Yapay zeka artık, özel veri bilimi ekipleri bulunan ve bol kaynaklı teknoloji şirketlerine özgü, uzak bir gelecekte kalmış bir kavram değildir. Bu, her büyüklükteki paylaşımlı ulaşım operatörlerinin bugün operasyonel maliyetleri düşürmek, kullanıcı memnuniyetini artırmak ve filo yönetimiyle ilgili daha hızlı ve daha doğru kararlar almak için kullandıkları pratik ve erişilebilir bir araçtır. Yapay zekanın mobilite sektörüne getirdiği temel değişim, sorunların ortaya çıktıktan sonra ele alındığı reaktif operasyonlardan, sorunların yolcuları veya geliri etkilemeden önce öngörülüp önlendiği öngörücü operasyonlara geçiştir. Yapay zeka destekli araçlar kullanılmaya başlanmadan önce, filo yönetimi büyük ölçüde manuel bir disiplindi: Operatörler, araçların nereye yerleştirileceğine, ne zaman bakımlarının yapılacağına ve yolculukların fiyatlandırılacağına karar vermek için deneyim, sezgi ve temel elektronik tablo analizlerine güveniyordu. Bu manuel yaklaşımlar küçük ölçekte oldukça iyi sonuç veriyordu, ancak filolar birkaç yüz araçtan öteye geçip birden fazla bölgeye yayıldıkça işlevini yitiriyordu. Günümüzde makine öğrenimi modelleri, GPS izleyiciler, IoT sensörleri, hava durumu API'leri, etkinlik takvimleri ve geçmiş yolculuk veritabanlarından gelen milyonlarca veri noktasını işleyerek, hiçbir insan analistin aynı hızda veya doğrulukta üretemeyeceği eyleme geçirilebilir öneriler üretebiliyor. Bu araçları erken benimseyen operatörler, filo kullanımı, bakım verimliliği ve yolcu deneyimi alanlarında, geride kalanların kapatması giderek zorlaşacak olan birikimli avantajlar oluşturuyor. Bu makale, mobilite operatörleri için şu anda ölçülebilir sonuçlar sağlayan beş yapay zeka uygulamasını, her birinin sağladığı iyileştirmelere ilişkin spesifik verilerle birlikte inceliyor.
Yolcu Talebini Tahmin Etmek
Talep tahmini, paylaşımlı mobilite filo yönetiminde en acil fayda sağlayan ve en yaygın olarak benimsenen yapay zeka uygulamasıdır; zira bu uygulama, sektördeki en maliyetli verimsizlik sorununu ortadan kaldırır: Kimsenin ihtiyaç duymadığı yerlerde araçlar boşta beklerken, talebin yüksek olduğu bölgelerde potansiyel kullanıcılar boş araç bulamaz. Modern talep tahmin sistemleri, aylar veya yıllar boyunca toplanan geçmiş yolculuk verileriyle eğitilmiş, saatlik hava durumu tahminleri, etkinlik mekanları ve bilet satış platformlarından alınan yerel etkinlik programları, toplu taşıma aksaklık uyarıları, okul ve üniversite akademik takvimleri ve hatta gün boyunca nüfus akışını gösteren anonimleştirilmiş cep telefonu hareket modelleri gibi dış sinyallerle zenginleştirilmiş gradyan destekli karar ağaçları veya tekrarlayan sinir ağları kullanır. Sonuç, yeni veriler geldikçe sürekli güncellenen, önümüzdeki 4 ila 48 saat için beklenen yolculuk talebinin bölge bazında ayrıntılı bir tahminidir. AI destekli talep tahminini kullanan operatörler, operatörün sezgisine veya basit sezgisel kurallara dayanan manuel yerleştirme stratejilerine kıyasla, araç başına günlük yolculuk sayısı olarak ölçülen filo kullanımında yüzde 15 ila 25 oranında iyileşme bildirmektedir. Finansal etki de oldukça büyüktür: günde ortalama üç yolculuk yapılan ve yolculuk başına 3,50 dolar olan 500 scooterlık bir filo için, kullanımda yüzde 20'lik bir iyileşme, aynı sayıda araçtan elde edilen yıllık ek gelirde yaklaşık 383.000 dolarlık bir artışa karşılık gelir. Talep tahmini ayrıca, kullanıcının uygulamayı açtığında yakınında araç bulamadığı ve uygulamanın kaldırılması ile kullanıcı kaybının en güçlü belirleyicilerinden biri olan stok tükenmesi olaylarının sıklığını da azaltır. En gelişmiş uygulamalar, modelin tahminlerinin günlük olarak gerçek sonuçlarla karşılaştırıldığı geri bildirim döngülerini içerir ve algoritma, zaman içinde doğruluğu artırmak için farklı girdi değişkenlerinin ağırlıklarını otomatik olarak ayarlar.
