Nem az embert helyettesíti, és nem univerzális megoldás
Nemcsak a műszaki-technikai fejlődés halad rohamléptekkel, hanem a technológiai és szoftveres eszközök, megoldások is. A gépi tanulást sajátos köztes mező e téren, s kétségtelen, hogy e számítógépes technika napjainkban szintén gyors fejlődésen megy keresztül. A gépi tanulás „szerve” alatt általában a rendszer „agyát értik”, amire a köznyelv gyakran a mesterséges intelligencia forradalmaként hivatkozik.
Új válaszok
A fejlesztőcégek között a Dachser például kiemelt figyelmet fordít a kutatás-fejlesztési tevékenységre, miután a mesterséges intelligencia (MI) egyre inkább teret hódít, sőt, nyomást gyakorol a logisztikai szektorra is. Ugyanakkor – más kortárs technológiai alkalmazáshoz hasonlóan – a mesterséges intelligencia sem arról szól, hogy megoldja a problémáinkat, és mindent megváltoztasson. Ez az oka annak, hogy a legtöbb meglévő logisztikában használatos IT-rendszer nem lesz gépi tanulással, vagyis mesterséges intelligenciával helyettesítve.
Ez a technológia elsősorban olyan problémák megoldására nyújt lehetőséget, amelyekre a hagyományos programozási logika eddig nem tudott alternatívát kínálni. Ilyen funkciók például a kép-, szöveg- és beszédfelismerés, vagy a komplex adatmennyiségek értelmezése, illetve az előrejelző elemzések elkészítése. Mindennek jó néhány érdekes hatása van a logisztikára nézve: például a mennyiség és az ár alakulásának előrejelzése, csomagok osztályozása képek használatával, a strukturálatlan bemeneti adatok értelmezése és automatikus további feldolgozása (például e-mail-vizsgálatok), valamint az önműködő járművek és gépek változó munkakörnyezetben történő üzemeltetése.
Felkészülés minden eshetőségre
Amikor a tipikus feltételes utasítás szerinti programozási technikát alkalmazzák ezekben az esetekben, elengedhetetlen, hogy minden lehetőséget sorra vegyünk és kódsorokká alakítsuk őket. Habár ez nem minden esetben lehetséges az adatok mennyisége és összetettsége miatt. A gépi tanulás azonban más megközelítést alkalmaz: egy algoritmus automatikusan fejleszti magát a korábbi bemeneti adatok alapján. Ez a folyamat – más néven tanulási szakasz – sikeresnek mondható, mivel az algoritmus képes kiszámítani a kimeneti adatokhoz hasonló, de ismeretlen bemeneti adatokat. Az algoritmus önfejlesztése során önállóan találta meg a szabályszerűséget az adatok értelmezésében.
Az emberi elme képesaz elvonatkoztatásra
A gépi tanulás a hagyományos matematikai technikák teljes sorozatára vonatkozik, úgymint a döntési fák vagy a K-középpontú klaszterelemzés. Egy másik megközelítés magába foglalja a mesterséges ideghálózatokat is (ANN), amelyek megvalósítják az emberi agy bizonyos típusú elvonatkoztatási modelljét, amely az emberi tanulási viselkedésen alapszik. Számos fejlesztő jelenleg is a deep learning algoritmusában bízik – azaz a nagyszámú neuronrétegekkel rendelkező mesterséges ideghálózatok használatában – az összetettségek kezelése érdekében. Különösen ebben az esetben próbálnak ki különböző módszereket és eszközöket. A gépi tanulás egy ígéretes technológia, és a kezdeti alkalmazásai biztató jeleket mutatnak. Ugyanakkor még mindig a fejlesztési szakaszban tart. Az, hogy mikor és milyen mértékben fogja ez megváltoztatni az ellátási láncot, csak a következő néhány évben fog kiderülni.
Összeállította: Kohout Zoltán (forrás: Dachser)
