AI in de logistieke sector: interview met Dominik Szewczyk

Fragment uit het whitepaper ‘AI in de logistieke sector’
Auteur: Ferdi den Bakker
Opdrachtgever: Logistics Community Brabant/Midpoint Brabant/TKI Dinalog/Breda University of Applied Sciences
Project: Circulaire Stromen - Next Level Logistics

Onverwachte pick-upaanvragen voorspellen met AI.

Onverwachte pick-up aanvragen kunnen al voorspelde en geplande logistieke stromen behoorlijk door de war gooien. Dat was bij De Rooy het geval, maar geldt voor vrijwel elke logistiek dienstverlener. Dominik Szewczyk ontwikkelde voor Netwerk Benelux, waar De Rooy deel van uitmaakt, een machine learning model dat onverwachte aanvragen behoorlijk goed weet te voorspellen. 

Is een planning eindelijk gereed, volgen er in de ochtend niet één, maar meerdere pick-up aanvragen. Uiteraard met aflevering nog diezelfde dag. Het zal geen planner als onbekend in de oren klinken. Zie vervolgens maar eens op een efficiënte manier de juiste voertuigen aan de gewenste pick-ups te alloceren. Het is precies waar Szewczyk dacht dat AI behulpzaam zou kunnen zijn. Hij kreeg gelijk.

'Vrijwel onmogelijk efficiënt aan voertuig te alloceren’
Szewczyk volgt de opleiding Data Science & Artificial Intelligence bij BUas en was vanuit leverancier Hubbase werkzaam voor De Rooy. Hij richtte zich op een analyse van operationele data. “Daarbij viel het me op dat er sprake was van een erg groot aantal onverwachte pick-ups. Met onverwachte pick-up bedoel ik een verzoek dat op dezelfde dag binnenkomt en moet worden uitgevoerd. Bijvoorbeeld een verzoek dat om 11.00 binnenkomt en dat Netwerk Benelux voor 17.00 moet ophalen.” Hij schetst vervolgens tot welke uitdaging een laat verzoek als dit leidt: “Omdat ze pas laat binnenkomen en niet in de originele planning zijn meegenomen, is het voor planners vrijwel onmogelijk om de opdrachten op een efficiënte manier aan het juiste voertuig te koppelen.”

Inzicht in locatie pick-up aanvragen
Bij het tackelen van deze uitdaging besloot Szewczyk om een technische oplossing te zoeken. “Ik wilde kunnen voorspellen waar deze onverwachte pick-up aanvragen vermoedelijk zouden ontstaan. Deze tool moest planners helpen, onder andere door al in de ochtend inzicht te geven in welke gebieden trucks klaar moeten staan of toegewezen worden voor onverwachte same-day verzoeken.”

Voorspelling voor gebied van 25 km2
Bij de ontwikkeling van de tool koos Szewczyk voor het trainen van een Machine Learning model op basis van historische data. Daarmee moest de tool in staat zijn tot het voorspellen of een onverwachte pick-up nodig zou zijn binnen een bepaald gebied. “Ik hield daarvoor een gebied aan van vijf bij vijf kilometer. Dat bleek al erg goed te werken. De accuratesse was negentig procent.”
 

Voorspellen tot op honderd meter nauwkeurig
De vervolgstap bestond uit het ontwikkelen van aanvullende modellen die de voorspelling zouden finetunen. “Hierdoor kon het systeem vier zaken voorspellen: de precieze pick-up locatie, het verwachte aantal te vervoeren eenheden, de grootte en het soort zending en zelfs de richttijd waarop een truck klaar moet staan." Wat hem vooral verraste is de nauwkeurigheid in de locatievoorspellingen. “Het model kon het ophaalpunt tot op honderd meter voorspellen.” Een dashboard moest vervolgens de voorspellingen inzichtelijk maken en planners extra mogelijkheden aanreiken. Denk aan extra data analyses, planners de kans geven om de modellen te trainen en testen, data op kaarten visueel te maken en nieuwe next-day voorspellingen te genereren.

Efficiëntere operatie, duurzaamheidswinst en minder stress voor planners 

Voorspellingen lopen het TMS in 
De AI-tool is inmiddels live bij De Rooy, al gebruiken de planners er het dashboard niet. De voorspellingen over de pick-ups lopen direct in het TMS. Voor het weergeven van de precieze besparingen is het nog te vroeg, maar de simulatie van Szewczyk gaf wel een inkijkje: “Het is mogelijk om tot 1.500 kilometers per dag te besparen, wat zou resulteren in een reductie van de uitstoot per dag met negenhonderd kilogram CO2. Daarmee kan de inzet van AI niet alleen leiden tot een veel efficiëntere operatie, maar ligt er als transporteur ook duurzaamheidswinst voor het oprapen.” Andere voordelen die hij aanstipt zijn zaken als ‘minder stress voor planners’, een ‘hogere betrouwbaarheid’ en het optimaliseren van het aantal voertuigen en waar voertuigen nodig zijn.

‘Voorspelde pick-up omzetten in echte pick-up’
Dan de hamvraag: is honderd procent accuratesse nodig of volstaat de gerealiseerde negentig procent? Szewczyk: “Negentig procent accuratesse is meer dan voldoende. Zeker in dit geval, omdat het systeem zo is ontwikkeld dat een voorspelde pickup nooit een al gepland ophaalmoment voor een bestaande order vervangt. Het systeem helpt alleen met het plannen en voorspellen van routes. Komt er een pick-up verzoek binnen, dan vervangt het de voorspelde pick-up vanaf het moment dat deze in het TMS staat. Dus zelfs als de voorspelling niet juist is, leidt dit niet tot operationele problemen".