Tekoälyn mahdollisuudet logistiikassa

Tulevaisuuden tekniikka – tekoäly (AI) on kaikkien huulilla, eikä se herätä kaikissa ihmisissä ainoastaan positiivisia tunteita. Oppivaan algoritmiin perustuvaa tekniikkaa on jo kuitenkin monissa jokapäiväisissä sovelluksissa ja tuotteissa. Esimerkkinä: ääniavustajat, älykodit, musiikin suoratoistopalvelut, Facebook-syöte ja sen mainokset, Amazonin tuotteita suositteleva algoritmi, kielen käännökset, kuvan luonti/tunnistus, avustetut ja itseohjautuvat ajoneuvot ja navigointi. Tekoälyyn (1) kuuluu monia osa-alueita joiden määrä kasvaa jatkuvasti, kuten botit, ennakoiva ylläpito, tiedonlouhinta, prosessilouhinta, neuroverkot, koneoppiminen, syväoppiminen jne… Syväoppiminen (deep learning) yhdessä neuroverkon kanssa on tällä hetkellä lupaavin tekoälyn osa-alue ja on yksi koneoppimisen osa-alueista. 

McKinsey Global Institute (MGI) pitää tekoälyä tärkeänä tekijänä globaalille talouskasvulle. Tutkimuksessa "Artificial Intelligence - The next digital frontier" (2017, 2) tutkittiin 3000 yritystä, 14 eri toimialalta. Tutkimuksen mukaan tulevaisuuden käytetyimmät viisi tekoälytekniikkaa ovat automaattinen kuvantunnistus, luonnollisen kielen käsittely, virtuaaliset assistentit, ohjelmistorobotiikka (RPA) ja kehittynyt koneoppiminen. Vuoteen 2030 mennessä noin 70 prosenttia yrityksistä käyttää ainakin yhtä näistä tekoälytekniikoista. Tutkimuksen kirjoittajien mukaan yritykset, jotka ottavat tekoälyteknologian käyttöön aikaisin, olisi mahdollista kaksinkertaistaa kassavirtansa. Vastaavasti taas he jotka viivyttelevät käyttöönotossa, kassavirta tulisi laskemaan 20 prosenttia nykytasosta. 

Myös Saksassa on tunnistettu ajan trendi. Digitaalisen Bitkom -yhdistyksen mukaan joka toinen saksalainen yritys uskoo siihen, että koneoppiminen tai tekoäly tulee muuttamaan pysyvästi nykyisiä liiketoimintamalleja. 90 prosenttia yrityksistä toteaa, että Big Datalla ja tiedon analysoinnilla tulee olemaan erittäin suuri merkitys saksalaisten yritysten tulevaisuuden kilpailukyvyn kannalta. Vuosi sitten tätä mieltä oli 83 prosenttia vastaajista. Tätä seuraa esineiden internet 81 prosentilla (2019: 79 prosenttia) ja 3D-tulostus 72 prosentilla (2019: 68 prosenttia). Itseohjautuvat ajoneuvot lisääntyivät myös merkittävästi 57 prosentista 68 prosenttiin ja tekoälyn käyttö 60 prosentista 67 prosenttiin. Tästä huolimatta vain joka neljäs yritys (24 %) oli suunnitellut erityisesti digitaalisten liiketoimintamallien kehittämistä vuoden alussa. 

Kolme suurinta estettä uuden digitaalisen tekniikan käytössä ovat yritysten mukaan tietosuojavaatimukset (79 %, 2019: 74 %), tekniset turvallisuusvaatimukset (63 %, 2019: 57 %) ja ammattitaitoisten työntekijöiden puute (55 %, 2019: 48 %). Päivittäisen ajanpuutteen vuoksi (33 %), taloudellisten resurssien puutteen vuoksi (25 %) ja markkinakelpoisten ratkaisujen/sovellusten puute (18 %).

"Korona kriisi on osoittanut meille hyvin selvästi digitaalisen tekniikan merkityksen taloudelle, hallinnolle ja yhteiskunnalle. Kriisi on ollut herätys digitalisaation eteenpäin viemisen tärkeydestä. “Olemme käyttäneet liikaa aikaa digitalisaation käyttöönoton kanssa", sanoi Bitkomin puheenjohtaja Achim Berg. Hän lisäsi: "Meidän on ajateltava Korona kriisin jälkeistä aikaa ja asetettava kaiken kattava digitalisaation strategia. Näemme tällä hetkellä selvästi, että digitalisoituneet yritykset ja digitaalitalous ovat paljon enemmän kuin pelkkiä kasvumoottoreita. Ne ovat olleet vähemmän haavoittuvia kriisin aikana, vakauttaen taloutta ja työmarkkinoita." TCS:n ja Bitkomin tutkimuksen (3) mukaan suurin osa yrityksistä (75 prosenttia) on jo lisännyt investointejaan pandemian takia. Vain vähemmistö (7 prosenttia) jarruttaa toistaiseksi digitaalista muutosta taloudellisista syistä.

