De vooruitgang in kunstmatige intelligentie (artificial intelligence – ai) is ronduit indrukwekkend. Ook in de logistiek neemt deze technologie inmiddels een vlucht. Zelflerende algoritmes automatiseren complete planningsprocessen, sturen machines en robots aan, maar lopen nu nog tegen de grenzen van hun mogelijkheden op.
Al in de jaren vijftig deden wetenschappers onderzoek naar ai. De mogelijkheden leken eindeloos, maar de techniek was nog niet rijp. Er was onvoldoende rekenkracht beschikbaar en er waren te weinig data en niet genoeg investeerders. Het onderwerp belandde in een hoek, waarin alleen echte nerds of fanatieke statistici zich begaven.
Dat veranderde met de ontwikkeling van cloud-oplossingen en de bijbehorende nagenoeg onbegrensde, relatief goedkope rekenkracht. Samen met de enorme beschikbaarheid van data, mogelijk door het wijdverbreide gebruik van internet, zorgde dat voor nieuwe groei-impulsen. Ook de investeringen in ai zijn onderhand reusachtig te noemen. Alleen al bedrijven zoals Google, Facebook, Microsoft en IBM, hebben in 2015 meer dan tien miljard dollar in onderzoek naar kunstmatige intelligentie gestoken.
Dat klinkt allemaal goed, maar wanneer is een systeem nu eigenlijk intelligent? ‘Machines zijn intelligent als ze iets leren, zonder dat dat in hun code is voorgeprogrammeerd’, zegt dr. Damian Borth van het Duitse Onderzoekscentrum voor Kunstmatige Intelligentie (DFKI) in Kaiserslautern. Met andere woorden: een machine krijgt instrumenten in handen waarmee het zelf zijn omgeving kan structureren. Ai werkt volgens het principe ‘trainen in plaats van programmeren’.
Kinderschoenen
In de logistiek staat de toepassing van kunstmatige intelligentie nog in de kinderschoenen, hoewel de mogelijkheden groot zijn. Dr. Sören Kerner, afdelingshoofd automation & embedded systems van het Fraunhofer Institut in Dortmund: ‘De complexiteit van de problemen in de logistiek neemt exponentieel toe, waardoor klassieke methoden niet meer voldoen om antwoord te vinden op de steeds lastigere vragen.’
Twee gebieden lijken met name voorbestemd te zijn voor ai: veelomvattende planningsproblemen en complexe besturingsprocessen. Het wellicht meest aansprekende voorbeeld op het gebied van planning is forecasting. Het voorspellen van de vraag is lastig en leidt vaak tot teleurstellende resultaten en foutieve beslissingen. Ai kan uitkomst bieden door de variabiliteit in de vraag nauwkeurig te modelleren. Daarvoor wordt voortdurend alle relevante input geanalyseerd – denk aan clicks op de bedrijfswebsite – en tegelijkertijd ‘verstoringen’ zoals toevallige fluctuaties uit de vraag gefilterd. Het systeem leert van de data en past het model aan op het veranderende klantgedrag. Het onderzoek naar predictive analytics verkeert echter nog maar in het beginstadium. Door verder onderzoek en slimme algoritmes moeten forecasts beduidend beter, nauwkeuriger en efficiënter kunnen worden opgesteld.
Niettemin doen bedrijven er verstandig aan om nu al te evalueren of de eigen supply chain door slimme forecasttechnieken kan worden geoptimaliseerd. Voor de volgende scenario’s kan de inzet van ai zinvol zijn:
- Als een bedrijf veel promotiecampagnes opzet, is het lastig om de vraag op betrouwbare wijze te voorspellen. Ai kan helpen om verschillende scenario’s voor een veelvoud van producten door te rekenen.
- Als een bedrijf regelmatig nieuwe producten invoert, is de eerste voorspelling van de vraag eveneens lastig. Ook hier kan ai uitkomst bieden.
- Als een bedrijf een assortiment heeft met veel langzaamlopers, die onregelmatig en in kleine hoeveelheden worden besteld. Standaard forecast-modellen bieden dan geen uitkomst.
- Als bedrijven van lokale bedrijven uitgroeien tot internationale ondernemingen. De oude forecastsystemen lopen dan tegen de grenzen van hun mogelijkheden aan.
Kunstmatige intelligentie op de chauffeursstoel
Hoe ai van waarde kan zijn bij complexe besturingsprocessen, blijkt bij de inzet van autonoom rijdende voertuigen. Camera’s, radars en sensoren verzamelen voortdurend data, waaruit een algoritme een realistisch 360-graden-model van de omgeving maakt. Op basis hiervan kan het systeem de omgeving waarnemen (denk aan de voetganger aan de rechterkant van de weg die naar links beweegt), zijn eigen positie bepalen en bewegingen plannen, zoals het veranderen van rijbaan.
Transportbedrijven hopen met autonoom rijdende vrachtauto’s een oplossing te vinden voor het dreigende chauffeurstekort. Het onderzoeksrapport ‘The era of digitized trucking’ van strategieadviesbureau Strategy&, gaat ervan uit dat over tien jaar al geen vrachtwagenchauffeurs voor lange afstandsritten meer nodig zijn. Nog eens vijf jaar later zullen we volgens dit rapport ook in de binnenstad volledig autonoom rijdende vrachtauto’s tegenkomen.
