合管理的なタスクをソフトウェアに委任することが含まれます。 事務的なものです。 一方で、真の AI には意思決定権限の委譲が含まれます。 ソフトウェアには設定されたパラメータが与えられていますが、それを使用して予期しない結論を導き出します。 ユーザーは AI にさまざまな自由度を与えることができます。 より慎重なアプローチは、ソフトウェアにオプションを計算させ、人間が承認するための推奨事項を作成できるようにすることです。 しかし、人間に知らせることなく、自律的に結論を出し、決定を下すことも可能です。
では、物流輸送における AI はどこに最も大きな影響を与えることができるのでしょうか? 簡単に言うと「どこでも」です。 実際、先進的な荷主、運送業者、物流サービスプロバイダーはすでに AI を自社の技術スタックに統合しています。
留意すべき考慮事項がいくつかあります。 AI は、スコアリングが容易で、離散的でよく知られた変数を持つ具体的な財務的価値を伴う意思決定に最適です。 迅速な意思決定サイクルも重要です。 人間と同じように、AI も実験から学習します。 したがって、決定が毎年のみ行われる場合、ソフトウェアがフィードバックを取得するのに十分なデータを収集するまでに数十年かかります。 現実的には、AI モデルが 1 日に何千件もの意思決定を分析できるようにする必要があります。 理想的には、プレイヤーは自分のデータだけでなく、業界全体から収集したデータでトレーニングされたモデルを使用します。 この協調的 (「プラットフォーム」とも呼ばれる) アプローチにより、全員が前進できるようになります。
では、AI は自律的な調達、リアルタイム ETA ツール、脱炭素化を通じて企業のデータ活用方法をどのように変革できるのでしょうか?
リアルタイムETAツール
荷主と運送業者の間の断絶は、物流輸送業界における長年の課題でした。 可視性、透明性、効率を高めるには、負荷の受信者と負荷の提供者を接続する必要があります。 たとえば、荷物の到着時間を予測することは、従来、両方にとって課題となっていました。荷主そしてキャリア。 ストライキ、交通渋滞、機械のトラブルなど、遅延の一般的な原因は、人間の目には完全にランダムに見えることがあります。 しかし、AI モデルが数年分のこのデータを分析すると、隠れたパターンが明らかになります。 通常、本当に前例のない状況でない限り、AI は到着予定時刻の予測においてはるかに優れており、AI 支援のリアルタイム到着予定時刻ツールの助けを借りて、企業は到着した荷物をいつでも受け取る準備ができていることを確認できます。
調達と見積の自動化
企業には予算が設定されており、リードタイムと配送業者の種類に関して明確な制約があるため、スポット購入はシンボリック AI の最適なユースケースです。 さらに、交渉の構造は比較的単純です。参加者は、オファーを出し、応答を待ち、反対オファーを出し、オファーを受け入れるか、交渉を終了することができます。 これにより、ソフトウェアが独立して目標を追求することが容易になり、何千もの手作業による管理時間が節約されます。
これはほんの一例です。 調達分野では、統計的 AI が膨大な量のデータを使用して価格を予測することで、入札に革命を起こすこともできます。 たとえば、通信事業者に負荷入札の入札を依頼する代わりに、AI は選択した数の通信事業者に入札と価格オファーを提示できます。 提示された価格で入札された荷物を受け入れる運送業者がない場合、AI は必要に応じて追加の入札ラウンドを開始できます。
AI は物流サービスの販売者にも変革的な効果をもたらし、予測された市場レートに基づいてスポット輸送の正確な価格設定を顧客に自動的に提供できるようになります。 この機能により、負荷を引き受ける担当者は見積りの案件の量を増やすことができ、最終的にはより多くの新しいビジネスを獲得することができます。
脱炭素化
物流輸送部門は二酸化炭素排出量削減のプレッシャーにさらされています。 エンドユーザーの顧客は、脱炭素化を荷主に頼っています。 一方、荷主は、持続可能性の実践に基づいて契約を結んだり、環境に配慮した運送業者に長期の貨物契約を提供したり、低炭素輸送のために割増料金を支払ったりすることで、運送業者にも同様のプレッシャーをかけている。
持続可能性が収益に影響を及ぼしている現在、荷主と運送業者の両方にとって脱炭素化が最優先課題に浮上しているのも不思議ではありません。 では、AI はこれらすべてをどのように支援できるのでしょうか? まず強調すべきことは、調達とは異なり、持続可能性に関しては単一の「正しい」答えがないことが多いということです。 企業は、「コストと排出量」または「確実性と排出量」のバランスを慎重に考慮しながら、最適な戦略について異なる考えを持っている可能性があります。 ただし、荷主、運送業者、物流サービスプロバイダーがリスク選好度を決定したら、目標を達成するために AI が重要な役割を果たす可能性があります。
企業は通常、2 つの考え方のいずれかを採用します。 1 つ目はキャップ アンド トレード戦略で、X を超える排出量は許容しないと企業が決定します。 2 つ目は炭素税で、企業が排出量を相殺することを決定します。 これらの戦略の両方において、荷主と運送業者は「排出量 1 トンあたりの価格」を調達イベントに織り込むことができます。 統計的 AI は、有益な意思決定ツールとなり得ます。 たとえば、各荷物にどの輸送手段を使用するかを決定する場合です。
物流輸送における AI の未来は協力的です
私たちは物流輸送における AI の使用において重要な転換点にいます。 管理業務を削減し、企業の効率性と持続可能性の向上を支援する構えだ。 しかし、これを達成するには、効果的なデータの収集と共有が必要です。 ここで業界関係者間の協力が必要となります。全員にとってプラスの結果を最大化するには、荷主、運送業者、物流サービスプロバイダーは、AI モデルにフィードするデータを共有するための共同デジタル プラットフォームを必要としています。 このアプローチを今後に見据えると、業界のデジタル化と脱炭素化の目標の達成に向けた進歩を大幅に加速することができます。
