Vraag: Wat zijn de voordelen van AI in VRP-context?

Antwoord An: AI kan op grote schaal worden gebruikt op het gebied van Leren. (Leren = de uitvoeringsgegevens gebruiken om inzicht te krijgen in en de kwaliteit van onze routeoptimalisatieplan, door de stamgegevens te verrijken die zijn gebruikt om het plan te maken). AI en machine learning worden bijvoorbeeld gebruikt om de levertijden van klanten te analyseren, die mogelijk tijdsafhankelijk zijn en zelfs verband houden met de chauffeur/resource/locatie.

Geocodering: AI is een krachtig hulpmiddel voor het verbeteren van de nauwkeurigheid en efficiëntie van geocodering, waardoor nauwkeurigere en effectievere kaarten en locatiegebaseerde diensten mogelijk worden gemaakt. Voorbeelden zijn:

• Adresparsering: AI kan worden gebruikt om de afzonderlijke componenten van een adres te ontleden, zoals de straatnaam, stad, staat en postcode. Deze parsering kan de nauwkeurigheid van het geocoderingsproces helpen verbeteren door ervoor te zorgen dat elk onderdeel correct wordt geïdentificeerd en gekoppeld aan de overeenkomstige geografische locatie.
• Natuurlijke taalverwerking: AI kan ook worden gebruikt om natuurlijke taalinvoer te interpreteren, zoals handgeschreven of gesproken adressen. Natuurlijke taalverwerking (NLP) kan helpen bij het identificeren en corrigeren van fouten of dubbelzinnigheden in het adres, zoals spelfouten, ontbrekende of onjuiste componenten of onduidelijke afkortingen.

Serviceniveaus – Het beoordelen van serviceniveaus op basis van de nabijheid van de klant tot het depot is belangrijk. De bezorgkosten houden uiteraard verband met de afstand, maar de dichtheid in het bezorggebied speelt ook een cruciale rol. Het nauwkeurig voorspellen van het gehele bezorgnetwerk van een bepaalde dag is noodzakelijk om on-the-fly schattingen of voorspellingen te kunnen doen van specifieke bezorgkosten voor een klant en tijdslot. AI-technieken hebben een bewezen staat van dienst op het gebied van forecasting en zijn in deze context zeer relevant.

Robuustheid van planning: Het wegvervoer is gevoelig voor realtime veranderingen, zoals verkeersopstoppingen of plotselinge veranderingen in de vraag. Machine Learning-algoritmen kunnen leren van gegevens uit het verleden en toekomstige trends voorspellen, wat kan helpen bij het aanpassen van de routes en dienstregelingen dienovereenkomstig, waardoor een robuuster plan ontstaat.

Toewijzing van middelen: AI kan worden gebruikt om middelen zoals voertuigen en chauffeurs efficiënt toe te wijzen. Machine learning-algoritmen kunnen historische gegevens analyseren en de vraag voorspellen, wat kan helpen bij het bepalen van het aantal benodigde middelen voor een bepaalde periode.

Klant-/chauffeurtevredenheid: AI kan worden gebruikt om de klant- en chauffeurstevredenheid te verbeteren door de leveringsschema's te optimaliseren en de levertijd te verkorten. Dit kan worden bereikt door het gedrag en de voorkeuren van klanten/chauffeurs te analyseren en deze op te nemen in het VRP-algoritme.

Vraag: Wat zijn de grenzen en risico’s van AI in VRP-context?

Antwoord An: Nu bedrijven zich wenden tot kunstmatige intelligentie (AI) om voertuigrouteringsproblemen (VRP) te optimaliseren, is het belangrijk om zorgvuldig na te denken over de grenzen en risico's die gepaard gaan met de implementatie van AI. We onderzoeken deze factoren en bieden inzichten om bedrijven te helpen omgaan met de mogelijke nadelen van het gebruik van AI in VRP.

Limits:

• Datagrootte nodig: om waardevolle inzichten te verwerven zijn enorme hoeveelheden historische data nodig.
• Computationele bronnen: AI heeft aanzienlijke rekenbronnen nodig om zijn berekeningen uit te voeren, wat een knelpunt kan worden voor grote VRP-instanties.
• Gegevenskwaliteit: De kwaliteit van de gegevens die in AI-modellen worden ingevoerd, is cruciaal voor de effectiviteit ervan. Als de gegevens onvolledig, onjuist of inconsistent zijn, kan dit tot onnauwkeurige oplossingen leiden.
• Complexiteit van het probleem: VRP kan een zeer complex optimalisatieprobleem zijn, vooral als rekening wordt gehouden met reële beperkingen zoals verkeer, weer en voertuigcapaciteit. De complexiteit van het probleem kan de effectiviteit van AI-modellen bij het oplossen ervan beperken. We zien dat AI-benaderingen bevredigende resultaten opleveren voor eenvoudiger gevallen, deze zijn veelbelovend voor toekomstige evoluties.
• Afwegingen tussen de kwaliteit van de oplossing en de rekentijd: AI-algoritmen moeten de kwaliteit van de oplossing in evenwicht brengen met de rekentijd, vooral in realtime toepassingen. Soms kan het AI-algoritme niet binnen een redelijk tijdsbestek de optimale oplossing vinden.

