ഒരു വിപ്ലവം നടന്നുകൊണ്ടിരിക്കുമ്പോൾ നിങ്ങൾ അത് ശ്രദ്ധിക്കില്ല. പഴയ ശീലങ്ങൾ അപ്രത്യക്ഷമായതിനുശേഷം മാത്രമേ നിങ്ങൾ അത് തിരിച്ചറിയുകയുള്ളൂ.

ഒരു വിപ്ലവം നടന്നുകൊണ്ടിരിക്കുമ്പോൾ നിങ്ങൾ അത് ശ്രദ്ധിക്കില്ല. പഴയ ശീലങ്ങൾ അപ്രത്യക്ഷമായതിനുശേഷം മാത്രമേ നിങ്ങൾ അത് തിരിച്ചറിയുകയുള്ളൂ.

പത്തു പന്ത്രണ്ട് വർഷങ്ങൾക്ക് മുമ്പ് ചരക്ക് നീക്കം എങ്ങനെയായിരുന്നു എന്ന് ഒന്ന് ചിന്തിച്ചുനോക്കൂ. ഒരു ഡിസ്പാച്ചർ പേപ്പർ മാപ്പും ഫോൺ ലിസ്റ്റും കൈയ്യിൽ പിടിച്ചു ഇരിക്കുകയായിരുന്നു. ഒരു ഉപഭോക്താവ് അവരുടെ ഷിപ്പ്‌മെന്റ് എവിടെയാണെന്ന് ചോദിച്ചാൽ, ആരെങ്കിലും ഡ്രൈവറെ വിളിക്കും. ഡ്രൈവർ ഫോൺ എടുത്തില്ലെങ്കിൽ, മറുപടി നിശബ്ദത മാത്രമായിരിക്കും. ഓർമ്മശക്തിയും സഹജവാസനയും റേഡിയോ ട്രാഫിക് റിപ്പോർട്ടുകളും ഉപയോഗിച്ചാണ് റൂട്ടുകൾ തയ്യാറാക്കിയിരുന്നത്. വൈകിയുള്ള ഡെലിവറി ഒരു അടിയന്തര സാഹചര്യമായിരുന്നില്ല. അതൊരു സാധാരണ ദിവസമായിരുന്നു.

ആ ലോകം ഇന്ന് കഴിഞ്ഞുപോയി. പാക്കേജ് ട്രാക്കിംഗിനെ ഉപഭോക്താക്കൾ ഇപ്പോൾ കാലാവസ്ഥാ ആപ്പുകൾ നോക്കുന്നതുപോലെയാണ് കാണുന്നത്. അവർ പേജ് റിഫ്രഷ് ചെയ്തുകൊണ്ടേയിരിക്കും. മാപ്പിലെ പിൻ നീങ്ങുന്നത് അവർ പ്രതീക്ഷിക്കുന്നു. മണിക്കൂറുകളല്ല, മിനിറ്റുകൾക്കുള്ളിൽ വിവരങ്ങൾ അറിയാൻ അവർ ആഗ്രഹിക്കുന്നു. അതേസമയം, ഇന്ധനവില അപ്രതീക്ഷിതമായി മാറിക്കൊണ്ടിരിക്കുന്നു, യോഗ്യരായ ഡ്രൈവർമാരെ കണ്ടെത്തുക എന്നത് പ്രയാസകരവുമാണ്. വിപണി ആവശ്യപ്പെടുന്നതും മാനുവൽ പ്രക്രിയകൾക്ക് നൽകാൻ കഴിയുന്നതും തമ്മിലുള്ള അകലം വർദ്ധിച്ചുകൊണ്ടിരിക്കുകയാണ്.

Artificial intelligence എന്നത് ഭാവിയിലേക്കുള്ള ഒരു കൂട്ടിച്ചേർക്കലല്ല. വർഷങ്ങൾക്ക് മുമ്പ് തന്നെ മനുഷ്യന്റെ പരിമിതികൾക്ക് അപ്പുറമായ ഒരു സംവിധാനത്തിന് നൽകുന്ന പരിഹാരമാണത്. അതിലുപരിയായി, ഇത് മനുഷ്യരെ ഒഴിവാക്കാനല്ല വന്നത്. മറിച്ച്, സോഫ്റ്റ്‌വെയറിന് മികച്ച രീതിയിൽ ചെയ്യാൻ കഴിയുന്ന ജോലികൾക്കായി മനുഷ്യർ സമയം പാഴാക്കുന്നത് തടയാനാണ് ഇത് സഹായിക്കുന്നത്.

