ivl predavanja 2018 19 - fpp.uni-lj.si
TRANSCRIPT
8. 05. 2019
1
Univerza v LjubljaniFakulteta za pomorstvo in promet
I v L doc. dr. Evelin KRMAC
2018/19
INFORMACIJSKA PODPORA LOGISTIČNIH PROCESOV
INFORMATIZACIJA LOGISTIKE
Optimizacija področja logistikezniževanje stroškov
večja kakovost
delakrajši
odzivni časivečja
fleksibilnost
krajši čas vračila
investicije
. . . ZAKAJ ?
8. 05. 2019
2
zajem podatkov in dostop do informacij na samem mestu dogajanja
realni prostor in realni čas
avtomatizacija in informatizacija procesov
postopki orodja
samodejna identifikacijanavigacija in sledenjeRIP in e-poslovanje
povezovanje
brezžična mobilna oprema komunikacija
programska orodja roboti / koboti
Obvladovanje prostora in časa
8. 05. 2019
3
Obvladovanje prostora in časa
Obvladovanje prostora in časa
8. 05. 2019
4
INDUSTRIJA 4.0
1.0 2.0 3.0 4.0
Mehanična proizvodnja –hidro in parna
energija
Masovna proizvodnja –
elektrifikacija, industrializacija
Digitalizacija in avtomatizacija –računalniki in IT
Kibernetično –fizični sistemi
Industrija 4. generacije
INDUSTRIJA 4.0 digitalizacija poslovnih procesov
4. industrijska (r)evolucija
Vitka proizvodnja / logistika Pametna proizvodnja / logistika
Pametne tovarne
2011 ->
Cilj: maxdobiček
Personaliziranaproizvodnja
Izdelava izdelkov po
potrebi
Velike količine različnih izdelkov
procesi, postopki, izdelki, stroji in storitve so med seboj povezani in med seboj komunicirajo s pomočjo IKT
računalniško spremljanje in vodenje proizvodnje
8. 05. 2019
5
VKLJUČUJE:• avtomatizacijo proizvodnje (robotizacija, UI)• inteligentna omrežja• računalništvo v oblaku• Internet stvari (senzorika + komunikacija s stroji in komunikacija z
izdelki)• velike količine podatkov, strojno učenje• povezovanje sistemov v realnem času
Problem: dehumanizacija?
8. 05. 2019
6
INDUSTRIJA 5.0 „from virtual to physical“
5. industrijska revolucija ?
2015 ->
Cilj: vrniti človeka v
proizvodnjoPersonalizirana
proizvodnja
Izdelava izdelkov po
potrebi
Velike količine različnih izdelkov
sodelovalni roboti (Collaborative robots) = coboti(več senzorjev, zaznavanje okolice, prepoznavanje predmetov in
njihovih položajev, višja stopnje inteligence, sprejemanje ustreznejših odločitev)
sodelovanje / interakcija med človekom in strojem
STROJI
vedno hitrejši,
natančnejši, zmogljivejši
LJUDJE
kognitivno in kritično
razmišljanje
8. 05. 2019
7
„Tako predelovalna dejavnost kot prevozniki inlogisti brez močne integracije sodobnihinformacijskih in tehnoloških rešitev danes ne morejobiti konkurenčni. Nobena transformacija alidigitalizacija procesov ne bo učinkovito izpeljanabrez odločne podpore IT-ja in sodobnihinformacijskih rešitev.
