Онлайн-шопинг становится главной формой розничной торговли: по данным Statista, к концу 2024 года мировой рынок e-commerce вырастет еще на 8,6% и достигнет $6,3 трлн. С ростом интернет-продаж повышается и количество посылок и транспорта для доставки. Согласно исследованию Всемирного экономического форума, к 2030 году в 100 крупнейших городах мира число транспортных средств для доставки увеличится на 36%, что приведет к значительному росту выбросов CO₂. Ксения Майорова, экс-руководитель ИT-продуктов "Яндекс" и "ВКонтакте", рассказывает, как искусственный интеллект помогает повышать экологичность и эффективность логистических процессов
Экологические вызовы доставки
Доставка товаров производит примерно 24% мировых выбросов углекислого газа, который влияет на изменение климата. При этом больше всего CO₂ приходится на легковые (48%) и грузовые (16%) автомобили. Грузовые машины чаще задействованы в магистральной доставке, в то время как легковые могут использоваться на этапе "последней мили", когда товар доставляется непосредственно к покупателю. Также значительными источниками выбросов являются морские перевозки (10%), среднегрузовые автомобили (9%), международные (6%) и внутренние (5%) авиаперелеты.
В процессе доставки "последней мили" возникает ряд проблем: если клиент отсутствует, посылку приходится везти обратно, что увеличивает пробег. Возвраты товаров по другим причинам и пробки тоже добавляют лишние километры, увеличивая нагрузку на логистические системы. Эта проблема особенно актуальна для развитых стран с высоким уровнем потребления. Чтобы уменьшить негативное влияние доставки на окружающую среду, важно оптимизировать процессы не только уже знакомыми методами, такими как электромашины и беспилотники, но и с помощью новых технологий.
Напасть на углеродный след
У широкой аудитории ИИ часто ассоциируется с генерацией контента, но его потенциал куда больше и серьезнее. Ожидается, что в 2030 году он поможет сократить глобальные выбросы парниковых газов на 4%, что сравнимо с годовыми выбросами Австралии, Канады и Японии. Кроме того, его применение в экологических целях может добавить в мировую экономику до $5,2 трлн в 2030 году, что на 4,4% больше по сравнению с прогнозами без этих технологий.
Для уменьшения углеродного следа ИИ предлагает ряд решений.
Во-первых, это оптимизация логистических маршрутов. Процесс подразумевает усовершенствованное планирование и распределение транспортных средств, а помогают в этом умные алгоритмы.
Муравьиные алгоритмы. Метод оптимизации, вдохновленный поведением муравьев в природе, которые эффективно находят кратчайший путь к пище. Чем чаще муравьи используют определенный маршрут, тем ярче становится след и тем привлекательнее этот путь для новых муравьев.
В логистике муравьиные алгоритмы помогают ИИ анализировать и выбирать наилучшие маршруты и способы загрузки транспорта. Система оценивает разные варианты и, подобно муравьям, оставляет цифровой след, с помощью которого сохраняет информацию о наиболее успешных решениях по времени и затратам. Постепенно технология усиливает эти стратегии и находит самое оптимальное решение. Это позволяет достичь лучшего использования грузоподъемности каждого средства, сократить расстояние, время и затраты на доставку.
Алгоритм имитации отжига. Это способ оптимизации доставки грузов, вдохновленный техникой обработки металлов, где материал нагревают и медленно охлаждают для улучшения его свойств.
В логистике алгоритм использует случайные изменения в распределении грузов по транспорту, чтобы найти наиболее эффективный способ доставки. Эти изменения включают перераспределение заявок между маршрутами с учетом веса, объема и времени доставки. Цель — сделать процесс доставки более продуктивным, сократив расстояния и время, а также оптимально использовать пространство грузовика. Алгоритм может проверять, улучшается ли общая эффективность, если добавить или убрать заявку из маршрута. Если да, изменение сохраняется, если нет — отклоняется или ищется другой вариант. Этот подход помогает максимально загрузить грузовики, уменьшить количество рейсов и сократить как расходы, так и вредные выбросы.
Например, по такому принципу работает транспортная компания Convoy, которая использует ИИ для оптимизации логистики. ИИ-платформа автоматически соединяет грузы с перевозчиками, у которых есть свободное место, что позволяет максимально правильно использовать транспорт и снизить количество пустых поездок.
Во-вторых, умное построение маршрута. ИИ анализирует огромные объемы информации, включая исторические данные о движении, погоду, состояние дорог, возможные препятствия на маршруте (например, аварии или дорожные работы) и прочее. На основе этих данных алгоритмы прогнозируют будущие условия на дорогах и адаптируют маршруты. При этом технология позволяет выбирать, какие именно параметры оптимизировать — время, расстояние, заполненность кузова или экономику поездки.
