Met behulp van kunstmatige intelligentie kunnen digitale logistieke platforms de patronen achter voltooide transportopdrachten herkennen. Als de hoeveelheid data groot genoeg is, kunnen hiermee marktconforme prijsvoorstellen worden berekend waarmee verladers, expediteurs of vervoerders hun onderhandelingspositie aanzienlijk kunnen verbeteren. Als een van de grootste digitale logistieke platformen in Europa is Trans.eu een van de pioniers op dit gebied.
Kunstmatige intelligentie kan mensen gelukkig maken: datingsites ontdekten lang geleden machine learning om de zoekresultaten van eenzame harten te verbeteren. Met enorme investeringen in reclame en technologie hebben de toonaangevende aanbieders in dit segment hoge marktaandelen en gebruikersaantallen gewonnen. Parship alleen al zou meer dan 4,5 miljoen leden hebben, waardoor de algoritmen een solide database hebben.
Maar niet alleen het privé geluk profiteert van de verworvenheden van digitalisering. Ook het zoeken naar geschikte transportpartners en het bepalen van eerlijke vrachtprijzen kunnen door slimme algoritmen worden geoptimaliseerd. Ook hier hangt de kwaliteit van de resultaten af van de hoeveelheid beschikbare data. Hoe groter het aantal transportopderachten dat elke dag wordt voltooid, hoe meer informatie het algoritme voor zijn werk kan gebruiken – en hoe nauwkeuriger de resultaten zullen zijn.
Leren van gegevens uit het verleden
Het logistieke platform Trans.eu, dat in heel Europa actief is, put hier uit de data en dagelijkse quotas van 40.000 gebruikers. Deze datapool wordt geanalyseerd door middel van machine learning. Trans.eu heeft een krachtig algoritme ontwikkeld dat het gedrag van marktdeelnemers “leert” aan de hand van data uit het verleden. Op basis hiervan wordt een model gemaakt waarmee op basis van de geleerde regels prijsvoorstellen voor toekomstige reizen kunnen worden bepaald.
In de praktijk betekent dit dat intelligente algoritmen de opgeslagen aanbiedingen en overeenkomsten vergelijken en op basis daarvan voorstellen doen voor actuele vrachtprijzen. Deze houden rekening met factoren zoals de respectievelijke routes, tijdsaspecten, spot- en standaard vrachtaanbiedingen en andere factoren. Hierdoor hebben alle betrokken partijen doorlopend inzicht in de steeds veranderende marktprijzen – een ideale basis voor prijsonderhandelingen. De andere voordelen van prijzen met behulp van machine learning zijn ook duidelijk: het gebruik van het algoritme bespaart de klant (verlader of expediteur) een aanzienlijke hoeveelheid tijd, helpt fouten te voorkomen en verhoogt de effectiviteit. Een ander pluspunt is dat de kennis niet meer verloren gaat als medewerkers wisselen. Aangezien het algoritme van Trans.eu het gedrag heeft geleerd op basis van data uit het verleden, zal ook een nieuwe medewerker profiteren van deze kennis.
De term “kunstmatige intelligentie”
Kunstmatige intelligentie (AI) is een van de megatrends van digitalisering, maar de exacte betekenis van AI is voor veel belanghebbenden onduidelijk: in het menselijk brein zijn er ongeveer 100 miljard neuronen die met elkaar zijn verbonden. De overdracht van informatie tussen neuronen vindt plaats via elektrische impulsen. Dit stelt mensen in staat om te leren, conclusies te trekken en abstract te denken. Bij zogenaamde “kunstmatige intelligentie” worden neuronen vervangen door kunstmatige neuronen en getraind door middel van algoritmen. Menselijke intelligentie wordt echter niet gerepliceerd – machine learning wordt gebruikt om patroonherkenning te leren op basis van een verscheidenheid aan gegevens.
Machine Learning kan bijvoorbeeld automatisch een set regels leren op basis van trainingsgegevens. Dit bespaart bedrijven het handmatig aanmaken van een model en de bijbehorende inspanning, zoals het definiëren van regels, controles en interpretaties. De kwaliteit van de trainingsgegevens is cruciaal voor succes.
Leren zonder te onthouden
Bij het ontwikkelen van een machine learning-model zijn twee taken bijzonder uitdagend. Deze omvatten zogenaamde feature selection, waarmee wordt bedoeld de selectie van een subset van relevante kenmerken van een dataset uit de talrijke kenmerken van transporttaken uit het verleden. Hierbij gaat het bijvoorbeeld om de keuze van de bestemming, het gewicht of het vervoerstype. De tweede uitdagende taak is de zogenaamde “overfitting / underfitting”. Het model moet wiskundig complex genoeg zijn om menselijk gedrag te leren. Het moet echter niet uit het hoofd leren. De gewenste oplossing wordt door machine learning engineers een generaliserend model genoemd.
