Met behulp van een goede routebepaling, kun je snel en efficiënt producten naar je klanten vervoeren. Traditioneel betekent "snel en efficiënt” de kortste afstand of snelste levertijd. Doordat AI echter een hele reeks verschillende factoren in rekening kan nemen, hoeft het niet bij die definitie te blijven.

Neem het vervoeren van voeding. Verschillende types voeding hebben al snel verschillende vervoersvereisten. Zo vervoer je diepvriesproducten bij een andere temperatuur dan een pakje koekjes. Wanneer je in dit voorbeeld een traditionele routebepaling gaat doen met één vaste omgevingstemperatuur, verlies je heel wat efficiëntie. Met AI kun je makkelijker dergelijke afwijkende factoren in je routeberekeningen toevoegen. Overigens hoeft die berekening niet altijd terug te komen op snelheid of efficiëntie, maar kun je ook kijken welke ecologische voetafdruk je levering met zich meebrengt of hoe brandstofzuinig je levering is.  

Als je over historische data omtrent je productieproces beschikt, kun je die data ook terugkoppelen naar je routebepaling. Verwerkingstijden, installatietijden, storingen, etc. zijn uiteindelijk allemaal belangrijke factoren om routes te bepalen. Wanneer je dergelijke factoren in rekening brengt met behulp van AI, kun je een enorm voordeel in snelheid en kwaliteit bekomen ten opzichte van manuele routebepaling. Zo gebeurt het bijvoorbeeld wel eens dat vrachtwagens moeten stilstaan voor onderhoud. Door middel van routebepaling te combineren met predictief onderhoud, loop je veel minder risico om een tekort aan vrachtwagens voor leveringen te hebben.

Wat ook vaak gebeurt, is dat je een route uitgestippeld hebt, maar deze dan niet kun volgen door onvoorziene omstandigheden. Denk bijvoorbeeld aan wijzigingen in klanten hun tijdsvenster. Zo kun je op basis van historische data van leveringen aan klanten dergelijke beperkingen of wijzigingen op voorhand anticiperen. Is een bepaalde klant vaak onvoorzien afwezig tijdens leveringen rond de lunchtijd? Met AI kun je dit anticiperen en je routebepaling daarop afstellen. Ook kan je met AI inspelen op een heel reeks andere onvoorziene omstandigheden zoals verkeersongevallen en een laag brandstofgehalte, vaak in real-time.

Nog een moeilijkheid om de optimale route te bepalen is wanneer je een hele reeks vrachtwagens in dienst hebt, meerdere opslaglocaties benut, of complexere logistieke methoden zoals cross docking gebruikt. In deze complexere gevallen wordt routebepaling al snel onoverzichtelijk. Binnen het domein van AI, bestaan er echter algoritmen die specifiek gemaakt zijn voor deze probleemstellingen. Swarm Intelligence, Artificial Bee Colony and Cuckoo Search algoritmen zijn bijvoorbeeld reeds gebruikt voor het optimaliseren van verse voeding levering rekeninghoudende met een vloot vrachtwagens. Dat zijn natuurlijk allemaal verwarrende benamingen, maar belangrijk om te onthouden is dat in de wereld van AI reeds verschillende algoritmen bestaan om bestaande, complexe problemen rond routebepaling aan te pakken. In het geval van meerdere opslaglocaties, past swarm intelligence algoritme in combinatie met een genetisch algoritme goed. Voor cross docking past een genetisch algoritme op zich goed.  

Tot slot is de zogenaamde “last mile” een belangrijk concept geworden voor het leveren van producten. De producten tot de deur van klanten te brengen, is vaak kostenintensief. Tegelijkertijd verwachten klanten dit vaak wel, en als het kan de dag na hun bestelling. Alle hulp om dit proces te optimaliseren is dus welkom, en ook hier kan AI een rol spelen. Cainiao, een dochteronderneming van de Chinese e-commerce reus Alibaba, voert proefprojecten uit om met een kleine robot die zelf routebepaling doet producten te leveren aan klanten. Jingdong, een ander Chinees e-commerce bedrijf, alsook Mercedes-Benz doen gelijkaardige proefprojecten, maar dan met onbemande drones. De grote levervoertuigen rijden dan tot een bepaald punt, waarna de drones de “last mile” overnemen. Voor meer informatie over drones, zie de toepassing Robotica.

‍