AI将如何赋能交通和物流领域?

2019-09-09

AI将如何赋能交通和物流领域? 摘要 据预测,由AI赋能的交通运输业的总收入将从今年的9730万美元增加到2025年的12.5亿美元。其中,AI对物流行业的贡献预计到同年将达12.6亿美元,高于今年的1.518亿美元。交通和物流若想加持AI,需要从根本上了解AI是什么,能做什么,需要什么,才能发挥出最大的价值。         未来6年,预计交通和物流这两个行业的收入将大幅增长,借助传感器所收集的数据,交通和物流公司可以解决很多问题。随着物联网覆盖范围的不断扩大,传感器产生的数据量在不断的增加,对数据实时分析的需求也在日益增长,这些都极大的刺激了AI的发展。
  
        跟踪与AI相关行业的收入后,研究公司Tractica预测,由AI赋能的交通运输业的总收入将从今年的9730万美元增加到2025年的12.5亿美元。其中,AI对物流行业的贡献预计到同年将达到12.6亿美元,高于今年的1.518亿美元。
 
        一、AI的采用
 
        交通和物流公司若想要加持AI,可能需要从根本上了解AI是什么,它能做什么,以及它们需要什么才能发挥出最大的价值。
 
        任何想要部署物联网连接和架构的企业都面临着这样一个现实:物联网是一个充斥着热议的、总括性的概念语,它暗示了许多不同的东西,涵盖了各种不同的技术和应用。AI也是如此,它通常涉及规则驱动算法的概念来处理数据,从数据中学习、从数据中获得有建设性的见解,甚至是自主地对这些数据进行操作。
 
        AI的目标是能够获取信息,这些信息可能是当前参数或历史数据,并处理信息,基于这些数据以与人类相同的方式做出决策。要明确的是,我们距离这一目标的实现还有很长的路要走。与此同时,基于AI的系统可以为人类提供数据推动的见解和建议,以便做出更好或更快的决策。但首先,AI本身需要被训练。想要利用AI的企业需要拥有一个特定应用程序设计的算法,以便可以处理、分析并继续学习的数据存储库。
 
        物联网网络在创建这些存储库方面发挥了重要作用。物联网到就是管道,有一个平台,便可以将各种数据载入该平台,无论是传感器,摄像头还是其他IT系统。这是基础,没有数据的AI根本不存在,所以从某种意义上说,AI位于物联网的顶端,主要用于产生分析结果。
 
        即使企业拥有现有的数据存储库,或者部署诸如物联网网络之类的基础设施来生成这些数据,它们仍然需要部署基于AI的系统和设备,以遵循一系列加权规则来生成相关建议和见解。随着AI在未来几年更广泛的应用于物联网网络架构,它们将需被人工培训和监督,以向它们提供相关规则和目标任务的知识。
 
        快递运输走向无人化的趋势,为AI系统需要学习多少提供了一个例子。想一下,卡车司机在路上是如何做决定的,基于丰富的驾驶经验,他们知道当前面的车撞到他们时该如何反应。他们还知道,若在谷歌地图上看到前方有拥堵,会去寻找另一条路线。当然,他们也了解到,由于重量限制,不能在某些小街道上开卡车 所以,AI系统需要有一个庞大的道路规则知识库。
 
        此外,卡车准时到达目的地,有助于保证整个供应链的按期运行。卡车司机提前到达甚至可能带来经济上的效益。向AI算法提供所需数据的一部分,是为其提供可遵循的规则,并可在需要AI对特定规则的重视程度做出调整时,对算法进行调整。
 
        人工参与培训和微调AI算法,可以确保AI系统不会出现意外。从多年来获取有关如何到达特定目的地的数据来看,该算法如果无人监管,它可能会认为如果加速或违反交通规则,就可以更快地将卡车开往目的地。而这就需要人工在训练算法的过程中丢弃或贬值某些数据。
 
        虽然从事AI项目的公司可能会倾向于自己培训AI系统,但与许多其他技术不同的是,AI需要不断的谨慎的训练,才能发挥出充分的价值。因此,这绝不是一种 即拿即用 的技术。交通和物流等特定垂直行业的大多数公司可能需要AI专家的协助。
 
