Логистика нового поколения: как ИИ преобразует сферу доставки и снижает вред экологии

Экологические вызовы доставки

Доставка товаров производит примерно 24% мировых выбросов углекислого газа, который влияет на изменение климата. При этом больше всего CO₂ приходится на легковые (48%) и грузовые (16%) автомобили. Грузовые машины чаще задействованы в магистральной доставке, в то время как легковые могут использоваться на этапе «последней мили», когда товар доставляется непосредственно к покупателю. Также значительными источниками выбросов являются морские перевозки (10%), среднегрузовые автомобили (9%), международные (6%) и внутренние (5%) авиаперелеты.

В процессе доставки «последней мили» возникает ряд проблем: если клиент отсутствует, посылку приходится везти обратно, что увеличивает пробег. Возвраты товаров по другим причинам и пробки тоже добавляют лишние километры, увеличивая нагрузку на логистические системы. Эта проблема особенно актуальна для развитых стран с высоким уровнем потребления. Чтобы уменьшить негативное влияние доставки на окружающую среду, важно оптимизировать процессы не только уже знакомыми методами, такими как электромашины и беспилотники, но и с помощью новых технологий.

Напасть на углеродный след

У широкой аудитории ИИ часто ассоциируется с генерацией контента, но его потенциал куда больше и серьезнее. Ожидается, что в 2030 году он поможет сократить глобальные выбросы парниковых газов на 4%, что сравнимо с годовыми выбросами Австралии, Канады и Японии. Кроме того, его применение в экологических целях может добавить в мировую экономику до $5,2 трлн в 2030 году, что на 4,4% больше по сравнению с прогнозами без этих технологий.

Для уменьшения углеродного следа ИИ предлагает ряд решений.

Во-первых, это оптимизация логистических маршрутов. Процесс подразумевает усовершенствованное планирование и распределение транспортных средств, а помогают в этом умные алгоритмы.

• Муравьиные алгоритмы. Метод оптимизации, вдохновленный поведением муравьев в природе, которые эффективно находят кратчайший путь к пище. Чем чаще муравьи используют определенный маршрут, тем ярче становится след и тем привлекательнее этот путь для новых муравьев. 

В логистике муравьиные алгоритмы помогают ИИ анализировать и выбирать наилучшие маршруты и способы загрузки транспорта. Система оценивает разные варианты и, подобно муравьям, оставляет цифровой след, с помощью которого сохраняет информацию о наиболее успешных решениях по времени и затратам. Постепенно технология усиливает эти стратегии и находит самое оптимальное решение. Это позволяет достичь лучшего использования грузоподъемности каждого средства, сократить расстояние, время и затраты на доставку. 

• Алгоритм имитации отжига. Это способ оптимизации доставки грузов, вдохновленный техникой обработки металлов, где материал нагревают и медленно охлаждают для улучшения его свойств. 

В логистике алгоритм использует случайные изменения в распределении грузов по транспорту, чтобы найти наиболее эффективный способ доставки. Эти изменения включают перераспределение заявок между маршрутами с учетом веса, объема и времени доставки. Цель — сделать процесс доставки более продуктивным, сократив расстояния и время, а также оптимально использовать пространство грузовика. Алгоритм может проверять, улучшается ли общая эффективность, если добавить или убрать заявку из маршрута. Если да, изменение сохраняется, если нет — отклоняется или ищется другой вариант. Этот подход помогает максимально загрузить грузовики, уменьшить количество рейсов и сократить как расходы, так и вредные выбросы.

Например, по такому принципу работает транспортная компания Convoy, которая использует ИИ для оптимизации логистики. ИИ-платформа автоматически соединяет грузы с перевозчиками, у которых есть свободное место, что позволяет максимально правильно использовать транспорт и снизить количество пустых поездок. 

Во-вторых, умное построение маршрута. ИИ анализирует огромные объемы информации, включая исторические данные о движении, погоду, состояние дорог, возможные препятствия на маршруте (например, аварии или дорожные работы) и прочее. На основе этих данных алгоритмы прогнозируют будущие условия на дорогах и адаптируют маршруты. При этом технология позволяет выбирать, какие именно параметры оптимизировать — время, расстояние, заполненность кузова или экономику поездки. 

В отличие от обычных навигационных систем, которые часто просто выбирают самый короткий путь и не учитывают другие важные параметры, ИИ быстро реагирует на изменения. Это делает логистику более гибкой и экономически эффективной, а также снижает уровень выбросов углерода в этой области.

