Karriyer
2025 yılına kadar dünyadaki veri miktarı 2015 yılına göre 10 kat artacak. Bu rakamlar uluslararası araştırma ve danışmanlık şirketi International Data Company (IDC) tarafından hazırlanan “2025 Bilgi çağı” raporunda açıklandı.
Lojistik sektöründe eğilim, küresel eğilimden farklı değildir. Bilgi miktarı iki yılda bir iki katına çıkıyor. Analistlere göre, 2020'de veri miktarı 44 zettabayt olacak. 1 zettabayt sabit disk, toplam 63 milyon yıldan fazla süreye sahip 4K yüksek çözünürlüklü video içerir.
Büyük hacimli verilerin analizi ve yorumlanması için, makine öğrenme algoritmaları kullanılmaktadır. Makine öğrenme algoritmaları alınan bilgilere ve belirlenen eğilimlere dayalı tahminler yapar. AsstrA Araştırma ve Geliştirme Dairesi Başkanı Vitaly Verbilovich'e makine öğrenme algoritmalarının nakliye ve lojistik endüstrisinde nasıl uygulandığını sorduk.
Vitaly, makine öğrenme algoritmaları lojistik sektöründe nasıl uygulanmaktadır?
Makine öğrenme algoritmaları tüm taşımacılık ve lojistik alanlarında kullanılmaktadır.
- Depo lojistiği. Bilgisayarla denetim, depolardaki mal kalıntılarını izler, çalışanları kontrol eder, tesislerde güvenliği sağlar.
- Sefer. Ulaşım hakkında toplanan bilgilere dayanarak, rotaları planlıyor ve inşa ediyorlar, mevsimsellik dalgalarını tahmin ediyorlar.
- Satışlar. Satış hacimlerinin tahmini, nakliye ve lojistik şirketinin fiyatlandırma politikasındaki değişiklikler, hizmet satışının tarihsel göstergeleri de dahil olmak üzere inşa edilmiştir.
- Güvenlik. Puanlama modelleri (Puanlama - sayısal istatistiksel yöntemlere dayanan bir puan değerlendirme sistemi) tedarikçilerle ilişkiler hakkındaki bilgilere dayanarak işbirliğinin başlamasından önce güvenilmez veya potansiyel olarak sorunlu yüklenicilerin belirlenmesine yardımcı olur.
Makine öğrenme algoritmaları kullanılarak hangi bilgiler işlenir ve analistler yapacak ne kalıyor?
Analitikte ilk öncelik, sorunun açıklanması ve gerekli bilgilerin seçilmesi talebinin oluşturulmasıdır. Burada insan müdahalesi olmadan yani belirli bir iş alanında deneyim ve bilgi ile analiz olmadan yapamazsınız. Daha sonra, bilgi toplama, işleme ve birincil analiz görevleriyle daha verimli bir şekilde başa çıkan makine öğrenme algoritmaları devreye girer. Analist rutin ve zaman alıcı görevlerden kurtulur ve çalışmanın kavramsal yönlerine odaklanır.
Makine öğrenme algoritmaları AsstrA'da nasıl uygulanmaktadır?
Makine öğrenme algoritmaları AsstrA'da üç farklı kategorideki görevleri halletmek için kullanılmaktadır:
- Bilgilerin daha ileri düzeyde işlenmesi ile ilgili veri tabanlarının oluşturulması yoluyla iş akışının dijitalleştirilmesi
- Sevkiyat yolundaki olası mücbir sebepler hakkında tahmin ve bilgilendirme. Tedarik zincirinin şeffaflığını arttırmak için AsstrA, tedarik zincirlerinin şeffaflığını gerçek zamanlı olarak artırmanın yanı sıra sevkiyat yolundaki olası sinyalleri tahmin edip bilgi gönderen Shippeo ile işbirliği yapıyor.
- Önceki dönemlere ait göstergelerdeki modellerin öngörülü analizi ve gelecekteki risk ve fırsatların değerlendirilmesi
İşlenen bilgiler sayesinde tedarik zincirlerinin verimliliğini artırmak için bilinçli kararlar alınır.