എല്ലാവർക്കും ഒരേ മാപ്പ് കാണാൻ കഴിയുമ്പോൾ

ദൈനംദിന ജോലികളിൽ AI മാറ്റം വരുത്തുന്ന ആദ്യ മേഖല വിസിബിലിറ്റി (visibility) ആണ്.

പഴയ രീതിയിലുള്ള പ്രവർത്തനങ്ങളിൽ, “visibility” എന്നാൽ ഒരു ഫോൺ കോളും പ്രാർത്ഥനയുമായിരുന്നു. ട്രക്ക് 14 രാവിലെ 8 മണിയോടെ വെയർഹൗസിൽ നിന്ന് പുറപ്പെട്ടുവെന്ന് ഒരു ട്രാൻസ്‌പോർട്ടേഷൻ മാനേജർക്ക് അറിയാമായിരിക്കും. അതിനുശേഷം, ഡ്രൈവർ ലക്ഷ്യസ്ഥാനത്ത് എത്തി അറിയിക്കുന്നത് വരെ ചരക്ക് ഒരു ബ്ലാക്ക് ഹോൾ (black hole) പോലെ അദൃശ്യമായിരിക്കും. ഉച്ചയ്ക്ക് ഒരു ഉപഭോക്താവ് വിളിച്ചാൽ, മാനേജർ ഒന്നുകിൽ ആത്മവിശ്വാസത്തോടെ കള്ളം പറയും, അല്ലെങ്കിൽ ആ സമ്മർദ്ദം ഡ്രൈവറിലേക്ക് മാറ്റും.

ആധുനിക പ്ലാറ്റ്‌ഫോമുകൾ GPS, telematics, ഇലക്ട്രോണിക് ലോഗിംഗ് ഡിവൈസുകൾ, വെയർഹൗസ് സ്കാനറുകൾ എന്നിവയിൽ നിന്ന് വിവരങ്ങൾ ശേഖരിക്കുന്നു. AI ഇവയെല്ലാം കൂട്ടിയിണക്കി വ്യക്തമായ ഒരു ചിത്രം നൽകുന്നു. മാനേജർക്ക് ഇരുനൂറ് ആളുകളെ വിളിക്കാതെ തന്നെ ഒരു സ്ക്രീനിൽ ഇരുനൂറ് ഷിപ്പ്‌മെന്റുകളും കാണാൻ കഴിയും. സോഫ്റ്റ്‌വെയർ സ്വയം തന്നെ അസാധാരണമായ സാഹചര്യങ്ങൾ (exceptions) തിരിച്ചറിയുന്നു: അതിർത്തിയിൽ ഒരു ട്രക്ക് കൂടുതൽ സമയം നിൽക്കുന്നത്, ട്രെയിലറിലെ താപനില മാറുന്നത്, റോഡ് അടച്ചുപണി കാരണം റൂട്ടിൽ മാറ്റം വരുന്നത് എന്നിവയെല്ലാം ഇത് അറിയിക്കും. മനുഷ്യർ ഇപ്പോഴും ഈ അലേർട്ടുകൾ പരിശോധിക്കുന്നുണ്ടെങ്കിലും, സൂചി തിരയുന്നതുപോലെ കഠിനമായ പരിശ്രമം ഇനി അവർക്ക് ആവശ്യമില്ല.

ഇത് വളരെ പ്രധാനമാണ്, കാരണം ബിസിനസ്സ് വളർന്നതോടെ പഴയ രീതികൾ പരാജയപ്പെട്ടു. എല്ലാ ദിവസവും രാവിലെ അമ്പതോളം ഡ്രൈവർമാരെ വിളിക്കുന്നത് മാനസികമായി ബുദ്ധിമുട്ടുള്ള കാര്യമാണ്. ഓരോ ഉപഭോക്താവിനും ഇമെയിൽ അയച്ച് വിശ്വസിക്കണമെന്ന് അഭ്യർത്ഥിക്കാനും കഴിയില്ല. വിസിബിലിറ്റി ടൂളുകൾ ചെറിയ ടീമുകളെ വലിയ രീതിയിൽ പ്രവർത്തിക്കാൻ സഹായിക്കുന്നു, വലിയ ടീമുകളെ അമിത ജോലിഭാരത്തിൽ നിന്ന് രക്ഷിക്കുകയും ചെയ്യുന്നു.