Zato je povezovanje uporabnikov in ponudnikovinformacijskih storitev in rešitev nujno.“[SLZ, vabilo na Logistični kongres 2019]
UPRAVLJANJE OSKRBNE VERIGE (Supply Chain Management)
upravljanje blagovnih in informacijskih tokov med
neodvisnimi organizacijami
integracija ključnih poslovnih procesov v celovite poslovne procese
+
INTEGRIRANA OSKRBNA / VREDNOSTNA VERIGA (Integrated Supply /Value Chain)
večja koordinacija poslovnih procesov ali aktivnosti+
pravočasna in kakovostnejša izmenjava informacij
8. 05. 2019
8
UPRAVLJANJE OSKRBOVALNE – VREDNOSTNE VERIGE
Dobavitelji surovin
Industrija in proizvodnja Trgovci na debelo
Trgovci na drobno
integracija
Povezava notranjih enot organizacije + Povezava organizacij
med seboj
8. 05. 2019
9
Digitalna logistična platforma in povezovalna programska oprema
• podpora logističnim procesom• povezovanje partnerjev v oskrbovalni verigi• povezovanje naprav, sredstev in sistemov v realnem času
Združuje• modularne• na oblaku temelječe• interoperabilne (spletne in brezžične)
aplikacije.
• enovita in odprta tehnološka platforma
8. 05. 2019
10
KLJUČ
ZA
USPEH
orodja
. . .
znanje
8. 05. 2019
11
www.logistics.dhlŠtiri ključni elementi prihodnosti logistike:1. Osredotočenost na potrošnike (hitra in prilagodljiva logistična izkušnja) 2. Trajnostni razvoj (okolju prijazna logistika)3. Tehnologije4. Ljudje (opravljanje ‚pomembnejših‘ nalog – upravljanje, analize, inovativnost)
8. 05. 2019
12
Gradniki „digitalne transformacije poslovnih modelov“: informacijski sistem analitika podatkov (Big Data) tehnologija oblaka in storitev v oblaku internet stvari (IoT) robotika in avtomatizacija umetna inteligenca – kognitivna inteligenca,
podatkovno rudarjenje, nevronske mreže, strojno učenje, …
navidezna resničnost (Augmented Reality) avtonomna vozila omrežja „naslednjih“ generacij (inteligentna omrežja) tehnologija veriženja podatkovnih blokov (Blockchain)
TEHNOLOGIJE
UMETNA INTELIGENCA
„Huawei uporablja tehnologijo umetne inteligence v logistiki,sistemu dostave, financah in pri notranjih revizijah. Rezultati soobetavni. Že v sami logistiki podjetja so se ocene zanesljivostizvišale med 30 in 80 odstotkov, uporaba AI tehnologije pa jeučinkovitost dostave povečala za 30 odstotkov. Svetovalna hišaMcKinsey je pred kratkim napovedala, da lahko tehnologijaumetne inteligence v 19 različnih panogah potencialno ustvarimed 3,5 in 5,8 milijarde dolarjev nove vrednosti na letniosnovi.
Od leta 2000 se je število aktivnih startup-ov na področju umetneinteligence povečalo 14-krat, vrednost naložb vanje pa se jepovečala šestkrat. Od leta 2013 se je število delovnih mest, kizahtevajo znanje o umetni inteligenci, povečalo za 4,5-krat. Tudi v Sloveniji je kar nekaj tovrstnih uspešnih zgodb.“
8. 05. 2019
13
UMETNA INTELIGENCA skozi čas
UMETNA INTELIGENCA
„Umetna inteligenca bo preoblikovala tudi transport.Samovozeča vozila ne sodijo več v sanjsko vizijo prihodnosti,ampak so zelo oprijemljiva realnost. Takšna vozila bi lahkorevolucionizirala transport in prevozne storitve, saj bi bila bistvenovarnejša, poleg tega pa bi pametni navigacijski sistemi zaradiprometnih zastojev lahko zmanjšali nepotrebne stroške.Raziskave McKinseja navajajo primer evropskega podjetja, ki jesvoj prevoz s tovornjaki optimiziralo na podlagi algoritmov umetneinteligence ter s tem zmanjšalo porabo goriva za 15 odstotkov,pri tem pa skrajšalo čas, potreben za dostavo.“
[MP, UI bo preoblikovala industrijo, 2018]
8. 05. 2019
14
UMETNA INTELIGENCA
• zelo interdisciplinarno področje računalništva in informatike
• Cilj UI: razvoj INTELIGENTNIH naprav – naprav, ki bi razpolagale z inteligenco in znale posnemati človeško razmišljanje, sklepanje, učenje, komuniciranje, izvajanje dejanj, pojasnjevanje, komentiranje …
• Inteligenca?
