كيف يقلل تحسين المسارات بالذكاء الاصطناعي من تكاليف وقود التوصيل بنسبة 18%
إذا كنت تدير أسطول توصيل، فأنت تعرف الحقيقة المؤلمة بالفعل: الوقود هو أكبر نفقاتك المتغيرة. ليست أجور السائقين (فهي ثابتة تقريباً لكل مسار). وليس استهلاك المركبات (فذلك يمكن التنبؤ به). إنه الوقود، وهو يتأرجح بشكل كبير بناءً على مدى كفاءة تخطيط مساراتك.
نسبة 18% المذكورة في العنوان ليست مبالغة تسويقية. إنها مستمدة من عمليات نشر فعلية متعددة عبر أساطيل توصيل متوسطة الحجم (50-200 مركبة)، ويتراوح المعدل عادةً بين 14% و22% حسب حجم الأسطول والموقع الجغرافي ومدى سوء تخطيط مساراتك سابقاً.
لماذا يُهدر التخطيط التقليدي للمسارات الأموال
يستخدم معظم مديري الأساطيل شكلاً من أشكال برامج تخطيط المسارات بالفعل. المشكلة هي أن أدوات التخطيط التقليدية تُحسّن بناءً على لقطة ثابتة: هذه هي محطات اليوم، وهذه هي شبكة الطرق، اعثر على أقصر مسار. هذا النهج يغفل عدة عوامل تستهلك الوقود.
أولاً، يتجاهل أنماط حركة المرور التي تتغير حسب الوقت من اليوم. المسار الذي يبدو مثالياً عند التخطيط في الساعة 6 صباحاً قد يصطدم بازدحام شديد في الساعة 10 صباحاً عندما يصل السائق فعلياً إلى ذلك الجزء. ثانياً، تعامل الأدوات التقليدية جميع المحطات بالتساوي. فهي لا تأخذ في الاعتبار أن بعض نوافذ التسليم مرنة بينما البعض الآخر مواعيد نهائية صارمة، مما يعني أن ترتيب المحطات يكون دون المستوى الأمثل. ثالثاً، نادراً ما تأخذ في الحسبان منحنيات استهلاك الوقود الخاصة بكل مركبة. الشاحنة المحملة التي تصعد منحدراً تستهلك الوقود بمعدل مختلف تماماً عن نفس الشاحنة على أرض مستوية.
ما الذي يفعله تحسين المسارات بالذكاء الاصطناعي بشكل مختلف فعلاً
تقدم الأنظمة المعتمدة على الذكاء الاصطناعي ثلاث قدرات لا يمكن للتخطيط الثابت مجاراتها.
نمذجة السفر المعتمدة على الوقت. بدلاً من استخدام متوسطات أوقات السفر، تبني أنظمة الذكاء الاصطناعي نماذج من بيانات GPS التاريخية تتنبأ بأوقات السفر لأجزاء محددة من الطرق في أوقات محددة من اليوم، وفي أيام محددة من الأسبوع. صباح يوم الاثنين على الطريق السريع I-95 بالقرب من فيلادلفيا يختلف تماماً عن بعد ظهر يوم الثلاثاء على نفس الامتداد. يعرف الذكاء الاصطناعي ذلك لأنه شهد آلاف العبورات.
التحسين متعدد القيود. يقوم الذكاء الاصطناعي بالتحسين المتزامن عبر استهلاك الوقود، ونوافذ وقت التسليم، وحدود ساعات خدمة السائقين، وسعة المركبات، وأولوية العملاء. هذه مسألة توافقية تصبح معقدة بشكل مستحيل مع أكثر من 15 محطة تقريباً، ولهذا تستخدم الحلول التقليدية اختصارات (خوارزميات تقريبية) تترك كفاءة مهدرة. الأساليب الحديثة للذكاء الاصطناعي، وخاصة نماذج التعلم المعزز، تستكشف فضاء الحلول بشكل أكثر شمولاً.
إعادة التحسين المستمر. هذه هي النقطة الأهم. التخطيط التقليدي يمنحك خطة وأنت تنفذها. تخطيط الذكاء الاصطناعي يراقب ما يحدث فعلياً (حركة المرور الفورية، التسليمات المبكرة/المتأخرة، أعطال المركبات) ويعدّل باستمرار. إذا انتهى تسليمك المقرر في الساعة 10 صباحاً قبل 20 دقيقة من الموعد، يعيد النظام حساب ما إذا كان من المنطقي تبديل ترتيب المحطتين التاليتين لتجنب الازدحام الذي يتشكل على المسار الأصلي.
