Koneoppiminen – tukea datakosmoksesta
Digitalisaatio helpottaa ja tehostaa logistiikassa tehtävää työtä. Tavarat ja datavirrat kulkevat yhdessä luoden laatua ja läpinäkyvyyttä prosessin kaikkiin vaiheisiin. DACHSER soveltaa koneoppimista päivittäisestä toiminnasta saatavan datan analysointiin ja käyttöön. Se avaa uusia näkymiä lisäarvoa tuoville älykkäille logistiikkaratkaisuille.
”Data on 2000-luvun öljyä.” Sanotaan, että brittiläinen matemaatikko ja datatieteilijä Clive Humby teki tämän vertauksen ensimmäisenä vuonna 2006 kehittäessään kanta-asiakaskorttia. Tuohon aikaan se oli kaukonäköinen lausahdus. Nykyään Humbyn näkemys on ollut jo kauan arkipäivää, ja jopa poliitikot vetoavat toistuvasti tähän mielikuvaan vaatiessaan edistystä. Se tapahtuu hyvästä syystä: kaikki elämämme osa-alueet ovat kietoutuneet jatkuvasti kasvavaan datavirtaan, joka suorastaan tulvii. Tämä datavirta on samanlainen suuri osa todellisuuttamme kuin vilkaisu älypuhelimeen, chattailu ystävien ja sukulaisten kanssa tai videoneuvottelut päivittäisessä työssä.
Datasta on tullut ratkaiseva taloudellinen tekijä, ja ”viisi suurta” teknologiayritystä – Google, Apple, Facebook, Amazon ja Microsoft – ovat 2000-luvun miljardöörejä ja öljypohattoja. Ne ovat jo kauan sitten ohittaneet isot kansainväliset öljy-yhtiöt maailman arvokkaimpina yhtiöinä.
Jotkut tarkkailijat ovat levottomia tästä datan hallitsevan aseman voimistumisesta. He maalaavat synkkiä kuvia tietojamme keräävistä yrityksistä sekä tietosuojan ja henkilöoikeuksien nopeasta heikkenemisestä. Lopulta hyödyt kuitenkin ylittävät epäluulot elämän muuttuessa helpommaksi ja vaivattomammaksi, olipa kyseessä sitten kansallisia ja kulttuurisia rajoja ylittävä verkkovuorovaikutus, uutis- ja tietosisällön tai musiikin ja kirjallisuuden reaaliaikainen saatavuus tai liikenteen ja ruuhkien välttäminen ajantasaisilla navigointityökaluilla.
Tehokkuuden parantaminen data-analyysin avulla
Valmistus- ja palvelusektoreilla data lisää tehokkuutta merkittävästi. Esimerkiksi data-analyysin avulla on helpompi seurata toimintaprosesseja, havaita ja poistaa virheitä ja tehottomuuksia jo varhaisessa vaiheessa sekä optimoida toimenpiteitä jatkuvasti. Logistiikassa data ja data-analyysi ovat pitkään olleet olennainen osa tavaroiden ja toimitusketjujen hallintaa. Ne luovat perustan luotettaville ja erittäin läpinäkyville logistiikkaprosesseille muun muassa kuormien kokoamisessa, kuljetusreittien suunnittelussa, eri kuljetusvälineiden yhdistämisessä tai lähetysten seurannassa – lyhyesti sanottuna koko verkoston hallinnassa.
”Tekoälyn, koneoppimisen ja datatieteen merkitys kuljetusalalle, logistiikalle ja toimitusketjun hallinnalle kasvaa myös tulevina vuosina.”
