בינה מלאכותית כבר אינה קונספט עתידני השמור לחברות טכנולוגיה ממומנות היטב עם צוותי data science ייעודיים. היא כלי מעשי ונגיש שמפעילי ניידות שיתופית בכל הגדלים פורסים היום כדי להפחית עלויות תפעוליות, לשפר את שביעות רצון הנוסעים ולקבל החלטות מהירות ומדויקות יותר על האופן שבו הם מנהלים את הצי שלהם. השינוי היסודי ש-AI הציגה לתעשיית הניידות הוא המעבר מתפעול ריאקטיבי, שבו בעיות מטופלות אחרי שהן מתרחשות, לתפעול חיזוי, שבו בעיות צפויות ונמנעות לפני שהן משפיעות על נוסעים או הכנסות. לפני שכלים מבוססי AI הפכו זמינים, ניהול צי היה בעיקר דיסציפלינה ידנית: מפעילים הסתמכו על ניסיון, אינטואיציה וניתוח גיליון אלקטרוני בסיסי כדי להחליט היכן למקם רכבים, מתי לתחזק אותם וכיצד לתמחר נסיעות. גישות ידניות אלה עבדו באופן סביר בקנה מידה קטן אך התפרקו ככל שציים גדלו מעבר לכמה מאות רכבים פרוסים על פני מספר אזורים. כיום, מודלים של machine learning יכולים לעבד מיליוני נקודות נתונים מ-GPS trackers, חיישני IoT, APIs של מזג אוויר, לוחות אירועים ומסדי נתונים של נסיעות היסטוריות כדי ליצור המלצות בנות-יישום שאף אנליסט אנושי לא יכול לייצר באותה מהירות או דיוק. המפעילים שמאמצים את הכלים האלה מוקדם בונים יתרונות מצטברים בניצולת צי, יעילות תחזוקה וחוויית נוסעים שיהיו יותר ויותר קשים לסוגרים את הפער. מאמר זה בוחן את חמש יישומי ה-AI המספקים תוצאות מדידות למפעילי ניידות כרגע, עם נתונים ספציפיים על השיפורים שכל אחד מספק.
חיזוי ביקוש נוסעים
חיזוי ביקוש הוא יישום ה-AI הבעל ערך המיידי ביותר ובשימוש הנרחב ביותר בניהול צי ניידות שיתופית, כי הוא מטפל בחוסר היעילות היקר היחיד ביותר בעסק: רכבים יושבים סרק במיקומים שאף אחד לא צריך אותם בעוד נוסעים פוטנציאליים באזורים בעלי ביקוש גבוה לא מוצאים רכבים זמינים. מערכות חיזוי ביקוש מודרניות משתמשות בעצי החלטה gradient-boosted או רשתות עצביות recurrent שאומנו על נתוני נסיעות היסטוריים המתפרסים על חודשים או שנים, מועשרים באותות חיצוניים כולל תחזיות מזג אוויר שעתיות, לוחות אירועים מקומיים מאתרים ופלטפורמות כרטוס, התראות שיבושי תחבורה ציבורית, לוחות זמנים אקדמיים של בית ספר ואוניברסיטה ואפילו דפוסי תנועת טלפון נייד אנונימיים שמצביעים על זרימות אוכלוסייה לאורך היום. הפלט הוא תחזית גרנולרית, לפי אזור, של ביקוש נסיעה צפוי ל-4 עד 48 השעות הבאות, מתעדכנת ברציפות ככל שמגיעים נתונים חדשים. מפעילים שפורסים חיזוי ביקוש מבוסס AI מדווחים באופן עקבי על שיפורים של 15 עד 25 אחוזים בניצולת הצי, נמדדת כנסיעות לרכב ליום, בהשוואה לאסטרטגיות מיקום ידניות המבוססות על אינטואיציית מפעיל או כללים היוריסטיים פשוטים. ההשפעה הפיננסית משמעותית: עבור צי של 500 קורקינטים בממוצע של שלוש נסיעות ביום ב-$3.50 לנסיעה, שיפור ניצולת של 20 אחוזים מתורגם ל-$383,000 בערך בהכנסות שנתיות נוספות מאותו מספר רכבים. חיזוי ביקוש גם מפחית את התדירות של אירועי stockout הפונים לנוסעים, שבהם משתמש פותח את האפליקציה ולא מוצא רכבים בקרבה, שהוא אחד החזאים החזקים ביותר של הסרת אפליקציה ו-churn של נוסעים. היישומים המתוחכמים ביותר משלבים feedback loops שבהם חזיות המודל מושוות מול תוצאות בפועל מדי יום, והאלגוריתם מתאים אוטומטית את משקלי משתני הקלט השונים שלו כדי לשפר את הדיוק לאורך זמן.