• Umetna inteligenca – sistemi, ki se vedejo/razmišljajo racionalno
UMETNA INTELIGENCA
Sposobnosti inteligentnih sistemov:
obdelava naravnega jezika predstavitev znanja avtomatsko sklepanje strojno učenje računalniški vid robotika …
8. 05. 2019
15
UMETNA INTELIGENCA
Glavna področja UI:
vizualna inteligenca (prepoznavanje oblik, obrazov, prstnih odtisov, očesne šarenice, …)
govorna inteligenca (prepoznavanje in sinteza govora) manipulativna inteligenca (nadzor gibanja robotske
roke, nadzor nožnih mehanizmov, …) racionalna inteligenca (avtomatsko sklepanje,
ekspertni sistemi, podatkovne baze, odkrivanje znanja, podatkovno rudarjenje, ontologije, strojno učenje…)
UMETNA INTELIGENCA
Sodobne aplikacije UI:
avtonomna vozila (robotska vozila) uporaba robotov (robotika) razpoznavanje govora, analiza in sinteza jezika strojno prevajanje med jeziki v realnem času igranje iger (šah, karte, …) načrtovanje logistike (optimizacija uporabe
sredstev) strojno svetovanje, napovedovanje, predvidevanje … izvajanje kompleksnih kirurških posegov detekcija neželene elektronske pošte . . .
8. 05. 2019
16
„deep learning“ – globoko učenje: stalno učenje; sistem se neprekinjeno uči iz realnega sveta in ob pridobivanju novih informacij prilagaja svoj učeči model ter oblikuje nova spoznanja [globoke večslojne NM]
8. 05. 2019
17
Globoko učenje- od klasifikacije in lociranja/lokalizacije posameznega objekta ….
… do identifikacije vsebine slike (detekcija več objektov na isti sliki, segmentacija)
8. 05. 2019
18
Umetne nevronske mreže
[Umetna nevronska mreža = Artificial Neural Network]
Je naprava - matematični oz. računski model za obdelavo informacij, ki posnema delovanje biološkega živčnega sistema (npr. človeški možgani).
• mreža je sestavljena iz velikega števila elementov –nevronov, ki delujejo vzporedno
• mreže se ne da sprogramirati za določeno nalogo
• učijo se s pomočjo primerov/pravil (izbira učnih primerov pomembna!!) – med učenjem mrežo naučimo, kateri izhodni podatki ustrezajo podanim vhodnim podatkom
vir: K. Mramor. Nevronske mreže. 2007.
veliko število vhodov en izhod
8. 05. 2019
19
Umetne nevronske mreže
NM sestavimo tako, da • najprej definiramo vse potrebne sestavne dele in njihove
povezave• računalnik sprogramiramo, da te lastnosti simulira.
Mreža ima dva načina delovanja:• učni način – mrežo naučimo, kdaj oz. kako naj odreagira
na določen vzorec na vhodu• uporabniški način – ko mreža zazna določen vzorec na
vhodu, na izhodu poda ustrezen izhodni signal;če vhodnega vzorca ni na seznamu naučenih vzorcev, se uporabijo pravila proženja, ki določijo, kako lahko izračunamo, kdaj naj se nevron ob nekem vhodnem vzorcu sproži in kdaj ne;
Umetne nevronske mreže
Pri kompleksnejših nevronih:• vhodi (xi) so obteženi – uteži na vhodnih podatkih
določajo učinek vsakega izmed vhodnih podatkov na vsakega izmed izhodnih podatkov;
• utež (wi) - številka, s katero množimo vhodne podatke -> s tem postanejo obteženi;
• obtežene vhodne signale seštejemo:x1 w1 + x2 w2 + …+ xn wn
• če vsota presega vnaprej določen prag proženja T, potem se vozlišče (nevron) sproži, sicer se ne sproži
• za proženje nevronov obstajajo različni algoritmi• uteži se med učenjem mreže spreminjajo
8. 05. 2019
20
Primer usmerjene nevronske mreže – informacije potujejo le v smeri od vhoda proti izhodu.
