Штучний інтелект вже не є футуристичною концепцією, доступною лише для фінансово потужних технологічних компаній із спеціалізованими командами з аналізу даних. Це практичний і доступний інструмент, який оператори спільного використання транспортних засобів будь-якого масштабу застосовують сьогодні для зниження операційних витрат, підвищення рівня задоволеності пасажирів та прийняття швидших і точніших рішень щодо управління своїми автопарками. Фундаментальна зміна, яку ШІ привніс у галузь мобільності, — це перехід від реактивних операцій, коли проблеми вирішуються після їх виникнення, до прогнозних операцій, коли проблеми передбачаються та запобігаються до того, як вони вплинуть на пасажирів або дохід. До того, як з’явилися інструменти на базі ШІ, управління автопарком було здебільшого ручною дисципліною: оператори покладалися на досвід, інтуїцію та базовий аналіз електронних таблиць, щоб вирішити, де розміщувати транспортні засоби, коли їх обслуговувати та як встановлювати ціни на поїздки. Ці ручні підходи працювали досить добре в невеликих масштабах, але виявлялися неефективними, коли автопарки зростали понад кілька сотень автомобілів, розкиданих по різних зонах. Сьогодні моделі машинного навчання можуть обробляти мільйони даних із GPS-трекерів, датчиків «IoT», метеорологічних API, календарів подій та баз даних про минулі поїздки, щоб генерувати практичні рекомендації, які жоден людський аналітик не зміг би надати з такою ж швидкістю чи точністю. Оператори, які рано впроваджують ці інструменти, отримують сукупні переваги у використанні автопарку, ефективності технічного обслуговування та якості обслуговування пасажирів, які відстаючим буде дедалі складніше надолужити. У цій статті розглядаються п’ять застосувань штучного інтелекту, які вже зараз дають вимірювані результати для операторів мобільності, з конкретними даними щодо покращень, які забезпечує кожне з них.
Прогнозування попиту на пасажирські перевезення
Прогнозування попиту є найбільш актуальним і широко застосовуваним напрямком використання штучного інтелекту в управлінні автопарками спільного використання, оскільки воно дозволяє усунути найдорожчу проблему неефективності в цій галузі: коли транспортні засоби простоюють у місцях, де в них ніхто не потребує, тоді як потенційні пасажири в районах з високим попитом не можуть знайти вільних автомобілів. Сучасні системи прогнозування попиту використовують градієнтно-підсилені дерева рішень або рекурентні нейронні мережі, навчені на історичних даних про поїздки за місяці або роки, збагачені зовнішніми сигналами, включаючи погодні прогнози на годину, розклади місцевих подій від майданчиків та платформ продажу квитків, сповіщення про перебої в роботі громадського транспорту, навчальні календарі шкіл та університетів, і навіть анонімізовані схеми переміщення мобільних телефонів, що вказують на потоки населення протягом дня. Результатом є детальний прогноз очікуваного попиту на поїздки по зонах на найближчі 4–48 годин, який постійно оновлюється в міру надходження нових даних. Оператори, які використовують прогнозування попиту на основі штучного інтелекту, постійно повідомляють про підвищення коефіцієнта використання парку на 15–25 відсотків, виміряного як кількість поїздок на транспортний засіб на день, порівняно зі стратегіями розміщення, що базуються на інтуїції оператора або простих евристичних правилах. Фінансовий ефект є суттєвим: для парку з 500 скутерів із середньою кількістю трьох поїздок на день за ціною 3,50 долара за поїздку 20-відсоткове покращення використання означає приблизно 383 000 доларів додаткового річного доходу від тієї самої кількості транспортних засобів. Прогнозування попиту також зменшує частоту випадків, коли користувачі стикаються з відсутністю транспортних засобів, коли користувач відкриває додаток і не знаходить транспортних засобів поблизу, що є одним із найсильніших факторів, які впливають на видалення додатка та відтік користувачів. Найбільш досконалі реалізації включають цикли зворотного зв'язку, де прогнози моделі щодня порівнюються з фактичними результатами, а алгоритм автоматично коригує вагу різних вхідних змінних для підвищення точності з часом.
