AI应用于交通和物流行业 依赖于充分的容量使用来实现最大价值

随着物联网覆盖范围的不断扩大，传感器产生的数据量在不断的增加，对数据实时分析的需求也在日益增长，这些都极大的刺激了AI的发展。

一、AI的采用

交通和物流公司若想要加持AI，可能需要从根本上了解AI是什么，它能做什么，以及它们需要什么才能发挥出最大的价值。

AI通常涉及规则驱动算法的概念来处理数据，从数据中学习、从数据中获得有建设性的见解，甚至是自主地对这些数据进行操作。

AI的目标是能够获取信息，这些信息可能是当前参数或历史数据，并处理信息，基于这些数据以与人类相同的方式做出决策。要明确的是，我们距离这一目标的实现还有很长的路要走。与此同时，基于AI的系统可以为人类提供数据推动的见解和建议，以便做出更好或更快的决策。但首先，AI本身需要被训练。想要利用AI的企业需要拥有一个特定应用程序设计的算法，以便可以处理、分析并继续学习的数据存储库。

快递运输走向无人化的趋势，AI系统需要有一个庞大的道路规则知识库。

人工参与培训和微调AI算法，可以确保AI系统不会出现意外。虽然从事AI项目的公司可能会倾向于自己培训AI系统，但与许多其他技术不同的是，AI需要不断的谨慎的训练，才能发挥出充分的价值。因此，这绝不是一种“即拿即用”的技术。交通和物流等特定垂直行业的大多数公司可能需要AI专家的协助。

这并不是说AI需要自己重新学习交通运输业的基础知识。AI的变革力量在于充分利用这些知识、洞察力和直觉，并使其具有弹性。

随着AI算法变得越来越擅长执行针对性的应用程序，在训练它们时对人的接触需求可能会降低。目前，一些交通和物流公司可能对自己的AI系统自主学习系统做出的决定感到不信任，但这样做有助于最大限度的提高它们对特定业务的价值。

二、AI应用于交通和物流行业的用例

交通和物流部门为AI提供了大量潜在的用例，因为它们不仅依赖复杂的机器，而且往往遵循严格的时间表，并依赖于充分的容量使用来实现最大价值。

仅在运输业，就有七个不同的用例可加持AI：交通密度预测、预测性维护、车辆网络和数据安全、机械传感器数据融合、天气预报、机器／车辆目标检测／识别、回避、本地化和测绘。

在物流方面，除了供应链和物流，它还对后三种用例进行了预测；仓储与供应链需求预测；以及用于地理分析的卫星图像。

在所有这些领域中，物流部门的机器／车辆目标检测／识别／回避，预计将成为最大的创收用例，到2025年或将达到5．84亿美元。同时，在交通方面，最重要的用例是预测交通密度和预测维护，到2025年，前者的AI收入为4．39亿美元，而后者将达到3．152亿美元。

在物流领域，IBM和物流巨头DHL于2018年联合推出了一份白皮书，概述了该领域的几个潜在的AI应用。其中一个重点是航空货运航线的预测网络管理。DHL创建了一个基于机器学习的工具，它可以分析58个不同的内部数据参数，提前一周预测给定车道的平均每日运输时间是上升还是下降。如果航空货运规划人员能够预测航空货运中转的时间延误，就可以主动减轻预期延误的损失，并就哪些航空公司应该运送他们的货运做出更明智的决定。

AI可以以类似的方式应用于卡车车队管理。安装在卡车不同部位的物联网传感器，可以让AI评估货车从一个地点到另一个地点所需的时间，如果无法做到这一点，就可以在两者之间的某个点准备好替换货车。如果没有计划外的停工时间，时间便可以安排得更紧凑。

虽然这些用例为交通和物流公司描绘了一幅巨大的蓝图，即AI和物联网如何结合起来改善它们的运营和流程。但改变是逐步发生的，与物联网部署一样，很多处于早期阶段的公司正在以孤立的方式部署AI。使用AI，真的需要对每个用例使用不同的算法，而且必须确保每个用例都能生成ROI（投资回报率）。要让企业和工业客户跨过概念验证阶段，仍然需要很长时间。

随着越来越多的公司部署更广泛的物联网网络，对实时数据关注的需求也越来越大。现今，这种情况可能会发生变化。AI系统能够分析更多的数据，且比任何一个人或一群人更快，但企业部署AI仍然必须接受这样一种观念，他们基本上会采用一种技术，这种技术是不可能一开始就是十分有效且有价值的。