število skritih plasti: med 5 in 100, narašča s številom podatkov in učnih primerov
Umetne nevronske mreže
Uporaba nevronskih mrež – splošno:
• analiza velike količine podatkov • prepoznavanje vzorcev, obnašanja, …• prepoznavanje trendov podatkov• predvidevanja, napovedovanja• prepoznavanje glasu, obrazov, ročno napisanih
besed/številk, prstnih odtisov, …• različni optimizacijski algoritmi• . . .
8. 05. 2019
21
Umetne nevronske mreže
Uporaba NM na področju transporta:• nadzor in detekcija vozil • analiza in napovedovanja prometa/zastojev
Uporaba NM na področju logistike:• optimizacija (navigacijski problemi, problem trgovskega potnika, problem izbire
lokacije in alokacije – distribucija)
• modeliranje (podpora odločanju pri odpremi in dostavi pošiljk, podpora pri izbiranju načina …)
• napovedovanje (napovedi stečaja, uspešnosti, povpraševanja, …)
• analize (analize izdelkov in profilov strank, analize logistične verige in procesov, nadzor in analiza distribucije, …)
Gartner Top 10 Strategic Technology Trendsfor 2019
video
8. 05. 2019
22
Kako se stroji učijo?
UI je množica med seboj povezanih in odvisnihtehnologij – komponent:
1. komponente za zanavanje (senzorske komponente): -- „motor UI“;- priskrbijo informacije iz realnega sveta za UI; - danes poudarek na razumevanju nestrukturiranih po
podatkov (‚prosta besedila‘, govor, slike, IoTpodatki…) !
2. procesne komponente
3. učeče (se) komponente
8. 05. 2019
23
STROJNO UČENJE (Machine Learning)
= pridobivanje znanja iz izkušenj s pomočjo iskanja pravil v učnih podatkih
Primeri: nevronske mreže, metoda podpornih vektorjev, skriti model Markova.
Ko se faza zbiranja podatkov zaključi, se njihovaobdelava/procesiranje izvede z uporabo “učnega ogrodja”.
Cilj: • ustvariti vpogled v podatke,• pridobiti vzorce in napovedi (trende), na katerih/od
katerih se samoučeči sistem lahko kaj novega nauči in reagira gleda na naučeno.
