‘Techniek is zelden de bottleneck voor Artificial Intelligence’

Iedereen heeft tegenwoordig wel Artificial Intelligence (AI) in zijn broekzak zitten. We gebruiken via onze smartphone talloze diensten waar AI achter zit, zoals de algoritmes in Google Search, Siri spraakherkenning en Maps. Maar ook in de logistiek wordt hard gewerkt aan de inzet van steeds meer AI.

‘Daar waar je vroeger heel nauwe toepassingen had voor AI – kleine klusjes of taken – daar zie je nu dat het breder wordt ingezet en dat er ook complexe taken worden overgenomen door algoritmes of machines’, vertelt Sebastian Piest, onderzoeker bij de Universiteit Twente en gespecialiseerd in logistieke informatiesystemen.

‘In de fysieke logistiek zie je dat duidelijk aan de gemechaniseerde distributiecentra en de zelflerende sorteer- en opslagsystemen. De opkomst van de e-commerce heeft die grotendeels aangejaagd. Zelfs raar gestapelde containers kunnen nu door een machine uitgepakt worden. Al zie je nog wel dat de inzet ervan binnen de vier muren van een dc blijft en nog niet de openbare ruimte bereikt.’

In de logistiek wordt AI met name ingezet in de automatisering van distributiemagazijnen, het maken van transportplanningen en voorraadbeheer- en forecasting, weet Liesbeth Brügemann, programmamanager bij TKI Dinalog op het gebied van datagedreven logistiek. Zij is onder meer verantwoordelijk voor het AI-programma binnen de Topsector Logistiek.

Wegvervoerder

‘De software doet een voorstel wat de planning zou moeten zijn en zet acties uit, maar het is nog altijd een samenwerking tussen mensen en systemen’, vertelt Brügemann. ‘Mensen zijn nodig om te verifiëren, met specifieke zaken rekening te houden of onverwachte zaken op te lossen. Dat is het interessante aan werken met AI: je brengt eigenlijk twee soorten intelligenties samen.’ Piest beaamt: ‘AI richt zich primair op autonomie, maar samenwerking met mensen is essentieel om AI-systemen goed te laten functioneren.’

Artificial Intelligence is een van de speerpunten waarop de Topsector Logistiek zich de komende jaren richt. Brügemann: ‘We hebben behoorlijk wat pilots op het gebied van robotica, planningsystemen en autonoom rijden. De kennis is nu al best ver, de uitdaging zit hem vooral in hoe we AI nog meer zelflerend en flexibeler kunnen maken, in plaats van dat een systeem wordt ontwikkeld voor één specifieke taak.’

De geschiedenis van AI gaat al best een tijd terug, nog zelfs tot ruim voordat de eerste personal computer op de markt kwam. Piest: ‘In de wetenschap bestaat AI, het proberen om menselijke intelligentie na te bootsen via autonome systemen die zelflerend zijn en zelfstandig interactie kunnen hebben, al sinds de jaren ‘50.’

De AI-projecten binnen de Topsector Logistiek zijn volgens het tweetal niet een puur academisch feestje. Brügemann: ‘Alles wordt voor de helft gefinancierd door het bedrijfsleven. Zo hadden we een project bij wegvervoerder Emons om een slimme tool te bouwen die berekende waar je het beste kunt tanken. Heel actueel gezien de hoge brandstofprijzen. En welke ritten ze beter konden uitbesteden in plaats van zelf te rijden om lege kilometers te reduceren. Je hebt altijd de samenwerking tussen gebruikers, techneuten en wetenschap nodig, anders wordt het een feestje van de statistieken. Dan ga je zaken onderzoeken die wellicht niet haalbaar zijn. Daarom eisen we ook cofinanciering. Het gaat om de daadwerkelijke toepasbaarheid in de sector.’

Piest: ‘Samen met Emons hebben we ook een pilot uitgevoerd met transportaanbestedingen. Je krijgt als transporteur vaak een heel pakket aan ritten van een verlader, dat door de planning wordt geanalyseerd om te kijken wat voor aanbieding je kunt doen. We hebben een algoritme ontwikkeld dat helpt om sneller te bepalen welke ritten en combinaties van ritten interessant zijn. Veel werk zat in het bepalen welke datasets hiervoor belangrijk zijn. De uitkomsten van dit experiment zijn gepubliceerd tijdens wetenschappelijke conferenties en breed gedeeld door de Topsector Logistiek.’

