«یادگیری ماشین» اصطلاحی است که اغلب مورد توجه قرار میگیرد، به ویژه در زمینه آینده نگری اغراق آمیز و غیرواقعی. در حقیقت، این فناوری، امروزه بخشی مهم از زندگی ما را به خود اختصاص داده و منافع بسیاری از صنایع، از جمله باربری را تأمین میکند. در اینجا نگاهی میاندازیم به اینکه «یادگیری ماشین» امروزه برای تدارکات و حمل ونقل بار چه امکاناتی را فراهم میکند و چه فرصتهایی را می تواند در آینده به وجود آورد.
بیایید با بحث درباره چیستی «یادگیری ماشین» شروع کنیم. این اصطلاح در سال 1959 توسط آرتور ساموئل، پیشگام بازیهای رایانه ای و هوش مصنوعی (AI)، به دایره واژگان ما اضافه شد. یادگیری ماشین شاخه ای از هوش مصنوعی است و بر این فرض بنا شده است که سیستمها میتوانند از داده های دریافتی بیاموزند، الگوها را شناسایی کنند و پیش بینی های مؤثر و قابل اطمینان را با حداقل دخالت انسان ارائه دهند.
یادگیری ماشین اغلب با «یادگیری عمیق» که زیرمجموعه ای از یادگیری ماشین است و از الگوهای پردازش اطلاعات مغز انسان الهام میگیرد، اشتباه گرفته می شود. در واقع، یادگیری عمیق گام بعدی در یادگیری ماشین محسوب میشود چرا که میتواند از روش محاسبه و یادگیری خود، بیاموزد و در مواردی مانند تشخیص تصویر و پردازش زبان طبیعی دقیق تر عمل کند.
یادگیری ماشین مدتهاست که وجود دارد. اما به لطف پیشرفت در پردازش رایانه ای و محاسبات ابری که مقیاس بندی و تجزیه وتحلیل حجم عظیمی از داده ها را امکان پذیر کرده است، طی چند سال اخیر، پیشرفت چشم گیری داشته است. امروزه یادگیری ماشین در هر گوشه از زندگی ما کاربردی دارد؛ تا به حال به آهنگی که توسط Spotify پیشنهاد شده است، گوش داده اید؟ از کمک شخصی مجازی مانند «الکسا» استفاده کرده اید؟ یا برای برنامه سفر خود از خدمات مسیریابی GPS، کمک گرفته اید و یا برای مشتری در تجارت الکترونیک، کالایی ارسال کردید؟ پس حتما تا به حال از یادگیری ماشین بهره برده اید.
یادگیری ماشین در همه جا وجود دارد و حمل بار نیز از واقعیت مستثنا نیست و با توجه به حجم عظیمی از داده هایی که صنعت از طریق وسایل نقلیه متصل به هم، دستگاه های الکترونیکی ورود به سیستم، سنسورها و موارد دیگر تولید میکند، احتمالاً مورد توجه بیشتری قرار خواهدگرفت. از زمینه هایی که یادگیری ماشین در صنعت باربری کاربرد داشته است، میتوان به اتوماسیون دفتر کار، بهینه سازی مسیریابی، تعمیر و نگهداری پیش بینی شده و بهبود عملکرد رانندگان اشاره کرد. همچنین یک جزء کلیدی در توسعه فناوری هایی مانند خوشه بندی و سیستمهای تطبیق بار دیجیتال است.
