21 августа 2019

Часть 3. Искусственный интеллект в логистике: примеры реализованных кейсов

Автор: Дмитрий Слиньков
СОДЕРЖАНИЕ

Часть I. Общие знания об искусственном интеллекте
Вступление
1.1 Что же такое искусственный интеллект?
1.2 Как же машины обучаются?
1.3 Тенденции ускоряющие ИИ
1.4 Вызовы и риски
1.5 Почему логистика? Почему сейчас?

Часть II. Примеры внедрения искусственного интеллекта в других отраслях
2.1 Потребительский ИИ: помощь на любой случай
2.2 Корпоративный ИИ: работать больше или умнее?
2.3 Искусственный Интеллект в ритейле: онлайн-персонификация, самообучение, пополнение запасов
2.4 Автономный транспорт. Инжиниринг и производство.

Часть III. Опыт применения искусственного интеллекта в логистике. Кейсы.
3.1 Бэк-офисный ИИ
Определение финансовых аномалий. Когнитивные контракты. Разумные таможни.
3.2 Прогнозирующая логистика: следующая операционная парадигма
Как было сказано в предыдущих главах, Искусственный Интеллект с каждым днем занимает в нашей жизни всё большее место. Бизнес очень быстро воспринимает ИИ в качестве инструмента увеличения эффективности и создания новых ценностей. В ходе сбора примеров внедрения ИИ в различных отраслях, мы подобрали ряд возможностей для применения этой технологии в логистике.
3.1 Бэк-офисный ИИ
В высоко конкурентом, постоянно усложняющемся бизнес-мире компании, которые оперируют глобальными цепочками поставок, находятся под беспрецедентным давлением рынка. Им необходимо предоставлять максимально высокий уровень сервиса при минимальных затратах. Внутренние функции глобальных корпораций, такие как бухгалтерия, финансы, кадры, юридическое сопровождение и информационные технологии, переполнены огромным количеством мелких, кропотливых, повторяющихся задач. ИИ может предоставлять большие возможности для экономии времени, уменьшения затрат и увеличения продуктивности, беря на себя рутинные операции.

Разумная автоматизация — это термин, объединяющий в себе интеллектуальную автоматизацию бизнес-процессов с использованием комбинаций Искусственного Интеллекта и роботизированных процессов. Это замещение так называемых клерков с помощью программных роботов, которые могут быть внедрены в существующие ИТ-системы (источник 1).

Как мы видим на рисунке 1, RPA (robotic process automation) — это не эквивалент Искусственного Интеллекта. ИИ способен обучаться и получать инсайты из неструктурированных данных, в то время как RPA может действовать только на основе заранее прописанных четких правил. RPA не может самостоятельно чему-либо обучиться и как-либо развиться.
Рисунок 1. Сравнение RPA и ИИ.
Боты автоматизируют легкие задачи и делают так, что большие объемы данных становятся доступными для Искусственного Интеллекта. Далее, ИИ обучается тому, чтобы подстроиться под процессы и улучшить их, основываясь на данных, полученных от RPA.
Источник: Boston Consulting Group.
Определение финансовых аномалий
Рисунок 2. Сравнение текущих бэк-офисных процессов и будущих процессов взаимодействия с RPA. Источник: Ernst & Young.
Как RPA может поддерживать бэк-офисные процессы.
Текущий процесс: обычные сотрудники занимаются не только принятием решений и интерпретацией информации, но также загружены сбором, однотипным копированием, проверкой поступающих файлов и тд.
Процесс будущего: сотрудники и роботы работают совместно. Роботы заботятся о повторяющихся задачах, связанных с данными. Разумные сотрудники посвящают себя более сложным комплексным задачам, таким как интерпретация и принятие решений.
Управленческие решения логистических компаний основываются на огромном количестве информации поступающей от третьих сторон: перевозчики, временный персонал, чартерные авиалинии и прочих подрядчиков и вендоров. Это вызывает постоянный рост нагрузки на бухгалтерский персонал. Миллионы счетов и актов от тысяч вендоров, партнеров и провайдеров кому-то нужно обрабатывать. И в этом месте технологии ИИ, наподобие обработки естественного языка, могут выделять критическую информацию, такую как сумма счета, даты, адреса, коды клиентов и коды товаров, чтобы разобраться в море ежечасно поступающей слабоструктурированной информации.