Spanningsveld

Toch is er soms nog wel een spanningsveld tussen de uitkomsten die het algoritme genereert en wat het gevoel van een ervaren planner zegt, weet Brügemann. ‘De vraag is soms nog wel, of planners de uitkomsten van een planningsvoorstel accepteren of dat ze het toch nog niet helemaal vertrouwen. Als een planner niet weet waarop de software zijn beslissingen baseert, heeft hij de neiging het zelf nogmaals te bekijken of te toetsen. Daar moet je dus rekening mee houden bij de ontwikkeling en implementatie. Overigens maken deze ontwikkelingen het werk van een planner interessanter. Hij hoeft de repetitieve handelingen niet meer te doen en kan zich focussen op de uitdagende problemen. Al is de samenwerking tussen systeem en mens vaak nog wel een uitdaging.’

Het helpt als bedrijven in de basis al goed gedigitaliseerd zijn, al moeten bedrijven beseffen dat digitale gegevens nog niet hetzelfde zijn als informatie waar je daadwerkelijk wat mee kunt, zegt Piest. ‘Veel bedrijven werken nog met Excel. Dat is misschien wel digitaal, maar niet altijd te gebruiken om een AI-systeem te ontwikkelen. Met AI kun je ook snel je datakwaliteit verbeteren en vanuit daar je informatievoorziening digitaliseren. Datageletterdheid is nog wel een uitdaging. Voor AI heb je een ander kennisniveau nodig dan nu vaak aanwezig is.’

Logistieke bedrijven die met AI aan de slag willen, moeten dus vooral investeren in mensen, want de benodigde techniek is reeds breed beschikbaar, zo betoogt Piest. ‘De huidige computers zijn vaak al prima geschikt om te beginnen met AI-experimenten en -pilots. Al is dat wel afhankelijk van de schaalgrootte. Zo hadden we het bij een project voor Albert Heijn al snel over ruim dertigduizend artikelen over verschillende locaties. Daar is wel specifieke expertise en hardware nodig om het schaalbaar te houden. Maar de techniek is zelden de echte ­bottleneck. De juiste data en het innovatie-adoptievermogen in een sector zijn veel bepalender.’

Elk budget

De onderzoeker ziet de ontwikkelingen daarbij snel gaan, wat ervoor zorgt dat er al snel voor elk budget en kennisniveau AI-mogelijkheden beschikbaar komen. ‘Hopelijk gaan de ICT-leveranciers straks ook standaard AI-toepassingen aanbieden, net zoals je dat zag bij de automatische transportplanningen. Dat ging eerst om miljoenenprojecten, nu wordt het steeds laagdrempeliger beschikbaar via standaardsystemen. Gezien het hoge aantal mkb’ers in de transportsector is dat ook the way to go om snel stappen te zetten.’

‘De WMS- en TMS-markt bestaat nu nog uit een gefragmenteerd aanbod waarbij men zich vooral richt op kernfunctionaliteit, aldus Piest. ‘Bij AI bouw je meer vanuit een data-architectuur dan vanuit een systeem-architectuur. Dus wanneer je breder dan een enkele extensie aan de slag wilt gaan met AI, dan kun je beter een apart dataplatform inrichten dat je vervolgens over meerdere systemen heen kunt gebruiken, in plaats van dat je het via maatwerk aan je WMS of je TMS toevoegt’, vindt de wetenschapper.

‘We zijn daarom een learning community tussen bedrijven aan het opzetten op basis van een gestandaardiseerd model. In ons onderzoek richten we ons op het Open Trip-model (open source data deelmodel, red.). We bouwen een toolbox met herbruikbare algoritmes. Wat we bij het ene bedrijf ontwikkelen, kunnen we dan via die standaard breder toegankelijk maken voor andere gebruikers. Toch vereist integratie ervan nog altijd wel behoorlijk wat kennis, bijvoorbeeld van data-analisten, IT- en integratiespecialisten.’

Veel onzekerheid

Er zijn al behoorlijk veel logistieke data aanwezig in openbare communities waarmee ICT’ers binnen logistieke organisaties aan de gang kunnen, zegt Piest. Hij noemt als voorbeeld het platform Dutch Mobility Innovations. ‘Dat is een initiatief van het ministerie van Infrastructuur en Waterstaat, met veel mobiliteitsdata die beschikbaar zijn om je eigen omgeving mee te verrijken. Dat kan gaan van zero-emissie-zones binnen steden naar allerlei logistieke verkeerskundige aspecten, zoals files en de aanwezigheid van slimme verkeerslichten. Transport gebeurt in de buitenwereld met veel onzekerheid. Hoe meer je van die omgevingsvariabelen in je datasets kunt meenemen, hoe beter je er realtime op kunt anticiperen.’

Bron: Nieuwsblad Transport