বেশিরভাগ শিপার, ক্যারিয়ার এবং লজিস্টিক পরিষেবা প্রদানকারীরা ডেটা সংগ্রহ এবং ডেটা-চালিত সিদ্ধান্ত গ্রহণের গুরুত্ব বোঝেন। সময়ের সাথে সংগৃহীত ডেটা বুদ্ধিমত্তা প্রদান করে, কোম্পানিগুলিকে দীর্ঘমেয়াদী সিদ্ধান্ত গ্রহণকে উন্নত করতে সক্ষম করে। এদিকে, রিয়েল-টাইম ডেটা স্মার্ট স্প্লিট-সেকেন্ড সিদ্ধান্ত নিতে ব্যবহার করা যেতে পারে - যেমন সমস্যা দেখা দিলে কীভাবে সংশোধন করা যায় বা পুনরায় পরিকল্পনা করা যায়।
কৃত্রিম বুদ্ধিমত্তা একটি শক্তিশালী হাতিয়ার যা কোম্পানিগুলিকে তাদের ডেটা থেকে সর্বাধিক পেতে সাহায্য করে৷ এটি বিভিন্ন রূপ নেয়। "পরিসংখ্যানগত AI" ব্যবহারকারীদের লুকানো নিদর্শন খুঁজে পেতে এবং স্মার্ট সিদ্ধান্ত নিতে বিপুল পরিমাণ তথ্য বিশ্লেষণ করতে সক্ষম করে। ইতিমধ্যে, কোম্পানিগুলি "প্রতীকী AI" মডেলগুলি প্রোগ্রাম করার জন্য অতীতের ডেটা ব্যবহার করতে পারে, যা প্রক্রিয়া অপ্টিমাইজেশনের মতো "উদ্দেশ্য-সন্ধানী" অ্যাপ্লিকেশনগুলির জন্য ব্যবহার করা যেতে পারে। জোনাহ ম্যাকিন্টিয়ার (ছবিতে), প্রধান নেটওয়ার্ক অফিসারট্রান্সপোরিওন, একটি Trimble কোম্পানি, আরও অন্বেষণ.
অটোমেশন বনাম এআই - পার্থক্য বোঝা
অটোমেশন এবং এআই প্রায়ই একই শ্বাসে কথা বলা হয়, যেন তারা সমার্থক। যাইহোক, যদিও তারা একে অপরের সাথে সংযুক্ত, উভয়ের মধ্যে একটি গুরুত্বপূর্ণ পার্থক্য রয়েছে। অটোমেশনে সফ্টওয়্যারকে জাগতিক, প্রায়শই প্রশাসনিক, কাজ অর্পণ করা জড়িত। এটা কেরানি। অন্যদিকে, সত্যিকারের AI-তে সিদ্ধান্ত নেওয়ার ক্ষমতা হস্তান্তর করা জড়িত। সফ্টওয়্যার সেট পরামিতি দেওয়া হয়, কিন্তু এটি অপ্রত্যাশিত সিদ্ধান্ত আঁকতে তাদের ব্যবহার করবে। ব্যবহারকারীরা এআইকে বিভিন্ন মাত্রার স্বাধীনতা দিতে পারে। একটি আরও সতর্ক পদ্ধতি হল সফ্টওয়্যারকে বিকল্পগুলি গণনা করার অনুমতি দেওয়া এবং একজন মানুষের অনুমোদনের জন্য সুপারিশ করা। যাইহোক, এটির পক্ষে সিদ্ধান্তে পৌঁছানো এবং স্বায়ত্তশাসিত সিদ্ধান্ত নেওয়াও সম্ভব, এমনকি একজন মানুষকে না জানিয়েও।