איזון מחדש חכם של צי
איזון מחדש חכם לוקח את חיזוי הביקוש צעד אחד קדימה על ידי המרת חזיות לתכניות חלוקה מחדש מותאמות אישית ובנות-יישום שצוותי שטח יכולים לבצע ביעילות. איזון מחדש מסורתי פועל על לוחות זמנים ומסלולים קבועים: טכנאי נוהג במעגל קבוע מראש בכל בוקר וערב, אוסף רכבים מאזורים בעלי ביקוש נמוך ומפיל אותם באזורים בעלי ביקוש גבוה בהתבסס על הניחוש הטוב ביותר של מנהל לאן הם צריכים ללכת. איזון מחדש מבוסס AI מחליף את הניחוש הזה ביצירת משימות דינמית שלוקחת בחשבון היצע רכבים בזמן אמת בכל אזור, ביקוש חזוי ל-שעות הבאות, רמת הסוללה הנוכחית של כל רכב והטווח הנותר המוערך, המרחק הפיזי וזמן הנהיגה בין מיקומי איסוף ושחרור, הזמינות והמיקום הנוכחי של כל טכנאי שטח, והעדיפות היחסית של פעולות איזון מחדש שונות בהתבסס על השפעת הכנסות חזויה. המערכת יוצרת רשימת משימות מתועדפת לכל טכנאי שמקסמת את מספר הרכבים הממוקמים בעמדות בעלות ביקוש גבוה לשעת עבודה, לוקחת בחשבון את קיבולת ההעמסה של רכב בכל service van. מפעילים המשתמשים באיזון מחדש מבוסס AI מדווחים על הפחתות של 30 עד 40 אחוזים במייל הרכב הקשורים לאיזון מחדש, מה שמפחית ישירות עלויות דלק, בלאי רכב על service vans וטביעת הפחמן של פעולות הצי. אולי יותר חשוב, איזון מחדש חכם מבטיח שהרכבים עם רמות הסוללה הגבוהות ביותר מוצבים באזורים עם הביקוש החזוי הגבוה ביותר, מקסם את פוטנציאל ההכנסות של כל פעולת חלוקה מחדש במקום להתייחס לכל הרכבים ולכל האזורים באופן שווה.
תחזוקה חיזויית בקנה מידה
תחזוקה חיזויית היא יישום ה-AI שמספק את ההשפעה המדידה ביותר על אריכות חיים של צי, בטיחות ועלות בעלות כוללת, ועדיין הוא נשאר לא מנוצל מספיק על ידי מפעילים רבים שעדיין מסתמכים על לוחות שירות מבוססי לוח שנה או תהליכי תיקון ריאקטיביים המופעלים על ידי תלונות נוסעים. העיקרון פשוט: חיישני IoT המוטמעים ברכבים שיתופיים מודרניים מייצרים ברציפות נתוני טלמטריה כולל עקומות מתח סוללה במהלך מחזורי טעינה ופריקה, צריכת זרם מנוע תחת תנאי עומס שונים, עקביות כוח בלימה בצדדים שמאל וימין, דפוסי דחיסת מתלים מקריאות מד תאוצה ואנומליות מהירות סיבוב גלגלים שיכולות להצביע על שחיקת מיסבים או הידרדרות צמיג. אלגוריתמים של תחזוקה חיזויית, בדרך כלל מודלים של זיהוי אנומליות שאומנו על נתוני כשל היסטוריים, מנתחים את זרמי הטלמטריה האלה כדי לזהות רכבים המציגים סימני אזהרה מוקדמים של כשל רכיב ימים או אפילו שבועות לפני שהכשל יהפוך לבולט לנוסע או לטכנאי שטח. במקום למשוך רכבים לבדיקות מתוזמנות בלוח שנה קבוע של 30 או 60 יום, מפעילים יכולים לתעדף תחזוקה בהתבסס על מצב מדוד בפועל, מכוונים את קיבולת בית המלאכה המוגבלת שלהם לרכבים שבאמת זקוקים לתשומת לב. התוצאות משכנעות בכמה מטריקות: מפעילים המשתמשים בתחזוקה חיזויית מדווחים על הפחתות של 25 עד 40 אחוזים בשיעורי תקלות בצד הדרך, הארכות של 15 עד 20 אחוזים בחיי שירות רכב ממוצעים והפחתות של 10 עד 15 אחוזים בעלויות עבודת תחזוקה כוללות מכיוון שטכנאים מבזבזים פחות זמן בבדיקת רכבים בריאים ויותר זמן בביצוע תיקונים ממוקדים על רכבים הזקוקים להם. עבור רכיבים קריטיים לבטיחות כמו בלמים והיגוי, התראות חיזוי מספקות שכבת הגנה נוספת מעבר לפרוטוקולי בדיקה סטנדרטיים.