Vaikka termi ja "tekoäly" tutkimusalana on ollut tiedossa jo 1950-luvulta lähtien, nykyinen tekoälybuumi on seurausta tehokkaasta laitteistosta, jota on nyt saatavilla edullisin hinnoin. Vasta nyt prosessorit, nopeat verkot ja Big Datan -tallennusmahdollisuudet ovat käytettävissä, mikä mahdollistaa useiden teorioiden käytännön toteutuksen. Tekoäly ja sen algoritmit soveltuvat erityisen hyvin käytettäväksi logistiikassa, koska laaja-alaiset logistiikkaverkostot tarjoavat sille ihanteellisen alustan. Syy-seuraussuhteet näissä prosesseissa voidaan laskea ja ennustaa erittäin hyvin. 

"Logistiikka on jo nyt yksi digitalisoituneimmista liiketoiminnan alueista. Droneilla, itseohjautuvilla järjestelmillä ja tekoälyllä logistiikka ei ole vain kohtaamassa liiketoimintaprosessiensa optimointia, vaan sen edessä on todellinen vallankumous”, kertoi Bitkomin toimitusjohtaja tohtori Bernhard Rohleder. Digitaalisen yhdistyksen Bitkomin teettämän tutkimuksen (4) mukaan tulokset osoittavat, että kaksi kolmasosaa (65 %) kyselyyn osallistuneista 508 yrityksestä uskoo, että itseoppivia tekoälyjärjestelmiä voidaan hyödyntää monissa logistiikan tehtävissä, kuten parhaan reitin suunnittelussa tai tilaus-toimitusprosessien käynnistämisessä.  

75 % odottaa datalasien auttavan työntekijöitä monissa logistiikan tehtävissä. Kuusi kymmenestä yrityksestä (58 %) odottaa itseohjautuvien dronien hoitavan varaston inventoinnin. Vastaava määrä (57 %) odottavat tavaroiden kuljettamista itseohjautuvilla ajoneuvoilla. Neljä kymmenestä (42 %) uskoo, että dronit ja jakelurobotit vievät tuotteet asiakkaille. Yritykset arvostavat digitalisaation ja tekoälyn mukanaan tuomia etuja. 89 % odottaa logistiikkakustannusten laskevan sekä kuljetusten lisääntymistä pitkällä aikavälillä (86 %). 72 % ennakoi virheiden vähenevän kuljetusketjussa ja 58 % ympäristöystävällisempää liikennettä. 88 % kokee digitalisaation mahdollisuutena ja vain 11 % riskinä. Joitakin esimerkkejä tekoälyn käytöstä logistiikassa ja intralogistiikassa esitellään alla.

Tekoälyn käyttö logistiikka-alalla on erityisen hyödyllistä ennustettaessa logistiikkaverkoston tulevia tarpeita.  

Itseoppivan tekoälyn algoritmeja voidaan käyttää suuren datamäärän (Big Data) käsittelyyn, joka kuvaa asiakkaiden aikaisempaa käyttäytymistä. Tämän datan avulla tunnistetuilla malleilla on mahdollista ennustaa tiettyjen tulevien tapahtumien (esim. tilauskäyttäytyminen) toteutuminen tietyllä todennäköisyydellä (ennustava analyysi). Tämän datan tunnistettujen mallien avulla on mahdollista ennustaa tiettyjen tapahtumien esiintymisen tietty todennäköisyys. Ennustavan analyysin ansiosta voidaan luoda tietokoneella logistisen järjestelmän malleja tulevaisuutta varten (esim. toimitusketjun hallinta). Tämän avulla voidaan tehdä parempia päätöksiä tulevista toimepiteistä esim. ennustaa paremmin alue- ja tuotekohtaisia menekkejä. Tämän johdosta pystytään tekemään tarkempia suunnitelmia: tarvittavan varastointilan määrän, kuljetuskaluston, varastotyöntekijöiden jne. suhteen. Tällöin on esim. mahdollista varastoida tavaroita lähempänä asiakasta sijaitsevassa varastossa ennen niiden tilaamista, jolloin toimitusaika lyhenee ja koko toimitusketjun riskienhallintaa saadaan ennakoivammaksi. Esimerkiksi toimitusketjun reaaliaikainen data, jonka seuranta-anturit antavat tietoa kuljetettavien tavaroiden kunnosta ja liikennetiedotteet voidaan sisällyttää tietomalleihin, mikä auttaa reagoimaan muuttuviin tilanteisiin. Tämä on siis simulointipohjaista älykästä suunnittelua, joka on jo mullistanut logistiikkateollisuuden lisäksi myös monia muita aloja.

