لم يعد الذكاء الاصطناعي مفهومًا مستقبليًا محجوزًا لشركات التكنولوجيا جيدة التمويل التي تمتلك فرق علوم بيانات متخصصة. إنه أداة عملية وسهلة الوصول تستخدمها اليوم شركات تشغيل التنقل المشترك بجميع أحجامها لتقليل التكاليف التشغيلية وتحسين رضا الراكبين واتخاذ قرارات أسرع وأكثر دقة حول كيفية إدارة أساطيلها. التحوّل الجوهري الذي أحدثه الذكاء الاصطناعي في صناعة التنقل هو الانتقال من العمليات التفاعلية، حيث تُعالَج المشكلات بعد حدوثها، إلى العمليات التنبؤية، حيث تُستشعر المشكلات وتُمنع قبل أن تؤثر على الراكبين أو الإيرادات. قبل توافر أدوات الذكاء الاصطناعي، كانت إدارة الأسطول في معظمها تخصصًا يدويًا: اعتمد المشغّلون على الخبرة والحدس وتحليل جداول البيانات الأساسية لتحديد مكان وضع المركبات ووقت صيانتها وكيفية تسعير الرحلات. عملت هذه المقاربات اليدوية بشكل مقبول على نطاق صغير لكنها انهارت حين تجاوزت الأساطيل بضع مئات من المركبات موزعة عبر مناطق متعددة. اليوم، يمكن لنماذج التعلم الآلي معالجة ملايين نقاط البيانات من أجهزة تتبع GPS وأجهزة استشعار إنترنت الأشياء وواجهات برمجة تطبيقات الطقس وتقاويم الفعاليات وقواعد بيانات الرحلات التاريخية لتوليد توصيات قابلة للتنفيذ لا يستطيع أي محلل بشري إنتاجها بالسرعة أو الدقة ذاتها. المشغّلون الذين يتبنون هذه الأدوات مبكرًا يبنون مزايا متراكمة في كفاءة استخدام الأسطول وكفاءة الصيانة وتجربة الراكب ستكون أصعب على المتأخرين إغلاقها بشكل متزايد. تفحص هذه المقالة تطبيقات الذكاء الاصطناعي الخمسة التي تُقدّم نتائج قابلة للقياس لمشغّلي التنقل الآن، مع بيانات محددة حول التحسينات التي يُقدّمها كل منها.
التنبؤ بطلب الراكبين
التنبؤ بالطلب هو التطبيق الأكثر قيمةً فوريًا والأكثر اعتمادًا من تطبيقات الذكاء الاصطناعي في إدارة أسطول التنقل المشترك، لأنه يعالج أكثر أوجه القصور تكلفةً في الأعمال: المركبات الراكدة في مواقع لا يحتاجها أحد بينما يجد الراكبون المحتملون في مناطق الطلب العالي مركبات غير متاحة. تستخدم أنظمة التنبؤ بالطلب الحديثة أشجار قرار مُعززة بالتدرج أو شبكات عصبية متكررة مُدرَّبة على بيانات الرحلات التاريخية التي تمتد لأشهر أو سنوات، مُعززةً بإشارات خارجية بما فيها توقعات الطقس بالساعة وجداول الفعاليات المحلية من الأماكن ومنصات التذاكر وتنبيهات انقطاع وسائل النقل العام والتقاويم الأكاديمية للمدارس والجامعات وحتى أنماط تحرك الهاتف المحمول المجهولة التي تُشير إلى تدفقات السكان خلال اليوم. المُخرج هو توقع دقيق منطقةً بمنطقة للطلب المتوقع على الرحلات خلال الـ 4 إلى 48 ساعة القادمة، يُحدَّث باستمرار مع وصول