Marktsegment
De brede toepassing van KI in het werkveld van transport en logistiek is nog vrij beperkt gezien de vele mogelijkheden. Veel toepassingen zitten nog veelal in de experimentele fase: ontdekken wat er mogelijk is, wat de sector ermee wil en hoe het vormgeven kan worden. Men steekt veel energie in de ontwikkeling van logistieke KI-applicaties. De aandacht richt zich daarbij op verschillende deelgebieden van Transport en Logistiek. De toepassing van KI-systemen in de sector transport en logistiek kan een hoge vlucht nemen met name als het gaat om een KI technologie zoals proces mining, waarbij het optimaliseren van processen centraal staat. De eerste toepassingen zijn geïmplementeerd bij logistieke bedrijven waar sprake is van logistieke processen waar men een efficiëntieslag van verwacht als ze kunstmatige intelligentie toepassen. Dat zijn bijvoorbeeld KI-systemen die zich richten op de optimalisatie van de orderinvoer, van de routeplanning, van voorraadplanning, en van de verwachte vraag naar producten. Maar bijvoorbeeld ook beeldherkenning (d.m.v. computer vision) bij automatisch orderpicken in warehouses met land- en tuinbouwproducten wordt steeds meer toegepast om de kwaliteit van producten te controleren of automatisch de pakketten het juiste proces tot verzending te laten volgen. (Van Beek, z.d.) (Van Roosmalen, 2022).
De toepassingsmogelijkheden van KI in de sector transport en logistiek zijn legio. Ze variëren van autonoom rijdende voertuigen,robots voor orderpicking, slimme routeplanning, slimme implementaties voor containers tot voorspellende modellen voor de vraag, orders en aflevermomenten. Automatische datamining organiseert en filtert informatie om die om te zetten in relevante kennis. Bijvoorbeeld op het vlak van fraudeopsporing (financiën), voorspellen van de vraag (tbv voorraadbeheer logistieke ondernemingen, verkoop en marketing) of om bottlenecks op te sporen (industrie en logistiek). In de logistiek kan datamining – oftewel het automatisch opsporen van patronen bij activiteiten zoals goederenontvangst, orderpicking en -retours – helpen om de voorraad beter te voorspellen en meer controle te krijgen over de voorraad. Kunstmatige intelligentie kan ook bijdragen aan het behalen van meer efficiency en het verkrijgen van betere inzichten uit de bestaande data in de logistieke organisatie liggen het meeste voor de hand. Veel logistieke vervoerders maken gebruik van KI voor het optimaliseren van routes.
Dossiers
Er is sprake van toepassingen van kunstmatige intelligentie in de volgende dossiers:
Goederenvervoer
De vrachtwagenchauffeur kan rekenen op de boordcomputer en computersystemen van zijn vrachtwagen, die dankzij de sensoren en de uitwisseling van gegevens met zijn omgeving veilig en efficiënt op weg gaat naar zijn bestemming. KI-systemen worden ingezet om de werktijd van de chauffeur efficiënter te benutten, of dat nu is door het terugdringen van het rijden van lege kilometers of het sneller dan gebruikelijk aansluiten van ladingen op de vrachtwagen. KI-systemen kun je ook gebruiken om complexe situaties te begrijpen, zoals verkeerspatronen, wegwerkzaamheden of ongevallen, en dienovereenkomstig te reageren. Specifiek voor het goederenvervoer zijn de ontwikkelingen rondom platooning. Over het algemeen maakt truckplatooning gebruik van geavanceerde sensoren, zoals radar en lidar, om de afstand tot andere voertuigen te meten en de snelheid aan te passen. Ze kunnen bijvoorbeeld machinelearningtechnieken gebruiken om te leren van historische gegevens en de prestaties van het systeem in de loop van de tijd te verbeteren.