എത്തിച്ചേരുന്ന സമയം ഊഹിക്കുന്നത് ചിലവേറിയതാണ്

ഒരു ട്രക്ക് എപ്പോൾ എത്തും എന്ന് പ്രവചിക്കുന്നത് ലളിതമായി തോന്നാം. എന്നാൽ അതല്ല യാഥാർത്ഥ്യം.

ഒരു മനുഷ്യൻ ഒരു മാപ്പിംഗ് ടൂൾ ഉപയോഗിച്ച് വിലാസം നൽകുകയും ട്രാഫിക്കിന് വേണ്ടി കുറച്ച് സമയം അധികമായി കണക്കാക്കുകയും ചെയ്തേക്കാം. അത് ചിലപ്പോൾ ശരിയാകാം, പക്ഷേ എപ്പോഴും ശരിയാകണമെന്നില്ല. തുറമുഖത്തെ താമസം, കസ്റ്റംസ് പരിശോധന, പെട്ടെന്നുണ്ടാകുന്ന ഇടിമിന്നൽ മഴ, അല്ലെങ്കിൽ ഉച്ചഭക്ഷണത്തിനായി ഡോക്ക് അടയ്ക്കുന്നത് എന്നിവയെല്ലാം ഷെഡ്യൂൾ തെറ്റിക്കാൻ കാരണമാകും. ഒരു ബിസിനസ്സ് മൂന്ന് മണിക്കൂർ ഡെലിവറി സമയം വാഗ്ദാനം ചെയ്തിട്ട് അത് പാലിക്കാതെ പോയാൽ, അതിന്റെ നഷ്ടം വെറും ദേഷ്യപ്പെട്ട ഉപഭോക്താക്കൾ മാത്രമല്ല. അത് ഉൽപ്പാദന ശൃംഖലയിലെ തടസ്സങ്ങൾക്കും, തൊഴിലാളികളുടെ സമയം പാഴാകുന്നതിനും, കരാറിലെ പിഴകൾക്കും കാരണമാകും.

AI prediction engines പഴയ വിവരങ്ങൾ (historical data) വിശകലനം ചെയ്യുന്നു. ഒരു വ്യാഴാഴ്ച ഉച്ചകഴിഞ്ഞ് ആ പ്രത്യേക റൂട്ടിലൂടെ യാത്ര ചെയ്യാൻ സാധാരണ എത്ര സമയം എടുക്കും എന്ന് അവ നോക്കുന്നു. തിരക്കുള്ള സമയങ്ങളിൽ ആ ഡിസ്ട്രിബ്യൂഷൻ സെന്ററിൽ ഉണ്ടാകാൻ സാധ്യതയുള്ള തിരക്ക് അവ കണക്കിലെടുക്കുന്നു. പുതിയ വിവരങ്ങൾ ലഭിക്കുമ്പോൾ അവ നിരന്തരം സ്വയം ക്രമീകരിക്കുന്നു. ഇതിന്റെ ഫലമായി, ട്രക്ക് ലക്ഷ്യസ്ഥാനത്തോട് അടുക്കുന്തോറും കൂടുതൽ കൃത്യമായ ഒരു എത്തിച്ചേരുന്ന സമയം (estimated time of arrival) ലഭിക്കുന്നു.

പ്ലാനർമാരെ സംബന്ധിച്ചിടത്തോളം ഇത് അവരുടെ ജോലിരീതി തന്നെ മാറ്റുന്നു. "ഒരുപക്ഷേ" എന്ന് കരുതി ആറ് മണിക്കൂർ സമയം മാറ്റിവെക്കുന്നതിന് പകരം, അവർക്ക് തൊണ്ണൂറു മിനിറ്റ് മാത്രം സമയം ഉപയോഗിച്ച് ജോലികൾ ക്രമീകരിക്കാം. വെയർഹൗസ് കൂടുതൽ കാര്യക്ഷമമായി പ്രവർത്തിക്കുന്നു. ട്രക്കുകൾ ക്യൂവിൽ നിൽക്കുന്ന സമയം കുറയുന്നു. ഡോക്ക് തയ്യാറാണെങ്കിൽ മാത്രം ട്രക്ക് നീങ്ങുന്നതിനാൽ ഇന്ധനവും ലാഭിക്കാം.