بيانات جديدة. يُبلّغ المشغّلون الذين ينشرون التنبؤ بالطلب المدعوم بالذكاء الاصطناعي باستمرار عن تحسينات بنسبة 15 إلى 25 بالمئة في استخدام الأسطول، قياسًا بالرحلات لكل مركبة يوميًا، مقارنةً باستراتيجيات التوضع اليدوية المستندة إلى حدس المشغّل أو قواعد ابتكارية بسيطة. التأثير المالي كبير: لأسطول من 500 سكوتر يحقق متوسط ثلاث رحلات يوميًا بـ 3.50 دولار للرحلة، يُترجم تحسين الاستخدام بنسبة 20 بالمئة إلى حوالي 383,000 دولار من الإيرادات السنوية الإضافية من نفس عدد المركبات. يُقلّل التنبؤ بالطلب أيضًا من تكرار أحداث نقص المركبات أمام الراكبين، حيث يفتح المستخدم التطبيق ولا يجد مركبات قريبة، وهو أحد أقوى المؤشرات على إلغاء تثبيت التطبيق وتوقف الراكبين. تتضمن أكثر التطبيقات تطورًا حلقات تغذية راجعة تُقارن توقعات النموذج بالنتائج الفعلية يوميًا، ويُعدّل الخوارزمية تلقائيًا ترجيح المتغيرات المدخلة المختلفة لتحسين الدقة بمرور الوقت.
إعادة التوزيع الذكي للأسطول
إعادة التوزيع الذكي تأخذ التنبؤ بالطلب خطوةً أبعد بتحويل التوقعات إلى خطط إعادة توزيع محسّنة وقابلة للتنفيذ يمكن لفرق الميدان تنفيذها بكفاءة. تعمل إعادة التوزيع التقليدية وفق جداول ومسارات ثابتة: يقود فني دائرة محددة مسبقًا كل صباح ومساء، يجمع المركبات من مناطق الطلب المنخفض ويُسقطها في مناطق الطلب العالي بناءً على تخمين المدير حول أين يجب أن تذهب. تُحلّ إعادة التوزيع المدعومة بالذكاء الاصطناعي هذا التخمين بتوليد مهام ديناميكية تأخذ في الحسبان إمداد المركبات في الوقت الفعلي عبر كل منطقة والطلب المتوقع خلال الساعات القليلة القادمة ومستوى بطارية كل مركبة والمدى المتبقي المقدّر والمسافة الفيزيائية وزمن القيادة بين مواقع الاستلام والإيصال وتوافر كل فني ميداني وموقعه الحالي والأولوية النسبية لإجراءات إعادة التوزيع المختلفة بناءً على التأثير المتوقع على الإيرادات. يُولّد النظام قائمة مهام مُرتّبة حسب الأولوية لكل فني تُعظّم عدد المركبات الموضوعة في مناطق الطلب العالي لكل ساعة عمل، مع مراعاة طاقة تحميل المركبات في كل سيارة خدمة. يُبلّغ المشغّلون الذين يستخدمون إعادة التوزيع المدعومة بالذكاء الاصطناعي عن انخفاضات بنسبة 30 إلى 40 بالمئة في الكيلومترات المقطوعة بالمركبات المرتبطة بإعادة التوزيع، مما يُقلّل مباشرةً تكاليف الوقود وتآكل سيارات الخدمة والبصمة الكربونية لعمليات الأسطول. الأهم ربما، تضمن إعادة التوزيع الذكية وضع المركبات ذات أعلى مستويات البطارية في المناطق ذات الطلب المتوقع الأعلى، مما يُعظّم إمكانية الإيرادات لكل إجراء إعادة توزيع بدلًا من معاملة جميع المركبات والمناطق بالتساوي.