מנועי תמחור דינמי
תמחור דינמי המופעל על ידי אלגוריתמי AI מייצג גישה מתוחכמת לאתגר האיזון הבסיסי של היצע-ביקוש שכל מפעיל ניידות שיתופית מתמודד איתו לאורך היום. המנגנון הליבה עובד בשני הכיוונים: כאשר ביקוש הנוסעים עולה על היצע הרכבים באזור מסוים, המערכת מיישמת מכפיל surge מתון, בדרך כלל 1.2x עד 1.8x, לתעריף הסטנדרטי לדקה, שמשרת מטרה כפולה של יצירת הכנסות נוספות בתקופות שיא ועידוד נוסעים מסוימים רגישי מחיר ללכת כמה רחובות לאזור סמוך שבו רכבים זמינים בתעריפים סטנדרטיים. לעומת זאת, כאשר רכבים יושבים סרק באזור עם היצע יתר בשעות שיא נמוך, המערכת יכולה להציע הנחות זמניות, קרדיטי נסיעה בונוס או דמי פתיחה מופחתים כדי לעורר ביקוש שלא היה מתרחש אחרת. ההבחנה הקריטית בין תמחור דינמי המיושם היטב לבין תמחור surge תוקפני שמשך ביקורת ב-Ride-Hailing היא הגודל והשקיפות של ההתאמות. מפעילי ניידות שמגבילים את מכפיל ה-surge שלהם ל-1.5x עד 2.0x ומציגים בבירור את המחיר המותאם לפני שהנוסע מאשר את הנסיעה שלו שומרים באופן עקבי על שביעות רצון הנוסעים תוך לכידת עלייה משמעותית בהכנסות. ההשפעה המצטברת של תמחור דינמי על פני צי שלם היא החלקה של עקומות ביקוש שמגדילה את סך הנסיעות היומיות ב-10 עד 20 אחוזים בהשוואה לתמחור סטטי, מכיוון שרכבים מבזבזים פחות זמן סרק ונוסעים מחולקים בעדינות לכיוון היצע זמין. מנועי תמחור מבוססי AI גם מאפשרים רמות תמחור לפי שעה ביום, מבצעי happy hour בחלונות ביקוש נמוך היסטוריים והתאמות תמחור מבוססות אירועים שניתן להגדיר להפעלה אוטומטית כאשר אצטדיון, אולם קונצרטים או מרכז כנסים בתוך אזור השירות יש לו אירוע מתוזמן.
העתיד האוטונומי
במבט עוד יותר קדימה, ההתכנסות של בינה מלאכותית עם טכנולוגיית רכב אוטונומי, ראייה ממוחשבת מתקדמת ו-edge computing יעצבו מחדש את ניהול הצי בדרכים שכבר נראות במעבדות מחקר ובתכניות פיילוט ברחבי העולם. קורקינטים שמתמקמים מחדש מצוידים ביכולות נהיגה אוטונומיות במהירות נמוכה שמאפשרות להם לנווט במדרכות ובשבילי אופניים כדי לבצע איזון מחדש של עצמם בלילה נמצאים בבדיקה פעילה על ידי לפחות שלושה יצרני רכב מרכזיים, עם פריסות מסחריות מוגבלות צפויות בשנתיים עד ארבע השנים הקרובות. מערכות ראייה ממוחשבת המותקנות על רכבים או משולבות עם תשתית מצלמות עיר מפותחות לאמת ציות חניה תקין, לזהות חסימת מדרכה, לזהות רכבים שניזוקו וזקוקים לאיסוף, ואפילו להעריך תנאי משטח כביש כדי לנתב נוסעים הרחק מסכנות. מודולי edge computing המוטמעים בחומרת IoT של רכב מאפשרים inference במכשיר בזמן אמת ליישומי בטיחות כמו זיהוי נפילות, אזהרות הימנעות מהתנגשות וניקוד התנהגות נוסע ללא ה-latency של עיבוד מבוסס ענן. שולחי AI רב-אופניים שמתאמים נסיעות בין קורקינטים, אופניים, תחבורה ושירותי Ride-Hailing, מתאימים דינמית המלצות בהתבסס על תנאים בזמן אמת בכל המצבים, עוברים ממחקר אקדמי לפיילוטים מסחריים מוקדמים בערים עם פלטפורמות MaaS מתקדמות. בעוד שאוטונומיה מלאה של רכב נשארת רחוקה מספר שנים לרוב יישומי ניידות שיתופית, תשתית ה-AI שמפעילים בונים היום עבור חיזוי ביקוש, אופטימיזציית ניתוב, חיזוי תחזוקה ותמחור דינמי תשמש כשכבת היסוד החיונית ליכולות הדור הבא הללו. מפעילים שמשקיעים באיסוף נתונים, אימון מודלים וארכיטקטורת מערכת מבוססת API כעת מציבים את עצמם לאמץ טכנולוגיות אוטונומיות וחצי-אוטונומיות ברגע שהן יהפכו לבנות-קיימא מסחרית.