ഓരോ യാത്രയിൽ നിന്നും പഠിക്കുന്ന റൂട്ടുകൾ

റൂട്ട് ഒപ്റ്റിമൈസേഷൻ (Route optimization) എന്നത് മനുഷ്യാനുഭവങ്ങൾക്ക് പരിമിതികളുള്ള മറ്റൊരു മേഖലയാണ്.

പരിചയസമ്പന്നനായ ഒരു ഡിസ്പാച്ചർക്ക് മികച്ച ഒരു റൂട്ട് തയ്യാറാക്കാൻ കഴിയും. ഒരു പ്രത്യേക സ്ഥലത്ത് സാധനങ്ങൾ ഇറക്കാൻ കൂടുതൽ സമയമെടുക്കുമെന്നോ, അല്ലെങ്കിൽ ഒരു സ്കൂൾ വിട്ട സമയത്ത് ഒരു ഹൈവേയിൽ വലിയ തിരക്ക് ഉണ്ടാകുമെന്നോ ഉള്ള ഇരുപത് വർഷത്തെ അനുഭവപരിചയം ഒരു അൽഗോരിതത്തിനും പകരം വെക്കാൻ കഴിയില്ല. എന്നാൽ, വാഹനങ്ങളുടെ എണ്ണം കൂടുമ്പോൾ ഈ അനുഭവപരിചയം കൊണ്ട് മാത്രം കാര്യങ്ങൾ ചെയ്യാൻ കഴിയില്ല. ഒരു ചെറിയ ഫ്ലീറ്റ് (fleet) നിയന്ത്രിക്കാൻ തുടങ്ങുമ്പോൾ തന്നെ, സാധ്യമായ റൂട്ടുകളുടെ എണ്ണം ഒരു മനുഷ്യന്റെ തലച്ചോറിന് പെട്ടെന്ന് കണക്കാക്കാൻ കഴിയുന്നതിലും അധികമായി മാറും.

AI അധിഷ്ഠിത റൂട്ട് ഒപ്റ്റിമൈസേഷൻ സെക്കൻഡുകൾക്കുള്ളിൽ ദശലക്ഷക്കണക്കിന് സാധ്യതകൾ പരിശോധിക്കുന്നു. ഇത് പ്രധാനപ്പെട്ട നിയന്ത്രണങ്ങളെ കണക്കിലെടുക്കുന്നു: റീഫ്രിജറേറ്റഡ് ലോഡുകൾ, ഡ്രൈവർമാരുടെ ജോലി സമയപരിധി, ഉപഭോക്താവിന്റെ അപ്പോയിന്റ്മെന്റ് സമയം എന്നിവ ഇതിൽ ഉൾപ്പെടുന്നു. കൂടാതെ, നിരപ്പായ പാതകളോ സ്ഥിരമായ വേഗതയോ തിരഞ്ഞെടുക്കുന്നതിലൂടെയും, ബാക്ക്ഹോളുകൾ (backhauls) സംയോജിപ്പിക്കുന്നതിലൂടെയും, മെട്രോ നഗരങ്ങളിലൂടെ ട്രക്ക് അനാവശ്യമായി വളഞ്ഞുപുളയാതിരിക്കാൻ സ്റ്റോപ്പുകൾ ക്രമീകരിക്കുന്നതിലൂടെയും ഇത് ഇന്ധന ഉപഭോഗം കുറയ്ക്കുന്നു.

ഇന്ധന ലാഭം വർദ്ധിക്കുന്നു. അതുപോലെ തന്നെ ഡ്രൈവർമാരെ നിലനിർത്താനും ഇത് സഹായിക്കുന്നു. കമ്പ്യൂട്ടർ കൂടുതൽ മികച്ച രീതിയിൽ ഡ്രോപ്പ് ചെയ്യുന്ന ക്രമം നൽകിയതുകൊണ്ട് ആരും ജോലി ഉപേക്ഷിക്കില്ല. എന്നാൽ യുക്തിരഹിതമായ ദീർഘയാത്രകളിലൂടെ കാരണങ്ങളില്ലാതെ വീട്ടിൽ നിന്ന് അകറ്റി നിർത്തപ്പെടുമ്പോഴാണ് ആളുകൾ ജോലി ഉപേക്ഷിക്കുന്നത്. മികച്ച റൂട്ടുകൾ ഡീസൽ ടാങ്കിനെയും ക്യാബിനുള്ളിലെ മനുഷ്യനെയും ഒരുപോലെ പരിഗണിക്കുന്നു.

