Intervista ad An de Wispelaere

Con An de Wispelaere, Chief Product Officer (CPO) di PTV Logistics, affronteremo alcune domande chiave riguardanti l’uso dell’intelligenza artificiale (AI) nell’ottimizzazione del percorso. Difatti, man mano che l’intelligenza artificiale guadagna sempre più popolarità nello sviluppo del software, è utile conoscere meglio i vantaggi, ma anche i limiti e i rischi. Inoltre An de Wispelaere, ci spiegherà come PTV Logistics integri la ricerca accademica con i propri studi per creare soluzioni innovative di ottimizzazione dei percorsi, nel campo dei problemi di percorso dei veicoli (VRP), superando con i propri prodotti gli standard del settore.

Q: PTV Logistics utilizzerà l’intelligenza artificiale o l’apprendimento per rinforzo?

An: Il nostro obiettivo primario è innovare continuamente e mantenere un vantaggio competitivo. Nel perseguire questo obiettivo, ci impegniamo a sfruttare tutti i metodi disponibili e le tecniche più all’avanguardia, inclusa l’intelligenza artificiale e l’apprendimento per rinforzo. Stiamo terminando la fusione di PTV e Conundra, siamo pronti a dirigere i nostri sforzi di innovazione verso questi temi, per superare ulteriormente la concorrenza.

Tieni sotto controllo la tua logistica con i nostri potenti software SaaS di ottimizzazione dei percorsi.

Q: Quali sono i vantaggi dell’AI nel contesto VRP?

An: L’intelligenza artificiale può essere ampiamente utilizzata nell’area di apprendimento, utilizzando i dati di esecuzione per ottenere informazioni e per migliorare la qualità del nostro piano di ottimizzazione del percorso e arricchendo i dati anagrafici utilizzati per creare il piano di viaggio. Ad esempio, l’intelligenza artificiale e l’apprendimento automatico vengono utilizzati per analizzare i tempi di consegna dei clienti che potrebbero essere dipendenti dal tempo e dal conducente, dalle risorse e dalla posizione.

Ecco alcuni vantaggi dell’intelligenza artificiale per la pianificazione dei percorsi

Geocoding: l’intelligenza artificiale è un potente strumento per migliorare l’accuratezza e la precisione della geocodifica, contribuendo a consentire mappature più accurate ed efficaci e servizi basati sulla posizione. Ad esempio:

• Address Parsing: l’intelligenza artificiale può essere utilizzata per analizzare i singoli componenti di un indirizzo, come il nome delle vie, la città, lo stato e il codice postale. Questa analisi può aiutare a migliorare la precisione del processo di geocodifica, garantendo che ogni componente sia correttamente identificato e abbinato alla corrispondente posizione geografica.
• Natural Language Processing: l’intelligenza artificiale può essere utilizzata anche per interpretare input in linguaggio naturale, come indirizzi scritti a mano o parlati. L’elaborazione del linguaggio naturale (NLP) può aiutare a identificare e correggere errori o ambiguità nell’indirizzo, come errori di ortografia, componenti mancanti o errati o abbreviazioni poco chiare.

Livelli di servizio: è importante valutare i livelli di servizio in base alla vicinanza del cliente al deposito. Il costo della consegna è ovviamente correlato alla distanza, ma anche la densità nell’area di consegna gioca un ruolo cruciale. È necessario prevedere con precisione l’intera rete di consegna di un determinato giorno per effettuare stime o rapide previsioni dei costi di consegna specifici per un cliente e per una fascia oraria. Le tecniche di intelligenza artificiale hanno una comprovata esperienza nelle previsioni e il loro contributo è rilevante anche in questo contesto.

Solidità della pianificazione: il trasporto su strada è soggetto a cambiamenti in tempo reale, come la congestione del traffico o improvvisi cambiamenti della domanda. Gli algoritmi di machine learning possono apprendere dai dati del passato e prevedere le tendenze future, il che può aiutare a regolare i percorsi e gli orari di conseguenza creando un piano più affidabile.

Assegnazione delle risorse: l’intelligenza artificiale può essere utilizzata per assegnare risorse come veicoli e conducenti in modo efficiente. Gli algoritmi di apprendimento automatico possono analizzare i dati storici e prevedere la domanda, stimando quante risorse saranno necessarie in un determinato periodo.

Soddisfazione del cliente e dell’autista: l’intelligenza artificiale può essere utilizzata per migliorare la soddisfazione del cliente/autista ottimizzando i programmi di consegna e riducendo i tempi di trasporto. Ciò può essere ottenuto analizzando il comportamento e le preferenze del cliente/conducente e incorporandoli nell’algoritmo VRP.

Q: Quali sono gli svantaggi e i rischi dell’utilizzo dell’intelligenza artificiale per la pianificazione dei percorsi?

An: Visto che sempre di più le aziende si rivolgono all’intelligenza artificiale (AI) per ottimizzare i problemi di routing dei veicoli (VRP), è importante considerare attentamente i limiti e i rischi associati all’implementazione dell’AI. Esploriamo questi fattori e forniamo approfondimenti per aiutare le aziende a superare i potenziali svantaggi.

