【安防展覽網(wǎng) 企業(yè)關(guān)注】未來6年，預(yù)計(jì)交通和物流這兩個(gè)行業(yè)的收入將大幅增長，借助傳感器所收集的數(shù)據(jù)，交通和物流公司可以解決很多問題。
隨著物聯(lián)網(wǎng)覆蓋范圍的不斷擴(kuò)大，傳感器產(chǎn)生的數(shù)據(jù)量在不斷的增加，對(duì)數(shù)據(jù)實(shí)時(shí)分析的需求也在日益增長，這些都極大的刺激了AI的發(fā)展。
跟蹤與AI相關(guān)行業(yè)的收入后，研究公司Tractica預(yù)測(cè)，由AI賦能的交通運(yùn)輸業(yè)的總收入將從今年的9730萬美元增加到2025年的12.5億美元。其中，AI對(duì)物流行業(yè)的貢獻(xiàn)預(yù)計(jì)到同年將達(dá)到12.6億美元，高于今年的1.518億美元。
一、AI的采用
交通和物流公司若想要加持AI，可能需要從根本上了解AI是什么，它能做什么，以及它們需要什么才能發(fā)揮出大的價(jià)值。
任何想要部署物聯(lián)網(wǎng)連接和架構(gòu)的企業(yè)都面臨著這樣一個(gè)現(xiàn)實(shí)：物聯(lián)網(wǎng)是一個(gè)充斥著熱議的、總括性的概念語，它暗示了許多不同的東西，涵蓋了各種不同的技術(shù)和應(yīng)用。AI也是如此，它通常涉及規(guī)則驅(qū)動(dòng)算法的概念來處理數(shù)據(jù)，從數(shù)據(jù)中學(xué)習(xí)、從數(shù)據(jù)中獲得有建設(shè)性的見解，甚至是自主地對(duì)這些數(shù)據(jù)進(jìn)行操作。
AI的目標(biāo)是能夠獲取信息，這些信息可能是當(dāng)前參數(shù)或歷史數(shù)據(jù)，并處理信息，基于這些數(shù)據(jù)以與人類相同的方式做出決策。要明確的是，我們距離這一目標(biāo)的實(shí)現(xiàn)還有很長的路要走。與此同時(shí)，基于AI的系統(tǒng)可以為人類提供數(shù)據(jù)推動(dòng)的見解和建議，以便做出更好或更快的決策。但首先，AI本身需要被訓(xùn)練。想要利用AI的企業(yè)需要擁有一個(gè)特定應(yīng)用程序設(shè)計(jì)的算法，以便可以處理、分析并繼續(xù)學(xué)習(xí)的數(shù)據(jù)存儲(chǔ)庫。
物聯(lián)網(wǎng)網(wǎng)絡(luò)在創(chuàng)建這些存儲(chǔ)庫方面發(fā)揮了重要作用。物聯(lián)網(wǎng)到就是管道，有一個(gè)平臺(tái)，便可以將各種數(shù)據(jù)載入該平臺(tái)，無論是傳感器，攝像頭還是其他IT系統(tǒng)。這是基礎(chǔ)，沒有數(shù)據(jù)的AI根本不存在，所以從某種意義上說，AI位于物聯(lián)網(wǎng)的頂端，主要用于產(chǎn)生分析結(jié)果。
即使企業(yè)擁有現(xiàn)有的數(shù)據(jù)存儲(chǔ)庫，或者部署諸如物聯(lián)網(wǎng)網(wǎng)絡(luò)之類的基礎(chǔ)設(shè)施來生成這些數(shù)據(jù)，它們?nèi)匀恍枰渴鸹贏I的系統(tǒng)和設(shè)備，以遵循一系列加權(quán)規(guī)則來生成相關(guān)建議和見解。隨著AI在未來幾年更廣泛的應(yīng)用于物聯(lián)網(wǎng)網(wǎng)絡(luò)架構(gòu)，它們將需被人工培訓(xùn)和監(jiān)督，以向它們提供相關(guān)規(guī)則和目標(biāo)任務(wù)的知識(shí)。
