Algoritmii Trans.EU – cum găsești marfa la prețul corect.

- Author: Alexandru Buruleanu

Cu ajutorul inteligenței artificiale, platformele de logistică pot recunoaște tiparele din spatele comenzilor de marfă finalizate. Dacă volumul de date este suficient de mare, acesta poate fi utilizat pentru a calcula propuneri de preț conforme pieței pe care expeditorii, expeditorii sau transportatorii le pot folosi pentru a-și îmbunătăți semnificativ poziția de negociere. Fiind una dintre cele mai mari platforme de logistică digitală din Europa, Trans.eu este unul dintre pionierii în acest domeniu.

Inteligența artificială poate face oamenii fericiți: site-urile de matrimoniale și întâlniri au descoperit cu mult timp în urmă învățarea automată pentru a îmbunătăți rezultatele căutării inimilor singuratice. Cu investiții masive în publicitate și tehnologie, furnizorii de frunte din acest segment au câștigat cote mari de piață și numere de utilizatori. Numai site-ul de matrimoniale Parship se spune că are mai mult de 4,5 milioane de membri, oferind algoritmilor o bază de date solidă.

Dar nu numai fericirea privată beneficiază de realizările digitalizării. Căutarea partenerilor de transport potriviți și determinarea prețurilor corecte de transport pot fi, de asemenea, optimizate prin algoritmi inteligenți. Și aici calitatea rezultatelor depinde de masa datelor disponibile. Cu cât este mai mare numărul de comenzi de transport finalizate în fiecare zi, cu atât algoritmul poate folosi mai multe informații pentru activitatea sa – și cu atât rezultatele sale vor fi mai precise.

Învățând din datele anterioare

Platforma Trans.EU, care operează în toată Europa, se bazează aici pe datele și întrebările zilnice ale a 40.000 de utilizatori. Acest grup de date este analizat prin învățarea automată. Trans.EU a dezvoltat un algoritm puternic care „învață” comportamentul participanților pe piață folosind date din trecut. Pe această bază, se creează un model care poate fi folosit pentru a determina propuneri de preț pentru viitoarele tururi pe baza regulilor învățate.

În practică, aceasta înseamnă că algoritmii inteligenți compară ofertele și acordurile stocate și, pe această bază, creează propuneri pentru prețurile actuale de transport. Acestea iau în considerare factori precum rutele respective, aspectele de timp, ofertele spot și standard și alți factori. Acest lucru oferă tuturor părților implicate o perspectivă continuă asupra prețurilor pieței în continuă schimbare – o bază ideală pentru negocierile de preț. Celelalte avantaje ale stabilirii prețurilor cu ajutorul învățării automate sunt, de asemenea, evidente: utilizarea algoritmului economisește clientului (expedient sau expeditor de marfă) o perioadă semnificativă de timp, ajută la evitarea erorilor și crește eficacitatea. Un alt avantaj este că cunoștințele nu se mai pierd atunci când angajații se schimbă. Deoarece algoritmul Trans.eu a învățat comportamentul bazat pe date din trecut, de aceste cunoștințe va beneficia și un nou angajat.

Termenul „inteligență artificială”

Inteligența artificială (IA) este una dintre megatendințele digitalizării, dar semnificația exactă a inteligenței artificiale este neclară pentru mulți factori interesați: în creierul uman, există aproximativ 100 de miliarde de neuroni care sunt conectați între ei. Transmiterea informațiilor între neuroni are loc prin impulsuri electrice. Acest lucru le permite oamenilor să învețe, să tragă concluzii și să gândească abstract. În așa-numita „inteligență artificială”, neuronii sunt înlocuiți cu neuroni artificiali și antrenați prin intermediul algoritmilor. Cu toate acestea, inteligența umană nu este replicată – învățarea automată este folosită pentru a învăța recunoașterea modelelor pe baza unei varietăți de date.

Machine Learning poate, de exemplu, să învețe automat un set de reguli bazate pe datele de antrenament. Acest lucru scutește companiile de a crea manual un model și efortul asociat, cum ar fi definirea de reguli, verificări și interpretări. Calitatea datelor de instruire este crucială pentru succes.

Învățață fără să memoreze

Când se dezvoltă un model de învățare automată, două sarcini sunt deosebit de provocatoare. Acestea includ așa-numita selecție de caracteristici, prin care se înțelege selecția unui subset de caracteristici relevante ale unui set de date din numeroasele caracteristici ale locurilor de muncă anterioare din transport. Aceasta presupune, de exemplu, selectarea destinației, a greutății sau a tipului de transport. A doua sarcină provocatoare este așa-numita „suprafitting/underfitting”. Modelul trebuie să fie suficient de complex din punct de vedere matematic pentru a învăța comportamentul uman. Cu toate acestea, nu ar trebui să învețe prin memorare. Soluția dorită este numită model de generalizare de către inginerii de învățare automată.