Η τεχνητή νοημοσύνη δεν αποτελεί πλέον μια φουτουριστική έννοια που προορίζεται αποκλειστικά για τεχνολογικές εταιρείες με άφθονο κεφάλαιο και εξειδικευμένες ομάδες επιστημόνων δεδομένων. Πρόκειται για ένα πρακτικό και προσιτό εργαλείο που χρησιμοποιούν σήμερα οι πάροχοι υπηρεσιών κοινής κινητικότητας κάθε μεγέθους, με στόχο τη μείωση του λειτουργικού κόστους, τη βελτίωση της ικανοποίησης των χρηστών και τη λήψη ταχύτερων και ακριβέστερων αποφάσεων σχετικά με τη διαχείριση του στόλου τους. Η θεμελιώδης αλλαγή που έχει επιφέρει η τεχνητή νοημοσύνη στον κλάδο της κινητικότητας είναι η μετάβαση από τις αντιδραστικές λειτουργίες, όπου τα προβλήματα αντιμετωπίζονται μετά την εμφάνισή τους, στις προγνωστικές λειτουργίες, όπου τα προβλήματα προβλέπονται και προλαμβάνονται πριν επηρεάσουν τους επιβάτες ή τα έσοδα. Πριν από τη διάθεση εργαλείων που βασίζονται στην τεχνητή νοημοσύνη, η διαχείριση στόλων ήταν σε μεγάλο βαθμό μια χειροκίνητη διαδικασία: οι φορείς εκμετάλλευσης βασίζονταν στην εμπειρία, τη διαίσθηση και τη βασική ανάλυση υπολογιστικών φύλλων για να αποφασίσουν πού να τοποθετήσουν τα οχήματα, πότε να τα συντηρήσουν και πώς να τιμολογήσουν τις διαδρομές. Αυτές οι χειροκίνητες προσεγγίσεις λειτουργούσαν αρκετά καλά σε μικρή κλίμακα, αλλά απέτυχαν καθώς οι στόλοι ξεπέρασαν τις μερικές εκατοντάδες οχήματα κατανεμημένα σε πολλαπλές ζώνες. Σήμερα, τα μοντέλα μηχανικής μάθησης μπορούν να επεξεργάζονται εκατομμύρια σημεία δεδομένων από συσκευές εντοπισμού GPS, αισθητήρες «IoT», API καιρού, ημερολόγια εκδηλώσεων και ιστορικές βάσεις δεδομένων διαδρομών για να παράγουν εφαρμόσιμες συστάσεις που κανένας ανθρώπινος αναλυτής δεν θα μπορούσε να παράγει με την ίδια ταχύτητα ή ακρίβεια. Οι φορείς εκμετάλλευσης που υιοθετούν αυτά τα εργαλεία νωρίς δημιουργούν σύνθετα πλεονεκτήματα όσον αφορά τη χρήση του στόλου, την αποδοτικότητα της συντήρησης και την εμπειρία των επιβατών, τα οποία θα είναι όλο και πιο δύσκολο να καλύψουν όσοι υστερούν. Αυτό το άρθρο εξετάζει τις πέντε εφαρμογές τεχνητής νοημοσύνης που προσφέρουν μετρήσιμα αποτελέσματα στους φορείς εκμετάλλευσης κινητικότητας αυτή τη στιγμή, με συγκεκριμένα δεδομένα σχετικά με τις βελτιώσεις που προσφέρει η καθεμία.