সুতরাং, লজিস্টিক পরিবহনে এআই কোথায় সবচেয়ে বেশি প্রভাব ফেলতে পারে? সংক্ষিপ্ত উত্তর হল 'সর্বত্র'। প্রকৃতপক্ষে, এগিয়ে-চিন্তাকারী শিপার, ক্যারিয়ার এবং লজিস্টিক পরিষেবা প্রদানকারীরা ইতিমধ্যেই তাদের প্রযুক্তিগত স্ট্যাকগুলিতে AI-কে একীভূত করছে।
মনে রাখা কয়েক বিবেচনা আছে. কংক্রিট আর্থিক মূল্যবোধের সিদ্ধান্তের জন্য AI সবচেয়ে ভাল ব্যবহার করা হয় যা স্কোর করা সহজ এবং আলাদা, সুপরিচিত ভেরিয়েবল রয়েছে। দ্রুত সিদ্ধান্ত নেওয়ার চক্রও গুরুত্বপূর্ণ। মানুষের মতো, AI পরীক্ষা থেকে শেখে। সুতরাং, যদি শুধুমাত্র বার্ষিক সিদ্ধান্ত নেওয়া হয়, তবে প্রতিক্রিয়া পাওয়ার জন্য সফ্টওয়্যারটির যথেষ্ট ডেটা সংগ্রহ করতে কয়েক দশক সময় লাগবে। বাস্তবসম্মতভাবে, আপনি এআই মডেলগুলি প্রতিদিন হাজার হাজার সিদ্ধান্তের বিশ্লেষণ করতে চান। আদর্শভাবে, খেলোয়াড়রা শুধুমাত্র তাদের নিজস্ব ডেটা দিয়ে প্রশিক্ষিত মডেলগুলি ব্যবহার করবে না, কিন্তু সমগ্র শিল্প থেকে সংগৃহীত ডেটা দিয়ে। এই সহযোগিতামূলক ("প্ল্যাটফর্ম" নামেও পরিচিত) পদ্ধতি প্রত্যেককে এগিয়ে যেতে সক্ষম করে।
সুতরাং, কীভাবে AI রূপান্তরিত করতে পারে কীভাবে সংস্থাগুলি স্বায়ত্তশাসিত সংগ্রহ, রিয়েল-টাইম ইটিএ সরঞ্জাম এবং ডিকার্বোনাইজেশনের মাধ্যমে তাদের ডেটা ব্যবহার করে?
রিয়েল-টাইম ETA টুল
শিপার এবং ক্যারিয়ারের মধ্যে সংযোগ বিচ্ছিন্ন করা লজিস্টিক পরিবহন শিল্পে দীর্ঘদিন ধরে একটি চ্যালেঞ্জ হয়ে দাঁড়িয়েছে। দৃশ্যমানতা, স্বচ্ছতা এবং দক্ষতা বাড়াতে, আমাদের লোড রিসিভার এবং লোড প্রদানকারীদের সংযোগ করতে হবে। উদাহরণস্বরূপ, লোডের জন্য আগমনের সময় ভবিষ্যদ্বাণী করা ঐতিহ্যগতভাবে উভয়ের জন্য একটি বেদনা বিন্দু হয়েছেশিপারএবং বাহক। বিলম্বের সাধারণ কারণগুলি - যেমন ধর্মঘট, ট্রাফিক জ্যাম এবং যান্ত্রিক অসুবিধাগুলি - মানুষের চোখে সম্পূর্ণরূপে এলোমেলো বলে মনে হতে পারে। কিন্তু যখন একটি AI মডেল বছরের পর বছর ধরে এই ডেটার মূল্য বিশ্লেষণ করে, তখন লুকানো নিদর্শনগুলো উঠে আসে। সাধারণত - যদি পরিস্থিতি সত্যিই অভূতপূর্ব না হয় - AI ইটিএগুলির পূর্বাভাস দেওয়ার ক্ষেত্রে অনেক ভাল এবং একটি AI-সহায়তা রিয়েল-টাইম ETA টুলের সাহায্যে, কোম্পানিগুলি নিশ্চিত করতে পারে যে তারা যখনই পৌঁছাবে তখনই তারা লোড পাওয়ার জন্য প্রস্তুত।