DACHSER ja sen maailmanlaajuiset verkostot ovat jo ”oppineet” kaiken tämän. Logistiikka-alan yritys kehitti jo 1980-luvun puolivälissä Dominon, joka on sen huolintatietojen käsittelykonseptin kulmakivi. Ohjelmisto kattaa kaikki rahdin kuljetuksiin liittyvät prosessit – kauttakulkuterminaalin lähtevän ja saapuvan rahdin, tuonnin ja viennin, tilausten hallinnan, kuljetusten aikataulutuksen, laskutuksen ja ennen kaikkea lähetystiedot eli seurannan ja jäljityksen. Dominon lisäksi DACHSERilla on nykyään kaksi muuta monipuolisesti integroitua järjestelmää: Mikado (varasto) ja Othello (lento- ja merirahti), joita molempia laajennetaan jatkuvasti. B2B Gateway toimii niiden kaikkien keskeisenä viestintäalustana. DACHSERin asiakkaat puolestaan voivat hallita tilauksia verkossa eLogistics-portaalin kautta. Lisäksi käytössä on ActiveReport, joka on toimitusketjun tapahtumien hallintatyökalu. Se hälyttää, jos toimitusprosessissa ilmenee häiriöitä. Lyhyesti: DACHSER ja sen asiakkaat ovat datan maailmassa kuin kotonaan ja täydentävät sillä päiväänsä.
Kaikki on yhteistyötä
DACHSER kehittää entistä syvempää IT:n ja logistiikan yhteistoimintaa digitalisaation etujen hyödyntämiseksi kokonaisvaltaisesti ja verkoston kypsyyden edistämiseksi. ”Tarvitsemme huolinnan asiantuntijoita ja logistiikan ammattilaisia siinä missä tilastotieteilijöitä, matemaatikoita ja tietojenkäsittelytieteilijöitä. Kaikki on yhteistyötä. Ainoa tapa kehittää älykkäitä logistiikan algoritmeja on tehdä yhteistyötä muiden kanssa”, toteaa Stefan Hohm, Chief Development Officer (CDO), DACHSER. Hohm kertoo, että kyseessä on jatkuva prosessi, joka kuvastaa teknologista kehitystä ja lisäksi auttaa edistämään sitä.
DACHSER on kesäkuun 2021 alusta lähtien jakanut erilaisissa tutkimus- ja innovaatiohankkeissa saamaansa asiantuntemusta uudessa datatieteen ja koneoppimisen osaamiskeskuksessaan.
”Tekoälyn, koneoppimisen ja datatieteen merkitys kuljetustoiminnalle, logistiikalle ja toimitusketjun hallinnalle kasvaa myös tulevina vuosina. Tämän vuoksi on tärkeää, että DACHSER yhä vahvistaa osaamistaan tällä tärkeällä alalla ja laajentaa kykyään toteuttaa ja käyttää koneoppimissovelluksia”, Hohm sanoo.
Tausta tälle osaamisen jakamiselle syntyy jokapäiväisestä logistiikasta. DACHSER tuottaa päivittäin suuria määriä dataa, ja tämä muodostaa perustan uusien tekoälyteknologioiden kehittämiselle ja käyttöönotolle. ”Hyödynnämme tätä dataa vielä paremmin tulevaisuudessa ja tarjoamme työntekijöillemme entistä paremman perustan päätöksenteolle”, kertoo Florian Zizler, Team Leader Data Science & Machine Learning. ”Tekoäly” ei kuitenkaan herätä ainoastaan myönteisiä mielikuvia. Se tuo ihmisten mieleen hallitsemattomat ja itsenäisesti ajattelevat ”big data” -koneet ja robotit, jotka korvaavat ihmiset ja tekevät heistä lopulta täysin tarpeettomia työelämässä. Ensin kannattaa tutustua keskeisiin termeihin.
Tuomittu jatkuvaan oppimiseen
Alan Turing (1912–1954) oli brittiläinen logiikan tutkija, matemaatikko, kryptoanalyytikko ja tietojenkäsittelytieteilijä sekä yksi modernin tiedon ja tietotekniikan kehittäjistä. Turing teki pragmaattisen ehdotuksen tekoälyn erittäin laajan käsitteen kaventamiseksi: kone on älykäs, jos ei saada selville, ollaanko tekemisissä ihmisen vai tietokoneen kanssa. Irlantilainen näytelmäkirjailija George Bernard Shaw (1856–1950) oli sitä mieltä, että älyn haittapuoli on jatkuva oppimispakko.