Например, одна из крупнейших в мире компаний по доставке посылок UPS использует технологию ORION. Она основана на передовых алгоритмах и машинном обучении и способна оптимизировать маршруты для доставки в режиме реального времени. С момента запуска инструмент экономит компании 160 млн км и 45 млн л топлива в год.

Американская розничная сеть Walmart — еще один пример компании, которая использует ИИ для планирования маршрутов доставки, что приводит к снижению расхода топлива и сокращению выбросов углекислого газа. Используя эту технологию, компания сократила выбросы CO₂ на более чем 42 млн кг, избавившись от лишних 48 млн км и оптимизировав маршруты таким образом, который позволил избежать 110 000 неэффективных путей.

В-третьих, управление складом. Еще один шаг к уменьшению углеродного следа — использование робототехнических решений на основе ИИ. Amazon — отличный пример компании, которая использует новейшие технологии для эффективного и экологичного управления цепочками поставок. Роботы Sequoia и Titan позволяют ускорить и упростить работу на складе, что снижает количество перемещений товаров и, как следствие, потребление энергии. Также эти умные системы точнее и аккуратнее в сравнении с людьми справляются с сортировкой, комплектацией и упаковкой. Благодаря этому товары реже повреждаются, заказы доходят до клиентов целыми, и отмен из-за повреждений на складе практически не происходит. Это, в свою очередь, уменьшает необходимость лишних поездок. 

На первый взгляд, такой вклад может показаться незначительным, но даже маленькие шаги могут привести к большим изменениям. 

Вопросы внедрения 

На первом этапе интеграции бизнес может столкнуться с высокими капитальными затратами. Это касается как покупки или разработки сложного программного обеспечения, так и модернизации инфраструктуры для обработки большого объема данных. Для малых и средних компаний такие инвестиции могут стать серьезной нагрузкой.

Однако внедрение новой технологии в работающие продукты — это только начало. Важно умело встроить ее в существующие бизнес-процессы. Может потребоваться много времени для переобучения сотрудников и перестройки операционной деятельности, что временно может повлиять на производительность. Поэтому прежде чем внедрять ИИ, нужно тщательно взвесить все за и против, оценить потенциальные риски и убедиться, что инвестиции в новую технологию действительно оправдаются и принесут желаемую пользу. Например, чтобы ИИ помогал в борьбе с углеродным следом, необходимо понять, как сейчас логистика компании влияет на экологию, какие устойчивые решения уже были внедрены и какой они дали эффект. Поэтому, чтобы что-то улучшить, важно оценить текущее состояние.

Для тех, кто все-таки решился на внедрение, необходимо обратить внимание на несколько ключевых деталей:

• Надежные источники данных. Качественные данные — сердце любого продукта на основе ИИ. Подойдите к задаче последовательно: сначала определите, какие данные вам нужны и зачем, затем оцените, в каком объеме они вам потребуются. Если у вас нет нужной информации, подумайте, как ее можно получить или приобрести.
• Наличие сильной индустриальной экспертизы. Важно искать партнеров или разрабатывать внутренние решения, ориентированные на конкретные проблемные сценарии. Например, формировать исследовательские команды, включающие специалистов по аналитике данных, экономистов и менеджеров продукта.

Если ваша компания работает в IT, то при разработке решений на базе ИИ нужно придерживаться продуктовых процессов. Другим бизнесам лучше обращаться к консультантам Data Science, чтобы быстрее получить результаты.

• Устойчивая бизнес-модель. Внедрение ИИ должно способствовать не только экологическим, но и экономическим выгодам, включая сокращение операционных затрат, уменьшение числа неэффективных маршрутов и оптимизацию расхода топлива. Перед запуском ROI должен быть четко просчитан и обоснован.
• Интеграция с существующими системами. ИИ редко работает в вакууме, зачастую он интегрируется с уже существующими логистическими и управленческими механизмами. Это требует тщательного планирования и часто — модификации существующих IT-продуктов и процессов.

Кроме технических и операционных аспектов, компаниям стоит активно лоббировать поддержку со стороны государства. Налоговые льготы и субсидии помогут стимулировать инвестиции в экологически чистые технологии и сделать подобные решения более популярными. 

В первую очередь ИИ помогает компаниям оптимизировать расходы и ресурсы, а уже во вторую — улучшать экологические показатели, которые тоже отражаются на выручке. Однако долгосрочный успех бизнеса зависит от его имиджа и маркетинговых усилий. Среди молодого поколения, особенно зумеров, экологическая повестка очень популярна. Они постепенно взрослеют, накапливают капитал и со временем станут клиентами и акционерами подобных компаний, поэтому важно завоевывать их внимание и лояльность уже сейчас.

Мнение редакции может не совпадать с точкой зрения автора