Dette er en forkortet udgave af en artikel fra vores Pro-medie MobilityTech
Det er en helt naturlig del af de fleste transport- og logistikvirksomheders praksis at indsamle en lang række data om pakker, lastbiler såvel som varebiler, men det er langtfra sikkert, at selskabernes kunder får glæde af de mange informationer.
Det forsøger transport- og logistikvirksomheden DSV dog at ændre på ved at benytte såkaldt machine learning.
Kort sagt går det ud på at lade en computer lære at genkende mønstre ud fra nogle eksempler og data, for eksempel data fra en GPS. For DSV's vedkommende bruges disse data til at forudsige, om en forsendelse bliver forsinket.
Læs mere på MobilityTech, hvor vi dykker ned i teknikken bag den machine learning, som DSV anvender til at genkende mønstre i deres data.
MobilityTech
Følg med på pro.ing.dk/mobilitytech
»Vores udfordring var, at vi gerne ville forudse forsinkelser for helt at kunne undgå, at forsinkelserne sker. Så derfor har vi udviklet et projekt for en kunden, hvor vi benytter data fra en GPS på en trailer samt en række historiske data. Med en simpel machine learning-model, som vi fodrer med data direkte fra en GPS, kan vi få at vide, hvornår forsinkelser ventes at opstå,« fortalte Thomas Prinds Meyer, Project Manager hos Business Innovations & Systems hos DSV.
Medarbejderne hos DSV’s innovationsafdeling fandt ud af, at de faktisk kunne forudse forsinkelser 12 timer på forhånd. Og den information skulle så leveres videre til slutbrugeren.
»I den forbindelse indså vi, at vi ikke nødvendigvis behøvede at udvikle et smart program eller en frontend, men blot kunne nøjes med at sende en mail til slutbrugeren. De havde i forvejen mange programmer, de skulle forholde sig til, så mailprogrammet Outlook viste sig at være den bedste løsning,« fortalte Thomas Prinds Meyer.
