Emons: Lege kilometers reduceren met Artificiële Intelligentie

Gepubliceerd op: 24 augustus 2021

Dagelijks rijden er veel trucks met (gedeeltelijk) lege trailers. Om de beladingsgraad te verbeteren, werken logistieke dienstverleners onderling samen. Daarnaast zijn er online marktplaatsen en platforms waar vracht en ritten worden uitgewisseld. Als gevolg hiervan worden er dagelijks logistieke puzzels gelegd om te voldoen aan de marktvraag, capaciteit optimaal te benutten en daarmee lege kilometers te reduceren. Op dit moment worden deze puzzels door commerciële planners gelegd.

Aanpak

Om deze logistieke uitdagingen het hoofd te bieden met de inzet van Artificiële Intelligentie (AI) is er op initiatief van het TKI Dinalog project ICCOS* een design workshop georganiseerd met als doel het aantal kilometers van (gedeeltelijk) lege trailers te minimaliseren. Hierbij is gebruikgemaakt van het design canvas dat is ontwikkeld in het TKI Dinalog** project ‘Autonomous Logistics Miners for Small and Medium-sized Businesses’. Vanuit de Universiteit Twente is tijdens deze workshop een introductie van AI in de logistiek verzorgd. Bullit Digital demonstreerde daarnaast de werking van data science technieken aan de hand van een aantal toepassingen en software ontwikkeld voor Emons. Deltago heeft als facilitator het traject ondersteund en het adoptieproces onderzocht.

Inzet van Artificiële Intelligentie

Voor deze use case is hoofdzakelijk gebruik gemaakt van Reinforcement Learning technieken, waarbij de historische data geen harde vereiste is, om een software agent te ontwikkelen die door middel van simulatie en ervaring leert om interessante ritten te identificeren. Voor de initiële dataverwerking is gebruikgemaakt van Unsupervised Learning om het aantal locaties terug te brengen naar clusters. Op basis van historische data zijn de belangrijkste ophaal/afleverlocaties geclusterd om het speelveld voor de software agent terug te brengen. Hiermee wordt de oplosruimte en rekentijd beperkt.

Vervolgens is de use case verder uitgewerkt en daarbij is het speelveld, scoreboard en de software agent ontwikkeld. Het speelveld wordt gevormd door de locaties in de dataset. Het scorebord meet de prestaties van de software agent. Hierbij wordt de lengte van de rit, de frequentie en de ratio leegrijden beoordeeld. De software agent is ontwikkeld in Python en getraind in Google Colab. De tussentijdse resultaten zijn gevisualiseerd en gedocumenteerd. De software agent maakt gebruik van een neuraal netwerk, waarin de kennis zit opgeslagen. Op basis van one-hot-encoding kan de software agent het speelveld, en daarmee de volgorde van de ritten, ‘zien’. Tevens onthoudt de software agent de laatste vijf stappen. Zo kan de software agent een gewogen beslissing nemen op basis van acties uit het verleden. Daarna wordt Advantage Actor Critic ingezet als techniek om de software agent te trainen. Deze techniek is geschikt voor deze logistieke uitdaging, omdat het de waarde van het speelbord én het mogelijke voordeel van een actie kan voorspellen. Zo kan de software agent beter inschatten wat de beste actie is om te nemen.

Resultaten design workshop

  • Er zijn 49 ideeën gegenereerd voor de inzet van AI bij Emons.
  • Vijf ideeën worden nader uitgewerkt met het design canvas, waarbij is gekozen voor de Smart Tendering
  • Er is een software agent ontwikkeld die de commerciële planner helpt interessante ritten te vinden.
  • Kennis en inzicht voor bredere toepassingen van AI is sterk toegenomen.

Belangrijke inzichten

  • Toepassingen zijn snel te vinden en in vier tot zes weken om te zetten naar werkende prototypes.
  • Het is essentieel om een multidisciplinaire groep te vormen waarbij gebruiker, proces, data en IT zijn vertegenwoordigd.
  • Het is van belang om de stappen om de software agent te maken en de documentatie te visualiseren.
  • Integratiemogelijkheden van bronsystemen bepalen hoe groot de stap is naar gebruik in de praktijk.

Vervolgstappen

Als onderdeel van het ICCOS project wordt de proof-of-concept fase bij Emons vervolgd en een team samengesteld. De projectpartners ontwikkelen in het NWO Accelerator project *** een Platform voor Reinforcement Learning op basis van het Open Trip Model met en ondersteunende onderwijsmiddelen en trainingen. Met deze aanpak beogen de projectpartners de basis te leggen om de toepassingen van AI in de logistieke keten nader vorm te geven en voor het MKB toegankelijk te maken.

Mede mogelijk gemaakt door:

Deze use case en proof-of-concept is bij Emons uitgevoerd door Bullit Digital in samenwerking met de Universiteit Twente en Deltago.

Meer informatie

Een uitgebreid bericht over deze use case is beschikbaar op de website van TKI Dinalog. Bezoek voor algemene informatie de projectpagina van het ICCOS project.

  • * ICCOS staat voor ‘Industry 4.0 driven Supply Chain Coordination for Small and Medium-sized Enterprises’.
  • ** TKI Dinalog is het topconsortium van kennis en innovatie waarin bedrijven, kennisinstellingen en overheid werken aan het innovatieprogramma van de Topsector Logistiek.
  • *** NWO Accelerator 2020 heeft als doel om onderzoekers die in eerdere Topsector Logistiek calls gefinancierd zijn, de mogelijkheid te bieden nieuwe onderzoeksvragen of initiatieven te adresseren die binnen een jaar kunnen worden afgerond. Met deze call krijgen bestaande logistieke topsectorprojecten de mogelijkheid om het onderzoek verder uit te bouwen of extra impact te genereren.

Delen via: