5 minutt lesing 18 des 2019
Tollinspektør vurderer container-dokken

Hvordan AI automatiserer på en intelligent måte

med

EY Global

Multidisciplinary professional services organization

5 minutt lesing 18 des 2019
Relaterte temaer Digitalisering Transport

vis ressurser

Transformering gjennom intelligent automatisering med kunstig intelligens (AI - artificial intelligence) er nå praksisen for banebrytere med et øye på fremtiden.

Utsikten til hastighet, enkelhet og kostnadsoptimalisering, og forenkling av kompliserte prosesser og systemer setter AI (Artificial Intelligence) i førersetet for organisatorisk transformasjon. Tradisjonelle forretningsprosesser og systemer gjennomgår et grunnleggende skifte med stadig større tilgang på nye teknologier. Transformering gjennom intelligent automatisering med kunstig intelligens (AI) er nå praksisen for banebrytere med et øye på fremtiden.

I et meget konkurransepreget, globalt forretningsmiljø – hvor alt går raskere enn noen gang før – må organisasjoner forbedre hastigheten, presisjonen og produktiviteten sin for å levere det beste resultatet de kan til kundene. Dette involverer ikke bare hvordan du kommuniserer direkte med kundene, men det det kommer an på, når de først er tilknyttet, hvor raskt du kan betjene behovene deres.

Ved å bruke AI-maskinlæring til å «behandle, forutsi og foreskrive» på tvers av de enorme datamengdene som nå er tilgjengelig, bruker klienter folkene sine for å tilføre verdi ved å levere innsikt når beslutninger blir tatt. I sanntid. 

I et bredt spekter av bransjer, geografiske områder og forretningsområder, er automatisering fortsatt en viktig forretningsdriver for i dag og i morgen.

Hvorfor, hvordan og hva

Klienter forstår ofte hvile områder i virksomheten deres som krever forbedring (hvorfor) og har resultatmål å oppnå, men den nøyaktige tilnærmingen (hvordan og hva) kan være overveldende ... RPA, kognitiv, NLP, droner, blokkjeder, smidighet (agility), maskinlæring ... et meget omfattende utvalg av nye teknologier og teknikker er tilgjengelig.

Du kan lese mer om de tre trinnene vi anbefaler når du utvikler en intelligent automatiseringsmetode her, men denne artikkelen gir deg et eksempel fra virkeligheten på hvordan vi har brukt AI for å automatisere intelligent for en klient.

Ved å bruke AI-maskinlæring til å «behandle, forutsi og foreskrive» på tvers av de enorme datamengdene som nå er tilgjengelig, bruker klienter folkene sine for å tilføre verdi ved å levere innsikt når beslutninger blir tatt. I sanntid.

Klienten og utfordringen

Klienten er en fremtidsrettet organisasjon og en avansert teknologibruker, som bruker teknologier for å løse noen av sine største forretningsproblemer.

De driver en av verdens største havner der logistikk byr på en overveldende utfordring. Nesten 100 fartøyer beveger seg inn og ut hver dag, og hver har opptil 20 000 20 fots containere, som krever gigantiske lastebiler, kraner og arbeidere med en rekke ulike kompetanser for å kunne betjene dem. Enhver feilberegning av et fartøys ankomsttid kan potensielt skape betydelige forsinkelser for havnen. Når ting går galt, blir skip liggende uten et sted å legge til kai, arbeidere venter uten jobb å gjøre, og det oppstår flaskehalser i maskineriet.

Oppgaven var å hjelpe klienten med å utvikle en tilnærming for kunne forutsi fartøyenes bevegelser presist, og med utgangspunkt i dette bedre allokere menneskelige ressurser og maskiner.

Riktig definisjon av oppgavens omfang med en teamtilnærming

For at automatisering skal være integrert i en organisasjon, må ledelsen og de involverte teamene være en del av prosessen.

Vi satte sammen en arbeidsgruppe som inkluderte en blanding av EY-folk og kundeledere og teammedlemmer, på tvers av alle aspekter av virksomheten for å sikre at vi oppnådde aksept og engasjement. Vi kjørte en serie workshops for å hjelpe til med å identifisere de eksakte områdene i virksomheten som skulle automatiseres med AI. 