快遞運(yùn)輸走向無人化的趨勢(shì)，為AI系統(tǒng)需要學(xué)習(xí)多少提供了一個(gè)例子。想一下，卡車司機(jī)在路上是如何做決定的，基于豐富的駕駛經(jīng)驗(yàn)，他們知道當(dāng)前面的車撞到他們時(shí)該如何反應(yīng)。他們還知道，若在谷歌地圖上看到前方有擁堵，會(huì)去尋找另一條路線。當(dāng)然，他們也了解到，由于重量限制，不能在某些小街道上開卡車……所以，AI系統(tǒng)需要有一個(gè)龐大的道路規(guī)則知識(shí)庫。
此外，卡車準(zhǔn)時(shí)到達(dá)目的地，有助于保證整個(gè)供應(yīng)鏈的按期運(yùn)行?？ㄜ囁緳C(jī)提前到達(dá)甚至可能帶來經(jīng)濟(jì)上的效益。向AI算法提供所需數(shù)據(jù)的一部分，是為其提供可遵循的規(guī)則，并可在需要AI對(duì)特定規(guī)則的重視程度做出調(diào)整時(shí)，對(duì)算法進(jìn)行調(diào)整。
人工參與培訓(xùn)和微調(diào)AI算法，可以確保AI系統(tǒng)不會(huì)出現(xiàn)意外。從多年來獲取有關(guān)如何到達(dá)特定目的地的數(shù)據(jù)來看，該算法如果無人監(jiān)管，它可能會(huì)認(rèn)為如果加速或違反交通規(guī)則，就可以更快地將卡車開往目的地。而這就需要人工在訓(xùn)練算法的過程中丟棄或貶值某些數(shù)據(jù)。
雖然從事AI項(xiàng)目的公司可能會(huì)傾向于自己培訓(xùn)AI系統(tǒng)，但與許多其他技術(shù)不同的是，AI需要不斷的謹(jǐn)慎的訓(xùn)練，才能發(fā)揮出充分的價(jià)值。因此，這絕不是一種“即拿即用”的技術(shù)。交通和物流等特定垂直行業(yè)的大多數(shù)公司可能需要AI專家的協(xié)助。
這并不是說AI需要自己重新學(xué)習(xí)交通運(yùn)輸業(yè)的基礎(chǔ)知識(shí)。人類在這個(gè)行業(yè)有著豐富的經(jīng)驗(yàn)，他們發(fā)現(xiàn)的不僅僅是對(duì)這個(gè)行業(yè)的基本理解。AI的變革力量在于充分利用這些知識(shí)、洞察力和直覺，并使其具有彈性。
隨著AI算法變得越來越擅長執(zhí)行針對(duì)性的應(yīng)用程序，在訓(xùn)練它們時(shí)對(duì)人的接觸需求可能會(huì)降低。目前，一些交通和物流公司可能對(duì)自己的AI系統(tǒng)自主學(xué)習(xí)系統(tǒng)做出的決定感到不信任，但這樣做有助于大限度的提高它們對(duì)特定業(yè)務(wù)的價(jià)值。
舉個(gè)例子，如果想讓一輛卡車穿過曼哈頓，從一個(gè)地方開往另一個(gè)地方，有很多可選擇的路線?？紤]到交通、建筑和其他因素，一個(gè)人很難想全所有不同的行程選擇，然后找出穿過曼哈頓的有效方式。機(jī)器學(xué)習(xí)的強(qiáng)大之處在于，可以從所有這些不同的交叉點(diǎn)和變量中獲取數(shù)據(jù)，并在所有這些數(shù)據(jù)點(diǎn)之間建立即時(shí)關(guān)聯(lián)，而這是人類無法做到的。
二、AI應(yīng)用于交通和物流行業(yè)的用例
交通和物流部門為AI提供了大量潛在的用例，因?yàn)樗鼈儾粌H依賴復(fù)雜的機(jī)器，而且往往遵循嚴(yán)格的時(shí)間表，并依賴于充分的容量使用來實(shí)現(xiàn)大價(jià)值。
僅在運(yùn)輸業(yè)，就有七個(gè)不同的用例可加持AI：
交通密度預(yù)測(cè)
預(yù)測(cè)性維護(hù)
車輛網(wǎng)絡(luò)和數(shù)據(jù)安全
機(jī)械傳感器數(shù)據(jù)融合
天氣預(yù)報(bào)
機(jī)器/車輛目標(biāo)檢測(cè)/識(shí)別/回避
