Sztuczna inteligencja w transporcie, czyli praktyczne zastosowanie Conversational AI w branży TSL

AI w branży TSL — zastosowanie

O AI (a w praktyce bardziej o machine learning) mówi się dzisiaj dużo. ChatGPT przyniósł rewolucję w działaniu, ale przede wszystkim myśleniu: pokazał, że rozwiązania z zakresu sztucznej inteligencji są na wyciągnięcie ręki oraz że mogą znaleźć swoje zastosowanie w biznesie. Nie rozwiązał jednak wszystkich problemów, a słowa takie jak optymalizacja czy automatyzacja z AI — chociaż brzmią dobrze — to niestety mało konkretnie. Najczęściej powtarzanymi obietnicami są oszczędność czasu i zwiększenie efektywności, jak jednak tego dokonać z pomocą oprogramowania bazującego na AI? 

Zarządzanie łańcuchem dostaw

Odpowiedź nie jest jednoznaczna, ponieważ sztuczna inteligencja w transporcie może mieć zastosowanie na wielu polach, w tym przy optymalizacji i planowaniu tras, monitoringu stanu technicznego pojazdów czy w analizie danych. W tym artykule skupimy się jednak na problematyce zarządzania łańcuchem dostaw, a dokładniej ogromie pracy związanym z tworzeniem zleceń, odpowiadaniem na wiadomości i wystawianiem ofert. 

Czyli na zadaniach, z którymi odpowiednie oprogramowanie dla firmy transportowej może poradzić sobie praktycznie bez ingerencji człowieka.

Oprogramowanie do automatyzacji komunikacji

Postawmy sprawę jasno, większość konwersacji około spedycyjnych dotyczy tych samych zagadnień — powtarzalne wiadomości, zawierające powtarzalne parametry. Z perspektywy człowieka stracony czas, ale żaden transport nie może odbyć się bez ustalenia z góry określonych szczegółów. 

Praktycznie każde zamówienie musi precyzować takie wytyczne jak: co, gdzie, kiedy i za ile? Jeżeli ich nie zawiera (albo podane treści są nieprecyzyjne), spedytor musi o nie dopytać. I to jest właściwe pole działania dla AI, a konkretnie dla konwersacyjnej AI, dzięki której spedytor może włączyć się do procesu ofertowania dopiero w momencie, w którym na jego skrzynkę, lub bezpośrednio do systemu TSM, trafi precyzyjne zamówienie.

Wiadomości generowane automatycznie

Konwersacyjna sztuczna inteligencja (ang. Conversational AI), będąca ważną częścią całego podejścia automatyzacji komunikacji, skupia się na naturalnych interakcjach między maszynami (systemami) a ludźmi. Jej głównym celem jest rozumienie języka naturalnego (ang. natural language), generowanie odpowiedzi i dostarczanie użytkownikom informacji lub udzielania pomocy w sposób intuicyjny i skuteczny. 

Czy jest zatem możliwe, aby prowadzić korespondencje z AI dotyczącą zamówień, terminów, dostaw, samochodów, przewozów czy towarów w sposób całkowicie naturalny i prowadzący do skompletowania zamówienia?  

Jak najbardziej. 

Natural language w aplikacji transportowej

Chcąc bardziej obrazowo pokazać, jak działa aplikacja czy system wykorzystujący natural language, weźmy na warsztat przykład: w branży TSL konieczna jest komunikacja w kilku językach. Oczywiście od wielu lat dostępne są translatory online, natomiast wygenerowane tłumaczenie często brzmi sztucznie i łatwo o błąd wynikający z braku kontekstu całej rozmowy. 

Przewagą Conversational AI, jest fakt, że nie tłumaczy ona 1:1, a dostosowuje tekst do kontekstu. Wie, że odpowiada jako spedytor i że np. firanka to naczepa z odsuwanymi burtami. Wymieniając wiadomości z klientem, ma na uwadze całą historię rozmowy i prowadzi konwersację zgodnie ze standardami branżowymi. 

Jak działa tego typu oprogramowanie?

Aby takie konwersacyjne AI w postaci oprogramowania dla transportu właściwie poruszało się w danym temacie, musi być douczone – nazywamy to fine tuningiem. Pierwszym krokiem jest dokładne zrozumienie potrzeb, wyzwań i specyfiki branży transportowej. Należy zbadać różne przypadki użycia, interakcje z klientami, typowe pytania i problemy, a także regulacje i standardy branżowe. 

W procesie uczenia najważniejsze są odpowiednie dane uczące, np. dane historyczne z prawdziwych konwersacji, które będą wykorzystane do trenowania i testowania modeli AI. Dane mogą obejmować historie rozmów z klientami, dane dotyczące ruchu drogowego, dane operacyjne dotyczące zarządzania łańcuchem dostaw, opinie klientów itp. 

Proces fine tuningu jest zazwyczaj iteracyjny. Oznacza to, że na podstawie wyników testów i ocen jakości modelu można powtarzać proces doszlifowywania, wprowadzając odpowiednie zmiany i poprawki, aby jeszcze lepiej dostosować naszą aplikację do potrzeb danej branży lub konkretnej firmy.

Czy taka aplikacja rozpoznaje intencje?

Ucząc AI kontekstu, uczymy ją również rozpoznawania intencji klienta. To dzięki tej cesze system konwersacyjny rozpoznaje potrzeby i problemy klienta, podobnie jak człowiek. Conversational AI popełnia błędy, a także może nie znać odpowiedzi na pytania, czy rozterki drugiej strony – w takim przypadku rozmowa zostaje przekierowywana do człowieka, który ma dostęp do całej historii konwersacji.

