ИИ сегодня применяется в самых разных отраслях, и логистика — не исключение. Инструменты на основе искусственного интеллекта помогают составлять расписания и маршруты, оптимизируют работу склада и способствуют росту эффективности. Однако пока еще встречаются ситуации, когда решение о внедрении принимается без тщательной оценки целей и задач, что приводит к ненужным расходам и не позволяет получить максимальную отдачу от современных ИИ-решений. Михаил Красильников, директор департамента разработки и внедрения систем искусственного интеллекта ИТ-компании BIA Technologies, рассказывает об основных ошибках, которые допускаются при внедрении ИИ в логистической отрасли.

Непонимание, что такое ИИ для бизнеса

Одна компания за другой объявляет о том, что уже применяет искусственный интеллект и внедрила его в свои бизнес-процессы. Но если начать выяснять, как именно он используется, на практике нередко оказывается, что речь идет о применении общедоступных генеративных сервисов для создания текстов и изображений. С их помощью, например, пишутся объявления о вакансиях или генерируются иллюстрации для презентаций, решая задачи конкретных пользователей.

Между тем нейросети для бизнеса способны выполнять гораздо более трудные задачи: анализировать клиентское поведение, оптимизировать маршруты доставки, составлять прогнозы, делать персонализированные маркетинговые предложения и так далее. Для этого внедряются сложные системы с комплексом технологий, куда входит и анализ временных рядов, и анализ графов (математических конструкций, которые используются для представления объектов и их связей) и другие функции, специфичные для бизнеса.

Избежать этой ошибки поможет тщательное ознакомление с разными кейсами внедрений, в разных отраслях, чтобы найти те из них, которые могут быть релевантным для компании. Сделать это возможно и собственными силами или обратиться к ИТ-разработчикам с опытом, чтобы, проанализировав рынок решений, они предложили, какими инструментами можно решить задачи бизнеса, а может быть разработали свое.

Отсутствие целей внедрения

Далеко не все предприниматели до конца понимают, зачем искусственный интеллект необходим, что он даст, каких ошибок поможет избежать и за счет чего увеличит эффективность. На практике заказчик может хотеть внедрить ИИ-решения, но не знать на каком участке, в каком бизнес-процессе можно получить наибольший эффект.

Такой подход совершенно не верный: дорогостоящее решение может себя не оправдать, либо и вовсе будет простаивать, так как сотрудники не понимают целей внедрения. Чтобы избежать этой ошибки, нужно сначала проанализировать работу организации в целом, выявить слабые места, а потом вместе с техническими специалистами понять, как ИИ может исправить ситуацию. 

Например, в компании высокий процент опозданий при доставке заказов. Или, к примеру, из-за человеческого фактора допускается слишком много ошибок в их комплектации. Или расписания сотрудников составлены не оптимально, в результате чего в часы пик на складе не хватает рук, а в другое время сотрудники простаивают. Требуется пошагово отследить проблемные процессы, увидеть, как и где именно возникают ошибки, и только потом налаживать процессы с помощью ИИ. Заодно появится ясность, какое именно решение необходимо — масштабная многофункциональная система или точечный инструмент, коробочное решение или индивидуальная разработка.

Пренебрежение качеством данных

Для эффективной работы ИИ-инструментов важны качество и достаточное количество данных, которые она будет использовать. Чем тщательнее прописаны и задокументированы все процессы компании, чем актуальнее и полнее информация, тем выше будет отдача от внедрения. Хороший пример как ИИ-технология внесла кардинальные изменения — это сферы маркетинга, e-commerce, страхование и финансовый сектор. Причина, по которой это произошло, в том, что эти отрасли по своей сути являются цифровыми, в них имеется огромный объем сведений о процессах, которые подходят для обработки и использованиям ИИ-инструментами.

К сожалению, на практике нередки ситуации, когда компании пренебрегают качеством информации, или она является неоднородной. В учетные системы вносится не все и нерегулярно, к примеру, на одни товары есть все характеристики, а на другие — в лучшем случае половина. Прежде чем интегрировать в работу ИИ-решение, необходимо навести порядок в данных, иначе эффекта от внедрения не будет.

Завышенные ожидания

Компании, стремящиеся к использованию ИИ-инструментов в логистике, иногда могут иметь высокие ожидания от их возможностей, особенно в решении вопросов кадрового дефицита. Согласно данным портала рекрутинга hh.ru, в первой половине 2024 года количество вакансий в секторе «Транспорт, логистика и перевозки» увеличилось на 52% по сравнению с аналогичным периодом прошлого года, достигнув отметки в 312,5 тыс. открытых позиций. По оценке другого сервиса по подбору сотрудников SuperJob, логистика входит в тройку сфер с наиболее высокой потребностью в персонале. При этом ожидания персонала по зарплате заметно выросли, что создает серьезную нагрузку на бизнес. На практике нередки случаи, когда владелец компании внедряя ИИ-инструменты, ждет, что тем самым значительно компенсирует нехватку персонала. Но даже после полноценной интеграции дефицит остается, и, как следствие, появляется разочарование в инструменте.

ИИ действительно может сократить потребность в персонале, но не прямо, а косвенно. Надо понимать, что на текущем этапе он не заменит водителей и грузчиков, но поможет усовершенствовать процессы, повысит их эффективность, что позволит действующим сотрудникам экономить усилия. В результате на участке, где раньше работали, три специалиста, после внедрения достаточно двоих. Или пример из реальной практики нашего заказчика — до внедрения автоматизированной системы маршрутизации на последней миле машина за день в среднем осуществляла 31 клиентскую доставку, а после выстраивания системы оптимизации, их число выросло до 34, что в пересчете на парк из 5000 машин дает прибавку в 15 000 доставленных заказов ежедневно.

Компания не перестроилась и не пользуется новыми ИИ-инструментами

Даже если в организации внедрено суперсовременное решение, коллектив и менеджмент все еще может предпочитать пользоваться привычными инструментами. Бывает, что сотрудники против использования новых программ, так как чувствуют, что им будет сложно перестроиться. Люди в целом обычно не сразу воспринимают новое и не хотят отказываться от известного, пусть даже и устаревшего инструмента.

В результате дорогостоящее решение простаивает без дела, либо возникает дублирование, когда работа ведется одновременно в двух системах. Тут крайне важна роль обучения и демонстрация эффективности, легкости и доступности ИИ-инструментов. Нужно преодолеть начальную инерцию, потратить немного времени, чтобы освоиться и оценить преимущества.

Резюмируя, можно сказать, что ИИ-инструменты могут преобразовать построение логистических цепочек, обеспечить бесперебойную работу складов, и даже повлиять на сохранность грузов при транспортировке. Однако прежде чем их внедрять, необходимо тщательно проанализировать цели и задачи, которые предстоит решить с помощью нейросетей, обеспечить необходимое качество данных и только после этого переходить к автоматизации и интеграции современных ИИ-решений в бизнес.

Справочная информация:

Михаил Борисович Красильников - кандидат физико-математических наук и директор департамента разработки и внедрения систем искусственного интеллекта ИТ-компании BIA Technologies.

Фото: Freepik - Aleksandarlittlewolf