С чего начинается AI-проект в логистике? Руководство к действию

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. Искусственный интеллект в логистике: примеры реализованных кейсов
3.1 Бэк-офисный ИИ
3.2 Предиктивная логистика — новая операционная модель
3.3 Говорящие, видящие и мыслящие логистические активы
3.4 Клиентский опыт. С AI-шной помощью
3.5 Использование Искусственного Интеллекта в вашей цепочке поставок. С чего начать?
Резюме и выводы

Динамика взаимодействия между логистическими провайдерами и их клиентами — образец непостоянства. Для большинства потребителей — частных лиц — точки касания с логистической компанией начинаются с чек-аута в интернет-магазине и заканчиваются в момент успешной доставки заказанного продукта. Для бизнесов же эти точки представляют собой долгосрочные сервисные контракты, соглашения об уровне сервиса (SLA) и прочие сложные условия. ИИ может помогать в персонализации всех этих точек взаимодействия «провайдер — потребитель», повышая при этом лояльность клиентов.

Например, голосовые агенты могут значительно улучшать персонализацию взаимодействия клиентов с логистическими компаниями. В 2017 году DHL Parcel была одной из первых компаний доставляющей посылки на последней миле, которая предлагала голосовой сервис, позволяющий отслеживать посылки и предоставлять информацию о поставке с использованием Amazon's Alexa (рисунок 1). Клиенты, у которых были дома умные колонки Amazon Echo могли спросить: «Алекса, где моя посылка?» или «Спроси DHL, где моя посылка?» Затем клиент произносил буквенно-цифровой трекер своей посылки и тут же узнавал где она находится в данный момент. Если с доставкой были какие-либо проблемы, клиент мог спросить у DHL более детальную информацию, в том числе и путем перенаправления в службу поддержки.

Израильский стартап package.ai сделал еще один шаг дальше. Он разработал Jenny — разговорного агента, помогающего в доставке последней мили. Jenny может общаться с получателями посылок через Фейсбук-мессенджер или СМС для того, чтобы скоординировать время, место доставки и другие нюансы. Этот чат-бот также может отправлять водителям изменения «в последнюю минуту», а также закрывать сделку с помощью подтверждения от клиентов и получения от них обратной связи. С помощью Jenny можно значительно снижать операционные затраты на оптимизацию маршрутов и успешную доставку «впервые», вплоть до 70 %. (Источник 1).

ИИ, умеющий искать контент, позволяет логистическим компаниям быть проактивными при установлении взаимоотношений со своими клиентами. Уже сегодня хедж фонды Aidyia и Sentient Technologies используют AI для анализа данных рынка и составления портфеля акций, автоматически анализируя не только финансовые показатели. Такой AI-движок делает возможным предсказание и затем голосование по той или иной стратегии покупки финансовых инструментов. Первоначальные пилоты по внедрению этих технологий показали рост портфеля, составляемого ежедневно Искусственным Интеллектом, на 2%. Не смотря на то, что это не слишком впечатляющая цифра, эксперты рынка уверены, что в будущем, проходя процесс обучения, Искусственный Интеллект сможет добиться большего. (Источник 2)

Предсказательная логистика переводит клиентский опыт на принципиально новый уровень, поскольку с помощью этой технологии можно попробовать начать поставку еще до того, как клиент осознал, что она ему нужна. Предсказательная логистика ищет пути того, как с помощью анализа невероятного количества данных (поведение на сайте, история покупок, демографические нормы, данные о погоде, разговоры в социальных сетях, новостные отчеты) предсказать: что именно клиент захочет купить завтра. Если собранные таким образом данные заложить в нейросеть, компании смогут предсказывать спрос и сокращать время поставки путем перемещения товара как можно ближе к местонахождению «еще не клиента» максимально точно к той дате, когда товар ему действительно понадобится. Для этого потребуется наличие страховых запасов, находящихся в постоянном движении. Результатом таких усилий может стать такой феномен, как мгновенная поставка.

Примеры кейсов, которые мы опишем в этой главе, раскрывают достаточно широкий спектр применения AI в цепочках поставок. Конкретно, в создании добавленной стоимости, достижении операционных эффектов, экономии затрат и повышении лояльности клиентов. Тем не менее, мы осознаем, что это не простая задача — перенести текущие логистические операции в модель проактивности, персонализации и автономности. Для этого нужны хорошие бизнес-кейсы.

Переход к разумной логистике — это многолетнее путешествие, которое потребует от вас лидерских навыков, хорошего понимания бизнес-драйверов, наличия AI-опыта и талантов, а также организационную культуру, которая будет постоянно поддерживать бизнес-развитие AI-функций в вашей компании.

