Sztuczna inteligencja coraz częściej trafia do codziennych procesów logistycznych. W transporcie jej praktyczne zastosowania obejmują dokładniejsze planowanie tras oraz analizę danych pomagających ukierunkować działania na rzecz bezpieczeństwa kierowców.
Planowanie dostaw bywa oparte na stałych średnich dotyczących czasu obsługi punktu. Modele uczenia maszynowego mogą analizować wcześniejsze realizacje i uwzględniać rodzaj towaru, pojazd, klienta oraz historię dostaw. Dzięki temu operator może lepiej oszacować czas poszczególnych postojów i przygotować bardziej realistyczny harmonogram.
Drugim wyzwaniem jest rozproszenie danych. Telematyka, kamery, systemy zgodności i arkusze generują informacje, których ręczna ocena nie zawsze pozwala wykryć powtarzalne zachowania. AI może wskazać wzorce, zasugerować kierowców wymagających coachingu i pomóc sprawdzić, czy później nastąpiła poprawa.
Uwzględnienie szerszego kontekstu pozwala odróżnić pojedynczy incydent od problemu występującego regularnie. To może zwiększyć skuteczność rozmów z kierowcami oraz wspierać redukcję wypadków, naruszeń zasad i ryzyka operacyjnego.
W przyszłości agentowa AI może wspierać planistów i przejmować część rutynowych czynności. Dla przedsiębiorstw najważniejsza pozostaje jednak kolejność działań: najpierw należy określić potrzebę biznesową, a dopiero potem ocenić, czy rozwiązanie AI przyniesie mierzalny rezultat.
Wielojęzyczny specjalista z doświadczeniem w Europie, Kanadzie i Chinach, Herbert nawiązał bezcenne kontakty w branży motoryzacyjnej i energetycznej. Kierował prestiżowymi projektami obejmującymi współpracę z ENBW, Mercedes-Benz Group, Siemens Group oraz Instytutem Fraunhofera.