ആഘാതങ്ങളെ അതിജീവിക്കുക

സപ്ലൈ ചെയിനുകൾ എപ്പോഴും വെല്ലുവിളികൾ നേരിടുന്നവയാണ്. ഒരു ചുഴലിക്കാറ്റ് ഒരു തുറമുഖം അടയ്ക്കുന്നു. ഒരു ഭൗമരാഷ്ട്രീയ സംഭവം അതിർത്തി കടമ്പകളെ തടസ്സപ്പെടുത്തുന്നു. ഒരു സപ്ലയർ ഉൽപ്പാദന സമയപരിധി പാലിക്കുന്നതിൽ പരാജയപ്പെട്ടാൽ പെട്ടെന്ന് നിങ്ങളുടെ ഔട്ട്‌ബൗണ്ട് ഫ്രൈറ്റ് (outbound freight) കൊണ്ടുപോകാൻ ഒന്നുമില്ലാത്ത അവസ്ഥയുണ്ടാകുന്നു. ഇപ്പോൾ മാറ്റം വേഗതയിലാണ്. തടസ്സങ്ങൾ ഒരു ശൃംഖലയിൽ പടരാൻ പണ്ട് ദിവസങ്ങൾ എടുത്തിരുന്നു. എന്നാൽ ഇപ്പോൾ അവ ഒരു ട്വീറ്റിന്റെ വേഗതയിൽ പടരുന്നു.

തടസ്സങ്ങൾ നിയന്ത്രിക്കുന്ന AI ടൂളുകൾ മോശം കാലാവസ്ഥയെ തടയുന്നില്ല. പകരം അവ പ്രതികരണ സമയം കുറയ്ക്കുന്നു. ഒരു കൊടുങ്കാറ്റ് ഇന്റർസ്റ്റേറ്റ് പാതകൾ അടയ്ക്കുമ്പോൾ, ഡ്രൈവർമാർ അവരുടെ കാപ്പി കുടി തീരുന്നതിന് മുമ്പ് തന്നെ സിസ്റ്റത്തിന് ബാധിക്കപ്പെട്ട റൂട്ടുകൾ പുനർനിർമ്മിക്കാൻ കഴിയും. ഒരു പ്രദേശത്ത് ഡിമാൻഡ് വർദ്ധിക്കുകയും മറ്റൊരു പ്രദേശത്ത് കുറയുകയും ചെയ്യുമ്പോൾ, അൽഗോരിതങ്ങൾ ഈ അസന്തുലിതാവസ്ഥ തിരിച്ചറിയുകയും ശൂന്യമായ ആസ്തികളെ (empty assets) പുനർക്രമീകരിക്കാൻ നിർദ്ദേശിക്കുകയും ചെയ്യുന്നു. ഒരു കാരിയർ ലോഡ് എടുക്കാൻ പരാജയപ്പെട്ടാൽ, മാനുവൽ ബിഡിംഗ് വാർ തുടങ്ങാതെ തന്നെ മുൻകൂട്ടി പരിശോധിച്ച ഒരു ബാക്കപ്പ് നെറ്റ്‌വർക്കിൽ നിന്ന് പകരക്കാരനെ കണ്ടെത്താൻ പ്ലാറ്റ്‌ഫോമിന് കഴിയും.

ഈ സിസ്റ്റങ്ങൾ പഠിക്കുന്നു എന്നതാണ് ഇതിന്റെ പ്രധാന പ്രത്യേകത. ഒരു തവണ ഉപയോഗിച്ച താൽക്കാലിക പരിഹാരം അടുത്ത പ്രതിസന്ധി നേരിടാനുള്ള ഡാറ്റയായി മാറുന്നു. ഏത് ബദൽ മാർഗങ്ങളാണ് യഥാർത്ഥത്തിൽ ഫലപ്രദമായതെന്ന് മനസ്സിലാക്കുന്നതിലൂടെ, ബദൽ മാർഗങ്ങൾ നിർദ്ദേശിക്കുന്നതിൽ മോഡൽ കൂടുതൽ മികച്ചതാകുന്നു.

മനുഷ്യന്റെ സ്ഥാനം ഇപ്പോഴും ഡ്രൈവർ സീറ്റിലാണ്

ഗതാഗത മേഖലയിലെ AI എന്നാൽ റോബോട്ട് ട്രക്കുകളും തൊഴിലില്ലാതകുന്ന ഡിസ്പാച്ചർമാരും ആണെന്നുള്ള ഒരു ഭയം നിലനിൽക്കുന്നുണ്ട്.