Πρόβλεψη της ζήτησης για μεταφορές με μοτοσικλέτα
Η πρόβλεψη της ζήτησης αποτελεί την πιο άμεσα χρήσιμη και ευρέως υιοθετημένη εφαρμογή τεχνητής νοημοσύνης στη διαχείριση στόλων κοινής κινητικότητας, καθώς αντιμετωπίζει το πιο δαπανηρό πρόβλημα αναποτελεσματικότητας στον κλάδο: οχήματα που παραμένουν αδρανή σε σημεία όπου κανείς δεν τα χρειάζεται, ενώ πιθανοί επιβάτες σε περιοχές υψηλής ζήτησης δεν βρίσκουν διαθέσιμα οχήματα. Τα σύγχρονα συστήματα πρόβλεψης της ζήτησης χρησιμοποιούν δέντρα αποφάσεων με ενίσχυση κλίσης ή επαναλαμβανόμενα νευρωνικά δίκτυα που έχουν εκπαιδευτεί σε ιστορικά δεδομένα διαδρομών που καλύπτουν μήνες ή χρόνια, εμπλουτισμένα με εξωτερικά σήματα, όπως ωριαίες προγνώσεις καιρού, προγράμματα τοπικών εκδηλώσεων από χώρους και πλατφόρμες έκδοσης εισιτηρίων, ειδοποιήσεις για διακοπές στις δημόσιες συγκοινωνίες, ακαδημαϊκά ημερολόγια σχολείων και πανεπιστημίων, και ακόμη και ανώνυμα μοτίβα κίνησης κινητών τηλεφώνων που υποδεικνύουν τις ροές του πληθυσμού καθ' όλη τη διάρκεια της ημέρας. Το αποτέλεσμα είναι μια λεπτομερής, ανά ζώνη πρόβλεψη της αναμενόμενης ζήτησης μετακινήσεων για τις επόμενες 4 έως 48 ώρες, η οποία ενημερώνεται συνεχώς καθώς φτάνουν νέα δεδομένα. Οι φορείς εκμετάλλευσης που χρησιμοποιούν πρόβλεψη ζήτησης με τεχνητή νοημοσύνη αναφέρουν σταθερά βελτιώσεις 15 έως 25 τοις εκατό στη χρήση του στόλου, μετρούμενη ως διαδρομές ανά όχημα ανά ημέρα, σε σύγκριση με στρατηγικές χειροκίνητης τοποθέτησης που βασίζονται στην διαίσθηση του χειριστή ή σε απλούς ευριστικούς κανόνες. Ο οικονομικός αντίκτυπος είναι σημαντικός: για έναν στόλο 500 σκούτερ με μέσο όρο τρεις διαδρομές την ημέρα στα 3,50 δολάρια ανά διαδρομή, μια βελτίωση της αξιοποίησης κατά 20% μεταφράζεται σε περίπου 383.000 δολάρια επιπλέον ετήσια έσοδα από τον ίδιο αριθμό οχημάτων. Η πρόβλεψη της ζήτησης μειώνει επίσης τη συχνότητα των περιστατικών εξάντλησης αποθεμάτων που αντιμετωπίζουν οι χρήστες, όπου ένας χρήστης ανοίγει την εφαρμογή και δεν βρίσκει οχήματα κοντά του, κάτι που αποτελεί έναν από τους ισχυρότερους προγνωστικούς παράγοντες για την απεγκατάσταση της εφαρμογής και την απώλεια χρηστών. Οι πιο εξελιγμένες εφαρμογές ενσωματώνουν βρόχους ανατροφοδότησης, όπου οι προβλέψεις του μοντέλου συγκρίνονται καθημερινά με τα πραγματικά αποτελέσματα και ο αλγόριθμος προσαρμόζει αυτόματα τη στάθμιση των διαφορετικών μεταβλητών εισόδου για να βελτιώσει την ακρίβεια με την πάροδο του χρόνου.
Έξυπνη αναπροσαρμογή στόλου
Η έξυπνη ανακατανομή προχωράει την πρόβλεψη της ζήτησης ένα βήμα παραπέρα, μετατρέποντας τις προβλέψεις σε βελτιστοποιημένα, εφαρμόσιμα σχέδια ανακατανομής που οι ομάδες πεδίου μπορούν να εκτελέσουν αποτελεσματικά. Η παραδοσιακή ανακατανομή λειτουργεί με σταθερά χρονοδιαγράμματα και δρομολόγια: ένας τεχνικός ακολουθεί μια προκαθορισμένη διαδρομή κάθε πρωί και βράδυ, συλλέγοντας οχήματα από περιοχές χαμηλής ζήτησης και παραδίδοντάς τα σε ζώνες υψηλής ζήτησης, με βάση την καλύτερη εκτίμηση ενός υπεύθυνου σχετικά με το πού πρέπει να μεταφερθούν. Η εξισορρόπηση με τη βοήθεια της τεχνητής νοημοσύνης αντικαθιστά αυτή την εικασία με τη δυναμική δημιουργία εργασιών που λαμβάνει υπόψη την προσφορά οχημάτων σε πραγματικό χρόνο σε κάθε ζώνη, την προβλεπόμενη ζήτηση για τις επόμενες ώρες, το τρέχον επίπεδο μπαταρίας κάθε οχήματος και την εκτιμώμενη εναπομένουσα αυτονομία, τη φυσική απόσταση και τον χρόνο οδήγησης μεταξύ των σημείων παραλαβής και παράδοσης, τη διαθεσιμότητα και την τρέχουσα