8. 05. 2019
24
nadzorovano učenjenenadzorovano učenje
vzpodbujevalno učenje
STROJNO UČENJE
Vrste učenja:
• nadzorovano (supervised) – algoritem uči stroj prek podanihvhodnih podatkov in želenih izhodnih podatkov (te podaučitelj/človek - nadzornik) – človek neposredno informira stroj
8. 05. 2019
25
nadzorovano učenje
„obdržanje“ strankklasifikacija slik
diagnosticiranje
napovedovanjapopularnostioglasov
napovedovanjevremena
tržne napovedi
ocenjevanjepričakovaneživljenjskedobe
napovedovanjerastiprebivalstva
prepoznavanjegoljufij
STROJNO UČENJE
Vrste učenja:
• nadzorovano (supervised) – algoritem uči stroj prek podanihvhodnih podatkov in želenih izhodnih podatkov (te podaučitelj/človek - nadzornik) – človek neposredno informira stroj
• nenadzorovano (supervised) – algoritem sam razdeli vhodnepodatke po svojih kriterijih v več kategorij (rojenje aliclustering) glede na njihove značilnosti (brez posredovanja človeka)
8. 05. 2019
26
nenadzorovano učenje
segmentacija kupcev/strank
priporočilni sistemi
ciljno trženje
vizualizacija velikih podatkov
izluščanje pomena odkrivanje strukture/sestave
izločanje/odkrivanje funkcij
STROJNO UČENJE
Vrste učenja:
• nadzorovano (supervised) – algoritem uči stroj prek podanihvhodnih podatkov in želenih izhodnih podatkov (te podaučitelj/človek - nadzornik) – človek neposredno informira stroj
• nenadzorovano (supervised) – algoritem sam razdeli vhodnepodatke po svojih kriterijih v več kategorij (rojenje aliclustering) glede na njihove značilnosti (brez posredovanja človeka)
• vzpodbujevalno (reinforcement) – algoritem uči z nagrajevanjem in kaznovanjem (kako dojenček shodi)
8. 05. 2019
27
vzpodbujevalno učenje
odločitve v realnem času
navigacija robotov učenje
pridobivanje veščin
igre UI
STROJNO UČENJE
• offline – celotno učenje stroja pred uporabo stroja
• inkrementalno – stroj učimo offline in ga uporabljamo; obtežavah opravimo dodatno učenje
• online – najprej izvedemo offline učenje z manjšimnaborom učnih vzorcev; med uporabo stroja dodajamoučne vzorce in stroj dodatno učimo
8. 05. 2019
28
Basics of Machine Learning
Pospeševalci razvoja UINapredki tehnologij, ki so bistveno vplivali na dosedanji razvoj UI, so:
1. izboljšanje hitrosti in moči računalniškega procesiranja
- iz CPUjev na GPUje:
- napredki pri razvoju tehnologije tiskanih vezij -čipov
8. 05. 2019
29
Pospeševalci razvoja UI
2. povečan dostop za sisteme UI do masovnih podatkov (big data) – poleg količine tudi novi tipi podatkov
3. izboljšanje algoritmov, ki omogočajo kompleksnejše uporabe UI – problem je velika množica hitro spreminjajočih se kompleksnih podatkov, ki zahteva zelo zmogljive algoritme
8. 05. 2019
30
vrhunec popularnostiprožilec inovacij, ideja „dolina smrti“ „pilotiranje“ in odkrivanje „uporabnosti
vzdržen poslovni model
Pospeševalci razvoja UI
V bodočnosti:
• ni pričakati napredkov posameznih tehnologij, ampak „zlitje“ mnogih temeljnih tehnologij!
• razvoj komplementarnih tehnologij UI – računalništvo v oblaku, povezljivost
• potreba po naprednih sistemih za shranjevanje podatkov, dostopnostih, hitrostih prenosov
8. 05. 2019
31
Pospeševalci razvoja UI
• Ključno: kako bodo socialni in komercialni dejavniki vplivali na sposobnost preživetja tehnologije UI !!
