用真实的物流AI和物联网打破模具

最近，我们谈论了物联网(IoT)和人工智能(AI)。因此，现在很难将真实与纯粹的“营销”物联网和人工智能区分开来。数据挖掘不是人工智能。营销人员已经做了三十年，其他人同样如此。它使用智能相关性和同类群来查找模式和潜在需求。对于这个问题和情况来说，这并不是很多。

应该有一个新的营销密码本与这些线：“你不应该引用IoT和AI徒劳。”我不知道如何，但销售人员称我的最新手表“AI启用”，无论他们是否有人工智能。时钟甚至不聪明; 充其量只是数字化。当你擦掉不那么真实的术语并查看AI和物联网的实际应用时，它们是充足的。但是，我们如何找到真实的东西 - 在这些条款中如此看待?这很简单。

只知道球场背后的故事。产品或解决方案是否会随着时间而改善?在面向客户的场景中，它是否根据您的语言进行自定义(可能与Amazon Echo一样)。

在更多企业环境中，每次使用时，它是否为您的物流运动提供更好/更快的交货路线?通过改善结果，学习和调整的单一目标，它是否会逐步改善?如果是(对任何)，那么它是AI。

一个学习自己并讲述是非的系统;

最近的用例浮现在脑海中。与我联系的公司LogiNext使用卡尔曼滤波器(算法)。当NASA使用该算法努力更好地引导近处和外太空的卫星时，NASA使卡尔曼滤波器成名。根据一篇论文，从1985年开始，

“各种形式的卡尔曼滤波器已成为分析解决一大类估计问题的基本工具。”

该公司使用卡尔曼滤波器的更新迭代来修复在全国范围内移动的数百辆卡车的重要跟踪信息。因此，每个跟踪点精确到3×3码。有什么影响?

具有卡尔曼滤波器层的更新算法从跟踪误差中学习。这一点至关重要，因为跟踪依赖于硬件和网络覆盖。它识别跟踪数据中的模式，以了解什么是“可信”监控以及什么是错误。系统本身将知道要使用哪些跟踪数据以及忽略哪些跟踪数据，通过持续运行来提高准确性。

反过来，这将确保进入系统进行处理和路线规划的信息是准确的。更重要的是，避免另一个“垃圾进，垃圾出”的情况。每次使用它时，它会更加符合逐步更好的计划。

物流主要是服务水平协议的游戏，SLA。公司/运营商需要遵守这些基本单位协议，SLA或最低可行服务水平。可能是货物离开时，卡车的质量或货物的环境，需要到达的时间等等。这些SLA是承运人，司机和公司的行为准则。它们特定于每批货物。SLA违规行为是一件严重的事情，可能导致延误和最终处罚。

因此，当SLA处于中心位置时，当您必须跟踪从LA到NY的包裹时，您会期望有关包裹的位置和状态的连续信息流，以及跟踪对最重要的SLA的遵守情况， '承诺交货时间'。您的预计到达时间(ETA)如何在运营商，枢纽，交付中心和最终里程快递员之间进行交换?

这是一个充满活力的物流世界，即使是当地交通和天气也可能成为破坏者。如果您简化了包装的整个端到端运动 - 那就是拾取器，集线器到集线器的运动以及交付。所有这些都可能由不同的司机，卡车等处理，改变多手。你怎么知道这些司机是否更容易超速或延误?你怎么知道装满你的包裹的卡车是否配备齐全来处理它?所有的可操作性都允许物流领导者立即使用AI。

这是一个系统，一个复杂交织的智能软件和设备生态系统，从包裹离开你的那一刻开始; 它跟踪捕获独特的id和驱动程序细节，在所有可能性中调整，从最终交付时间到新泽西州的气候。

根据承诺的时间表，包装的性质(易腐，易碎，敏感，繁琐等)，路线要求和预期/预测的延误，每个司机的服务时间，该系统选择最适合的包裹和卡车(ELD / DoT合规)等

所有信息都被发送到一个屏幕，经理可以在州界线上查看他/她的所有卡车，以及任何延误的可能性。这种监控使管理者(以及所涉及的品牌)能够采取纠正措施并避免最终客户的最终延误。

此外，这种详细的分析和多个系统的点对点精确度相互无缝地相互通信，增加了一层可预测性。在这里，经理可以有效地预测卡车将继续正确地容纳可能的负载量。这无需深入现货市场。