W ten sposób można zagwarantować, że klient zostanie zawsze obsłużony, a firma korzystająca ze wsparcia AI pozostanie wiarygodna na rynku.

Wykorzystanie danych historycznych

Aplikacja transportowa AI może odpowiadać nie tylko za automatyzację działań powtarzalnych, ale zapewniać również:

• monitorowanie i gromadzenie danych,
• analizę danych,
• raportowanie.

Na podstawie analizy historii konwersacji możemy np. dokonać segmentacji czy scoringu klienta, a dzięki temu przygotować w pełni spersonalizowaną ofertę. Dla przykładu narzędzia oparte o AI pozwalają wyodrębnić klientów preferujących szybkie dostawy czy poszukujących niskich kosztów, a także tych, którzy oczekują dodatkowych usług, takich jak choćby śledzenie przesyłek w czasie rzeczywistym.

Analiza historii konwersacji może posłużyć do opracowania punktacji klientów na podstawie ich aktywności, lojalności, wartości transakcji, interakcji z firmą itp. Punkty mogą być wykorzystywane do klasyfikowania klientów według ich potencjalnej wartości dla firmy. Na przykład, klienci z wyższym wynikiem punktacji mogą otrzymać preferencyjne warunki handlowe, rabaty lub specjalne oferty, które zachęcą ich do powrotu i dalszej współpracy z firmą. 

Dlaczego więc — mimo tylu zalet — Conversational AI oraz inne rozwiązania oparte o sztuczną inteligencję czy machine learning wciąż nie są standardem w branży transportowej?

AI vs polski transport: dane, liczby, perspektywy

Jak możemy przeczytać w raporcie od EY-Parthenon:   

„Liderzy biznesu w Polsce dostrzegają, że wdrażanie sztucznej inteligencji pomaga optymalizować procesy i usprawniać wykonanie powtarzalnych czynności, co przekłada się na wydajność pracowników. Nie wiążą jednak na razie z tymi procesami nadziei na wzrost przychodów (…).  

Ostrożne podejście do sztucznej inteligencji znajduje też wyraz w decyzjach stricte biznesowych. Wdrażanie technologii AI w celu zwiększenia wydajności i poprawy wyników finansowych znalazło się dopiero na czwartym miejscu wśród priorytetów prezesów w Polsce na najbliższe 12 miesięcy. Taką opcję wskazało 27 procent ankietowanych – wyraźnie mniej niż w światowym badaniu, gdzie orientację na wdrożenie AI przyjęło 4 na 10 prezesów. To sygnał ostrzegawczy dla polskiego biznesu przed potencjalną utratą konkurencyjności”. 

^{Źródło: EY-Parthenon CEO Outlook Pulse – liderzy biznesu przyspieszają transformację mimo trudnego otoczenia makro.}

Potencjał AI w branży TSL

Natomiast raport od McKinsey & Company pokazuje, że chociaż branża TSL nie ma aż tak dużego potencjału do wdrożenia aplikacji AI, jak jest to w przypadku bankowości, to równocześnie jej możliwości nie różnią się istotnie od innych branż, takich jak ubezpieczenia czy retail.

A te już teraz podążają drogą obraną przez banki.

Jak w przyszłości będziemy korzystać z konwersacyjnej AI?

Według raportu Trans.eu: „Rynek transportowo-logistyczny w Europie” w kontekście rosnących kosztów pracy i malejącej liczby specjalistów, zarówno kierowców, jak i spedytorów, automatyzacja zapytań klientów z wykorzystaniem chatbotów i autoresponderów jest jednym z 11 obszarów, gdzie z powodzeniem można automatyzować zarówno w firmie spedycyjnej, jak i transportowej.  

Są to przewidywania zgodne z prognozami dla konwersacyjnej AI. Podczas gdy globalnie w 2023 roku AI odpowiadała za około 3% interakcji w contact centers – już w 2027 skala jej wykorzystania w tym obszarze ma wzrosnąć do 14% (Źródło: Gartner, Forecast analysis, Contact center, Worldwide; 2023). 

Wykorzystanie możliwości aplikacji AI w transporcie. Podsumowanie

Jak widać, sztuczna inteligencja staje się coraz bardziej obiecującym narzędziem w branży transportowej, zwłaszcza w kontekście zastosowania konwersacyjnej AI. Codzienność w spedycji pochłaniana jest przez manualne procesy komunikacyjne, jednak rozwój, a także coraz większy dostęp do technologii otwiera nowe możliwości efektywniejszego wykorzystania czasu i zasobów. Konwersacyjna sztuczna inteligencja pozwala na automatyzację wielu powtarzalnych zadań, ułatwiając spedytorom obsługę klienta oraz przyspieszając cały proces ofertowania.   

Warto jednak zaznaczyć, że pomimo licznych zalet, wdrożenie AI wciąż spotyka się z ostrożnością ze strony biznesu, co sygnalizuje potrzebę zwiększenia świadomości na temat potencjału, jaki niesie za sobą ta technologia. Na szczęście raporty wskazują na powolnie rosnącą tendencję do automatyzacji w transporcie, co przekłada się na prognozy wzrostu wykorzystania Conversational AI w przyszłości.

Zainteresował Cię temat? Poznaj aplikację transportową, która już teraz wykorzystuje możliwości generatywnej AI do obsługi komunikacji: Altkom AI Assist. Aplikacja transportowa zasilana generatywną AI do wspierania obsługi i analityki klienta.