θέση κάθε τεχνικού πεδίου, καθώς και τη σχετική προτεραιότητα των διαφορετικών ενεργειών εξισορρόπησης με βάση την αναμενόμενη επίδραση στα έσοδα. Το σύστημα δημιουργεί μια λίστα εργασιών με προτεραιότητα για κάθε τεχνικό, η οποία μεγιστοποιεί τον αριθμό των οχημάτων που τοποθετούνται σε θέσεις υψηλής ζήτησης ανά ώρα εργασίας, λαμβάνοντας υπόψη τη χωρητικότητα φόρτωσης οχημάτων σε κάθε φορτηγό σέρβις. Οι χειριστές που χρησιμοποιούν την εξισορρόπηση με βάση την τεχνητή νοημοσύνη αναφέρουν μείωση κατά 30 έως 40 τοις εκατό στα χιλιόμετρα που διανύουν τα οχήματα για λόγους εξισορρόπησης, γεγονός που μειώνει άμεσα το κόστος καυσίμων, τη φθορά των οχημάτων σέρβις και το αποτύπωμα άνθρακα των λειτουργιών του στόλου. Ίσως το πιο σημαντικό είναι ότι η έξυπνη ανακατανομή εξασφαλίζει ότι τα οχήματα με τα υψηλότερα επίπεδα μπαταρίας τοποθετούνται στις ζώνες με την υψηλότερη προβλεπόμενη ζήτηση, μεγιστοποιώντας το δυναμικό εσόδων κάθε δράσης ανακατανομής, αντί να αντιμετωπίζονται όλα τα οχήματα και οι ζώνες ισότιμα.
Προληπτική συντήρηση σε μεγάλη κλίμακα
Η προληπτική συντήρηση είναι η εφαρμογή τεχνητής νοημοσύνης που έχει τη μεγαλύτερη μετρήσιμη επίδραση στη διάρκεια ζωής του στόλου, την ασφάλεια και το συνολικό κόστος ιδιοκτησίας, ωστόσο παραμένει υποαξιοποιημένη από πολλούς φορείς εκμετάλλευσης, οι οποίοι εξακολουθούν να βασίζονται σε προγράμματα συντήρησης βάσει ημερολογίου ή σε διαδικασίες επισκευής που ενεργοποιούνται εκ των υστέρων, κατόπιν παραπόνων των χρηστών. Η αρχή είναι απλή: οι αισθητήρες τηλεμετρίας (IoT) που είναι ενσωματωμένοι στα σύγχρονα οχήματα κοινής χρήσης παράγουν συνεχώς δεδομένα τηλεμετρίας, συμπεριλαμβανομένων καμπυλών τάσης μπαταρίας κατά τη διάρκεια κύκλων φόρτισης και εκφόρτισης, κατανάλωσης ρεύματος κινητήρα υπό διαφορετικές συνθήκες φορτίου, συνέπειας της δύναμης πέδησης μεταξύ της αριστερής και της δεξιάς πλευράς, μοτίβων συμπίεσης της ανάρτησης από μετρήσεις επιταχυνσιόμετρου και ανωμαλιών στην ταχύτητα περιστροφής των τροχών που μπορεί να υποδηλώνουν φθορά ρουλεμάν ή υποβάθμιση ελαστικών. Οι αλγόριθμοι προληπτικής συντήρησης, συνήθως μοντέλα ανίχνευσης ανωμαλιών που έχουν εκπαιδευτεί σε ιστορικά δεδομένα βλαβών, αναλύουν αυτές τις ροές τηλεμετρίας για να εντοπίσουν οχήματα που παρουσιάζουν πρώιμα προειδοποιητικά σημάδια βλάβης εξαρτημάτων ημέρες ή ακόμη και εβδομάδες πριν η βλάβη γίνει εμφανής σε έναν χρήστη ή έναν τεχνικό πεδίου. Αντί να αποσύρουν οχήματα για προγραμματισμένες επιθεωρήσεις σε ένα σταθερό ημερολόγιο 30 ή 60 ημερών, οι χειριστές μπορούν να δώσουν προτεραιότητα στη συντήρηση με βάση την πραγματική μετρημένη κατάσταση, κατευθύνοντας την περιορισμένη χωρητικότητα του συνεργείου τους προς τα οχήματα που χρειάζονται πραγματικά προσοχή. Τα αποτελέσματα είναι εντυπωσιακά σε πολλαπλούς δείκτες: οι χειριστές που χρησιμοποιούν προληπτική συντήρηση αναφέρουν μείωση κατά 25 έως 40 τοις εκατό στα ποσοστά βλαβών στο δρόμο, παράταση κατά 15 έως 20 τοις εκατό στη μέση διάρκεια ζωής των οχημάτων και μείωση κατά 10 έως 15 τοις εκατό στο συνολικό κόστος εργασίας συντήρησης, επειδή οι τεχνικοί αφιερώνουν λιγότερο χρόνο στην επιθεώρηση οχημάτων που βρίσκονται σε καλή κατάσταση και περισσότερο χρόνο στην εκτέλεση στοχευμένων επισκευών σε οχήματα που τις χρειάζονται. Για εξαρτήματα κρίσιμης σημασίας για την ασφάλεια, όπως τα φρένα και το τιμόνι, οι προληπτικές ειδοποιήσεις παρέχουν ένα επιπλέον επίπεδο προστασίας πέρα από τα τυπικά πρωτόκολλα επιθεώρησης.
