شما متوجه یک انقلاب در حین وقوع آن نمیشوید. تنها زمانی آن را میبینید که عادتهای قدیمی از قبل از بین رفته باشند.
به این فکر کنید که ده یا پانزده سال پیش حملونقل کالا چگونه انجام میشد. یک دیسپچر با یک نقشه کاغذی و فهرستی از شمارههای تلفن مینشست. وقتی مشتری میپرسید محمولهاش کجاست، کسی با راننده تماس میگرفت. اگر راننده پاسخ نمیداد، پاسخ تنها سکوت بود. مسیرها بر اساس حافظه، غریزه و هر آنچه گزارش ترافیک رادیو اعلام میکرد، ساخته میشدند. تأخیر در تحویل، یک وضعیت اضطراری نبود؛ بلکه فقط یک روز معمولی مثل سهشنبه بود.
آن دنیا دیگر وجود ندارد. امروزه مشتریان با ردیابی بستهها همانگونه برخورد میکنند که با اپلیکیشنهای هواشناسی برخورد میکنند. آنها صفحه را رفرش میکنند. انتظار دارند نشانگر روی نقشه حرکت کند. آنها بازه زمانی را بر حسب دقیقه میخواهند، نه ساعت. همزمان، قیمت سوخت به شکلی غیرقابل پیشبینی نوسان میکند و استخدام رانندگان ماهر دشوارتر شده است. شکاف بین آنچه بازار تقاضا میکند و آنچه فرآیندهای دستی میتوانند ارائه دهند، مدام در حال گسترش است.
هوش مصنوعی یک افزونهی آیندهنگرانه نیست؛ بلکه وصلهای است که بر سیستمی زده شده که سالها پیش از ظرفیت توانمندیهای انسانی فراتر رفته است. و نکته مهم این است که هوش مصنوعی برای حذف انسانها از معادله نیست، بلکه برای جلوگیری از هدر رفتن وقت آنها در کارهایی است که نرمافزار بهتر از آنها انجام میدهد.
وقتی همه میتوانند یک نقشه واحد را ببینند
اولین جایی که هوش مصنوعی کارهای روزمره را تغییر میدهد، بحث «قابلیت مشاهده» (visibility) است.
در عملیاتهای سنتی، «قابلیت مشاهده» به معنای یک تماس تلفنی و یک دعا بود. یک مدیر حملونقل ممکن بود بداند که کامیون شماره ۱۴ حدود ساعت ۸ صبح انبار را ترک کرده است. پس از آن، محموله وارد یک سیاهچاله میشد تا زمانی که راننده در مقصد گزارش ورود بدهد. اگر مشتری ظهر تماس میگرفت، مدیر یا با اعتمادبهنفس دروغ میگفت یا استرس را به راننده منتقل میکرد.
پلتفرمهای مدرن دادهها را از GPS، تلماتیک (telematics)، دستگاههای ثبت الکترونیکی و اسکنرهای انبار استخراج میکنند. هوش مصنوعی این دادهها را به یک تصویر واحد و منسجم تبدیل میکند. یک مدیر میتواند تنها با نگاه کردن به یک صفحه نمایش، دویست محموله را بدون تماس با دویست نفر مشاهده کند. نرمافزار بهطور خودکار موارد استثنا را علامتگذاری میکند: کامیونی که بیش از حد در مرز در حالت درجا کار میکند، دمای تریلری که از محدوده مجاز خارج میشود، یا انحراف از مسیر به دلیل بسته شدن ناگهانی جاده. چشمان انسان همچنان هشدارها را بررسی میکنند، اما دیگر مجبور نیستند مانند جستجوی سوزن در انبار کاه، به دنبال خطاها بگردند.
این موضوع از آن جهت اهمیت دارد که مقیاس بزرگ، مدل قدیمی را از کار انداخته است. شما نمیتوانید هر روز صبح با پنجاه راننده تماس بگیرید و آرامش خود را حفظ کنید. نمیتوانید به تکتک مشتریان ایمیلهای مؤدبانهای بزنید و از آنها بخواهید به شما اعتماد کنند. ابزارهای قابلیت مشاهده به تیمهای کوچک اجازه میدهند بزرگ عمل کنند و مانع از غرق شدن تیمهای بزرگ میشوند.
حدس زدن زمان رسیدن، هزینهبر است
پیشبینی زمان رسیدن یک کامیون ساده به نظر میرسد، اما اینطور نیست.
یک تخمینزن انسانی ممکن است آدرسها را در یک ابزار نقشهبرداری ساده وارد کند و بر اساس حس خود، زمانی را برای ترافیک در نظر بگیرد. این روش تا زمانی که کار میکند، خوب است، اما وقتی به مشکل میخورد، فاجعه است. تأخیر در بندر، بازرسی گمرکی، یک رعدوبرق ناگهانی در ممفیس، یا بسته شدن سکوی تخلیه برای ناهار، همگی میتوانند برنامه را به هم بریزند. وقتی یک کسبوکار بازه زمانی سه ساعتهای را برای تحویل اعلام میکند و به آن نمیرسد، هزینه آن فقط مشتریان ناراضی نیست؛ بلکه شامل توقف خطوط تولید، بیکار ماندن نیروی کار در سکوی دریافت و جریمههای مندرج در قراردادها میشود.