Інтелектуальне перерозподілення автопарку
Інтелектуальне перерозподілення виводить прогнозування попиту на новий рівень, перетворюючи прогнози на оптимізовані та практичні плани перерозподілу, які оперативні команди можуть ефективно реалізовувати. Традиційний перерозподіл здійснюється за фіксованими графіками та маршрутами: технічний спеціаліст щоранку та щовечора проїжджає заздалегідь визначений маршрут, забираючи транспортні засоби з районів з низьким попитом і доставляючи їх у зони з високим попитом на основі припущень менеджера щодо того, куди їх слід відправити. Перерозподіл на основі штучного інтелекту замінює ці припущення динамічним формуванням завдань, яке враховує наявність транспортних засобів у кожній зоні в режимі реального часу, прогнозований попит на найближчі кілька годин, поточний рівень заряду акумулятора кожного транспортного засобу та приблизний залишок пробігу, фізичну відстань і час у дорозі між місцями забирання та доставки, доступність і поточне місцезнаходження кожного технічного спеціаліста на місцях, а також відносну пріоритетність різних дій з перерозподілу на основі очікуваного впливу на дохід. Система формує пріоритетний список завдань для кожного техніка, який максимізує кількість транспортних засобів, розміщених у місцях з високим попитом за годину роботи, з урахуванням вантажопідйомності кожного сервісного фургона. Оператори, які використовують перерозподіл на основі штучного інтелекту, повідомляють про скорочення пробігу транспортних засобів, пов’язаного з перерозподілом, на 30–40 відсотків, що безпосередньо знижує витрати на паливо, зношування сервісних фургонів та вуглецевий слід експлуатації автопарку. Можливо, ще важливіше те, що інтелектуальне перерозподілення забезпечує розміщення автомобілів з найвищим рівнем заряду акумулятора в зонах з найвищим прогнозованим попитом, що максимізує потенціал доходу від кожної дії з перерозподілу, а не розглядає всі автомобілі та зони однаково.
Профілактичне технічне обслуговування у великих масштабах
Профілактичне технічне обслуговування — це сфера застосування штучного інтелекту, яка забезпечує найбільш відчутний вплив на термін експлуатації автопарку, його безпеку та загальну вартість володіння, проте багато операторів досі недостатньо використовують її можливості, продовжуючи покладатися на календарні графіки технічного обслуговування або реагувати на скарги пасажирів. Принцип роботи простий: датчики «IoT», вбудовані в сучасні транспортні засоби спільного користування, безперервно генерують телеметричні дані, включаючи криві напруги акумулятора під час циклів заряджання та розряджання, споживання струму двигуном за різних умов навантаження, рівномірність гальмівної сили зліва та справа, характеристики стиснення підвіски за показаннями акселерометра, а також аномалії швидкості обертання коліс, які можуть вказувати на зношення підшипників або погіршення стану шин. Алгоритми прогнозного технічного обслуговування, як правило, моделі виявлення аномалій, навчені на історичних даних про несправності, аналізують ці потоки телеметричних даних, щоб виявити транспортні засоби, які демонструють ранні ознаки несправності компонентів за кілька днів або навіть тижнів до того, як несправність стане очевидною для пасажира або технічного спеціаліста на місці. Замість того, щоб відкликати транспортні засоби для планових перевірок за фіксованим 30- або 60-денним календарем, оператори можуть визначати пріоритетність технічного обслуговування на основі фактичного виміряного стану, спрямовуючи обмежені потужності своїх майстерень на ті транспортні засоби, які дійсно потребують уваги. Результати є переконливими за багатьма показниками: оператори, які використовують прогнозне технічне обслуговування, повідомляють про зниження частоти поломок на дорозі на 25–40 відсотків, подовження середнього терміну експлуатації транспортних засобів на 15–20 відсотків та зниження загальних витрат на технічне обслуговування на 10–15 відсотків, оскільки технічні спеціалісти витрачають менше часу на перевірку справних транспортних засобів і більше часу на цільовий ремонт тих, що цього потребують. Для компонентів, критичних для безпеки, таких як гальма та рульове управління, попереджувальні сповіщення забезпечують додатковий рівень захисту, що виходить за межі стандартних протоколів огляду.