স্বয়ংক্রিয় সংগ্রহ এবং উদ্ধৃতি
সিম্বলিক এআই-এর জন্য স্পট কেনা একটি নিখুঁত ব্যবহারের ক্ষেত্রে, কারণ কোম্পানিগুলির একটি সেট বাজেট এবং লিড টাইম এবং ক্যারিয়ারের ধরন সম্পর্কে স্পষ্ট সীমাবদ্ধতা রয়েছে। এর বাইরে, আলোচনার কাঠামো তুলনামূলকভাবে সহজ - অংশগ্রহণকারীরা একটি অফার দিতে পারে, একটি প্রতিক্রিয়ার জন্য অপেক্ষা করতে পারে, একটি পাল্টা প্রস্তাব করতে পারে, একটি প্রস্তাব গ্রহণ করতে পারে বা একটি আলোচনা শেষ করতে পারে৷ এটি সফ্টওয়্যারের পক্ষে স্বাধীনভাবে তার লক্ষ্যগুলি অনুসরণ করা সহজ করে তোলে, হাজার হাজার ম্যানুয়াল প্রশাসনিক ঘন্টা বাঁচিয়ে৷
এই মাত্র একটি উদাহরণ. প্রকিউরমেন্ট স্পেসে, পরিসংখ্যানগত AI মূল্য নির্ধারণের জন্য প্রচুর পরিমাণে ডেটা ব্যবহার করে টেন্ডারিংকেও বিপ্লব করতে পারে। উদাহরণ স্বরূপ, লোড টেন্ডারে বাহককে বিড করতে বলার পরিবর্তে, AI নির্দিষ্ট সংখ্যক ক্যারিয়ারের কাছে উক্ত দরপত্র - এবং একটি মূল্যের অফার - উপস্থাপন করতে পারে। যদি কোনো ক্যারিয়ার প্রস্তাবিত মূল্যে টেন্ডার করা লোড গ্রহণ না করে, তাহলে AI প্রয়োজন অনুযায়ী অতিরিক্ত টেন্ডারিং রাউন্ড শুরু করতে পারে।
লজিস্টিক পরিষেবার বিক্রেতাদের জন্যও AI একটি রূপান্তরমূলক প্রভাব ফেলতে পারে, যা তাদের স্বয়ংক্রিয়ভাবে গ্রাহকদের পূর্বাভাসিত বাজার হারের উপর ভিত্তি করে স্পট পরিবহনের জন্য তাত্ক্ষণিক, সঠিক মূল্যের সাথে পরিষেবা দিতে সক্ষম করে। এই ক্ষমতার সাথে, লোড গ্রহণকারীরা তাদের জন্য উদ্ধৃত সুযোগের পরিমাণ বাড়াতে পারে এবং শেষ পর্যন্ত আরও নতুন ব্যবসা জয় করতে পারে।
ডিকার্বোনাইজেশন
লজিস্টিক পরিবহন খাত তার কার্বন নিঃসরণ কমানোর জন্য চাপের মধ্যে রয়েছে। শেষ-ব্যবহারকারী গ্রাহকরা ডিকার্বনাইজ করার জন্য শিপারদের দিকে ঝুঁকছেন। এদিকে, শিপাররা তাদের স্থায়িত্বের অনুশীলনের উপর ভিত্তি করে তাদের সাথে চুক্তি করে, পরিবেশগতভাবে দায়ী বাহকদের দীর্ঘ মালবাহী চুক্তি প্রদান করে এবং এমনকি কম কার্বন পরিবহনের জন্য প্রিমিয়াম প্রদান করে তাদের উপর একই চাপ সৃষ্টি করছে।