Havenoperaties en Internationale havenlogistiek
De haven van de toekomst is transparanter, voorspelbaarder, klimaatneutraal en efficiënter. Die past zich aan de veranderende wereld aan. De haven van Rotterdam is bezig met een digitaliseringsslag, waarbij kunstmatige intelligentie een grote rol krijgt. Met sensoren en datamodellen maakt het havenbedrijf infrastructuur, terreinen en gebouwen ‘slimmer’. Door het toepassen van sensoren, het slim omgaan met data en kunstmatige intelligentie te gebruiken, leren ze in de haven van Rotterdam ook om met computers afwijkingen te herkennen in de infrastructuur. Het voorzien van infrastructuur met sensoren en datacommunicatie levert veel nuttige informatie op over bijvoorbeeld duur en intensiteit van gebruik. Een uitdaging om de digitaliseringsslag in de haven verder te verbeteren, zit in het beschikbaar stellen van de data. Data standaardiseren, slimmer beoordelen met behulp van algoritmen, en delen met andere havenautoriteiten en havengebruikers maakt de scheepvaartafhandeling voorspellender, efficiënter en hiermee nóg veiliger.
Logistiek
KI-systemen zullen in de toekomst oplossingen aandragen voor predictief onderhoud en voor optimalisering van de processen. Ook zullen de magazijnen steeds meer online en in realtime communiceren met de buitenwereld. Videotechnologie voorzien van bijvoorbeeld KI-systemen helpt bij het effectiever plannen van docks en het verbeteren van de veiligheid in distributiecentra. De inzet van kunstmatige intelligentie kan van veel betekenis zijn om patronen te herkennen, zoals beschadigde goederen. Met KI kan de hele supplychain beter inspelen op de vraag op specifieke momenten in het jaar. Met KI en voldoende data is het mogelijk om forecasting te doen om zo de vraag te voorspellen en voorraadbeheer te optimaliseren. (Postorder- en bezorg)bedrijven zetten KI-systemen in om zo efficiënt mogelijk boodschappen te doen en de ritten te bepalen. Ook berekenen ze op basis van de afstanden met algoritmes de efficiëntste orderpicktaak in warehouses.
Management transport en logistiek
Het gebruik van transportmanagementsystemen, fleetmanagementsystemen en navigatiesystemen is gemeengoed in de transport- en logistieke sector. Het zijn systemen die steeds meer gebruikmaken van beschikbare data om een efficiency slag te maken. De inzet van kunstmatige intelligentie in transportplanning maakt het mogelijk om op een intelligente manier transportroutes en voorraadplanning slim te berekenen en bijvoorbeeld de rustmomenten voor chauffeurs verder te optimaliseren. KI-systemen kijken mee met de planning en leren daarvan. Op den duur zullen deze KI-modules betere transportplanningen (die steeds complexer zijn door factoren als klanteisen en milieuregels) kunnen maken dan menselijke medewerkers.
Om de beladingsgraad te verbeteren, werken logistieke dienstverleners onderling samen. Reinforcement learning biedt ondersteuning in het plannen van ritten met zo min mogelijk lege kilometers en ritten die duurzamer zijn.
Personenvervoer
De ontwikkeling en integratie van voertuigen die volledig in staat zijn om beslissingen te nemen op de weg kan de manier waarop het wegvervoer interacteert met andere weggebruikers fundamenteel veranderen. Echter, de adoptie van autonome voertuigen zal geleidelijk verlopen. Het zal nog tot ver na 2025 duren voordat de techniek, de wetgeving, de transportsector en de samenleving klaar zijn voor voertuigen zonder bestuurder. (Semi)zelfrijdende auto’s zijn uitgerust met meerdere camera’s om de omgeving in kaart te brengen en daarbinnen objecten, wegmarkeringen, verkeersborden en stoplichten te herkennen. De automodellen zitten vol sensoren en kunnen zelfstandig van rijstrook wisselen.
Operationele processen op de luchthaven
KI kan helpen bij het analyseren van vluchtgegevens, bij het voorspellen van vraag en capaciteitsbehoeften, het identificeren van operationele risico's, het optimaliseren van vluchtschema's en het toewijzen van resources zoals vliegtuigen en gates.