Механізми динамічного ціноутворення
Динамічне ціноутворення на основі алгоритмів штучного інтелекту є витонченим підходом до вирішення фундаментальної проблеми збалансування попиту та пропозиції, з якою протягом дня стикається кожен оператор сервісів спільного використання транспортних засобів. Основний механізм працює в обох напрямках: коли попит пасажирів перевищує пропозицію транспортних засобів у певній зоні, система застосовує помірний коефіцієнт підвищення ціни, зазвичай від 1,2 до 1,8, до стандартної хвилиної ставки, що має подвійну мету: генерувати додатковий дохід у години пік та заохочувати деяких пасажирів, чутливих до ціни, пройти кілька кварталів до найближчої зони, де транспортні засоби доступні за стандартними тарифами. І навпаки, коли транспортні засоби простоюють у зоні надлишкової пропозиції в години поза піком, система може пропонувати тимчасові знижки, бонусні кредити на поїздки або знижені тарифи за розблокування, щоб стимулювати попит, який інакше не виник би. Ключова відмінність між правильно впровадженим динамічним ціноутворенням та агресивним ціноутворенням під час пікових навантажень, яке викликало критику у сфері виклику автомобілів, полягає у масштабі та прозорості коригувань. Оператори мобільності, які обмежують свій коефіцієнт підвищення цін від 1,5 до 2,0 разів і чітко відображають скориговану ціну до того, як пасажир підтвердить поїздку, послідовно підтримують задоволеність пасажирів, одночасно отримуючи значний приріст доходу. Сукупний ефект динамічного ціноутворення для всього автопарку полягає у згладжуванні кривих попиту, що збільшує загальну кількість щоденних поїздок на 10–20 відсотків порівняно зі статичним ціноутворенням, оскільки автомобілі проводять менше часу в режимі простою, а пасажири плавно перерозподіляються у напрямку доступної пропозиції. Механізми ціноутворення на основі штучного інтелекту також дозволяють застосовувати цінові рівні залежно від часу доби, проводити акції «щасливої години» у періоди історично низького попиту та коригувати ціни залежно від подій, які можна налаштувати так, щоб вони активувалися автоматично, коли на стадіоні, у концертному залі або конференц-центрі в зоні обслуговування заплановано захід.
Автономне майбутнє
Якщо зазирнути в майбутнє, то поєднання штучного інтелекту з технологіями автономних транспортних засобів, передовим комп'ютерним зором та периферійними обчисленнями змінить управління автопарками таким чином, що вже можна спостерігати в дослідницьких лабораторіях та пілотних програмах по всьому світу. Самоповертаючіся скутери, оснащені функціями автономного руху на низькій швидкості, що дозволяють їм пересуватися тротуарами та велодоріжками для повернення на місце стоянки протягом ночі, зараз активно тестуються щонайменше трьома великими виробниками транспортних засобів, а їхнє обмежене комерційне впровадження очікується протягом найближчих двох-чотирьох років. Розробляються системи комп'ютерного зору, встановлені на транспортних засобах або інтегровані з міською інфраструктурою камер, для перевірки дотримання правил паркування, виявлення перешкод на тротуарах, ідентифікації пошкоджених транспортних засобів, які потребують евакуації, і навіть оцінки стану дорожнього покриття для відведення водіїв від небезпек. Модулі периферійних обчислень, вбудовані в апаратне забезпечення для управління транспортними засобами (IoT), забезпечують інференцію на пристрої в режимі реального часу для додатків безпеки, таких як виявлення падінь, попередження про уникнення зіткнень та оцінка поведінки водія без затримок, властивих хмарній обробці. Мультимодальні AI-диспетчери, які координують поїздки на скутерах, велосипедах, громадському транспорті та сервісах виклику автомобілів, динамічно коригуючи рекомендації на основі умов у реальному часі для всіх видів транспорту, переходять від академічних досліджень до ранніх комерційних пілотних проектів у містах з розвиненими платформами MaaS. Хоча до повної автономності транспортних засобів для більшості додатків спільного використання залишається ще кілька років, інфраструктура штучного інтелекту, яку оператори створюють сьогодні для прогнозування попиту, оптимізації маршрутів, прогнозування технічного обслуговування та динамічного ціноутворення, стане важливою основою для цих можливостей наступного покоління. Оператори, які зараз інвестують у збір даних, навчання моделей та архітектуру систем на основі штучного інтелекту (API), готуються до впровадження автономних та напівавтономних технологій, щойно вони стануть комерційно вигідними.