Tekoälyssä oppiminen tapahtuu algoritmien avulla. Algoritmi on ohjelmistossa oleva ohjeiden ja laskentatoimien sarja, jota voidaan käyttää tiettyjen ongelmien ratkaisemiseen. Juuri tässä asiassa koneoppiminen tulee kuvioihin tekoälyn alatieteenä. Esimerkkejä katsomalla tekoälyjärjestelmä oppii tunnistamaan prosessien ja kontekstien malleja ja säännönmukaisuuksia tuntemattomien tilanteiden hallitsemiseksi.
DACHSER on viime aikoina kehittänyt konkreettisia koneoppimissovelluksia osana DACHSER Enterprise Labia yhdessä Saksan Dortmundissa sijaitsevan Fraunhofer IML -instituutin tutkijoiden kanssa. Yksi tällainen sovellus on PAnDA One: Predictive Analytics DACHSER, jossa ”One” tarkoittaa, että se on yrityksen ensimmäinen koneoppimisprojekti.
PAnDA One -malli suunniteltiin erityisesti Road Logistics -liiketoiminta-alueen saapuvien volyymien ennustamiseen. ”Tavoitteemme on tarjota liiketoiminta-alueidemme työntekijöille arvokasta tukea päätöksentekoon kausiluonteisen kapasiteetin suunnittelussa”, selittää Thomas Schmalz, Head of Production Management, DACHSER. Tämä mahdollistaa asianmukaisen kuormakapasiteetin saamisen markkinoille tai resurssien suunnittelun kauttakulkuterminaaliin jo varhaisessa vaiheessa. ”Tätä tarkoitusta varten ennustemalli tarjoaa asianmukaiset saapuvat volyymit jopa 25 viikkoa etukäteen.”
Koneoppiminen ei ole päämäärä sinänsä. Schmalz korostaa asiaa näin: ”Haluamme antaa osastoillemme välineen, joka tekee työstä viime kädessä helpompaa, tehokkaampaa ja houkuttelevampaa." DACHSERin tavoitteena ei ole korvata ihmisiä laskelmilla ja tietojenkäsittelyllä. ”Näemme IT:n, teknologian, verkon ja ihmiset yhtenä kokonaisvaltaisena kyber-sosio-fyysisenä järjestelmänä. Näin viemme asiakkaitamme – ja itseämme – eteenpäin.”
Datan laatu on kaikki kaikessa
Koneoppimisen onnistuminen määräytyy syötetyn datan laadun mukaan. ”Data itsessään on tärkeämpi kuin algoritmi”, Schmalz sanoo. ”Meillä on ainutlaatuinen tietovaranto, joka saa johdonmukaisia tietoja varmistetulla ja standardoidulla laadulla.” DACHSERilla on asiassa kilpailuetu European Logistics- sekä Air & Sea Logistics -liiketoiminta-alueiden yhtenäisen järjestelmäympäristönsä sekä vuosikymmenten aikana kasvaneen verkostonsa kypsyyden ansiosta. ”Monetkaan logistiikka-alan toimijat eivät voi tarjota samaa.”
Hyvä data on eri asia kuin sen tulkitseminen ja käyttäminen. ”Koneoppiminen on tiimityötä. Mallit onnistuvat vain, kun prosessiasiantuntijat työskentelevät yhdessä datatieteen ja koneoppimisen osaamiskeskuksen osaajien kanssa. Tarvitsemme toisiamme”, Zizler toteaa.
DACHSERin datatieteen ja koneoppimisen osaamiskeskus yhdistää logistiikan ja IT:n maailman. ”Luomme tilan, jossa monet erilaiset sidosryhmät voivat kokoontua ja jakaa asiantuntemustaan. Tietojen vaihto on välitöntä ja suoraa. Viime kädessä kyse on datan käyttämisestä konkreettisten prosessien mallintamiseen”, Zizler sanoo. ”Kaikki saavat hyvän mahdollisuuden käsitellä erittäin spesifisiä tehtäviä poikkitieteellisessä tiedonvaihdossa ja kehittää niistä hyödyllisiä ratkaisuja päivittäiseen logistiikkaan.”