- izobraževanje mladih za/o UI ter povpraševanje po UI talentih s strani gospodarstva
- zanimanje gospodarstva za tehnologije UI, raziskovalne dosežke in odkritja s področja UI
- vlaganja v AI startup-e in financiranja razvoja UI
- uvajanje UI v ne-tehnoloških podjetjih
danes
super inteligenca
sistemi enako inteligentni kot človek
8. 05. 2019
32
UI v LOGISTIKI
• osnova logistike so mreže (fizične in digitalne) ->• implementacija UI v logistiki ‚logična‘ posledica• in že tudi ‚nuja‘
• tehnologija UI je doživela dovolj veliko stopnjo zrelosti in dovolj široko uporabo v praksi ->
• pričakovati gre zelo rapidno napredovanje in rast
UI v LOGISTIKI
• v oskrbovalnih verigah se da UI zelo dobro izkoristiti praktično v vseh elementih ->
• velika količina dnevno generiranih podatkov (strukturiranih in nestrukturiranih), ki jih logistična podjetja ne uspejo izkoristiti s ‚klasičnimi‘ IS in IKT
• UI logističnim podjetjem ponuja visoko stopnjo optimizacije ‚mrežne orkestracije‘, ki je ni mogoče doseči s človeškim razmišljanjem
• UI omogoča redefinicijo današnjih logističnih praks:operacije – od reaktivnih h proaktivnimnačrtovanje – od predvidevanj k napovedimprocesi – od ročnih do avtonomnimstoritve – od standardiziranih k personaliziranim
8. 05. 2019
33
Primeri uporabe UI v LOGISTIKI
1. Uporaba UI v zalednih/podpornih službah – kognitivna avtomatizacija, detekcija finančnih nepravilnosti, kognitivno sklepanje pogodb, kognitivno carinjenje
2. Napovedna logistika – mrežno upravljanje z napovedovanjem, napovedovanje povpraševanja in planiranja kapacitet, upravljanje tveganja z napovedovanjem, inteligentno optimiziranje rut
3. Logistična sredstva, ki vidijo, govorijo in razmišljajo– inteligentno razvrščanje z roboti, vizualno pregledovanje/nadzorovanje, upravljanje zalog, avtonomna flota, povezovanje tovornjakov
4. Uporabniška izkušnja z UI – glasovni agenti, ‚anticipatorna‘ logistika
Kognitivna avtomatizacija
= inteligentna avtomatizacija poslovnih procesov= UI + RPA (avtomatizacija procesov z roboti)
= nadomestitev administrativnega dela s programskimi roboti (boti), ki jih je mogoče integrirati v obstoječe poslovne aplikacije in IT sisteme
Naloga UI: učenje in pridobivanje vpogleda v nestrukturirane podatke Naloga RPA: izvajanje na pravilih temelječa opravila nad dobro strukturiranimi vhodnimi podatki, ki jih posreduje delavec-človek (ni sposoben učenja)
8. 05. 2019
34
Sistem,temelječ na pravilih:• dostopanje do podatkov obstoječih
sistemov• izpolnjevanje spletnih obrazcev• kopiranje podatkov iz enega sistema
v drug sistem
Sistem,ki se uči:• učenje iz človekovih
odločitev• hitro sklepanje (‚sojenje‘)• interakcija s človekom
Boti avtomatizirajo enostavna opravila in UI omogočijo dostop
do obsežnih podatkovnih
UI se nauči oponašati in izboljšati procese na temelju podatkov, ki jih priskrbi RPA
Obstoječi in bodoči (z RPA podprti) procesi podpornih službObstoječi procesi: interpretacija podatkov, sprejemanje odločitev, zbiranje, kopiranje, preverjanje podatkovnih datotek itn. opravljajo ljudje.
Bodoči procesi: ljudje in roboti delajo skupaj; roboti opravljajo ponavljajoča opravila s podatki, ljudje izvajajo bolj zahtevna opravila (interpretacija podatkov in sprejemanje odločitev).
PREDNOSTI
nižji stroški dela dela ljudi se lahko avtomatizira časa zaposlenih je namenjenih ponavljajočim se opravilom
8. 05. 2019
35
Detekcija finančnih nepravilnosti
• posredniki logističnih storitev poslujejo z ogromnim številom partnerjev/podjetij, kar pomeni ogromno obremenitev knjigovodsko-računovodskega sektorja
• s procesiranjem ali obdelavo naravnega jezika in strojnim učenjem izlušči in klasificira kritične informacije (npr. zneski na računih, informacije o računih, datume, naslove, vpletene strani – iz velike množice nestrukturiranih podatkov)
• nato RPA bot te podatke vnese v računovodski program in povzroči ustrezno aktivnost - ustvari naročilo, izvede plačilo, pošlje stranki potrditev z e-pošto, ipd. – brez posredovanja človeka
• lahko odkrije goljufive račune, ugotovi anomalije pred revizijami
Kognitivne pogodbe
• globalne logistične in oskrbovalne verige vključujejo številne flote, vozila in omrežja, kar pomeni izredno veliko število pogodbenih strank
• z UI prek procesiranja naravnega jezika lahko klasificiramo pogodbene klavzule, dele, ki se navezujejo na politiko (so)delovanja, dele s podpisi, ipd.