Risico's:

• Overmatig vertrouwen op AI: Een overmatig vertrouwen op AI om complexe optimalisatieproblemen zoals VRP op te lossen, kan leiden tot zelfgenoegzaamheid en verminderde innovatie in traditionele probleemoplossingsmethoden.
• Black Box-probleem: AI-modellen kunnen moeilijk te interpreteren zijn, waardoor het een uitdaging is om te begrijpen waarom bepaalde routes worden aanbevolen. Dit gebrek aan transparantie kan het moeilijk maken om fouten of vertekeningen in het algoritme te identificeren en te corrigeren.
• Overmatig vertrouwen op historische gegevens: AI-modellen worden doorgaans getraind op historische gegevens, wat problematisch kan zijn als de omstandigheden veranderen.

Over het algemeen is het belangrijk om deze risico’s en beperkingen zorgvuldig af te wegen bij de implementatie van AI bij routeoptimalisatie, om ervoor te zorgen dat de voordelen opwegen tegen de mogelijke nadelen.

Vraag: Hoe gaat PTV Logistics om met taken die concurrenten beweren op te lossen met AI?

Antwoord An: Nu AI het landschap van de zakenwereld voortdurend verandert, verklaren enkele van onze concurrenten meesterschap te hebben bereikt in het integreren van AI in hun oplossingen. We onderzoeken hoe ons bedrijf deze uitdaging aanpakt en streeft naar superieure resultaten.

• Neem bijvoorbeeld de stelling dat men moet leren van de handmatig aangebrachte wijzigingen in de geplande routes door de coördinator, aangezien “niet alles bekend is in de masterdata en dat ook nooit zal gebeuren”.
• In dit specifieke geval kunnen we AI gebruiken om de masterdata automatisch te verbeteren, verbeteren of corrigeren, in plaats van AI te gebruiken om de VRP-oplossing te manipuleren. Er zijn twee belangrijke redenen voor deze aanpak.

Ten eerste is ons VRP-algoritme specifiek ontworpen om de best mogelijke oplossing te genereren op basis van een dataset waarvan wordt aangenomen dat deze compleet en nauwkeurig is. Daarom hoeft het aanpassen of manipuleren van de oplossing niet noodzakelijkerwijs tot verbetering te leiden, omdat het algoritme er al van uitgaat dat de gegevens betrouwbaar zijn.

Ten tweede benadrukt het ‘black box’-argument het belang van transparantie in het besluitvormingsproces. Door te begrijpen waarom bepaalde routes worden gekozen, op basis van een onderliggend kostenmodel, kunnen planners weloverwogen beslissingen nemen. Het aanpassen van de oplossing zou kunnen resulteren in een duurder plan, wat waardevolle inzichten zou opleveren in de besluitvormingsgrondslag van het algoritme.

Vraag: Waarin onderscheidt onze aanpak zich, en hoe overtreft deze andere?

Antwoord An: We verbeteren ons VRP-oplossende algoritme voortdurend door middel van academisch onderzoek en onze eigen studies. We streven ernaar om geavanceerde resultaten te bieden die de industrienormen overtreffen, wat we bereiken door onze aanpassingen aan strenge benchmarks te onderwerpen en ze te vergelijken met die van onze concurrenten. Met trots kunnen we zeggen dat ons algoritme momenteel uitzonderlijke resultaten oplevert, en we zullen blijven innoveren en de juiste mix van algoritmen gebruiken.

Als ons algoritme dus een onverwacht resultaat oplevert, zijn we geneigd te geloven dat het probleem bij de invoergegevens ligt en niet bij de uitvoer. AI zou kunnen worden gebruikt als leermiddel om de aanpassingen die mensen in het verleden hebben gemaakt te bestuderen en die kennis te gebruiken om in de toekomst betere vragen over het algoritme te stellen. Dit kan het verbeteren van de invoergegevens omvatten door veranderingen voor te stellen of hiaten in de mogelijkheden van het algoritme te identificeren.

Tot ziens in de PTV Logistics Barista Lounge in Barcelona!

Experts van PTV Logistics zullen ter plaatse zijn op de locatie Leiders in Logistieke Top in Barcelona (12-13 maart). Plan hier een vergadering ontmoeten elkaar in de PTV Logistics Barista Lounge als u wilt bespreken hoe u uw besparingen op transportkosten kunt maximaliseren en uw CO2-voetafdruk kunt minimaliseren.