        这并不是说AI需要自己重新学习交通运输业的基础知识。人类在这个行业有着丰富的经验,他们发现的不仅仅是对这个行业的基本理解。AI的变革力量在于充分利用这些知识、洞察力和直觉,并使其具有弹性。
 
        随着AI算法变得越来越擅长执行针对性的应用程序,在训练它们时对人的接触需求可能会降低。目前,一些交通和物流公司可能对自己的AI系统自主学习系统做出的决定感到不信任,但这样做有助于最大限度的提高它们对特定业务的价值。
 
        举个例子,如果想让一辆卡车穿过曼哈顿,从一个地方开往另一个地方,有很多可选择的路线。考虑到交通、建筑和其他因素,一个人很难想全所有不同的行程选择,然后找出穿过曼哈顿的最有效方式。机器学习的强大之处在于,可以从所有这些不同的交叉点和变量中获取数据,并在所有这些数据点之间建立即时关联,而这是人类无法做到的。
 
        二、AI应用于交通和物流行业的用例
 
        交通和物流部门为AI提供了大量潜在的用例,因为它们不仅依赖复杂的机器,而且往往遵循严格的时间表,并依赖于充分的容量使用来实现最大价值。
 
        仅在运输业,就有七个不同的用例可加持AI:
 
        交通密度预测

        预测性维护

        车辆网络和数据安全

        机械传感器数据融合

        天气预报

        机器/车辆目标检测/识别/回避

        本地化和测绘
 
        在物流方面,除了供应链和物流,它还对后三种用例进行了预测;仓储与供应链需求预测;以及用于地理分析的卫星图像。
 
        在所有这些领域中,物流部门的机器/车辆目标检测/识别/回避,预计将成为最大的创收用例,到2025年或将达到5.84亿美元。同时,在交通方面,最重要的用例是预测交通密度和预测维护,到2025年,前者的AI收入为4.39亿美元,而后者将达到3.152亿美元。
 
        预测性维护是IBM Maximo 2月公布的核心资产绩效管理套件,作为基于AI的物联网解决方案,其目的是 近实时地从实物资产中收集数据,提供 当前运营状况的分析结果,预测潜在问题,发现问题并提供修复建议。
 
        与此同时,在物流领域,IBM和物流巨头DHL于2018年联合推出了一份白皮书,概述了该领域的几个潜在的AI应用。其中一个重点是航空货运航线的预测网络管理。DHL创建了一个基于机器学习的工具,它可以分析58个不同的内部数据参数,提前一周预测给定车道的平均每日运输时间是上升还是下降。如果航空货运规划人员能够预测航空货运中转的时间延误,就可以主动减轻预期延误的损失,并就哪些航空公司应该运送他们的货运做出更明智的决定。
 
        AI可以以类似的方式应用于卡车车队管理。安装在卡车不同部位的物联网传感器,可以让AI评估货车从一个地点到另一个地点所需的时间,如果无法做到这一点,就可以在两者之间的某个点准备好替换货车。如果没有计划外的停工时间,时间便可以安排得更紧凑。
 
        虽然这些用例为交通和物流公司描绘了一幅巨大的蓝图,即AI和物联网如何结合起来改善它们的运营和流程。但改变是逐步发生的,与物联网部署一样,很多处于早期阶段的公司正在以孤立的方式部署AI。使用AI,真的需要对每个用例使用不同的算法,而且必须确保每个用例都能生成ROI。要让企业和工业客户跨过概念验证阶段,仍然需要很长时间。
 
        随着越来越多的公司部署更广泛的物联网网络,对实时数据关注的需求也越来越大。现今,这种情况可能会发生变化。AI系统能够分析更多的数据,且比任何一个人或一群人更快,但企业部署AI仍然必须接受这样一种观念,他们基本上会采用一种技术,这种技术是不可能一开始就是十分有效且有价值的。

       
  赞 扫  分享