Inteligentne wyszukiwanie ładunków i rozpoznawanie cen rynkowych: algorytmy Trans.eu

Sztuczna inteligencja może uszczęśliwiać ludzi: serwisy randkowe już dawno odkryły uczenie maszynowe, aby poprawiać wyniki wyszukiwania dla osób samotnych. Dzięki ogromnym inwestycjom w reklamę i technologię wiodący dostawcy w tym segmencie zdobyli duże udziały w rynku i pokaźną liczbę użytkowników. Mówi się, że sam Parship ma ponad 4.5 miliona członków, co zapewnia algorytmom solidną bazę danych.

Jednak nie tylko prywatne szczęście czerpie korzyści z osiągnięć cyfryzacji. Poszukiwanie odpowiednich partnerów transportowych i ustalanie uczciwych stawek frachtowych również można zoptymalizować za pomocą inteligentnych algorytmów. Także w tym przypadku jakość wyników zależy od ilości dostępnych danych. Im większa liczba zrealizowanych zleceń transportowych każdego dnia, tym więcej informacji algorytm może wykorzystać w swojej pracy – a jego wyniki będą dokładniejsze.

Uczenie się na podstawie danych z przeszłości

Europejska platforma logistyczna Trans.eu korzysta w tym zakresie z danych i codziennych zapytań 40,000 użytkowników. Ten zbiór danych jest analizowany za pomocą uczenia maszynowego. Trans.eu opracowała wydajny algorytm, który „uczy się” zachowań uczestników rynku na podstawie danych z przeszłości. Na tej podstawie tworzony jest model, który można wykorzystać do ustalania propozycji cenowych dla przyszłych tras na podstawie poznanych reguł.

W praktyce oznacza to, że inteligentne algorytmy porównują zapisane oferty i uzgodnienia, a następnie na tej podstawie tworzą propozycje aktualnych stawek frachtowych. Uwzględniają one takie czynniki jak poszczególne trasy, aspekty czasowe, oferty spotowe i standardowe oraz inne czynniki. Dzięki temu wszystkie zaangażowane strony zyskują bieżący wgląd w stale zmieniające się ceny rynkowe – idealną podstawę do negocjacji cenowych. Inne zalety ustalania cen z pomocą uczenia maszynowego są również oczywiste: wykorzystanie algorytmu pozwala klientowi (załadowcy lub spedytorowi) znacznie zaoszczędzić czas, pomaga uniknąć błędów i zwiększa efektywność. Kolejną zaletą jest to, że wiedza nie zostaje utracona w przypadku zmiany pracowników. Ponieważ algorytm Trans.eu nauczył się zachowań na podstawie danych z przeszłości, z wiedzy tej skorzysta również nowy pracownik.

Termin „sztuczna inteligencja”

Sztuczna inteligencja (SI) jest jednym z megatrendów cyfryzacji, jednak dokładne znaczenie SI jest niejasne dla wielu interesariuszy: w ludzkim mózgu znajduje się około 100 miliardów neuronów, które są ze sobą połączone. Przekazywanie informacji między neuronami odbywa się za pomocą impulsów elektrycznych. Dzięki temu ludzie mogą się uczyć, wyciągać wnioski i myśleć abstrakcyjnie. W tak zwanej „sztucznej inteligencji” neurony zastępuje się sztucznymi neuronami, które są trenowane za pomocą algorytmów. Nie oznacza to jednak odtworzenia ludzkiej inteligencji – uczenie maszynowe służy do uczenia się rozpoznawania wzorców na podstawie różnorodnych danych.

Uczenie maszynowe może na przykład automatycznie nauczyć się zestawu reguł na podstawie danych treningowych. Dzięki temu firmy nie muszą ręcznie tworzyć modelu i wykonywać związanej z tym pracy, takiej jak definiowanie reguł, kontroli i interpretacji. Jakość danych treningowych ma kluczowe znaczenie dla sukcesu.

Uczenie się bez zapamiętywania

Podczas opracowywania modelu uczenia maszynowego szczególnie trudne są dwa zadania. Należy do nich tak zwana selekcja cech, czyli wybór podzbioru istotnych cech zbioru danych spośród licznych cech zrealizowanych w przeszłości zleceń transportowych. Obejmuje to na przykład wybór miejsca docelowego, masy lub rodzaju transportu. Drugim trudnym zadaniem jest tak zwane „nadmierne/niedostateczne dopasowanie”. Model musi być wystarczająco złożony matematycznie, aby nauczyć się ludzkich zachowań. Nie powinien jednak uczyć się na pamięć. Pożądane rozwiązanie inżynierowie uczenia maszynowego nazywają modelem generalizującym.