В отличие от обычных навигационных систем, которые часто просто выбирают самый короткий путь и не учитывают другие важные параметры, ИИ быстро реагирует на изменения. Это делает логистику более гибкой и экономически эффективной, а также снижает уровень выбросов углерода в этой области.
Например, одна из крупнейших в мире компаний по доставке посылок UPS использует технологию ORION. Она основана на передовых алгоритмах и машинном обучении и способна оптимизировать маршруты для доставки в режиме реального времени. С момента запуска инструмент экономит компании 160 млн км и 45 млн л топлива в год.
Американская розничная сеть Walmart — еще один пример компании, которая использует ИИ для планирования маршрутов доставки, что приводит к снижению расхода топлива и сокращению выбросов углекислого газа. Используя эту технологию, компания сократила выбросы CO₂ на более чем 42 млн кг, избавившись от лишних 48 млн км и оптимизировав маршруты таким образом, который позволил избежать 110 000 неэффективных путей.
В-третьих, управление складом. Еще один шаг к уменьшению углеродного следа — использование робототехнических решений на основе ИИ. Amazon — отличный пример компании, которая использует новейшие технологии для эффективного и экологичного управления цепочками поставок. Роботы Sequoia и Titan позволяют ускорить и упростить работу на складе, что снижает количество перемещений товаров и, как следствие, потребление энергии. Также эти умные системы точнее и аккуратнее в сравнении с людьми справляются с сортировкой, комплектацией и упаковкой. Благодаря этому товары реже повреждаются, заказы доходят до клиентов целыми, и отмен из-за повреждений на складе практически не происходит. Это, в свою очередь, уменьшает необходимость лишних поездок.
На первый взгляд, такой вклад может показаться незначительным, но даже маленькие шаги могут привести к большим изменениям.
Вопросы внедрения
На первом этапе интеграции бизнес может столкнуться с высокими капитальными затратами. Это касается как покупки или разработки сложного программного обеспечения, так и модернизации инфраструктуры для обработки большого объема данных. Для малых и средних компаний такие инвестиции могут стать серьезной нагрузкой.
Однако внедрение новой технологии в работающие продукты — это только начало. Важно умело встроить ее в существующие бизнес-процессы. Может потребоваться много времени для переобучения сотрудников и перестройки операционной деятельности, что временно может повлиять на производительность. Поэтому прежде чем внедрять ИИ, нужно тщательно взвесить все за и против, оценить потенциальные риски и убедиться, что инвестиции в новую технологию действительно оправдаются и принесут желаемую пользу. Например, чтобы ИИ помогал в борьбе с углеродным следом, необходимо понять, как сейчас логистика компании влияет на экологию, какие устойчивые решения уже были внедрены и какой они дали эффект. Поэтому, чтобы что-то улучшить, важно оценить текущее состояние.
Для тех, кто все-таки решился на внедрение, необходимо обратить внимание на несколько ключевых деталей.
Надежные источники данных. Качественные данные — сердце любого продукта на основе ИИ. Подойдите к задаче последовательно: сначала определите, какие данные вам нужны и зачем, затем оцените, в каком объеме они вам потребуются. Если у вас нет нужной информации, подумайте, как ее можно получить или приобрести.
Наличие сильной индустриальной экспертизы. Важно искать партнеров или разрабатывать внутренние решения, ориентированные на конкретные проблемные сценарии. Например, формировать исследовательские команды, включающие специалистов по аналитике данных, экономистов и менеджеров продукта.
Если ваша компания работает в ИT, то при разработке решений на базе ИИ нужно придерживаться продуктовых процессов. Другим бизнесам лучше обращаться к консультантам Data Science, чтобы быстрее получить результаты.
Устойчивая бизнес-модель. Внедрение ИИ должно способствовать не только экологическим, но и экономическим выгодам, включая сокращение операционных затрат, уменьшение числа неэффективных маршрутов и оптимизацию расхода топлива. Перед запуском ROI должен быть четко просчитан и обоснован.
Интеграция с существующими системами. ИИ редко работает в вакууме, зачастую он интегрируется с уже существующими логистическими и управленческими механизмами. Это требует тщательного планирования и часто — модификации существующих IT-продуктов и процессов.
Кроме технических и операционных аспектов, компаниям стоит активно лоббировать поддержку со стороны государства. Налоговые льготы и субсидии помогут стимулировать инвестиции в экологически чистые технологии и сделать подобные решения более популярными.
В первую очередь ИИ помогает компаниям оптимизировать расходы и ресурсы, а уже во вторую — улучшать экологические показатели, которые тоже отражаются на выручке. Однако долгосрочный успех бизнеса зависит от его имиджа и маркетинговых усилий. Среди молодого поколения, особенно зумеров, экологическая повестка очень популярна. Они постепенно взрослеют, накапливают капитал и со временем станут клиентами и акционерами подобных компаний, поэтому важно завоевывать их внимание и лояльность уже сейчас.