اما این فقط بخش کوچکی از کارهایی است که یادگیری ماشین میتواند برای صنعت حمل ونقل انجام دهد. با نگاهی به آینده، این فناوری همچنان تکامل خواهدیافت، پیش بینی های بهتری در محیطهای پیچیده انجام می دهد و بزرگترین چالش صنعت را حل میکند. در اینجا نگاهی می اندازیم به برخی از زمینه هایی که یادگیری ماشین دستاوردهای ارزشمندی را برای اپراتورهای حمل ونقل ایجاد خواهدکرد:
مسیریابی و بسته بندی بهینه در صعنت حمل ونقل
مایلهای بدون بار، 20 درصد از ترددهای حمل ونقل بار جاده ای در اروپا را تشکیل میدهند، این مقدار در چین به 40 درصد نیز میرسد. یکی از دلایل اصلی این امر، سیستمهای اعزام ناکارآمد است که در آن کامیونها بدون هیچ باری، به محلی برای بارگیری سفر میکنند. یادگیری ماشین میتواند با پیش بینی زمان رسیدن وسایل نقلیه مختلف و تحویل بارها و خوشه بندی بر اساس موقعیت جغرافیایی فعلی و مقصد، مایلهای طی شده بدون بار را کاهش دهد. این امر نه تنها باعث استفاده بهتر از امکانات و تردد کمتر وسایل نقلیه در جاده ها میشود، بلکه کاهش هزینه های تحویل تا 25 درصد و انتشار گازهای گل خانه ای تا 30 درصد را به همراه خواهدداشت. شرکت هایUber و Lyft از این فناوری برای جابجایی افراد استفاده میکنند و مدلهای تجاری جدیدی نیز در حال ظهور است که استفاده از این تکنولوژی را در صنعت حمل ونقل کالا گسترش میدهند.
پیش بینی جریان ترافیک
امروزه گروه های برنامه ریزی شهری و دیگر تصمیم گیرندگان اغلب زیرساختهای حمل ونقل را بدون اطلاعات کافی در مورد الگوهای تردد برنامه ریزی میکنند که در نتیجه مشکلاتی مانند ازدحام و شلوغی را به وجود خواهدآورد. در عین حال، حجم فزاینده ای از منابع داده مانند سرویسهای GPS، تصاویر ماهواره ای و حتی بررسی رسانه های اجتماعی وجود دارد که میتواند توسط فناوری یادگیری ماشین تجزیه وتحلیل شوند و پیش بینی ها و توصیه های ترافیکی زنده انجام دهند. با استفاده از سیگنالهای ترافیکی خودکار که از داده های دوربینها، سنسورها و تصاویر ماهواره ای به دست می آیند، میتوان جریان ترافیک را به منظور کاهش تراکم و ازدحام، به ویژه در جاده های شهری، هدایت کرد. شهر هانگژو در حال انجام دادن آزمایشهای اولیه با استفاده از پروژه Alibaba's City Brain است که بیش از 1000 سیگنال جاده ای را با هدف جلوگیری یا کاهش قفل شدن ترافیک در سطح شهر، پردازش میکند.
وسایل نقلیه خودران
رانندگی بدون سرنشین مدتی است که به یکی از دغدغه های اصلی صنعت حمل ونقل تبدیل شده است. ساخت وسایل نقلیه خودران بدون کمک گرفتن از فناوری یادگیری ماشین امکان پذیر نخواهدبود، چرا که افزون بر سایر وظایفش، محیط اطراف وسیله نقلیه خودران را به طور مداوم بررسی کرده و تغییرات احتمالی را در آن محیط پیش بینی میکند. خودران سازی وسایل نقلیه در حال اتفاق افتادن است، هرچند که زمانبندی برای پذیرش آن در مقیاس کامل همچنان نامعلوم است. اما آنچه واضح است این است که این فناوری پتانسیل کاهش هزینه ها، بهبود بهره وری و رفع چالشهای ناشی از شیوه های جدید مصرف مانند تجارت الکترونیکی را دارد.
اینها تنها برخی از مواردی است که یادگیری ماشین میتواند بر صنعت حمل ونقل تأثیر بگذارد. البته راههای دیگر بسیاری نیز وجود دارد که به کمک این فناوری صنعت حمل ونقل فعال تر، قابل پیش بینی تر، خودکار و شخصی تر میشود.
