Descartes tager næste skridt med kunstig intelligens og maskinindlæring
Descartes System Group præsenterede for nylig, at de er i gang med at udvikle deres løsninger inden for ruteplanlægning og ruteoptimering ved hjælp af kunstig intelligens (AI) og maskinindlæring (ML). Forbedringerne hjælper virksomheder med at analysere data fra allerede gennemførte ruter og derefter optimere planlagte ruter for deres biler
Descartes, der har hovedkontor i Malmö, udvikler kontinuerligt software til at standardisere og automatisere processer for ruteplanlægning for store bilparker samt ruteoptimering for tidsbestemte leverancer samme dag.
Med de nye forbedringer inden for AI og ML tager Descartes nye skridt til at optimere kundernes ydelser inden for såvel ruteoptimering som effektivisering.
- Vi fortsætter med at udvikle vores løsninger, og med støtte fra AI og ML vil vi kunne forenkle og automatisere for vores kunder, der bruger ruteoptimering, hvilket giver dem større præcision ved leveringen samt forbedrede driftsresultater, siger Senior Vice President hos Descartes, Sergio Torres.
- AI og ML er det perfekte supplement til vores mere avancerede løsninger inden for ruteoptimering. Vi har anvendt AI og ML til at give vores kunder flere muligheder for at få mest muligt ud af deres biler, hvilket omfatter alt fra dynamisk booking af leverancer til adviseringer i realtid, siger Executive Vice President hos Descartes, Ken Wood.
Forbedringerne inden for AI og ML
Descartes AI Advisor er et intelligent modul til konfiguration og kontrol, der efterligner den viden, en ekspert i ruteoptimering har hos Descartes.
Kunden får en række spørgsmål, og ud fra svarene konfigurerer Descartes AI Advisor automatisk indstillinger og parametre, der forenkler og fremskynder konfigurationsprocessen.
Forskellige scenarier, der er opstået i forbindelse med konfigurationen, sammenlignes derefter for at afgøre, hvordan man bedst optimerer ruterne og samtidig bidrager til at nå virksomhedens mål.
AI-Advisor kan altså vurdere resultaterne af systemet, som er i drift og anbefale ændringer for hele tiden at bibeholde et optimalt udfald.
Algoritmer for maskinindlæring er tilpasset til at beregne plads, strækning og stoptider. Disse nøglefaktorer kan kontinuerligt forfines med virkelige resultater fra både mobile og IoT-baserede kilder i kombination med andre påvirkende variabler.
Titusindvis af datapunkter og variabler vurderes altså kontinuerligt, så indlærte justeringer bidrager til forbedret ruteplanlægning, der skaber mere forudsigelige og effektive ruter.
-hawin
