AILOG -hankkeen tavoitteena oli aktivoida tekoälyn hyödyntämistä logistiikkatoiminnoissa. Lisäksi hankkeessa oli toiminnalliset rajapinnat myös solmukohtien infrastruktuuriin, energiaan, digitaaliseen kaksoseen ja älykkääseen kaupunkiin sekä kiertotalouteen. Tässä julkaisussa käydään läpi erilaisia tekoälyn käyttökohteita ja mahdollisuuksia näissä ympäristöissä.
Mitä tämä sitten tarkoittaa eri toimijoille? Erilaisen datasettien, selvitysten ja päätösten läpikäynti on ollut vaikeaa suurten ja erimuotoisten aineistojen vuoksi. Lisäksi sidosryhmien suuren määrän vuoksi koko liikennejärjestelmää on ollut hankala tutkia eri näkökulmista. Tekoälyn tuominen tähän yhtälöön pystyy tukemaan päätöksentekoa. Logistiikan toimijoilla olisikin runsaasti dataa, jota tulisi hyödyntää enemmän päätöksenteon tukena.
Hankkeen aikana solmukohtien tekoälyä käytiin läpi seuraavissa tapahtumissa, työpajoissa ja webinaareissa:
Luennoissa ja yritysvierailussa terminaaliin tutustuttiin konenäköä hyödyntäviin kameroihin ja niitä tukeviin ohjelmistoihin, joissa on tekoälyä. Eri ohjelmistot pystyvät tunnistamaan jätelajit, sekä niissä olevat poikkeamat. Jätelajit voidaan tunnistaa koko kuljetusketjun eri vaiheissa roskiksesta jatkokäyttöön. Lisäksi tekoälyä voidaan hyödyntää myös reittien optimointiin.
Reittien optimoinnin haasteena on usein päivän aikana jopa täysin muuttuva tilanne kun asiakkaat ilmoittavat kuljetustarpeiden muutoksista. Muutokset voivat muokata ajojärjestyksiä ja määränpäitä, joka taas asettaa haasteita vihreämmän kaluston tankkaukseen, energiainfran vielä kehittyessä. Tekoälyä voitaisiin hyödyntää pysähtymisalueiden ja energiainfran kehityksessä, ottamalla huomioon eri rajoitteet (ajoaika, tavaralajit, liikennemäärät, ennusteet).
Tuusulassa työpajassa tekoäly ei vielä ollut vahvasti läsnä, vaikka sen mahdollisuudet päätöksenteon tukena on nähty varmasti kaikissa kaupungeissa ja kunnissa. Kunnossapitoon tekoäly on jo tuonut ratkaisuja. Ajoneuvot pystyvät nykyään keräämään erilaista dataa esimerkiksi kamera- ja lasertekniikoilla tietoa infran kunnosta. Näistä aineistoista tunnistetaan tekoälyn avulla poikkeamia, joiden tutkimiseen menisi ihmisiltä vuosia. Näiden datojen perusteella voidaan infraa kunnostaa ennakoiden.
Eri tekniikat voisivat kerätä myös muita datasettejä eri toimijoille, jolloin datanhankinnan kustannukset jakautuisivat eri toimijoiden kesken. Eri sidosryhmiä ja synergioita tulisi etsiä aktiivisesti ja järjestää näiden toimijoiden kesken sidosryhmätilaisuuksia ja kehitystyöpajoja. Yhtenä esimerkkinä mielenkiintoisista datoista voidaan nostaa esimerkiksi kuljetusliikkeiltä saatava ETA (Estimated date of arrival) tieto arvioidusta tavaran toimitusajasta ja kyydissä olevasta tavarasta logistiikan solmukohtiin ja loppuasiakkaille (esim. teollisuus, kauppa, rakentaminen, huolinta, kuljetus- ja varastopalveluyritykset).
Datatarpeista on puhuttu Suomessa ja Euroopassa, mutta konkretia on liian usein jäänyt pieniin piireihin ja työpajojen jälkeen eri hankkeiden loppuraportteihin. Tämän vuoksi tarvitaan toimijoita, jotka pystyvät yhdistämään eri toimijoita myös hankkeiden ulkopuolella ja jakamaan tietoa vapaasti kaikille kiinnostuneille.
Julkaisu on osa AILOG4.0 (Artificial Intelligence Enforced Logistics 4.0) -hanketta, jonka päärahoittajana on Uudenmaan liitto AKKE (Alueiden kestävän kasvu ja elinvoiman määräraha).