Зачастую новые технологии приводят нас к ощущению перегруженности. А иногда даже к страху: Искусственный Интеллект — само это словосочетание несет в себе нечто демоническое. Но вместо того, чтобы находиться в таком постоянном страхе и сомнениях, лучше задаться вопросом: какие бизнес-проблемы могут быть решены при помощи ИИ? Эти проблемы действительно нуждаются в решениях на базе ИИ?

Прежде чем начать ИИ-проект, необходимо осторожно подобрать драйверы бизнес-ценностей. Такие, как экономия затрат или улучшение клиентского опыта, повышение эффективности посредством получения таких инсайтов, которые раньше нам были не доступны.

Начинать нужно с самых простых форм анализа данных и усложнять их по мере того, как организация будет в этом нуждаться. Очень важно понимать: какими бизнес-метриками предполагаемый ИИ-проект будет оперировать, и существует ли значительный эффект от внедрения AI. Также критически важно оценить какие данные необходимы для ИИ проекта. Ведь невозможно получить что-то от Искусственного Интеллекта на выходе, не подав ничего на вход. Существует ли достаточное количество данных хорошо обработанных и доступных, релевантных для той проблемы, которую вы собираетесь решить? Более специфичные, но не менее важные вопросы могут быть таковы: насколько чисты эти данные, как часто они собирались и каким способом члены проектной команды могут получить и получать доступ к этим данным.

Далее необходимо идентифицировать местонахождение AI-компетенций в вашей организации. Анализ данных, дата-сайентизм, цифровые инновации — кто будет отвечать за такие функции? Если даже такие люди нашлись, насколько они будут вовлечены и доступны в ходе проекта. Все это зависит от временных ограничений вашего проекта. Зачастую гораздо проще выделить группу людей на короткий, понятный проект, чем на многолетний процесс трансформации целой организации.

Если вы не подобрали необходимые компетенции внутри своей компании, их придется аутсорсить. Нужно понимать, что таких компетенций в мире сейчас огромный дефицит. Опытные дата-сайентисты и инженеры-программисты с опытом машинного обучения вне технологичных индустрий практически не встречаются. Чтобы разместить их «инхауз» необходимы достаточно серьезные инвестиции. Учитывая эти ограничения, партнерская модель может стать эффективным решением с точки зрения оптимизации затрат.

Управление изменениями и культурный сдвиг, который влечет за собой внедрение ИИ, могут привести к тяжеловесным, с точки зрения технической насыщенности, решениям. Поэтому первое, о чем нужно думать при старте проекта — это доверие. Необходимо установить высокий уровень понимания организационных ценностей и их корреляцию со стратегией внедрения Искусственного Интеллекта. Чтобы быть более конкретными, помните всегда о том, что любое упоминание ИИ подсознательно расценивается сотрудниками как потенциальная потеря рабочего места. Поэтому активная поддержка лидера нужна для того, чтобы технологии перестали быть страшилками и становились, наоборот, очень ценным активом.

Следующее, что нужно учитывать, это культура толерантности к качеству и результативности. AI-системы спроектированы как вероятностные инструменты. И только во вторую очередь это системы обработки больших данных. Если тренировать AI на незначительных или неточных данных, велика вероятность, что итог вас разочарует. Но со временем данные могут улучшаться! Очень важно не забросить проект в самом начале, получив результат, мягко говоря, ниже ожидаемого. Необходимо вести гибкое управление проектом и постоянно искать улучшение в системе подачи, обработки и модификации как данных, так и всего фреймворка AI. Ваши сотрудники должны привыкнуть к таким непростым вопросам, как: насколько достаточно хороша/точна должна быть система, чтобы казаться коммерчески живучей. Когда ИИ хорошо спроектирован и внедрен, со временем он сможет принимать более сложные и «правильные» решения. Поэтому очень важно «холить и лелеять» AI-систему с самых первых стадий ее развития.

Третий культурный фактор, который необходимо иметь в виду — это готовность организации к постоянному обмену информацией и обучению. Подобно тому как сами AI-системы улучшаются при поступлении в них бОльшего количества данных, организации тоже должны быть готовы к тому, чтобы воспринимать и адаптировать такие системы под свои нужды.

Чтобы помочь вам с началом внедрения, мы включили в статью нехитрый фреймворк принятия решений по двум фундаментальным типам AI-проектов: когнитивная автоматизация и улучшенная генерация инсайтов.

AI-проекты, которые мы упоминали в нашем блоге, такие как управление адресами, обработка инвойсов и разумная таможня, запускают когнитивную автоматизацию для уменьшения затрат путем автоматизации и использования трех стратегических драйверов ценностей: уменьшение количества ручных процедур, уменьшение вовлечения человека в процессы и понижение процента ошибок, допускаемых человеком, при принятии решений. Ниже приведен гайдлайн, с помощью которого вы могли бы осуществить выбор типа проекта для себя.