本地化和測(cè)繪
在物流方面，除了供應(yīng)鏈和物流，它還對(duì)后三種用例進(jìn)行了預(yù)測(cè);倉儲(chǔ)與供應(yīng)鏈需求預(yù)測(cè)；以及用于地理分析的衛(wèi)星圖像。
在所有這些領(lǐng)域中，物流部門的機(jī)器/車輛目標(biāo)檢測(cè)/識(shí)別/回避，預(yù)計(jì)將成為大的創(chuàng)收用例，到2025年或?qū)⑦_(dá)到5.84億美元。同時(shí)，在交通方面，重要的用例是預(yù)測(cè)交通密度和預(yù)測(cè)維護(hù)，到2025年，前者的AI收入為4.39億美元，而后者將達(dá)到3.152億美元。
預(yù)測(cè)性維護(hù)是IBM Maximo 2月公布的核心資產(chǎn)績效管理套件,作為基于AI的物聯(lián)網(wǎng)解決方案，其目的是“近實(shí)時(shí)地從實(shí)物資產(chǎn)中收集數(shù)據(jù)，提供 當(dāng)前運(yùn)營狀況的分析結(jié)果，預(yù)測(cè)潛在問題，發(fā)現(xiàn)問題并提供修復(fù)建議。
與此同時(shí)，在物流領(lǐng)域，IBM和物流巨頭DHL于2018年聯(lián)合推出了一份白皮書，概述了該領(lǐng)域的幾個(gè)潛在的AI應(yīng)用。其中一個(gè)重點(diǎn)是航空貨運(yùn)航線的預(yù)測(cè)網(wǎng)絡(luò)管理。DHL創(chuàng)建了一個(gè)基于機(jī)器學(xué)習(xí)的工具，它可以分析58個(gè)不同的內(nèi)部數(shù)據(jù)參數(shù)，提前一周預(yù)測(cè)給定車道的平均每日運(yùn)輸時(shí)間是上升還是下降。如果航空貨運(yùn)規(guī)劃人員能夠預(yù)測(cè)航空貨運(yùn)中轉(zhuǎn)的時(shí)間延誤，就可以主動(dòng)減輕預(yù)期延誤的損失，并就哪些航空公司應(yīng)該運(yùn)送他們的貨運(yùn)做出更明智的決定。
AI可以以類似的方式應(yīng)用于卡車車隊(duì)管理。安裝在卡車不同部位的物聯(lián)網(wǎng)傳感器，可以讓AI評(píng)估貨車從一個(gè)地點(diǎn)到另一個(gè)地點(diǎn)所需的時(shí)間，如果無法做到這一點(diǎn)，就可以在兩者之間的某個(gè)點(diǎn)準(zhǔn)備好替換貨車。如果沒有計(jì)劃外的停工時(shí)間，時(shí)間便可以安排得更緊湊。
雖然這些用例為交通和物流公司描繪了一幅巨大的藍(lán)圖，即AI和物聯(lián)網(wǎng)如何結(jié)合起來改善它們的運(yùn)營和流程。但改變是逐步發(fā)生的，與物聯(lián)網(wǎng)部署一樣，很多處于早期階段的公司正在以孤立的方式部署AI。使用AI，真的需要對(duì)每個(gè)用例使用不同的算法，而且必須確保每個(gè)用例都能生成ROI(率)。要讓企業(yè)和工業(yè)客戶跨過概念驗(yàn)證階段，仍然需要很長時(shí)間。
隨著越來越多的公司部署更廣泛的物聯(lián)網(wǎng)網(wǎng)絡(luò)，對(duì)實(shí)時(shí)數(shù)據(jù)關(guān)注的需求也越來越大。現(xiàn)今，這種情況可能會(huì)發(fā)生變化。AI系統(tǒng)能夠分析更多的數(shù)據(jù)，且比任何一個(gè)人或一群人更快,但企業(yè)部署AI仍然必須接受這樣一種觀念,他們基本上會(huì)采用一種技術(shù),這種技術(shù)是不可能一開始就是十分有效且有價(jià)值的。
智慧城市網(wǎng)APP
智慧城市網(wǎng)小程序
微信公眾號(hào)
移動(dòng)版