PAnDA Onessa osaamiskeskuksen DACHSER-asiantuntijat tekivät yhteistyötä eri osastojen kanssa prosessien analysoimiseksi kokonaisvaltaisesti ja luotettavien ennusteiden kriteerien tunnistamiseksi. ”Tietomme ulottuvat vuoteen 2011. Painopiste on lähetysten historiatiedoissa”, Zizler valottaa. ”Täydennämme tätä tietovarantoa kalenteritiedoilla, kuten pyhäpäivillä ja koululomilla. Näin malli tunnistaa maaliikenteelle tärkeät kausivaihtelut. Suuntausten ennakoimiseksi olemme integroineet malliin myös monenlaisia talousindeksejä.”
Tulevaisuuden vaatimusten ja asiakkaiden tarpeiden ennustettavuus kohtaa kuitenkin rajansa olosuhteiden muuttuessa suurten odottamattomien tapahtumien vuoksi. ”Ennusteissa on tietysti haastavaa ottaa huomioon määrien suuret vaihtelut koronaviruspandemian vaikuttaessa asiaan”, Zizler sanoo. Zizler on kuitenkin asiantuntijaryhmänsä kanssa optimistinen: ”Saamme ennusteet pian takaisin normaaleille laadukkaille raiteille.”
Toinen erityinen käyttötapaus on B2X Labeling -projekti. Algoritmin tehtävä on parantaa tiedon laatua ja ratkaista päivittäiseen toimintaan liittyvä luokitteluongelma eli selvittää, onko vastaanottajana yritys (B2B) vai yksityinen henkilö (B2C). Pelkästään tilaustietojen perusteella tämä ero ei ole aina selvä. Logistiikan prosessien kannalta on kuitenkin merkittävää, onko vastaanottajana yritys vai yksityinen kotitalous.
Koneoppimisessa on perustavanlaatuinen ero koulutusvaiheen ja sovellusvaiheen välillä. Opetuksen aikana algoritmille näytetään näytedataa, jotta se oppii, miten syöte muunnetaan tulokseksi. B2X-projektin syöttötiedot ovat pääasiassa tilaustietoja, kuten maantieteellistä dataa. Seuraavassa sovellusvaiheessa opetettu malli käyttää oppimiaan vastaavuussuhteita tuloksen (B2B tai B2C) tuottamiseksi uuden tiedon perusteella todellisissa toimintaolosuhteissa. Tällä projektilla on keskeinen rooli laadunvarmistuksessa, sillä se parantaa tiedon laatua ja lisäksi optimoi logistiikan käsittelyn prosesseja.
Osaamiskeskus arvioi jatkuvasti uusia ideoita ja mahdollisia käyttötapoja. Yksi niistä on lastinkäsittelyn logistiikkatyöntekijöiden prosessien optimointi ja ergonomisten työolojen parantaminen. Koneoppimisen asiantuntijat testaavat siltä osin uutta prosessia prosessin laadun parantamiseksi yhdessä MotionMiners-start-up-yrityksen kanssa viidessä toimipisteessä (kerroimme tästä DACHSER-lehdessä 2/2021).
Koneoppimista voidaan käyttää monissa eri käyttötarkoituksissa. Niitä tutkittaessa on viime vuosina kehitetty vahva ja dynaaminen avoimen lähdekoodin ekosysteemi. ”Koneoppiminen muokkaa DACHSERin monimuotoista prosessimaisemaa yhä enemmän. Avoimeen lähdekoodiin perustuvien sovellusten saatavuuden ansiosta meidän ei enää tarvitse kehittää kaikkea itse. Näiden algoritmien taitava käyttö antaa meille mahdollisuuden hyödyntää datapotentiaaliamme entistä tehokkaammin”, Zizler kertoo. Tämä on yksi syy siihen, miksi DACHSER on Open Logistics Foundationin perustajajäsen. Tässäkin suhteessa data eroaa menneiden vuosisatojen öljystä: data ei koskaan lopu. Asia on pikemminkin päinvastoin. Se on lähde, josta voidaan ammentaa tulevaisuudessakin.