من أين تأتي نسبة 18%
تتوزع وفورات الوقود تقريباً على النحو التالي:
6-8% من تحسين ترتيب المحطات. ببساطة إعادة ترتيب المحطات لتقليل إجمالي المسافة المقطوعة. يبدو هذا بسيطاً، لكن مسألة البائع المتجول صعبة بشكل معروف، وحلول الذكاء الاصطناعي تجد باستمرار تسلسلات أقصر بنسبة 6-8% مما تنتجه الخوارزميات التقريبية التقليدية، خاصة في المسارات التي تضم أكثر من 30 محطة.
4-5% من التخطيط المعتمد على الوقت. تجنب أجزاء الطرق المزدحمة عن طريق تغيير توقيت بعض عمليات التسليم. هذا لا يعني قطع مسافات أطول؛ بل يعني القيادة في أوقات تتدفق فيها حركة المرور بحرية، مما يقلل بشكل كبير من هدر الوقود الناتج عن التوقف والانطلاق المتكرر.
3-4% من تحسين السرعة والتسارع. بعض الأنظمة المتقدمة ترسل ملفات تعريف سرعة مقترحة للسائقين، تخبرهم بالسرعة المثلى لكل جزء من الطريق لتقليل استهلاك الوقود مع الالتزام بالجدول الزمني. هذا مشابه لما تفعله شاحنات النقل لمسافات طويلة منذ سنوات، لكنه مطبق على توصيل الميل الأخير مع متغيرات أكثر بكثير.
2-3% من تقليل الأميال الفارغة. تقوم أنظمة الذكاء الاصطناعي بعمل أفضل في تجميع عمليات التسليم جغرافياً وزمنياً، مما يعني قيادة أقل بمركبة فارغة بين مناطق التسليم.
واقع التطبيق
إليك ما لا يخبرك به أحد عن نشر تحسين المسارات بالذكاء الاصطناعي: التكنولوجيا هي الجزء السهل. الجزء الصعب هو جودة البيانات وامتثال السائقين.
تحتاج إلى بيانات GPS نظيفة ومتسقة من أسطولك. إذا كان نظام التتبع عن بُعد لديك به فجوات، أو إذا أوقف السائقون أجهزتهم، أو إذا كانت قاعدة بيانات العناوين مليئة بالأخطاء، فسينتج الذكاء الاصطناعي مسارات رديئة. خطط لقضاء 2-3 أشهر في تنظيف بياناتك قبل أن ترى نتائج حقيقية.
امتثال السائقين هو التحدي الآخر. أفضل مسار في العالم لا يوفر الوقود إذا تجاهله السائق واتبع مساره المعتاد. بعض الشركات حلت هذا بتوجيهات ملاحة خطوة بخطوة يصعب الانحراف عنها. وأخرى تستخدم هياكل حوافز تكافئ السائقين على الالتزام بالمسار. في كلتا الحالتين، تحتاج إلى خطة لذلك.
ما يمكن توقعه عملياً
في الشهر الأول بعد النشر، توقع الفوضى. سيشتكي السائقون من أن مسارات الذكاء الاصطناعي غبية. بعضهم سيكون محقاً، لأن النظام لا يزال يتعلم أنماطك المحددة. بحلول الشهر الثالث، يكون لدى النظام بيانات كافية لإنتاج مسارات أفضل باستمرار، ومعظم السائقين سيعترفون على مضض بأن المسارات الجديدة منطقية. بحلول الشهر السادس، يجب أن ترى وفورات الوقود الكاملة تتحقق في أرقامك.
العائد على الاستثمار عادةً ما يكون قوياً. بالنسبة لأسطول من 100 مركبة ينفق 2 مليون دولار سنوياً على الوقود، فإن تخفيضاً بنسبة 18% يعني توفير 360,000 دولار. تتراوح تكلفة معظم منصات تخطيط المسارات بالذكاء الاصطناعي بين 50,000 و150,000 دولار سنوياً لأسطول بهذا الحجم، مما يعني عائداً يتراوح بين 2 إلى 7 أضعاف.
بالنسبة لشركات الخدمات اللوجستية والنقل التي تقيّم أين يمكن للذكاء الاصطناعي تحقيق أكبر تأثير فوري، فإن تحسين المسارات هو الثمرة الأسهل منالاً. التكنولوجيا ناضجة، والوفورات موثقة جيداً، والجدول الزمني للتطبيق يُقاس بالأشهر وليس بالسنوات. يمكنك استكشاف المزيد حول كيفية تحويل الذكاء الاصطناعي لعمليات الخدمات اللوجستية والنقل لمعرفة أين توجد فرص أخرى.