موتورهای پیشبینی هوش مصنوعی با دادههای تاریخی تغذیه میشوند. آنها بررسی میکنند که عبور از یک مسیر خاص معمولاً در عصر روزهای پنجشنبه چقدر طول میکشد. آنها احتمال تراکم ترافیک در آن مرکز توزیع خاص را در فصل اوج معاملات میسنجند. با ورود شرایط جدید به جریان دادهها، آنها بهطور مداوم خود را تنظیم میکنند. نتیجه، زمان تخمینی رسیدن (ETA) است که با نزدیکتر شدن کامیون، دقیقتر میشود، نه مبهمتر.
برای برنامهریز در سمت دیگر، این موضوع روز کاری را تغییر میدهد. آنها به جای اینکه «محض احتیاط» یک بازه شش ساعته را رزرو کنند، میتوانند نیروی کار را در یک بازه نود دقیقهای برنامهریزی کنند. انبار با بهرهوری بیشتری کار میکند. کامیون زمان کمتری را در صف انتظار میگذراند. سوخت تنها زمانی مصرف میشود که چرخها به سمت سکویی در حال حرکت هستند که واقعاً آماده است.
مسیرهایی که از هر سفر یاد میگیرند
بهینهسازی مسیر حوزه دیگری است که تجربه انسانی در آن به بنبست میرسد.
یک دیسپچر باسابقه میتواند یک مسیر مطمئن طراحی کند. هیچ الگوریتمی نمیتواند بیست سال تجربه را بازسازی کند؛ تجربهای که میداند یک گیرنده خاص همیشه برای تخلیه بار زمان بیشتری میبرد، یا یک بزرگراه مشخص پس از تعطیلی مدارس محلی، به یک پارکینگ بزرگ تبدیل میشود. اما تجربه در برابر «انفجار ترکیبیاتی» (combinatorial explosion) ناتوان است. زمانی که مدیریت ناوگانی حتی با اندازه متوسط را بر عهده میگیرید، تعداد حالتهای ممکن برای مسیرها از آنچه هر مغزی بتواند در لحظه پردازش کند، فراتر میرود.
بهینهسازی مسیر مبتنی بر هوش مصنوعی، میلیونها ترکیب را در عرض چند ثانیه ارزیابی میکند. این سیستم محدودیتهای سخت را در نظر میگیرد: بار یخچالدار، محدودیت ساعات کاری راننده، یا بازه زمانی تعیینشده برای قرار ملاقات مشتری. همچنین با اولویت دادن به مسیرهای هموارتر یا سرعتهای ثابت، تجمیع بارهای برگشت و ترتیببندی توقفها بهگونهای که کامیون در یک منطقه شهری حرکات زیگزاگی انجام ندهد، مصرف سوخت را کاهش میدهد.
صرفهجویی در سوخت چشمگیر است، و همینطور حفظ رانندگان. هیچکس به این دلیل که کامپیوتر ترتیب هوشمندانهتری برای تحویل بار به او داده، کار خود را رها نمیکند. افراد زمانی استعفا میدهند که به ماراتنهای غیرمنطقی فرستاده شوند که بدون دلیل موجهی آنها را از خانه دور نگه میدارد. مسیرهای بهتر هم به مخزن سوخت احترام میگذارند و هم به انسانی که در کابین نشسته است.
جذب شوک
زنجیرههای تأمین همیشه آسیبپذیر بودهاند. یک طوفان، بندری را میبندد. یک رویداد ژئوپلیتیک، یک گذرگاه مرزی را مسدود میکند. یک تأمینکننده ضربالاجل تولید را از دست میدهد و ناگهان بار خروجی شما چیزی برای حمل ندارد. تفاوت امروز در سرعت است. پیش از این، روزها طول میکشید تا اختلالات در یک شبکه پخش شوند، اما اکنون آنها با سرعت یک توییت حرکت میکنند.
ابزارهای هوش مصنوعی که اختلالات را مدیریت میکنند، مانع از شرایط جوی بد نمیشوند، بلکه زمان واکنش را کاهش میدهند. وقتی طوفانی یک بزرگراه بینایالتی را میبندد، سیستم میتواند پیش از آنکه رانندگان قهوهشان را تمام کنند، مسیرهای آسیبدیده را بازطراحی کند. وقتی تقاضا در یک منطقه جهش میکند و در منطقهای دیگر سقوط میکند، الگوریتمها عدم تعادل را شناسایی کرده و تغییر موقعیت داراییهای خالی را پیشنهاد میدهند. وقتی یک شرکت حملونقل در تحویل بار شکست میخورد، پلتفرم میتواند بدون شروع یک جنگ قیمتگذاری دستی، جایگزینی را از یک شبکه پشتیبانِ از پیش تأییدشده پیدا کند.
نکته کلیدی این است که این سیستمها یاد میگیرند. یک راهکار موقتِ یکباره، به دادهای برای بحران بعدی تبدیل میشود. مدل در پیشنهاد جایگزینها بهتر عمل میکند، زیرا میبیند که کدام جایگزینها در واقعیت کارآمد بودهاند.
صندلی انسانی همچنان صندلی راننده است
این ترس همیشگی وجود دارد که هوش مصنوعی در حملونقل به معنای کامیونهای رباتیک و بیکاریِ هماهنگکنندگان حملونقل (دیسپچرها) باشد.