AI-проекты, упомянутые в цикле статей, такие как инспектирование визуальных активов, предиктивная сеть и управление рисками, DHL Global Trade Barometer (подробнее) приводят к улучшенной генерации инсайтов. Это нужно для того, чтобы улучшать процессы принятия решений в организации. Проекты такого типа повышают операционную эффективность, улучшают клиентский опыт и, в конечном счете, создают дополнительные источники прибыли через следующие драйверы ценностей:

• увеличение количества правильных решений,
• увеличение положительных результатов принятия таких решений,
• уменьшение количества неправильных решений,
• уменьшение последствий от принятия неправильных решений.

Фреймворк на рисунке 3 может помочь вам пройти процедуру выбора типа проекта, чтобы организовать наиболее релевантный аналитический процесс.

Как только вы поймете какой из двух типов проекта вам нужно начинать, следующим шагом будет планирование и внедрение. Существует множество методологий управления внедрением AI-проектов. Эксперты IBM и DHL рекомендуют смесь четырех техник успешного внедрения AI:

• дизайн-мышление для раскрытия неосознанных потребностей пользователей,
• традиционные подходы к управлению IT-проектами,
• специфичная для внедрения AI-методология сбора знаний и обучения этим знаниям,
• подвижная (agile) методология постоянного развития и улучшения системы после того, как ее изначально обучили.

Искусственный Интеллект сегодня процветает. В отличие от предыдущих волн хайпа и разочарований, сейчас технологическая зрелость бизнеса и социума получают такие условия для развития ИИ, которых еще никогда не было. В потребительском мире AI уже присутствует давно и, скорее всего, навсегда. Лидирующие бизнес-индустрии, такие как технологии, финансы, телеком уже идут в сторону AI очень активно. Индустриальный сектор, в частности логистика, только начинает свое путешествие в этом направлении.

Но логистическая отрасль вполне может воспользоваться опытом коллег из других отраслей. Таких, как потребительский сектор, ритейл, промышленность, телеком. Корпоративный AI однозначно будет облегчать трудоемкие задачи ежедневных трудовых будней человека.

По мере того, как большие данные накапливаемые в ходе обработки бизнес-операций как в публичном секторе, так и в частных источниках становятся более структурированными и доступными для ИИ, логистическая сеть будет перемещаться в сторону проактивной и предиктивной парадигмы ведения бизнеса. Компьютерное зрение и языковая фокусировка Искусственного Интеллекта поможет логистическим операторам видеть, понимать и взаимодействовать с миром в новом, более эффективном стиле. Эти AI-технологии дадут толчок к возникновению нового класса разумных логистических автоматов со встроенными человекоподобными возможностями. В дополнение ко всему этому, AI может помочь логистическим компаниям улучшить клиентский опыт с помощью обработки простого языкового интерфейса, а также посредством доставки товаров еще до того, как клиенты их заказали.

AI, тем не менее, принимает на себя несколько вызовов. Например, именно от человека зависит то, какие моральные аспекты будут выбраны Искусственным Интеллектом автоматически и алгоритмически. Поэтому бизнес, социум и государство должны уже сейчас задумываться о том, чтобы разрабатывать стандарты и регуляторные инструменты, способствующие эффективному развитию AI в помощь человечеству.

Мы верим в то, что AI в логистике полон огромного потенциала. Поскольку лидеры крупных международных цепочек поставок продолжают заниматься цифровой трансформацией, AI может им в этом помочь на уровне ежедневных рутинных операций, трансформируя организацию в сторону проактивного предиктивного автоматизированного и персонализированного будущего. В конце концов, AI предназначен для того, чтобы освободить человека для занятий более значимой работой.

Проведенный компанией PWC опрос генеральных директоров показал, что все они делятся сегодня на четыре практически равные по размеру группы лидеров, которые:

1. уже используют Искусственный Интеллект;
2. думают об использовании AI;
3. слышали об AI;
4. считают что AI это не приоритетная задача. (Источник 3)

Такие результаты поднимают важный вопрос: кто будет обучать этих бизнес-лидеров технологиям Искусственного Интеллекта?

Мы верим в то что применение ИИ в логистике должно начинаться уже сейчас и хотим услышать от вас: какие возможности для сотрудничества мы с вами могли бы найти, чтобы запустить Искусственный Интеллект в вашей организации?

Источники:
1. Package.ai (2017). Back Office Automation For Last Mile Logistics. www.package.ai
2. Wired (2018). The Rise of the Artificially Intelligent Hedge Fund.
3. Curran, C. (2017), PwC. Putting AI to Work in the Enterprise (pdf)