Akıllı Filo Dengelemesi
Akıllı yeniden dengeleme, tahminleri saha ekiplerinin verimli bir şekilde uygulayabileceği optimize edilmiş ve eyleme geçirilebilir yeniden dağıtım planlarına dönüştürerek talep tahminini bir adım öteye taşır. Geleneksel yeniden dengeleme, sabit programlar ve rotalar üzerinden işler: Bir teknisyen, her sabah ve akşam önceden belirlenmiş bir güzergâhı takip ederek, araçları talebin düşük olduğu bölgelerden toplar ve yöneticinin nereye gitmeleri gerektiğine dair en iyi tahminine dayanarak talebin yüksek olduğu bölgelere bırakır. AI destekli yeniden dengeleme, bu tahminlere dayalı yaklaşımı, her bölgedeki gerçek zamanlı araç arzını, önümüzdeki birkaç saat için tahmin edilen talebi, her aracın mevcut pil seviyesini ve tahmini kalan menzilini, alma ve bırakma konumları arasındaki fiziksel mesafeyi ve sürüş süresini, her saha teknisyeninin uygunluğunu ve mevcut konumunu ve beklenen gelir etkisine dayalı farklı yeniden dengeleme eylemlerinin göreceli önceliğini dikkate alan dinamik görev oluşturma ile değiştirir. Sistem, her servis aracının yükleme kapasitesini de hesaba katarak, çalışma saati başına yüksek talep gören konumlara yerleştirilen araç sayısını en üst düzeye çıkaran, her teknisyen için öncelikli bir görev listesi oluşturur. AI destekli yeniden dengelemeyi kullanan operatörler, yeniden dengelemeyle ilgili araç kilometrelerinde yüzde 30 ila 40 oranında azalma olduğunu bildiriyor; bu da yakıt maliyetlerini, servis araçlarındaki aşınmayı ve filo operasyonlarının karbon ayak izini doğrudan azaltıyor. Belki de daha da önemlisi, akıllı yeniden dengeleme, tüm araçları ve bölgeleri eşit şekilde ele almak yerine, en yüksek pil seviyesine sahip araçların tahmin edilen talebin en yüksek olduğu bölgelere yerleştirilmesini sağlayarak her bir yeniden dağıtım eyleminin gelir potansiyelini en üst düzeye çıkarır.
Büyük Ölçekli Kestirimci Bakım
Kestirimci bakım, filo ömrü, güvenlik ve toplam sahip olma maliyeti üzerinde en ölçülebilir etkiyi sağlayan bir yapay zeka uygulamasıdır; ancak takvime dayalı bakım programlarına veya sürücü şikayetleriyle tetiklenen reaktif onarım süreçlerine hâlâ güvenen birçok işletmeci tarafından yeterince değerlendirilmemektedir. Prensip oldukça basittir: Modern paylaşımlı araçlara yerleştirilen IoT sensörleri, şarj ve deşarj döngüleri sırasında akü voltaj eğrileri, farklı yük koşullarında motor akım çekişi, sol ve sağ taraflar arasında frenleme kuvveti tutarlılığı, ivmeölçer okumalarından elde edilen süspansiyon sıkıştırma modelleri ve yatak aşınmasını veya lastik bozulmasını gösterebilecek tekerlek dönüş hızı anormallikleri dahil olmak üzere telemetri verilerini sürekli olarak üretir. Genellikle geçmiş arıza verileriyle eğitilmiş anomali tespit modelleri olan öngörücü bakım algoritmaları, bu telemetri akışlarını analiz ederek, arıza sürücü veya saha teknisyenine fark edilmeden günler hatta haftalar önce bile bileşen arızasının erken uyarı işaretlerini gösteren araçları tespit eder. Operatörler, sabit 30 veya 60 günlük takvime göre planlı denetimler için araçları çekmek yerine, gerçek ölçülen duruma göre bakıma öncelik verebilir ve sınırlı atölye kapasitelerini gerçekten ilgiye ihtiyaç duyan araçlara yönlendirebilir. Sonuçlar birçok ölçüt açısından etkileyicidir: Kestirimci bakım kullanan operatörler, yol kenarında yaşanan arıza oranlarında yüzde 25 ila 40 azalma, ortalama araç hizmet ömründe yüzde 15 ila 20 uzama ve toplam bakım işçilik maliyetlerinde yüzde 10 ila 15 azalma bildirmektedir; çünkü teknisyenler, sağlıklı araçları denetlemek için daha az zaman harcayıp, bakıma ihtiyaç duyan araçlarda hedefli onarımlar yapmak için daha fazla zaman harcamaktadır. Frenler ve direksiyon gibi güvenlik açısından kritik bileşenler için, öngörücü uyarılar standart inceleme protokollerinin ötesinde ek bir koruma katmanı sağlar.
