کاربرد هوش مصنوعی در لجستیک؛ جهش بازدهی سرمایهگذاری با فناوری جدید MG Ship
شرکت بینالمللی MG Ship با رونمایی از ماژول بهینهسازی مسیر مبتنی بر هوش مصنوعی، گامی بزرگ در جهت کاهش هزینههای ترانزیت و تحقق بازگشت سریع سرمایه برداشته است؛ تحولی که نقش تعیینکننده کاربرد هوش مصنوعی...
شرکت بینالمللی MG Ship با رونمایی از ماژول بهینهسازی مسیر مبتنی بر هوش مصنوعی، گامی بزرگ در جهت کاهش هزینههای ترانزیت و تحقق بازگشت سریع سرمایه برداشته است؛ تحولی که نقش تعیینکننده کاربرد هوش مصنوعی در لجستیک مدرن را بیش از پیش نمایان میکند.
شرکت MG Ship ماژول جدیدی را برای بهینهسازی مسیر و انتخاب شرکتهای حملونقل مبتنی بر هوش مصنوعی معرفی کرده است؛ اقدامی که همزمان با اثبات بازدهی سریع زمانی و مالی پروژههای لجستیکی صورت میگیرد. این ماژول فنی با هدف خدمترسانی به خردهفروشان بینالمللی و فرستندگان تجاری کالا طراحی شده و الگوریتمهای مسیریابی خودکار را با سامانههای پیشنهاد شرکتهای حملونقل در کریدورهای تجاری بینالمللی پیوند میزند. پیادهسازی این فناوری درست در شرایطی کلید میخورد که فعالان زنجیره تأمین سازمانی از بازده عملیاتی ملموس ابزارهای یادگیری ماشین خبر میدهند؛ روندی که موجب شده تخصیص سرمایه از طرحهای آزمایشی پرخطر و برآوردهای فرضی به سمت بهکارگیری عملیاتی در محیط واقعی تغییر مسیر دهد.
بازده ملموس حاصل از بهکارگیری هوش مصنوعی در لجستیک
Suki Cheung، مدیرعامل MG Ship، شاخصها و معیارهای استقرار این فناوری را در جریان یک نشست تخصصی در کنفرانس آتی WMX Asia ارائه خواهد کرد. Cheung در این نشست که با عنوان «هوش مصنوعی فراتر از هیاهو: نتایج ملموس در لجستیک امروز» برگزار میشود، در کنار مدیران ارشدی از Pos Malaysia ،Omniva و OnyX Space حضور خواهد داشت.
Cheung در این باره اظهار داشت: «بخش عمدهای از گفتگوهای پیرامون هوش مصنوعی در صنعت لجستیک همچنان بر پتانسیلها و احتمالات آینده متمرکز است. اما واقعیت این است که هوش مصنوعی همین امروز هم نتایج تجاری ملموسی به همراه میآورد. سازمانهای پیشرو در حال کاهش هزینههای حملونقل، ارتقای دقت پیشبینیها، افزایش بهرهوری انبارها و بازگشت اصل سرمایه در عرض چند ماه — بهجای چند سال — هستند.»
دادههای عملیاتی این صنعت نشان میدهد که بازده سرمایهگذاری اولیه عمدتا در سه فرآیند کاری کلیدی متمرکز شده است:
* برنامهریزی پویای مسیر: مصرف سوخت سازمانی را بین ۱۵ تا ۲۰ درصد کاهش داده، سرعت جابهجایی و ترانزیت را ۱۵ تا ۲۵ درصد بهبود بخشیده و هزینههای کلی حملونقل را ۱۲ تا ۲۲ درصد پایین آورده است؛ بهطوریکه بازگشت سرمایه در بازه زمانی سه تا شش ماه محقق میشود.