Dette var en særdeles interaktiv tilnærming, hvor vi var i stand til å begrense prosjektomfanget til tre spesifikke hypoteser rundt mer nøyaktig forutsigbarhet for fartøyenes bevegelse inn og ut av havnen, tildeling av maskinressurser i sanntid og bedre planlegging av menneskelige ressurser.

Innføre AI 

Det er vanskelig å flytte AI fra laboratoriet og ut i felt, og denne casestudien belyser behovet for å utfylle AI-kompetanse med en dyp forståelse av organisasjonens data og operasjonelle kontekst.

Ved å bruke AI-maskinlæring og nye datakilder hjalp vi til med å utvikle tre live-løsninger med mer enn 20 AI-modeller bygd og integrert for å kunne forutsi:

  1. ankomst av fartøyer 14 dager frem i tid
  2. ressurser havnen trenger for å møte etterspørselen, og
  3. potensielle flaskehalser for maskinressurser.

Vi brukte omfattende historiske databaser for å mate maskinlæringsmodellen med variabler som tidevannsmønster, fartøystørrelser og tidligere variasjoner i ankomsttider fra forskjellige rederier. Ved å inkorporere disse historiske dataene med satellittnavigasjon og hvert fartøys deklarerte ankomsttid, viste modellen for fartøyenes bevegelser seg å være vesentlig mer nøyaktig enn havneselskapets tidligere system.

Mer presise ankomsttider muliggjorde i sin tur en mer nøyaktig planlegging av arbeidskraften. Dette gjorde det igjen lettere å identifisere potensielle flaskehalser og muliggjorde forslag til raskere kjøreveier gjennom havneområdet i sanntid, slik at maskiner kunne være på plass der det var bruk for dem til rett tid.

Resultatene så langt

Sammen økte disse tre automatiserte AI-løsningene havnens effektivitet betraktelig og bidro til omfattende kostnadsbesparelser. Den automatiserte AI-løsningen for fartøybevegelse alene økte nøyaktigheten med 3 % (utover kundens benchmark), noe som tilsvarer cirka 10,2 millioner USD i besparelser på kort sikt.

I tillegg til denne makroeffekten for klienten, har bedre forutsigbarhet gjort at havnearbeiderne nå har mer forutsigbar arbeidstid, med liten nedetid under et skift og redusert overtid som følge av uventede fartøyforsinkelser.

Ved all bruk av teknologi er det nødvendig at virksomheters faktiske problemer fra det virkelige liv løses, og at dette gjøres på en inkluderende og ansvarlig måte. For denne kunden var AI riktig teknologi for å levere de nødvendige resultatene, inkludert forbedring av arbeidsmiljøet til de ansatte.
Andy Gillard
Leder for Ignition to Cognition EY Asia-Pacific

Enhver forbedring av de prediktive modellene, uansett hvor liten den er, forbedrer havnedriften eksponentielt.

Og det neste?

Arbeidet vi utførte blir integrert i klientens planer for en fremtidig megahavn, der intelligent automatisering vil være kjernen i all drift.

Og i dag ser klienten kontinuerlig forbedring i maskinlæringsmodellens prediksjonsnøyaktighet med tilleggsdata som blir lagt til hele tiden. Dette er et  eksempel fra virkeligheten på AI-automatisering som blir mer intelligent over tid. For flere kundeeksempler på intelligent automatisering som oppnås ved hjelp av avanserte dataanalyseteknikker (som AI), les noen av våre andre artikler .

Sammendrag

Ved å bruke AI-maskinlæring til å «behandle, forutsi og foreskrive» på tvers av de enorme datamengdene som nå er tilgjengelig, bruker klienter folkene sine for å tilføre verdi ved å levere innsikt når beslutninger blir tatt. I sanntid.

I et bredt spekter av bransjer, geografiske områder og forretningsområder, er automatisering fortsatt en viktig forretningsdriver for i dag og i morgen.

om denne artikkelen

med

EY Global

Multidisciplinary professional services organization

Relaterte temaer Digitalisering Transport