ปัญญาประดิษฐ์สามารถแก้ไขปัญหาด้านโลจิสติกส์และ supply chain management ได้หลายประการ รวมถึงการกำหนดเส้นทางของยานพาหนะด้วย
Artificial intelligence can address many logistics and supply chain challenges, including vehicle routing.
ปัญญาประดิษฐ์เข้ามาเปลี่ยนแปลงระบบโลจิสติกส์ได้อย่างไร
ปัญญาประดิษฐ์กำลังสร้างโอกาสใหม่ๆ ที่ไม่มีใครทัดเทียมในด้านการจัดการโลจิสติกส์ และ supply chain management อย่างไรก็ตาม องค์กรหลายแห่งยังคงไม่แน่ใจว่าจะนำไปใช้งานอย่างไรจึงจะดีที่สุด
“AI เป็น moving target” Chris Caplice ผู้อำนวยการฝ่ายบริหารของ MIT Center for Transportation and Logistics กล่าว “AI ไม่ได้หยุดนิ่ง แต่เป็นสิ่งที่ปรับเปลี่ยนสร้างแรงบันดาลใจตลอดเวลา AI เมื่อ 30 ปีก่อน หรือแม้กระทั่ง 20 ปีก่อน ไม่ถือเป็น AI ที่ทันสมัยอีกต่อไป AI เป็นสิ่งที่อยู่เหนือความเข้าใจของเราเสมอ”
ในการพิจารณาถึงวิธีการนำ AI มาใช้ ผู้จัดการจำเป็นต้องทำความเข้าใจว่าแนวทางการวิเคราะห์ต่างๆ เช่น traditional AI generative AI และ operations research ทำงานร่วมกันอย่างไร Caplice กล่าวระหว่างการสัมมนาผ่านเว็บที่จัดโดย MIT Sloan Management Review เมื่อไม่นานนี้
Caplice และ Lior Ron ผู้ก่อตั้งและ CEO ของ Uber Freight พูดคุยเกี่ยวกับเครื่องมือวิเคราะห์ที่ใช้ในการจัดการ supply chain management ปัญหาทางโลจิสติกส์ที่ AI ช่วยแก้ไขได้ และประโยชน์อื่นๆ ของการจัดการจากการใช้ AI ในโลจิสติกส์
การทำความเข้าใจเครื่องมือวิเคราะห์ต่างๆ
Caplice กล่าวว่าการคิดถึงวิวัฒนาการของ AI ในระบบโลจิสติกส์ในบริบทของเครื่องมืออื่นๆ นั้นมีประโยชน์ traditional AI จะวิเคราะห์ข้อมูลเพื่อทำงานเฉพาะให้เสร็จสมบูรณ์ generative AI จะใช้โมเดลภาษาขนาดใหญ่เพื่อนำบางสิ่งบางอย่างมาพิจารณาในบริบท สรุปข้อมูล และสร้างเนื้อหาใหม่ การวิจัยการปฏิบัติการจะใช้แนวทางทางวิทยาศาสตร์เพื่อศึกษาระบบที่ต้องใช้การตัดสินใจของมนุษย์ โดยใช้แนวทางต่างๆ เช่น linear programming และ network models
Caplice กล่าวว่าในระบบโลจิสติกส์ วิธีการเหล่านี้มีความเสริมซึ่งกันและกันและไม่จำเป็นต้องแทนที่กัน การวิจัยการปฏิบัติการที่ผสมผสานกับ AI ได้ผลดีในหลายกรณี
การแก้ปัญหาด้านโลจิสติกส์ด้วย AI
Ron กล่าวว่าเทคโนโลยี AI พร้อมที่จะแก้ปัญหาต่างๆ ที่เกิดขึ้นในระบบโลจิสติกส์ได้ ซึ่งรวมถึง:
Fragmented supply chains และความจำเป็นในการเชื่อมต่อเครือข่ายเพื่อเพิ่มประสิทธิภาพและผลักดันผลลัพธ์ที่ดีขึ้น
ความผันผวนของตลาด (Market volatility) โดยเฉพาะการเปลี่ยนแปลงด้านราคาและการหยุดชะงักของบริการ
ข้อกังวลด้านความปลอดภัย รวมถึงปัญหาที่เกี่ยวข้องกับ COVID-19 ความปลอดภัยของคนขับ และการฉ้อโกงทางดิจิทัล (digital fraud)
ผลกระทบที่การขนส่งทางรถบรรทุกและการขนส่งสินค้า ที่เกิดจากการเปลี่ยนแปลงสภาพภูมิอากาศ
นวัตกรรมที่แก้ไขปัญหาเหล่านี้ได้เกิดขึ้นแล้ว ตัวอย่างเช่น Uber Freight ได้เป็นผู้ริเริ่มใช้ Machine learning เพื่อการกำหนดราคาผู้ให้บริการขนส่งแบบอัลกอริธึม ซึ่งรับรองว่าผู้ให้บริการขนส่งจะได้รับราคาที่รับประกันล่วงหน้าสำหรับการขนส่งทางรถบรรทุกและสินค้าขนส่งอื่นๆ “ด้วยการพิจารณาพารามิเตอร์ที่แตกต่างกันหลายร้อยรายการ เราจึงสามารถสร้าง [โมเดลนี้] ให้มีความแม่นยำเพียงพอที่จะเปิดตัวตลาดที่ไม่ต้องคาดเดาแบบ back-and-forths เพื่อประมาณราคาการขนส่งอีกต่อไป” Ron กล่าว