الصيانة التنبؤية على نطاق واسع
الصيانة التنبؤية هي التطبيق الذي يُقدّم أكثر التأثيرات قابلية للقياس على طول عمر الأسطول والسلامة وإجمالي تكلفة الملكية، ومع ذلك يظل غير مستغَل كفايةً من قِبَل كثير من المشغّلين الذين لا يزالون يعتمدون على جداول الصيانة القائمة على التقويم أو سير عمل الإصلاح التفاعلي المُحرَّك بشكاوى الراكبين. المبدأ بسيط: تُولّد أجهزة الاستشعار المدمجة في المركبات المشتركة الحديثة باستمرار بيانات الاتصال عن بُعد تتضمن منحنيات جهد البطارية خلال دورات الشحن والتفريغ وشدة تيار المحرك في ظروف الحمل المختلفة واتساق قوة الفرامل على الجانبين الأيسر والأيمن وأنماط ضغط التعليق من قراءات مقياس التسارع وشذوذات سرعة دوران العجلات التي يمكنها الإشارة إلى تآكل المحامل أو تدهور الإطارات. تحلّل خوارزميات الصيانة التنبؤية، وهي عادةً نماذج كشف الشذوذ المُدرَّبة على بيانات الأعطال التاريخية، تدفقات البيانات هذه لتحديد المركبات التي تُظهر علامات تحذير مبكرة لعطل في المكونات قبل أيام أو حتى أسابيع من ظهور العطل على راكب أو فني ميداني. بدلًا من سحب المركبات لعمليات فحص مجدولة على تقويم ثابت بفترات 30 أو 60 يومًا، يمكن للمشغّلين إعطاء أولوية الصيانة بناءً على الحالة المقاسة الفعلية، وتوجيه طاقة ورشتهم المحدودة نحو المركبات التي تحتاج فعلًا إلى اهتمام. النتائج مقنعة عبر مقاييس متعددة: يُبلّغ المشغّلون الذين يستخدمون الصيانة التنبؤية عن انخفاضات بنسبة 25 إلى 40 بالمئة في معدلات الأعطال على الطريق و15 إلى 20 بالمئة تمديدات في متوسط عمر خدمة المركبة و10 إلى 15 بالمئة انخفاضات في إجمالي تكاليف العمالة للصيانة لأن الفنيين يقضون وقتًا أقل في فحص المركبات السليمة ووقتًا أكثر في إجراء إصلاحات مستهدفة على المركبات التي تحتاج إليها. بالنسبة للمكونات الحرجة للسلامة كالفرامل والتوجيه، توفر التنبيهات التنبؤية طبقة حماية إضافية تتجاوز بروتوكولات الفحص القياسية.
محركات التسعير الديناميكي
يُمثّل التسعير الديناميكي المدعوم بخوارزميات الذكاء الاصطناعي نهجًا متطورًا لتحدي التوازن الجوهري بين العرض والطلب الذي يواجهه كل مشغّل تنقل مشترك طوال اليوم. تعمل الآلية الأساسية في كلا الاتجاهين: عندما يتجاوز طلب الراكبين إمداد المركبات في منطقة معينة، يُطبّق النظام مضاعفًا متصاعدًا معتدلًا، عادةً من 1.2 إلى 1.8 ضعف، على السعر القياسي بالدقيقة، مما يخدم هدفًا مزدوجًا: توليد إيرادات إضافية خلال فترات الذروة وتشجيع بعض الراكبين الحساسين للسعر على المشي لبضعة مبانٍ إلى منطقة مجاورة حيث تتوفر المركبات بالأسعار القياسية. في المقابل، عندما تظل المركبات راكدة في منطقة زائدة الإمداد خلال ساعات خارج الذروة، يمكن للنظام تقديم خصومات مؤقتة أو أرصدة رحلات مكافأة أو رسوم فتح مخفّضة لتحفيز الطلب الذي لن يحدث في الحالة الطبيعية. الفارق الجوهري بين التسعير الديناميكي المُطبَّق بشكل جيد والتسعير الجشع في التنقل المأجور هو حجم التعديلات وشفافيتها. مشغّلو التنقل الذين يُحدّدون مضاعف الارتفاع بـ 1.5 إلى 2.0 ضعف ويعرضون السعر المعدّل بوضوح قبل تأكيد الراكب لرحلته يحافظون باستمرار على رضا الراكبين مع الحصول على مكاسب إيرادات ذات معنى. الأثر الإجمالي للتسعير الديناميكي عبر أسطول كامل هو تخفيف منحنيات الطلب مما يزيد إجمالي الرحلات اليومية بنسبة 10 إلى 20 بالمئة مقارنةً بالتسعير الثابت، لأن المركبات تقضي وقتًا أقل راكدة ويُعاد توزيع الراكبين برفق نحو الإمداد المتاح. تُتيح محركات التسعير المدعومة بالذكاء الاصطناعي أيضًا مستويات تسعير حسب الوقت من اليوم وعروض الساعة السعيدة خلال نوافذ الطلب المنخفض تاريخيًا وتعديلات التسعير القائمة على الفعاليات التي يمكن تهيئتها للتفعيل تلقائيًا عند وجود حدث مجدول في ملعب أو مكان حفلات أو مركز مؤتمرات داخل منطقة الخدمة.
