Müşteriler; karar alımında kendi kitlelerine içgörü sağlayıp değer katmak için, var olan muazzam miktarda veri üzerinden 'süreç, tahmin ve öngörüleri' ele alabilmek amacıyla yapay zekanın makine öğreniminden faydalanıyorlar; hem de gerçek zamanlı olarak.
Müşteri ve sorunu
Bu hikayede müşteri; en büyük iş sorunlarını çözmek için teknolojiye başvuran, geleceğe odaklı bir kuruluş ve ileri teknoloji uygulayıcısı.
Lojistiğin çok baskın bir zorluk oluşturduğu, dünyanın en büyük limanlarından birini işletiyor. Her biri 20.000 adede kadar; 20 metrelik konteyneri (ve onlara yardım etmek için dev kamyonlar, vinçler ve farklı becerilere sahip işçileri) taşıyan yaklaşık 100 gemi her gün içeri girip çıkıyor. Bir geminin varış saatindeki herhangi bir yanlış hesaplama, liman için önemli gecikmeler yaratma potansiyeline sahip. İşler ters gittiğinde; gemiler yanaşacak bir yer bulamadan bekliyor, işçiler ve makineler atıl kalıyor.
Kapsam; müşterinin gemi hareketini doğru bir şekilde tahmin etmek için bir yaklaşım geliştirmesine ve buradan insan ve makineyi daha iyi tahsis etmesine destek olmaktı.
Takım yaklaşımı ile doğru kapsam
Otomasyonun, bir kuruluşa başarıyla yerleştirilmesi için; liderliğin ve ekiplerin, sürecin bir parçası olması gerekiyor.
Müşterimizin operasyonlarının tüm noktalarında, satın alma ve katılımı sağladığımızdan emin olmak için; EY personelini, organizasyon liderlerini ve ekip üyelerini birleştiren bir çalışma grubu oluşturduk. Bu, zamana bağlı bir projeydi. Bu nedenle; operasyondaki yapay zeka ile otomatikleştirilecek alanların tam olarak doğrulanmasına destek olmak için, bir dizi tasarım odaklı düşünme atölyesi düzenledik.
Bu; projenin kapsamını liman içi ve liman dışı gemi hareketini daha doğru bir şekilde tahmin etmek, makineleri gerçek zamanlı olarak tahsis etmek ve insan kaynaklarını daha iyi planlamak etrafında üç özel hipotezle sınırlandırdığımız, oldukça etkileşimli bir yaklaşımdı.
AI'ın uygulanması
Yapay zekayı laboratuvardan sahaya taşımak zordur. Bu vaka çalışmasıyla; kuruluşun verileri ve operasyonel ortamını derinlemesine anlayarak, AI becerilerini tamamlama ihtiyacını vurguluyoruz.
Tahmin için yapay zeka makine öğrenimi ve yeni veri kaynaklarını kullanarak; üç canlı çözüm geliştirerek, 20'den fazla AI modelinin oluşturulması ve entegre edilmesine destek olduk:
- Gemi varış süresi 14 gün
- Limanın talebi karşılamak için ihtiyaç duyacağı kaynaklar ve
- makinenin tersanede potansiyel tıkanma noktaları.
Farklı öğrenme hatlarından gelen varış zamanlarında gelgit modelleri, kap boyutları ve geçmiş varyasyonlar gibi değişkenlerle; makine öğrenim modelini bilgilendirmek için kapsamlı tarihsel veritabanları kullandık. Bu geçmiş verileri, uydu navigasyonu ve her bir geminin beyan edilen varış zamanı ile birleştirilince; gemi hareket modelinin, önceki liman operatörü sisteminden bariz bir şekilde daha doğru olduğu kanıtlandı.
Daha doğru iş gücü planlaması için, daha kesin varış sürelerine sonradan izin verildi. Bu ise; potansiyel tıkanma noktalarını daha iyi vurguladı ve tersane içinde daha hızlı sürüş rotaları için gerçek zamanlı önerilere izin verdi. Böylece makineler doğru zamanda olması gereken yerdeydi.
Şimdiye kadar elde edilen sonuçlar
Birlikte bu üç otomatik AI çözümü, limanın verimliliğini önemli ölçüde artırdı ve önemli miktarda maliyet tasarrufu sağladı. Yalnızca gemi hareketi için otomatik AI çözümü, doğruluğu %3 oranında artırdı (müşterinin karşılaştırmasının ötesinde); bu da yakın vadede yaklaşık 10,2 milyon dolar tasarruf sağladı.
Müşteri tarafında bu makro etkiye ek olarak, zaman içerisinde saha çalışanlarının çalışma süreleri daha iyi tahminlenmeye başlandı. Bu; vardiya süresi boyunca daha az atıl zaman, beklenmedik gemi gecikmelerinde de daha kısa mesai harcamak anlamına geliyordu.
Herhangi bir teknoloji uygulaması, işletmelerin gerçek yaşam sorunlarını kapsamlı ve sorumlu bir şekilde çözmelidir. AI, gerekli sonuçları sağlamakla kalmayıp; çalışanların çalışma ortamını da iyileştirmiş olarak, bu müşteri için doğru teknolojiyi sağladı.
Tahmin modellerindeki her gelişme; ne kadar küçük olursa olsun, limanın işletmesini büyük ölçüde geliştirir.
Ve sonra?
Üstlendiğimiz iş; tüm operasyonların merkezine akıllı otomasyonu koyduğu, müşterinin gelecek mega-liman planlarına dahil ediliyor.
Ve bugün müşteri, devamlı ek verilerin eklenmesi ile; makine öğrenme modelinin tahmin doğruluğunda sürekli iyileşme görüyor. Bu; zamanla daha akıllı hale gelen gerçek bir AI otomasyon örneği. Gelişmiş veri analiz teknikleri (AI gibi) ile elde edilen başka akıllı otomasyon örnekleri için, diğer makalelerimizi okuyun.
Özet
Müşteriler; karar alımında kendi kitlelerine içgörü sağlayıp değer katmak için, var olan muazzam miktarda veri üzerinden 'süreç, tahmin ve öngörüleri' ele alabilmek amacıyla yapay zekanın makine öğreniminden faydalanıyorlar; hem de gerçek zamanlı olarak.
Otomasyon; geniş yelpazedeki endüstriler, coğrafyalar ve iş konularında; hem bugün hem de yarın için önemli bir etken olmaya devam ediyor.