Limiti:

• Quantità dei dati necessari: per apprendere preziose informazioni, sono necessarie enormi quantità di dati storici.
• Risorse computazionali: l’intelligenza artificiale richiede notevoli risorse computazionali per eseguire i suoi calcoli, il che può diventare un “collo di bottiglia” per le ricerche di VRP di grandi dimensioni.
• Qualità dei dati: la qualità dei dati inseriti nei modelli di intelligenza artificiale è fondamentale per la loro efficacia. Se i dati sono incompleti, errati o incoerenti, possono portare a soluzioni imprecise.
• Complessità del problema: i VRP possono essere problemi di ottimizzazione molto complessi, soprattutto se si considerano i vincoli reali come traffico, condizioni meteorologiche e capacità del veicolo. La complessità del problema può limitare l’efficacia di risoluzione dei modelli di intelligenza artificiale. Le AI producono i risultati più soddisfacenti per i casi più semplici, ma che comunque rendono questa tecnologia promettente per evoluzioni future.
• Compromessi tra qualità della soluzione e tempo di calcolo: gli algoritmi AI devono bilanciare la qualità della soluzione con il tempo di calcolo, soprattutto nelle applicazioni in tempo reale. A volte, l’algoritmo AI potrebbe non essere in grado di trovare la soluzione ottimale entro un lasso di tempo ragionevole.

Rischi:

• Eccessivo affidamento sull’intelligenza artificiale: un eccessivo affidamento sull’AI per risolvere complessi problemi di ottimizzazione come i VRP può portare all’autocompiacimento e a una ridotta innovazione nei metodi tradizionali di risoluzione dei problemi.
• Problema della “black box”: i modelli di intelligenza artificiale possono essere difficili da interpretare, il che rende difficile capire perché determinati percorsi sono consigliati. Questa mancanza di trasparenza può rendere difficile identificare e correggere errori o distorsioni nell’algoritmo.
• Eccessivo affidamento sui dati storici: i modelli di intelligenza artificiale sono in genere addestrati su dati storici, il che può essere problematico quando le condizioni variano.

Pertanto, è molto importante considerare attentamente questi rischi e limiti quando si implementa l’intelligenza artificiale nell’ottimizzazione del percorso per garantire che i vantaggi superino i potenziali svantaggi.

Q: In che modo PTV Logistics affronta le attività che i concorrenti dichiarano di risolvere con l’intelligenza artificiale?

An: Con l’IA che cambia costantemente il panorama del mondo del business, alcuni dei nostri concorrenti dichiarano di aver raggiunto un sufficiente esperienza nell’incorporare l’AI nelle loro soluzioni. La nostra azienda affronta questa sfida e si sforza di ottenere risultati superiori alla stessa Intelligenza Artificiale con soluzioni ad hoc.

Prendiamo ad esempio l’affermazione che si dovrebbe imparare dalle modifiche apportate manualmente ai percorsi pianificati dal dispatcher, considerando che “non tutto è noto nei dati anagrafici e non lo sarà mai“. In questo caso particolare, possiamo utilizzare l’intelligenza artificiale per migliorare o correggere automaticamente i dati, invece di utilizzare l’intelligenza artificiale per manipolare la soluzione VRP. Ci sono due ragioni principali alla base di questo approccio.

In primo luogo, il nostro algoritmo VRP è specificamente progettato per generare la migliore soluzione possibile sulla base di un set di dati che si presume sia completo e accurato. Pertanto, modificare o manipolare la soluzione potrebbe non portare necessariamente ad un miglioramento poiché l’algoritmo presuppone già che i dati siano affidabili.

In secondo luogo, l’argomento della “black box” sottolinea l’importanza della trasparenza nel processo decisionale. I pianificatori possono prendere decisioni informate unicamente comprendendo perché vengono scelti determinati percorsi, sulla base del modello di costo sottostante. La modifica della soluzione potrebbe comportare un piano di viaggio più costoso, ma fornendo preziose informazioni sulla logica decisionale dell’algoritmo.

Q: Cosa contraddistingue l’approccio di PTV Logistics e in che modo può superare i concorrenti?

An: In PTV Logistics miglioriamo continuamente il nostro algoritmo di risoluzione VRP attraverso la ricerca accademica e i nostri studi. Miriamo a fornire risultati all’avanguardia che superino gli standard del settore, sottoponendo le nostre modifiche a rigorosi benchmark e confrontandole con i nostri concorrenti. Siamo orgogliosi di affermare che il nostro algoritmo al momento offre risultati eccezionali e che continueremo a innovare e ad utilizzare il giusto mix. Pertanto, se il nostro algoritmo produce un risultato inaspettato, siamo inclini a credere che il problema risieda nei dati di input piuttosto che nell’output.

L’intelligenza artificiale potrebbe essere utilizzata come strumento di apprendimento per studiare gli aggiustamenti apportati dagli esseri umani in passato e utilizzare tale conoscenza per porre domande migliori sull’algoritmo in futuro. Ciò potrebbe includere il miglioramento dei dati di input suggerendo modifiche o identificando lacune nelle capacità dell’algoritmo.