* پیشبینی تقاضا با تکیه بر تحلیلهای پیشبینانه: خطاهای برآورد را ۲۰ تا ۴۰ درصد کاهش داده، دقت برنامهریزی را تا ۳۵ درصد افزایش داده و موجودی مازاد انبار را ظرف شش تا ۱۲ ماه به میزان ۲۰ تا ۳۰ درصد کمتر کرده است.
* پردازش خودکار اسناد باربری: مدتزمان انجام امور دستی را تا ۸۵ درصد کاهش داده و هزینه اولیه انجامشده را ظرف مدت سه تا شش ماه جبران کرده است.
در چرخههای استقرار پنجساله، سازمانهایی که به این فناوریها روی آوردهاند بهطور متوسط شاهد کاهش ۱۰ تا ۲۵ درصدی هزینههای عملیاتی و همچنین افزایش ۲۵ تا ۳۵ درصدی بهرهوری در انبارداری بودهاند.
الگوریتمهای مسیریابی و امتیازدهی به شرکتهای حملونقل
شرکت MG Ship این قابلیت جدید مسیریابی را مستقیما در بستر هوشمند شفافیت و پایشپذیری زنجیره تأمین (Visibility) خود ادغام کرده است؛ بستری که به خردهفروشان، تولیدکنندگان و متصدیان حمل کالا در بازارهای متعدد بینالمللی خدماترسانی میکند. این سامانه پایه، تلهمتری زنده محمولهها را با دادههای هوشمند تجاری، پایش ریسک و تحلیلهای پیشبینانه ترکیب میکند تا از برنامهریزی عملیاتی و تأمین مالی تجارت پشتیبانی کند.
موتور بهینهسازی مسیر، دادههای زنده و سوابق پیشین ترانزیت در مسیرهای حمل، الگوهای آبوهوایی، شاخصهای تراکم بنادر هوایی و دریایی، هشدارهای مرتبط با ریسکهای گمرکی و دادههای قابلیت اطمینان ترانزیت را پردازش میکند. در نتیجه، صاحبان بار پیشنهادهای خودکاری دریافت میکنند که مسیرهای ترانزیتی کمهزینه و کمخطر را مشخص میسازد.
از سوی دیگر، قابلیتهای ارزیابی شرکتهای حملونقل، ارائهدهندگان خدمات حمل را بر اساس هر مسیر و سطح کیفی خدمات رتبهبندی میکند. سامانه بهجای انتخاب ظرفیت حمل صرفا بر مبنای نرخهای لحظهای و نقدی باربری (Spot pricing)، به شرکتهای حملونقل بر اساس شاخصهای پیشین تحویل بهموقع، ثبات عملکرد در ترانزیت، فراوانی بروز وقایع غیرمنتظره، نرخ خسارت و شکایات، ظرفیت در دسترس و هزینه تمامشده خدمات امتیاز میدهد.
تیمهای لجستیکی همچنین میتوانند پیش از رسیدن به فصول اوج حملونقل کالا، شبیهسازی سناریوهای مختلف را اجرا کنند. این نرمافزار زمانهای تحویل، سطوح خدمات، مخارج باربری و احتمال بروز مخاطرات را تحت قواعد گوناگون تخصیص بار به شرکتهای حملونقل مدلسازی میکند.
پیادهسازیهای اولیه در سطح سازمانی نشاندهنده نوسان کمتر در زمان تحویل کالا، کاهش هزینههای مربوط به باربریهای اضطراری و بهبود نرخ تحویل کامل و بهموقع کالا (On-time-in-full) است.
Cheung در پایان تأکید کرد که این پلتفرم «صرفا به کسبوکارها اعلام نمیکند که محمولهشان در کدام نقطه قرار دارد، بلکه بر اساس شرایط لحظهای و بلادرنگ، بهترین مسیر، مناسبترین شرکت حملونقل و کمریسکترین گزینه را پیشنهاد میدهد تا سازمانها بتوانند سریعتر و سودآورتر تصمیم بگیرند.»