Μηχανισμοί δυναμικής τιμολόγησης
Η δυναμική τιμολόγηση που βασίζεται σε αλγόριθμους τεχνητής νοημοσύνης αποτελεί μια εξελιγμένη προσέγγιση για την αντιμετώπιση της βασικής πρόκλησης της εξισορρόπησης προσφοράς και ζήτησης, την οποία αντιμετωπίζει κάθε πάροχος υπηρεσιών κοινής κινητικότητας καθ’ όλη τη διάρκεια της ημέρας. Ο βασικός μηχανισμός λειτουργεί και προς τις δύο κατευθύνσεις: όταν η ζήτηση των επιβατών υπερβαίνει την προσφορά οχημάτων σε μια συγκεκριμένη ζώνη, το σύστημα εφαρμόζει έναν μέτριο πολλαπλασιαστή αιχμής, συνήθως 1,2x έως 1,8x, στην τυπική τιμή ανά λεπτό, κάτι που εξυπηρετεί τον διπλό σκοπό της δημιουργίας πρόσθετων εσόδων κατά τις περιόδους αιχμής και της ενθάρρυνσης ορισμένων επιβατών που είναι ευαίσθητοι στις τιμές να περπατήσουν μερικά τετράγωνα μέχρι μια κοντινή ζώνη όπου τα οχήματα είναι διαθέσιμα σε τυπικές τιμές. Αντίθετα, όταν τα οχήματα παραμένουν αδρανή σε μια περιοχή με υπερπροσφορά κατά τις ώρες εκτός αιχμής, το σύστημα μπορεί να προσφέρει προσωρινές εκπτώσεις, πιστώσεις για δωρεάν διαδρομές ή μειωμένα τέλη ξεκλειδώματος για να τονώσει τη ζήτηση που διαφορετικά δεν θα υπήρχε. Η κρίσιμη διαφορά μεταξύ της σωστά εφαρμοζόμενης δυναμικής τιμολόγησης και της επιθετικής τιμολόγησης αιχμής που έχει προκαλέσει κριτική στον τομέα των υπηρεσιών μεταφοράς με εφαρμογή είναι το μέγεθος και η διαφάνεια των προσαρμογών. Οι πάροχοι υπηρεσιών μετακίνησης που περιορίζουν τον πολλαπλασιαστή αιχμής στο 1,5x έως 2,0x και εμφανίζουν με σαφήνεια την προσαρμοσμένη τιμή πριν ο επιβάτης επιβεβαιώσει τη διαδρομή του, διατηρούν σταθερά την ικανοποίηση των επιβατών, ενώ παράλληλα αξιοποιούν σημαντικά την ανοδική τάση των εσόδων. Το συνολικό αποτέλεσμα της δυναμικής τιμολόγησης σε ολόκληρο το στόλο είναι η εξομάλυνση των καμπυλών ζήτησης, η οποία αυξάνει τις συνολικές ημερήσιες διαδρομές κατά 10 έως 20 τοις εκατό σε σύγκριση με τη στατική τιμολόγηση, επειδή τα οχήματα περνούν λιγότερο χρόνο αδρανή και οι επιβάτες ανακατανέμονται ομαλά προς τη διαθέσιμη προσφορά. Οι μηχανές τιμολόγησης που βασίζονται στην τεχνητή νοημοσύνη επιτρέπουν επίσης την εφαρμογή κλιμακωτών τιμών ανάλογα με την ώρα της ημέρας, προσφορές happy hour κατά τη διάρκεια περιόδων ιστορικά χαμηλής ζήτησης, καθώς και προσαρμογές τιμών βάσει εκδηλώσεων, οι οποίες μπορούν να ρυθμιστούν ώστε να ενεργοποιούνται αυτόματα όταν ένα στάδιο, ένας χώρος συναυλιών ή ένα συνεδριακό κέντρο εντός της περιοχής εξυπηρέτησης έχει προγραμματισμένη εκδήλωση.
