Optimierung von Fahrten
Modelle des maschinellen Lernens planen Routen und die Zuteilung der Fahrzeuge. Ein Beispiel dafür, dass unser Wissen über das Bild hinausgeht, hin zur Optimierung von Prozessen.
Nutzen für das Geschäft
_Sie stehen kurz davor
Lilli Trans Sp. z o.o., ein Taxiunternehmen mit einem Monatsvolumen von fast einer Million Kilometern, wollte die Routenplanung verbessern. Das schnelle Tagesgeschäft und die vielen Bedingungen, etwa die Zahl der Fahrgäste, wechselnde Zeitfenster oder die maximale Arbeitszeit der Fahrer, führten dazu, dass die Entscheidungen der Disponenten oft nicht optimal waren. Ziel war ein Algorithmus mit künstlicher Intelligenz, der die gefahrenen Kilometer senkt und die Fahrgäste trotzdem zuverlässig ans Ziel bringt.
_Sie machen den Schritt
Unser Algorithmus wertet den Bedarf an Fahrten und die Rahmenbedingungen in Echtzeit aus, etwa die Zahl der Fahrgäste oder die Zeitfenster. Daraus entstehen Vorschläge für bessere Routen, über die am Ende die Disponenten entscheiden. Der Algorithmus berücksichtigt die maximale Arbeitszeit der Fahrer und hält damit die Vorschriften ein. Die Lösung ist in das interne System des Kunden eingebunden, und die dabei gesammelten Daten werden archiviert, sodass sich das Modell mit der Zeit weiter verbessern lässt.
_Sie haben den Schritt gemacht
Mit dem Algorithmus von Edge AI hat Lilli Trans Sp. z o.o. die gefahrenen Kilometer reduziert und spart monatlich einen fünfstelligen Złoty Betrag. Das System erhöht die Effizienz und entlastet die Disponenten bei der Planung, sodass sie sich auf die Steuerung der Fahrten konzentrieren können. Die Flotte wird besser ausgelastet, was die Position des Unternehmens im Markt stärkt.
Kürzere Routen
Bessere Auslastung der Flotte
_Routenkarte
Optimaler Plan
_Bedarfsprognose
Vorhersagemodell
_Zuteilung der Flotte
Optimierung in Echtzeit