Dinamik Fiyatlandırma Motorları
Yapay zeka algoritmalarıyla desteklenen dinamik fiyatlandırma, her paylaşımlı mobilite operatörünün gün boyunca karşılaştığı temel arz-talep dengeleme sorununa yönelik sofistike bir yaklaşımı temsil etmektedir. Temel mekanizma her iki yönde de işler: belirli bir bölgede yolcu talebi araç arzını aştığında, sistem standart dakika başına ücrete genellikle 1,2 ila 1,8 kat arasında mütevazı bir artış çarpanı uygular. Bu, yoğun dönemlerde ek gelir elde etmek ve fiyata duyarlı bazı yolcuları, standart ücretlerle araçların mevcut olduğu yakındaki bir bölgeye birkaç blok yürümeye teşvik etmek gibi iki amaca hizmet eder. Tersine, yoğun olmayan saatlerde arz fazlası olan bir bölgede araçlar boşta beklediğinde, sistem geçici indirimler, bonus yolculuk kredileri veya indirimli kilit açma ücretleri sunarak, aksi takdirde gerçekleşmeyecek olan talebi canlandırabilir. İyi uygulanan dinamik fiyatlandırma ile araç çağırma hizmetlerinde eleştirilere yol açan agresif dalgalanma fiyatlandırması arasındaki kritik fark, ayarlamaların büyüklüğü ve şeffaflığıdır. Fiyat artış katsayısını 1,5 ile 2,0 arasında sınırlayan ve yolcu yolculuğunu onaylamadan önce ayarlanmış fiyatı açıkça gösteren mobilite operatörleri, anlamlı bir gelir artışı elde ederken yolcu memnuniyetini de tutarlı bir şekilde sürdürür. Tüm filo genelinde dinamik fiyatlandırmanın toplam etkisi, talep eğrilerinin düzleşmesidir; bu da, araçların boşta kalma süresinin azalması ve yolcuların mevcut araca doğru yumuşak bir şekilde yeniden dağıtılması sayesinde, statik fiyatlandırmaya kıyasla toplam günlük yolculuk sayısını yüzde 10 ila 20 artırır. AI destekli fiyatlandırma motorları ayrıca günün saatine göre fiyatlandırma kademeleri, tarihsel olarak talebin düşük olduğu zaman dilimlerinde happy hour promosyonları ve hizmet alanındaki bir stadyum, konser salonu veya kongre merkezinde planlanmış bir etkinlik olduğunda otomatik olarak devreye girecek şekilde yapılandırılabilen etkinlik tabanlı fiyatlandırma ayarlamalarına olanak tanır.
Otonom Gelecek
Daha uzun vadede, yapay zeka ile otonom araç teknolojisi, gelişmiş bilgisayar görme ve uç bilgi işlem teknolojilerinin bir araya gelmesi, dünya çapındaki araştırma laboratuvarlarında ve pilot programlarda şimdiden gözle görülür hale gelen şekillerde filo yönetimini yeniden şekillendirecektir. Kaldırımlarda ve bisiklet şeritlerinde seyrederek gece boyunca kendi kendilerini yeniden dengeleyebilmelerini sağlayan düşük hızlı otonom sürüş özellikleriyle donatılmış, kendi kendine konumunu yeniden belirleyen scooterlar, en az üç büyük araç üreticisi tarafından aktif olarak test edilmektedir; önümüzdeki iki ila dört yıl içinde sınırlı ölçekte ticari uygulamaların başlaması beklenmektedir. Araçlara monte edilen veya şehir kamera altyapısıyla entegre edilen bilgisayar görme sistemleri, doğru park kurallarına uyumu doğrulamak, kaldırımdaki engelleri tespit etmek, çekilmesi gereken hasarlı araçları belirlemek ve hatta yolcuları tehlikelerden uzaklaştırmak için yol yüzeyi koşullarını değerlendirmek amacıyla geliştirilmektedir. Araç IoT donanımına gömülü uç bilgi işlem modülleri, bulut tabanlı işlemenin gecikmesi olmadan düşme algılama, çarpışma önleme uyarıları ve sürücü davranış puanlaması gibi güvenlik uygulamaları için cihaz üzerinde gerçek zamanlı çıkarım yapılmasını sağlamaktadır. Scooter, bisiklet, toplu taşıma ve araç çağırma hizmetleri arasında yolculukları koordine eden ve tüm modlardaki gerçek zamanlı koşullara göre önerileri dinamik olarak ayarlayan çok modlu AI sevk görevlileri, akademik araştırmalardan gelişmiş MaaS platformlarına sahip şehirlerdeki erken ticari pilot uygulamalara geçiyor. Çoğu paylaşımlı mobilite uygulaması için tam araç otonomisi hala birkaç yıl uzak olsa da, operatörlerin bugün talep tahmini, rota optimizasyonu, bakım tahmini ve dinamik fiyatlandırma için kurdukları AI altyapısı, bu yeni nesil yetenekler için temel bir katman görevi görecek. Veri toplama, model eğitimi ve API tabanlı sistem mimarisine şimdi yatırım yapan operatörler, otonom ve yarı otonom teknolojiler ticari olarak uygulanabilir hale gelir gelmez bunları benimsemeye hazır hale geliyorlar.