مستقبل الاستقلالية
بالنظر إلى الأفق الأبعد، سيُعيد تقارب الذكاء الاصطناعي مع تكنولوجيا المركبات ذاتية القيادة والرؤية الحاسوبية المتقدمة والحوسبة الحافّة تشكيل إدارة الأسطول بطرق تظهر بالفعل في مختبرات الأبحاث والبرامج التجريبية حول العالم. السكوترات ذاتية التموضع المجهّزة بقدرات قيادة ذاتية منخفضة السرعة تتيح لها التنقل في الأرصفة والمسارات الدراجية لإعادة توازنها ليلًا قيد الاختبار النشط من قِبَل ثلاثة على الأقل من كبار المصنّعين، مع توقع عمليات نشر تجارية محدودة خلال السنتين إلى الأربع سنوات القادمة. تُطوَّر أنظمة رؤية حاسوبية مركّبة على المركبات أو مدمجة مع البنية التحتية لكاميرات المدينة للتحقق من الامتثال الصحيح لقواعد الانتظار واكتشاف العوائق على الرصيف وتحديد المركبات التالفة التي تحتاج استرجاعًا وحتى تقييم أحوال سطح الطريق لتوجيه الراكبين بعيدًا عن المخاطر. وحدات الحوسبة الحافّة المدمجة في أجهزة إنترنت الأشياء للمركبات تُمكّن استنتاجًا في الوقت الفعلي على الجهاز لتطبيقات السلامة كاكتشاف السقوط وتحذيرات تجنب الاصطدام وتقييم سلوك الراكب دون تأخير المعالجة السحابية. مُرسلو الذكاء الاصطناعي متعددو الوسائط الذين يُنسّقون الرحلات عبر السكوترات والدراجات والنقل العام والتنقل المأجور مع التكيّف الديناميكي للتوصيات بناءً على الظروف الفعلية عبر جميع الوسائط ينتقلون من البحث الأكاديمي إلى تجارب تجارية أولية في المدن التي تمتلك منصات متقدمة للتنقل كخدمة. في حين لا تزال الاستقلالية الكاملة للمركبات على بُعد سنوات لمعظم تطبيقات التنقل المشترك، فإن البنية التحتية للذكاء الاصطناعي التي يبنيها المشغّلون اليوم للتنبؤ بالطلب وتحسين المسارات وتوقع الصيانة والتسعير الديناميكي ستُشكّل طبقة الأساس الأساسية لهذه القدرات من الجيل التالي. المشغّلون الذين يستثمرون اليوم في جمع البيانات وتدريب النماذج ومعمارية الأنظمة القائمة على واجهات برمجة التطبيقات يُموضعون أنفسهم لتبني تقنيات ذاتية وشبه ذاتية بمجرد أن تصبح قابلة للتطبيق تجاريًا.