Tekoälyllä tai itseoppivilla algoritmeilla varustetut robotit pystyvät tekemään älykkäitä itsenäisiä päätöksiä tavaroiden tunnistamisessa, analysoinnissa ja laskemisessa sekä niiden muokkaamisessa ja kuljetuksessa. Robotiikkaa voidaan käyttää esimerkiksi tavaroiden jäljittämiseen, paikantamiseen ja siirtämiseen varastoissa. Keräilyrobotit, lastausrobotit ja kobotit muokkaavat intralogistiikan tulevaisuutta. Itsenäiset keräilyrobotit ovat erityisen hyödyllisiä pienille eräko’oille – esim. verkkokaupassa. Kobotit auttavat yhä enemmän varastotyöntekijöitä heidän työssään. Muun muassa on olemassa kobotteja, jotka ohjaavat työntekijän keräilyalueella oikeaan keräilypaikkaan. Tekoälyyn perustuva ratkaisu ei ainoastaan vain lisää keräilytehokkuutta 200-300 %, vaan myös auttaa keräilijöitä työskentelemään nopeammin ja tarkemmin. 

Itseohjautuva ajo tarkoittaa täysin automatisoitua ajoneuvon ajamista ilman kuljettajaa. Sisäisessä logistiikassa autonomisia ajoneuvoja kutsutaan automatisoiduiksi ajoneuvoiksi (AGV). Näillä voidaan vähentää huomattavasti tyhjien ja virheellisten matkojen määrää, koska ajoneuvot ajavat automaattisesti oikealle hyllylle. Tällöin niitä ohjataan erilaisilla tekniikoilla, kuten merkkiliuskoilla, tarkkuuslasereilla, heijastimilla tai yksinkertaisilla tarranauhoilla. Vaikka useimmat intralogistiset varastot luottavat edelleen perinteiseen lavansiirtokalustoon kuljettajineen, AGV:t seuraavat automaattisesti ohjelmoitua polkua. Tähän tarkoitukseen voidaan käyttää esimerkiksi visuaalista rataa, jota AGV voi seurata matkallaan. Pullonkaulat, törmäykset tai muut työnkulun esteet voidaan siten poistaa melkein kokonaan. Tämä tekee yrityksen sisäisestä logistiikasta nopeampaa ja tehokkaampaa. Suurin haaste on avoimen infrastruktuurin luomisessa. Kuljetuslogistiikassa voidaan käyttää itseohjautuvia ajoneuvoja ja droneja muun muassa pakettien toimittamiseen. 

Visuaalista tekoälyä voidaan käyttää vaurioiden havaitsemiseen ja luokitteluun. Se on paljon nopeampi ja tarkempi vaurioiden havaitsija kuin ihmissilmä. Yksi esimerkki on visuaalisen tekoälyn käyttö Internet-jättiläisessä Amazonissa, jossa tavarat puretaan, tunnistetaan ja lajitellaan hyvin lyhyessä ajassa. 

Visuaalista tekoälyä tai Deep Learning -tekniikkaa voidaan käyttää objektien tunnistamiseen ilman viivakoodeja, tuotteiden laskemiseen ja mittaamiseen. Tätä voidaan käyttää esimerkiksi tavaroiden vastaanottamisen automatisointiin tunnistamalla tuotteet itsenäisesti, määrittämällä tuotemitat ja paino ja lukemalla tarvittaessa lisätietoja. Pakkausprosesseja voidaan nopeuttaa esim. poistamalla tarve skannata yksittäisiä tuotteita, hyödyntämällä 3D-pakkausmallinnusta tai skannaamalla automaattisesti useita viivakoodeja ja QR-koodeja kerralla. Tekoälyn ja tietokonenäön avulla voidaan laskea ja mitata samanaikaisesti useita kohteita. 

Älykkään varaston ydin on varastonhallintajärjestelmä (WMS) tuottavuuden ja tehokkuuden lisäämiseksi. Se visualisoi ja käyttää jatkuvasti tietoja logistisista kohteista, havaitsee poikkeamat ennen ongelmien ilmaantumista ja käsittelee tiedot tehokkaiden optimointien, kuten lyhyemmän reitin saavuttamiseksi. Automaattiset ratkaisut kuten tekoälyrobotit, AGV:t, visuaalinen tekoäly, RFID, pick-by-menetelmät, VR-lasit (augmented reality) yms. ovat integroitavissa älykkääseen WMS-järjestelmään. Energiaa voidaan säästää myös merkittävästi hyödyntämällä älykkäitä Smart Grid-ratkaisuja sähkön kulutuksen vähentämiseksi sekä hyödyntäen älykkäitä jäähdytys- ja lämmitysjärjestelmiä.

Lähteet:

1 How artificial intelligence is revolutionising logistics, Bito Expertise, linkki 

2 Bughin Jacques et al., Artificial Intelligence - The next digital frontier, McKinsey Global Institute, 2017, San Francisco Amsterdam Shanghai 

3 Germany learns AI - How companies use digital technologies, Bitkom Research GmbH and Tata Consultancy Services, 2020, Frankfurt, www.studie-digitalisierung.de   

4 Dr Rohleder Bernhard, Digitalisierung in der Logistik, Presentation, March 2017, Bitkom e.V., Berlin, lataa