স্থায়িত্ব এখন নীচের লাইনকে প্রভাবিত করে, এতে অবাক হওয়ার কিছু নেই যে ডিকার্বোনাইজেশন শিপার এবং ক্যারিয়ার উভয়ের জন্যই এজেন্ডার শীর্ষে উঠছে। সুতরাং, কীভাবে এআই এই সমস্ত কিছুতে সহায়তা করতে পারে? প্রথম যে বিষয়টির উপর জোর দেওয়া যায় তা হল – সংগ্রহের বিপরীতে – স্থায়িত্বের ক্ষেত্রে প্রায়শই কোনও একক 'সঠিক' উত্তর থাকে না। কোম্পানিগুলির সর্বোত্তম কৌশল সম্পর্কে ভিন্ন ধারণা থাকতে পারে, সাবধানে 'খরচ বনাম নির্গমন' বা 'নিশ্চিততা বনাম নির্গমন' এর মধ্যে ভারসাম্য বজায় রাখা। যাইহোক, একবার শিপার, ক্যারিয়ার এবং লজিস্টিক পরিষেবা প্রদানকারীরা তাদের ঝুঁকির ক্ষুধার বিষয়ে সিদ্ধান্ত নিলে, AI তাদের লক্ষ্যে লেগে থাকতে সাহায্য করার জন্য একটি গুরুত্বপূর্ণ ভূমিকা পালন করতে পারে।
কোম্পানিগুলি সাধারণত দুটি মানসিকতার একটি গ্রহণ করে। প্রথমটি হল একটি ক্যাপ-এন্ড-ট্রেড কৌশল, যেখানে কোম্পানি সিদ্ধান্ত নেয় যে এটি X এর বেশি নির্গমন সহ্য করবে না। দ্বিতীয়টি একটি কার্বন ট্যাক্স, যেখানে একটি কোম্পানি তার নির্গমন অফসেট করার সিদ্ধান্ত নেয়। এই উভয় কৌশলের জন্য, শিপার এবং ক্যারিয়ারগুলি ক্রয় ইভেন্টগুলিতে 'প্রতি টন নির্গমনের মূল্য' ফ্যাক্টর করতে পারে। পরিসংখ্যানগত AI হতে পারে একটি সহায়ক সিদ্ধান্ত নেওয়ার হাতিয়ার। উদাহরণস্বরূপ, প্রতিটি চালানের জন্য পরিবহনের কোন মোড ব্যবহার করা উচিত তা নির্ধারণ করার সময়।
লজিস্টিক পরিবহনে AI এর ভবিষ্যত সহযোগিতামূলক
লজিস্টিক ট্রান্সপোর্টেশনে AI ব্যবহারে আমরা একটি গুরুত্বপূর্ণ ইনফ্লেকশন পয়েন্টে আছি। এটি প্রশাসনিক কাজ কমাতে এবং কোম্পানিগুলিকে আরও দক্ষ এবং টেকসই হতে সাহায্য করার জন্য প্রস্তুত। তবে এটি অর্জন করা নির্ভর করে কার্যকর তথ্য সংগ্রহ এবং ভাগ করে নেওয়ার উপর। এখানেই শিল্প খেলোয়াড়দের মধ্যে সহযোগিতা আসে। প্রত্যেকের জন্য ইতিবাচক ফলাফল সর্বাধিক করতে, শিপার, ক্যারিয়ার এবং লজিস্টিক পরিষেবা প্রদানকারীদের AI মডেলগুলিকে ফিড করার জন্য ডেটা ভাগ করার জন্য সহযোগিতামূলক ডিজিটাল প্ল্যাটফর্মের প্রয়োজন। এই পদ্ধতির সাথে সামনের দিকে তাকিয়ে, আমরা শিল্পের ডিজিটালাইজেশন এবং ডিকার্বনাইজেশন লক্ষ্যে পৌঁছানোর দিকে আমাদের অগ্রগতি উল্লেখযোগ্যভাবে ত্বরান্বিত করতে পারি।