Als een computer het stuur overneemt, kunnen de jaarlijkse kosten voor het rijden van een truck met 28 procent dalen – van 115.600 euro naar 82.800 euro in het jaar 2030. In deze sector met zijn lage marges kan dat voor veel transportbedrijven een allesbepalend verschil betekenen.
Robots veranderen (niet alleen) het magazijn
Ook als het om de inzet van industriële robots gaat, neemtaiI het besturingsproces over. Deze robots worden al tientallen jaren in productieprocessen ingezet, maar waren lange tijd niet intelligent genoeg voor de veelzijdige uitdagingen in de logistiek. De nieuwe generatie robots daarentegen kunnen zien, zich door het magazijn verplaatsen, op hun omgeving reageren en zij aan zij in samenwerking met mensen met grote precisie opdrachten uitvoeren.
Tot deze generatie hoort onder meer de Toru Cube, een magazijnrobot van startup Magazino. Via het wifi-netwerk ontvangt deze robot zijn opdrachten, waarna het zelfstandig met hulp van lasersensoren zijn weg vindt door het magazijn. Als de Toru Cube voor de juiste stelling staat, gebruikt hij een camera- en lasersysteem om de afmetingen van het product in de stelling te vergelijken met de informatie uit de database. Op die manier ‘weet’ de robot dat hij het juiste boek heeft gevonden en kan hij het met zijn grijparm oppakken. Met een rijsnelheid van 1 meter per seconde is de Toru Cube uit veiligheidsoverwegingen langzamer dan de mens. De toegevoegde waarde schuilt in het feit dat de robot drie shifts achter elkaar kan draaien, en zelfs dan nog geen fouten maakt.
Ook voor de ‘last mile’ vormen slimme robots een interessante optie. In grote Duitse en Amerikaanse steden lopen momenteel pilots met meerdere exemplaren. Een voorbeeld is de Starship-robot in Hamburg. Uitgerust met camera’s, gps en gyroscopen navigeert deze robot met 6,4 kilometer per uur zelfstandig door de binnenstad.Geheel automatisch gaat het allemaal nog niet bij de Starship-robot. Als hij tussen te veel mensen de weg moet zien te vinden, kan hij contact leggen met een operator die op afstand de besturing overneemt. Desondanks zijn deze ontwikkelingen interessant voor logistiek dienstverleners. Met name op de ‘last mile’ zijn de kosten immers hoog. Maar ook in politiek opzicht is dit concept interessant. Robots zoals deze bieden immers de mogelijkheid om de congestie in de binnenstad te reduceren.
Wat de toekomst brengt
Vooralsnog deinzen veel bedrijven ervoor terug om ai in de logistiek in te zetten. Reden is niet alleen het gebrek aan expertise, maar ook een management dat onvoldoende prioriteit geeft aan innovatieve technologieën zoals ai. Het belang daarvan is echter niet te onderschatten. ‘Kunstmatige intelligentie wordt in de toekomst bepalend voor de concurrentiepositie – zeker ook in de logistiek’, luidt de overtuiging van Kerner. ‘In het verleden konden bedrijven zich onderscheiden door gemechaniseerde automatiseringsoplossingen of door kennis van processen. In de toekomst wordt de concurrentiestrijd echter beslecht door de bedrijven die op basis van hun data de meeste waarde voor hun klanten kunnen genereren.’
Wie vandaag nog investeert in kunstmatige intelligentie, heeft morgen een voorsprong. En disruptieve voorbeelden uit Silicon Valley hebben het inmiddels vaak genoeg laten zien: de dag van morgen komt sneller dan menigeen denkt.
Checklist
De volgende checklist helpt bij het succesvol implementeren van intelligente oplossingen:
– Zorg voor voldoende commitment van het management en voor voldoende expertise, financiële middelen, technologieën en data.
– Zet het plan voor jouw bedrijf op papier, inclusief de bestaande uitdagingen en potentiële oplossingen.
– Stel een team van experts samen met competenties op het gebied van bedrijfsprocessen, machine learning, data-warehousing en big data-technologie. Dat team kan zowel uit eigen medewerkers als externe experts bestaan.
– Bouw een it-infrastructuur die je in staat stelt om data te verwerken en te interpreteren.
– Roep de hulp in van universiteiten of onderzoeksinstellingen die al actief zijn op het gebied van kunstmatige intelligentie, en leer van hen hoe je modellen opzet.
– Zet een big data-platform op. Allianties met technologiepartners kunnen op dit punt zinvol zijn.
– Toets en verbeter het model voortdurend.
Leuk stukje!
-De aanbevelingen zou ik vooraf willen laten gaan met:
bedenk eerst wat jouw bedrijf aan AI heeft…..
-Verder lijkt het mij slim om even te kijken of de aanbevelingen in een ander bedrijf al zijn uitgevoerd en of deze wellicht gezamenlijk te onderhouden zijn. Jaja ook bigdata moet(en) ‘big” onderhouden worden.
René Gerlsma