Το αυτόνομο μέλλον
Με μακροπρόθεσμη προοπτική, η σύγκλιση της τεχνητής νοημοσύνης με την τεχνολογία αυτόνομων οχημάτων, την προηγμένη υπολογιστική όραση και το edge computing θα αναδιαμορφώσει τη διαχείριση στόλων με τρόπους που είναι ήδη ορατοί σε ερευνητικά εργαστήρια και πιλοτικά προγράμματα σε όλο τον κόσμο. Σκούτερ με δυνατότητα αυτόματης επανατοποθέτησης, εξοπλισμένα με δυνατότητες αυτόνομης οδήγησης χαμηλής ταχύτητας που τους επιτρέπουν να κινούνται σε πεζοδρόμια και ποδηλατοδρόμους για να επανατοποθετηθούν κατά τη διάρκεια της νύχτας, βρίσκονται σε ενεργό στάδιο δοκιμών από τουλάχιστον τρεις μεγάλους κατασκευαστές οχημάτων, ενώ αναμένεται περιορισμένη εμπορική διάθεση εντός των επόμενων δύο έως τεσσάρων ετών. Αναπτύσσονται συστήματα υπολογιστικής όρασης τοποθετημένα σε οχήματα ή ενσωματωμένα στην υποδομή καμερών της πόλης για την επαλήθευση της σωστής συμμόρφωσης με τους κανόνες στάθμευσης, την ανίχνευση εμποδίων στα πεζοδρόμια, τον εντοπισμό κατεστραμμένων οχημάτων που χρειάζονται ανάκτηση, και ακόμη και την αξιολόγηση των συνθηκών του οδοστρώματος για να κατευθύνουν τους οδηγούς μακριά από κινδύνους. Μονάδες υπολογιστικής ακμής ενσωματωμένες στο υλικό του οχήματος IoT επιτρέπουν την εξαγωγή συμπερασμάτων σε πραγματικό χρόνο επί της συσκευής για εφαρμογές ασφάλειας όπως ανίχνευση πτώσης, προειδοποιήσεις αποφυγής σύγκρουσης και βαθμολόγηση συμπεριφοράς οδηγού χωρίς την καθυστέρηση της επεξεργασίας που βασίζεται στο cloud. Οι πολυτροπικοί διαχειριστές τεχνητής νοημοσύνης που συντονίζουν διαδρομές μεταξύ σκούτερ, ποδηλάτων, μέσων μαζικής μεταφοράς και υπηρεσιών κλήσης οχημάτων, προσαρμόζοντας δυναμικά τις προτάσεις με βάση τις συνθήκες σε πραγματικό χρόνο σε όλους τους τρόπους μεταφοράς, μεταβαίνουν από την ακαδημαϊκή έρευνα σε πρώιμα εμπορικά πιλοτικά προγράμματα σε πόλεις με προηγμένες πλατφόρμες MaaS. Ενώ η πλήρης αυτονομία των οχημάτων απέχει ακόμη αρκετά χρόνια για τις περισσότερες εφαρμογές κοινής κινητικότητας, η υποδομή τεχνητής νοημοσύνης που δημιουργούν σήμερα οι φορείς εκμετάλλευσης για την πρόβλεψη της ζήτησης, τη βελτιστοποίηση των διαδρομών, την πρόβλεψη της συντήρησης και τη δυναμική τιμολόγηση θα αποτελέσει το βασικό θεμέλιο για αυτές τις δυνατότητες επόμενης γενιάς. Οι φορείς εκμετάλλευσης που επενδύουν σήμερα στη συλλογή δεδομένων, την εκπαίδευση μοντέλων και την αρχιτεκτονική συστημάτων που βασίζεται στο μοντέλο «API» (εκμάθηση από δεδομένα) προετοιμάζονται να υιοθετήσουν αυτόνομες και ημιαυτόνομες τεχνολογίες μόλις αυτές καταστούν εμπορικά βιώσιμες.