機器學習助力移動革命的四種方式

 

亞馬遜網路服務（AWS）看到了機器學習為運輸和物流行業推動移動革命的四個主要領域 ， 更多資訊盡在振工鏈 。

當瑞士決定透過從其高山公路上拆除數萬輛貨運卡車來減少擁堵和汙染時，瑞士建造了聖哥達隧道，這是世界上最長，最深的鐵路隧道。

現代工程學的壯舉對民用和商業實體都是一個福音，但如此令人印象深刻的建築專案並不是我們改善運輸和物流未來的唯一途徑。

相反，在競爭日益激烈和互聯互通的世界中，只有29％的運輸和物流（T＆L）CEO相信他們的公司的收入將在明年增長，越來越多的T＆L公司正在轉向基於雲的新型機器學習服務，可以幫助他們提高效率併為客戶帶來更好的體驗。

雲與AI的融合使自主技術，尤其是移動技術領域的創新得以廣泛開展。

PWC的資料顯示，這改變了遊戲規則，因為68％的運輸與物流公司負責人認為，服務提供核心技術的變化將在未來五年內擾亂他們的行業，而65％的人則認為分銷渠道的進展將如此。

流動革命 ， 總而言之，機器學習在四個主要領域推動了運輸和物流行業的移動性革命：

1.  預測需求和路線最佳化

2.  自動駕駛和製圖

3.  機器人技術

4.  異常檢測

例如，正在擾亂價值8000億美元的卡車運輸行業的Convoy，透過利用機器學習模型來最佳化路線。

在美國，卡車運輸是透過人工經紀人工作的分散的託運人和運輸者網路，這是一個效率低下的系統，導致每年95％的95％的美國卡車駕駛員被空載。

Convoy能夠分析數百萬個運輸工作，以建立業內最有效的匹配速度-透過減少空載里程（最重要的是減少排放量）來增加利潤。

但是卡車運輸業正在經歷全國至少10萬名駕駛員的短缺。 有 一種解決方案 ， 那就是 自動駕駛卡車。在TuSimple，技術團隊部署了100多個基於雲的AI模組，以安全有效地進行100英里以上的自主商業交付。

即使在裝卸卡車上以每小時65英里的速度行駛時，TuSimple的先進AI演算法也可以區分共享道路的車輛型別，確定其速度，並保持+/- 5釐米的精度使TuSimple的卡車安全地保持在車道中心

在東南亞，叫車公司Grab希望提高其實時按需匹配和供應演算法。它轉向了機器學習工具來訪問支援150萬次預訂的實時資料計算和資料流，最終將其匹配和供應效能提高了30％。

AI和機器學習對T＆L行業產生積極影響的另一個例子是Lyft使用AI驅動的時間序列分析解決方案。

該技術會自動發現異常現象，從而發出更大的業務問題，並檢測需要檢查的事件。Lyft透過不必投資大型內部資料科學或手動檢查儀表板而節省了鉅額成本。

當然，預測的準確性是運輸和物流公司的主要因素，而位於阿聯酋的Aramex（提供國際和國內快遞，貨運代理和線上購物服務）的實時運輸業務每分鐘處理數千個請求。

透過部署完全託管的基於雲的服務，使開發人員和資料科學家能夠訓練，構建和部署AI和ML模型，Aramax的運輸時間預測準確性提高了74％，從而減少了與交付相關的服務呼叫40％。

基於雲的ML和AL

基於雲的機器學習和AI工具也是Amazon的核心，每年成功成功地交付數十億個軟體包，從客戶下訂單到完成訂單再到交付。

我們使用預測演算法來預測客戶可能要訂購的商品，以確保倉庫中有足夠的供應。

我們在AWS上的AI和機器學習服務還為我們的履行中心機器人，與我們的交付合作夥伴合作的方法提供動力，甚至最佳化我們的交付路線。

過去幾年的經驗教訓很明確：在運輸與物流行業中的競爭從未如此複雜，而獲利只有真正的技術驅動效率。

幸運的是，人工智慧和機器學習的新創新透過為企業提供解決其最大問題和蓬勃發展所需的先進工具，為它們提供了巨大的優勢 ， 更多資訊盡在振工鏈 。