Descartes System Group presenterte nylig at de utvikler sine løsninger innen ruteplanlegging og ruteoptimalisering ved å bruke kunstig intelligens (AI) og maskinlæring (ML).  Disse forbedringene hjelper bedrifter med å analysere data fra allerede gjennomførte ruter og deretter optimere planlagte ruter for sine kjøretøy. 

Descartes, med nordisk hovedkontor i Malmö, driver med kontinuerlig utvikling av sin programvare for å standardisere og automatisere prosesser for ruteplanlegging for store kjøretøyparker samt ruteoptimalisering for tidsbestemte leveranser samme dag. Med de nye forbedringene innen AI og ML tar Descartes nye steg for å optimere kundenes ytelse innen både ruteoptimalisering og effektivisering.  

- Vi fortsetter å utvikle løsningene våre, og med støtte fra AI og ML kommer vi til å kunne forenkle og automatisere prosessen for de av våre kunder som bruker ruteoptimalisering, noe som gir dem større presisjon ved levering samt forbedrede driftsresultater, sier Sergio Torres, Senior Vice President hos Descartes.  

- AI og ML passer perfekt inn til de mer avanserte løsningene vi har innen ruteoptimalisering. Vi anvender AI og ML for å gi våre kunder flere muligheter til å få mest mulig ut av sine kjøretøy, noe som omfatter alt fra dynamisk booking av leveranser, til varslinger i sanntid, sier Ken Wood, Executive Vice President hos Descartes.  

Forbedringene innen AI og ML omfatter: 

• Descartes AI Advisorer en intelligent modul for konfigurasjon og kontroll som etterligner kunnskapen som en ekspert på ruteoptimalisering har hos Descartes. Kunden får en rekke spørsmål, og Descartes AI Advisor konfigurerer automatisk ut fra svarene på innstillinger og parametere, noe som forenkler og påskynder konfigurasjonsprosessen. Ulike scenarioer som har kommet opp med konfigurasjonen, sammenlignes deretter for å avgjøre hvordan man best optimerer rutene og samtidig bidrar til å nå bedriftenes mål. AI-Advisor kan altså evaluere resultatene av systemer som er i drift, og anbefale endringer for å opprettholde optimale resultater til enhver tid.  

• Maskinlæringsalgoritmer har blitt brukt til å beregne sted, strekning og stopptider. Disse nøkkelfaktorene kan forbedres kontinuerlig gjennom reelle resultater fra både mobile og IoT-baserte kilder i kombinasjon med andre påvirkende variabler. Titusenvis av datapunkter og variabler evalueres altså kontinuerlig, slik at innlærte justeringer bidrar til bedre ruteplanlegging, noe som skaper mer forutsigbare og effektive ruter.