PendidikanTechno

OPINI: 4 Cara Machine Learning Perkuat Revolusi Mobilitas

Views

Liputan6.com, Jakarta – Pembangunan Gotthard Tunnel, terowongan kereta api terpanjang dan terdalam di dunia di Swiss, mampu memangkas kemacetan dan polusi berkat pemindahan puluhan ribu truk kargo dari jalan raya Alpen.

Meskipun rekayasa teknik modern ini mampu memberikan keuntungan baik bagi masyarakat sipil dan dunia bisnis, namun proyek konstruksi seperti ini bukan merupakan satu-satunya cara untuk meningkatkan kualitas transportasi dan logistik (T&L) di masa depan.

Di dunia yang semakin kompetitif dan serba-terhubung ini, semakin banyak perusahaan T&L yang beralith ke layanan machine learning berbasis cloud baru yang mampu membantu mereka meningkatkan efisiensi serta menghadirkan pengalaman layanan yang makin baik dan memuaskan bagi pelanggan mereka.

Konvergensi cloud dan kecerdasan buatan (artificial intelligence/AI) ini memungkinkan terciptanya inovasi yang luas dalam teknologi mandiri, khususnya dalam mobilitas.

Ini juga akan mengubah pola permainan yang ada, karena menurut PWC, saat ini 68 persen kepala perusahaan T&L percaya bahwa perubahan dalam teknologi inti penyediaan layanan akan mengganggu industri mereka dalam lima tahun ke depan.

Saat Sadarman Tarigan ( 43 ) dan Keluarga sedang Panen Daun Selada di ladangnya Desa Sempajaya Kecamatan Berastagi Kabupaten Karo, Minggu,  ( 17/05/2020 ).

Sementara, 65 persen mengatakan mereka akan melakukan hal yang sama untuk mengantisipasi kemajuan saluran distribusi.

Ada empat bidang utama di mana machine learning mendorong revolusi mobilitas untuk industri transportasi dan logistik: memprediksi permintaan dan optimalisasi rute; mengemudi dan memetakan secara mandiri; robotika; dan pendeteksian adanya anomali.

Misalnya, Konvoi, yang mengganggu industri angkutan truk bernilai $800 miliar ini, dapat mengoptimalkan rute dengan memanfaatkan model machine learning.

Industri Angkutan barang di Amerika Serikat merupakan jaringan pengirim dan pengangkut yang terfragmentasi, serta masih bekerja menggunakan perantara manusia, sehingga menjadi tidak efisien dan mengakibatkan peningkatan sebesar 40 persen dari 95 miliar mil jarak tempuh pengemudi truk Amerika setiap tahunnya.

Melalui teknologi ini, konvoi nantinya mampu menganalisis jutaan pekerjaan pengiriman untuk memberikan efisien tertinggi di industri – meningkatkan keuntungan dengan mengurangi jarak kosong, dan yang terpenting, mengurangi emisi.

Saat ini, industri trucking sedang mengalami kekurangan sedikitnya 100.000 pengemudi secara nasional. Satu solusinya adalah truk yang dapat mengemudi sendiri.

Di TuSimple, tim teknologi mengerahkan lebih dari 100 modul AI berbasis cloud yang dapat secara aman dan efisien melakukan pengiriman komersial mandiri lebih dari 100 mil.

Dengan kecepatan 65 mil per jam, algoritma AI TuSimple canggih yang terpasang pada truk bermuatan, yang dapat membedakan jenis kendaraan yang berbagi jalan, serta menentukan kecepatannya, sehingga dapat menjaga truk berada di posisi aman pada jalurnya dengan akurasi hingga +/- 5 sentimeter.

Di Asia Tenggara, Grab, perusahaan penyedia wahana angkutan, ingin meningkatkan algoritma Matching and Supply secara realtime berdasarkan permintaan.

Perusaahan itu beralih ke alat learning machine untuk mengakses perhitungan data secara real-time dan aliran data yang mendukung 1,5 juta pemesanan perjalanan, pada akhirnya meningkatkan kinerja matching and supply sebesar 30 persen.

Contoh lain dari penerapan AI dan machine learning yang berdampak positif pada industri T&L adalah penggunaan Lyft dari solusi analisis deret waktu berbasis AI. Teknologi itu secara otomatis dapat menunjukkan adanya anomali yang menandakan masalah bisnis yang lebih besar, dan mendeteksi insiden yang memerlukan inspeksi.

Lyft memberikan penghematan biaya yang sangat besar karena tidak harus berinvestasi secara besar untuk in-house data ataupun memeriksa dashboard secara manual

Keakuratan prediksi, merupakan faktor utama bagi perusahaan T&L. Aramex, perusahaan yang berbasis di UEA – menyediakan layanan pengiriman ekspres, pengiriman barang dan belanja online domestik dan internasional. Operasi transit secara langsungnya dapat menangani ribuan permintaan setiap menit.

Dengan menggunakan layanan berbasis cloud yang dikelola secara penuh, memungkinkan pengembang dan ilmuwan data untuk melatih, membangun, dan menyebarkan model AI dan ML. Aramax melihat adanya peningkatan 74 persen dalam akurasi prediksi waktu transit, menurunkan panggilan layanan terkait pengiriman hingga 40 persen.

Machine learning berbasis cloud dan alat AI juga merupakan jantung dari Amazon.com, yang berhasil mengirimkan milyaran paket per tahun secara efisien- mulai dari saat pelanggan melakukan pemesanan hingga penyelesaian serta pengiriman.

Kami menggunakan algoritma prakiraan untuk memperkirakan apa yang mungkin dipesan pelanggan untuk memastikan kami memiliki cukup persediaan di gudang kami.

Layanan AI dan machine learning kami di AWS juga memberi daya pada robot di pusat penyelesaian kami, metode yang digunakan untuk bekerja dengan mitra pengiriman kami, dan bahkan untuk mengoptimalkan rute pengiriman kami.

Pelajaran dari beberapa tahun terakhir adalah sangat jelas: Untuk menjadi kompetitif dalam industri T&L tidak selalu harus lebih rumit, dan keuntungan datang hanya dengan efisiensi yang didorong oleh teknologi.

Untungnya, inovasi baru dalam AI dan ML memberikan bisnis ini keuntungan besar dengan memberi mereka alat canggih yang mereka butuhkan untuk menyelesaikan masalah terbesar mereka dan berkembang.

**Penulis adalah Swami Sivasubramanian, Vice President, Amazon Machine Learning, AWS

surakaro
the authorsurakaro

Leave a Reply