Как только данные хорошо классифицированы, RPA-бот может взять их и ввести в существующую бухгалтерскую систему, чтобы та, в свою очередь, сгенерировала заказы, запустила процессы платежей и отправила клиенту подтверждающие письма. И всё это без вовлечения человека!

Консультационная компания Ernst & Young (EY) применяет похожий подход для определения фродовых (недействительных, мошеннических) счетов. Используя машинное обучение для тщательной классификации счетов и детектирования тех или иных аномалий, EY автоматически избегает санкций, пеней и других нежелательных последствий бухгалтерских ошибок. При этом система EY добивается 97-процентной точности (источник 2). Аналогичная логика может быть распространена на любой бизнес-процесс с часто повторяющимися задачами.
Когнитивные контракты
Глобальные логистические операторы управляют большими флотами транспортных средств доставляющих товары по всему земному шару. Компания Leverton использует ИИ для того, чтобы упрощать обработку и управление контрактами. Построенная ими система использует обработку натурального языка для классификации контрактных формулировок, контроля политик и согласований. Если в цикл подготовки договоров включены и люди, и машины, а контракты порой включают в себя несколько сотен страниц, работа с такими документами происходит в разы быстрее. Поддержание клиентской базы в актуальном состоянии — это серьезный вызов для любой большой корпорации. 25 % всех телефонов и email-адресов не валидны (источник 3). А в логистике актуальность контактной информации является самым критическим фактором исполнения обязательств. Поэтому, зачастую выделяются огромные команды специалистов только для того, чтобы заниматься расчисткой данных в CRM системе: устранять дубликаты, стандартизировать форматы данных, удалять устаревшую информацию.

Американский стартап CircleBack разработал движок Искусственного Интеллекта, помогающий управлять контактной информацией, постоянно обрабатывая миллиарды точек возникновения данных (источник 4). Он может определять: обладает ли тот или иной контакт актуальными данными, а также, с помощью всё той же обработки натурального языка, контролировать корректность заполнения таких полей, как «адрес клиента», даже с учетом местной специфики написания адресов.
Разумные таможни
Разумными таможнями называются процедуры таможенного брокериджа, автоматизированные с помощью ИИ. Эти процессы обычно включают в себя четыре главных шага:

1. Данные о поставках и документы (накладные и инвойсы) поступают от клиентов. Разрозненные форматы данных и различная степень заполненности тех или иных документов – все это должно быть гармонизировано перед тем, как подать таможенную декларацию.
2. Как только необходимые документы и данные полностью выверены и гармонизированы, а товары задекларированы, все документы должны быть переведены в утвержденные таможенные коды, чтобы таможня, в свою очередь, смогла это все принять и обработать.
3. Таможенные сотрудники валидируют полученную информацию, снабжают ее налоговыми расчетами и пропускают товары.
4. Брокерская комиссия выставляется в виде счета клиентам, в соответствии с коммерческими условиями.
Рисунок 3. Искусственный Интеллект может помочь поиску по локальному адресу. Источник: DHL.
Самой большой проблемой с таможенными декларациями сегодня является то, что они очень сильно зависимы от ручной обработки документов, требующей, кроме всего прочего, знаний и опыта в законодательной, регуляторной и отраслевой областях. Кроме того, это еще и очень напряженный процесс: информация поступает с каждым часом все больше и больше, она нуждается в перепроверках, валидации с клиентом, с владельцем, с регулирующими органами и государственными формами. Разумеется, все эти требования тяжело выполнять обычным людям, которым, к тому же, свойственно еще и утомление. Как следствие, могут возникать фатальные ошибки и разочарования в профессии, не говоря уже о задержках тех или иных поставок.

ИИ может быть оптимальным решением для таможни. Например, система аналогичная IBM Watson обучается всем юридическим аспектам, регуляторным требованиям, клиентской базе и клиентской специфике, страновым условиям для того, чтобы автоматизировать заполнение таможенных деклараций. Такие системы довольно легко справятся с однотипными операциями. Но если на их пути встретятся необычные кейсы, тогда в дело вмешается квалифицированный специалист. И кстати, результаты такого вмешательства могут быть использованы в качестве того же машинного обучения!
Читайте в следующих статьях цикла "Искусственный интеллект в логистике":

3.2 Прогнозирующая логистика: следующая операционная парадигма
Photo by Tyler Casey on Unsplash
Читать другие статьи блога

Подписаться на новости

Мы обещаем отправлять вам на почту тщательно подобранные материалы и никакого спама!