Grâce à l’intelligence artificielle les plateformes logistiques numériques peuvent recréer les modèles en analysant les ordres de fret terminés. Si le volume de données est suffisamment important, les algorithmes peuvent calculer des propositions de prix conformes au marché, et les expéditeurs, les affréteurs ou les transporteurs peuvent les consulter afin d’améliorer considérablement leur position de négociation. En tant que l’une des plus grandes plateformes logistiques numériques en Europe, Trans.eu est l’un des pionniers dans ce domaine.
L’intelligence artificielle peut rendre les gens heureux : les sites de rencontres ont découvert il y a longtemps l’apprentissage automatique pour améliorer les résultats de recherche de cœurs solitaires. Grâce à des investissements massifs dans la publicité et la technologie, les principaux fournisseurs de ce segment ont gagné des parts de marché et un nombre d’utilisateurs élevés. Parship à lui seul, compterait plus de 4,5 millions de membres, ce qui donne aux algorithmes une base de données vraiment solide.
Mais il n’y a pas que le bonheur privé qui profite des acquis de la numérisation. La recherche de partenaires de transport appropriés et la détermination de prix de fret équitables peuvent également être optimisées par des algorithmes intelligents. Ici aussi, la qualité des résultats dépend de la quantité de données disponibles. Plus le nombre de commandes de fret traitées est élevé, plus l’algorithme peut l’utiliser pour son travail – et plus ses résultats seront précis.
Apprendre des données
La plateforme logistique Trans.eu, qui opère dans toute l’Europe, s’appuie ici sur les données résultant des activités quotidiennes de 40 000 entreprises de toute taille du secteur transport et logistique. Ce pool de données est analysé automatiquement. Trans.eu a développé un algorithme puissant qui « apprend » le comportement des acteurs du marché en utilisant des données du passé. Sur cette base, un modèle est créé qui peut être utilisé pour déterminer des propositions de prix pour les trajets futurs en fonction des règles établies.
En pratique, cela signifie que des algorithmes intelligents comparent les offres et les accords stockés et, sur cette base, créent des propositions des prix de fret actuels. Ils prennent en compte des facteurs tels que les itinéraires respectifs, les aspects temporels, les offres du marché au comptant et standard, et d’autres facteurs. Cela donne à toutes les parties concernées un aperçu permanent des prix du marché en constante évolution – une base idéale pour les négociations de prix. Les autres avantages de la tarification à l’aide du machine learning sont également évidents : l’utilisation de l’algorithme permet de gagner un temps considérable au client (expéditeur ou affréteur), permet d’éviter les erreurs et augmente l’efficacité. Un autre point positif est que ces données ne se perdent pas lorsque les employés changent, un nouvel employé bénéficiera également de cette connaissance.
Le terme « intelligence artificielle »
L’intelligence artificielle (IA) est l’une des mégatendances de la numérisation, mais la signification exacte de l’IA n’est pas claire pour de nombreuses parties prenantes : dans le cerveau humain, il y a environ 100 milliards de neurones qui sont en réseau les uns avec les autres. La transmission d’informations entre les neurones s’effectue via des impulsions électriques. Cela permet aux humains d’apprendre, de penser de manière abstraite. Dans ce qu’on appelle « l’intelligence artificielle », les neurones sont remplacés par des neurones artificiels et entraînés au moyen d’algorithmes. Cependant, l’intelligence humaine n’est pas répliquée – l’apprentissage automatique est utilisé pour apprendre la reconnaissance de formes basée sur une variété de données.
L’apprentissage automatique peut, par exemple, apprendre automatiquement un ensemble de règles basées sur des données d’entraînement. Cela évite aux entreprises d’avoir à créer manuellement un modèle et les efforts associés, tels que la définition de règles, de contrôles et d’interprétations. La qualité des données d’entraînement est cruciale pour le succès.
Apprendre sans mémoriser
Lors du développement d’un modèle d’apprentissage automatique, deux tâches sont particulièrement difficiles. Il s’agit notamment de ce que l’on appelle la sélection de caractéristiques, c’est-à-dire la sélection d’un sous-ensemble de caractéristiques pertinentes d’un ensemble de données à partir des nombreuses caractéristiques des travaux de transport passés. Il s’agit par exemple de la sélection de la destination, du poids ou du type de transport. La deuxième tâche difficile est ce qu’on appelle le « surapprentissage / sous-apprentissage ». Le modèle doit être mathématiquement suffisamment complexe pour apprendre le comportement humain. Cependant, il ne doit pas apprendre par cœur. La solution souhaitée est appelée modèle généralisateur par les ingénieurs en apprentissage automatique.