• zelo dolge pogodbe (nekaj 100 strani) taki algoritmi v primerjavi s človekom obdelajo v izjemno kratkem času
• vzdrževanje aktualnih podatkov o strankah/partnerjih je tudi zelo pomembno (dostava!) – UI stroji, ki konstantno preverjajo aktualnost in pravilnost podatkov v CRM-ju
8. 05. 2019
36
Kognitivno carinjenje
• avtomatizacija kompleksnih carinskih postopkov (prejem, vnos in uskladitev podatkov ter generiranje ustreznih dokumentov; prijava blaga oprema z veljavnimi carinskimi oznakami; preverjanje informacij s strani carinskega osebja, izdaja davčnih potrdil; zaračunavanje stroškov postopkov)
• z ustrezno UI platformo [obdelava naravnega jezika + globoko učenje], ki jo ‚natreniramo‘ z ustreznimi zakonodajami, predpisi, znanjem o carinskih postopkih, veljavnimi dokumenti ter priročniki, ki veljajo v določeni industrijski panogi lahko avtomatiziramo izdelavo carinskih deklaracij
Napovedna logistika
1. napovedno upravljanje omrežja – izboljša učinkovitost log. operacij (napovedovanje zamud pri dostavah, identificiranje glavnih faktorjev za zamude)
2. napovedovanje povpraševanja in planiranja kapacitet (z analiziranjem video posnetkov na YT, ključnih besed, uporabljenih med iskanjem po spletu, pogovorov prek socialnih medijev, …)
3. napovedovanje globalnih trendov (DHLov Global Trade Barometer uporablja kombinacijo dejanskih logističnih podatkov, naprednega statističnega modeliranja in UI)
8. 05. 2019
37
Napovedna logistika
4. napovedno upravljanje tveganj - s pomočjo obdelave naravnega jezika in strojnega učenja se analizira vsebino in kontekst online objav in objav na socialnih medijih)
5. inteligentna optimizacija rut – analiza digitalnih in satelitskih posnetkov/zemljevidov mest, prometnih vzorcev, lokacij prijav v socialne medije (npr. Uber) za izboljšanje prevzema, dostave, navigacije
„Inteligentna“ logistična sredstva
- logistična sredstva, ki vidijo, govorijo in razmišljajo -
• z UI podprta robotika, sistem za računalniški vid, vmesniki za pogovarjanje, avtonomna vozila
• inteligentno robotsko sortiranje/razvrščanje (pisem, paketov, palet, reciklirnega materiala, hrane, …) ter upravljanje zalog
8. 05. 2019
38
„Inteligentna“ logistična sredstva
• AGV roboti (sodelovanje med roboti v realnem času)
• vmesniki za pogovarjanje
„Inteligentna“ logistična sredstva
• z UI podprt video nadzor
8. 05. 2019
39
8. 05. 2019
40
UI uporabniška izkušnja
• uravnavanje dinamike med logističnim operaterjem in stranko (z namenom izboljšanja uporabniške izkušnje, zvestobe in vračanja stranke)
• glasovni agenti za spremljanje paketov in posredovanje informacij o dostavi (zvočnik, Facebook Messenger, SMS, …)
• napovedovanje povpraševanja in samodejno uravnavanje zalog na temelju analize trga, cen, obstoječih dokumentov, …
• ‚anticipatorna‘ logistika – dostava izdelkov strankam še pred njihovim naročilom ali še predno stranke ugotovijo, da jih potrebujejo