นอกจากนี้ Uber Freight ยังใช้ Machine learning เพื่อจัดการเส้นทางการขนส่ง ซึ่งเป็นปัญหาที่ซับซ้อนซึ่งเกี่ยวข้องกับการกำหนดเส้นทางที่มีประสิทธิภาพสูงสุดสำหรับยานพาหนะในการจัดส่งสินค้าไปยังสถานที่ต่างๆ รถบรรทุกในสหรัฐอเมริกามีสินค้าว่างเปล่า โดยเฉลี่ยประมาณ 30% ซึ่งเสียเวลาและเชื้อเพลิงไปโดยเปล่าประโยชน์ และยังก่อให้เกิดการปล่อยคาร์บอนโดยไม่จำเป็น ด้วยการออกแบบเส้นทางที่ดีที่สุดสำหรับคนขับรถบรรทุกโดยใช้อัลกอริทึม บริษัทจึงสามารถลดระยะทางการขนส่งเปล่าลงเหลือระหว่าง 10% ถึง 15%
Uber Freight ไม่ใช่บริษัทเดียวที่นำเทคโนโลยีมาประยุกต์ใช้ในการกำหนดเส้นทางของยานพาหนะ ในระดับที่เล็กกว่า ธุรกิจต่างๆ มักใช้ operations research และการแก้ปัญหาโดยมนุษย์เพื่อลดเวลา ต้นทุน และระยะทางของการขนส่งและสินค้า ในระดับที่ใหญ่กว่า ซึ่งมีเส้นทางที่ซับซ้อนกว่าและมีปัจจัยเพิ่มเติม operations research และการแก้ปัญหาโดยมนุษย์ไม่เพียงพออีกต่อไป
เพื่อรับมือกับความท้าทายนี้ MIT Intelligent Logistics Systems Lab จึงผสมผสาน traditional AI generative AI และ operations research เพื่อปรับปรุงผลลัพธ์ของการกำหนดเส้นทาง “สิ่งที่เราเห็นคือในตอนแรก AI กำลังมีบทบาทรอง แต่เมื่อเราพัฒนาไป เราก็เริ่มเห็นว่า AI มีบทบาทหลักมากขึ้น” Caplice กล่าว “ในที่สุด เราก็อยากเห็น generative AI เข้ามาแทนที่และแก้ไขปัญหาในส่วนที่ใหญ่กว่า”
4 ประโยชน์ด้านการจัดการของ generative AI ในโลจิสติกส์
Caplice กล่าวว่าการใช้แนวทางการวิจัยการปฏิบัติการแบบคลาสสิกในโลจิสติกส์นั้นมีข้อจำกัด ทุกครั้งที่เกิดความซับซ้อนขึ้น เช่น ช่วงเวลาที่แตกต่างกัน ขนาดถนน และความจุของรถบรรทุก เป็นต้น จำเป็นต้องปรับแต่งอัลกอริทึมแบบเดิม Generative AI สามารถสรุปข้อมูลนี้โดยทั่วไปและหลีกเลี่ยงความจำเป็นในการใช้อัลกอริทึมใหม่
Caplice กล่าวว่าผลลัพธ์คือ เทคโนโลยีเหล่านี้มีประสิทธิภาพเหนือกว่าวิธีการแบบคลาสสิกในการแก้ปัญหาโลจิสติกส์ที่ใหญ่กว่า นอกจากนี้ เทคโนโลยีเหล่านี้ยังมีข้อดีด้านการจัดการอื่นๆ อีกด้วย:
โมเดล AI มีประสิทธิภาพเหนือกว่าข้อมูลการฝึกอบรมอย่างเป็นระบบ ซึ่งหมายความว่าโมเดลเหล่านี้มีประสิทธิภาพดีกว่าข้อมูลใหม่ที่ไม่ปรากฏให้เห็นเมื่อเทียบกับข้อมูลที่ใช้ในกระบวนการฝึกอบรม ซึ่งหมายความว่าองค์กรไม่จำเป็นต้องมีชุดเส้นทางที่สมบูรณ์แบบซึ่งคนขับได้ตรวจสอบแล้ว Caplice กล่าว “นี่เป็นการประหยัดเวลาที่ดีมากเพราะหมายความว่าคุณไม่จำเป็นต้องสร้างข้อมูลพิเศษ” เขากล่าว
ด้วยการฝึกฝนอย่างต่อเนื่อง โมเดลจะเรียนรู้เกี่ยวกับนโยบายการกำหนดเส้นทางที่ดีขึ้นโดยอัตโนมัติ ตัวอย่างเช่น หากนโยบายมีการเปลี่ยนแปลง โมเดลจะรับนโยบายนั้น ทำให้ไม่จำเป็นต้องใช้อัลกอริทึมเฉพาะทาง
โมเดล AI ไม่จำเป็นต้องมีอัลกอริทึมที่ปรับแต่งให้เหมาะกับขนาดและลักษณะเฉพาะของปัญหา โดยเฉพาะอย่างยิ่งเมื่อมีลักษณะเฉพาะที่แตกต่างกันเข้ามาเกี่ยวข้อง
โมเดล AI จะสามารถสรุปผลได้ดีกับปัญหาที่ไม่เคยพบเห็นมาก่อน เช่น ความจุของยานพาหนะ
“Machine learning ปัญญาประดิษฐ์ และ generative AI กำลังใช้แนวทางแบบจำลองภาษาขนาดใหญ่และแก้ไขปัญหาที่การวิจัยเชิงปฏิบัติการได้แก้ไขได้ค่อนข้างดี แต่ทำได้เร็วกว่า สมบูรณ์กว่า และแก้ไขฟังก์ชันเชิงวัตถุที่ไม่ใช่แบบดั้งเดิม” Caplice กล่าว “เราเห็นโอกาสมากมายที่นี่ และการวิจัยเชิงสำรวจยังคงดำเนินต่อไป”