每个驾驶员每天少开一英里就可以每年节省高达5000万美元,这让UPS有充分的动力把技术整合到各个业务领域,以提高效率。根据UPS首席技术官Juan Perez的说法,“在UPS,业务推动着技术的发展。”下面就让我们来看看UPS是如何使用大数据和人工智能(AI)为第四次工业革命做好准备的。
技术助力UPS全球运营
UPS公司成立于1907年,具有拥抱变化、随着新技术涌现而进行变革的悠久历史。使用大数据和人工智能,让这家公司能够成功在全球超过220个国家和地区运营其全球物流网络。平均每天道路上有96000个UPS车辆,在处理多达1900万个包裹。UPS每年在技术上投资近10亿美元,用于提高效率、改善客户服务、支持日益增长的消费者需求,以尽可能接近实时地交付包裹。
UPS Bot聊天机器人
UPS自主开发了聊天机器人“UPS Bot”,并且在这一创意诞生的3个月后就投入使用了。这个以AI为动力的工具模仿人类进行交谈,可以响应客户诸如“最近的UPS是在哪里?”等问题,可以跟踪包裹并发送运费。客户可以通过移动设备、社交媒体渠道、Alexa和Google智能助理等虚拟助手,以文本或语音命令的方式向机器人提问。UPS Bot能够识别这些请求,然后采取适当的步骤来完成请求。机器人的“对话”越多,将来采取适当行动的经验也就越多。
UPS My Choice提醒系统
在高峰期间,UPS发出了超过1.37亿条的UPS My Choice提醒——这个免费系统让客户决定“如何、何地以及什么时候送货上门”。UPS My Choice系统集成了聊天机器人,因此客户能够获取有关收到的包裹和货件的信息,而无需提供追踪号码。
ORION优化送货路线
UPS用于管理车队系统的另一个专有工具是ORION(On-road Integrated Optimization and Navigation,道路集成优化和导航)。ORION先进的算法可根据客户、司机和车辆提供的数据为送货司机提供最佳路线,可以根据不断变化的天气情况或事故随时改变路线。最终,ORION会查看仍需完成交付的货物,并继续优化路线。基于这种优化所实现的降低成本、减少时间、降低减排量都是非常显著的——UPS预计送货里程可以减少1亿英里。
EDGE优化内部操作
ORION做的是优化送货路线,而EDGE(Enhanced Dynamic Global Execution)做的是为UPS内部运营提供帮助。通过实时数据获知的技术可帮助员工做出决策,降低成本(预计2020年完全部署后节省数亿美元),优化运营并使UPS物流网络更加智能化。
NPT网络规划工具
NPT(Network Planning Tools,网络规划工具)的目标是优化包裹在UPS网络中的流动,包括从装载码头到分拣再到最终目的地(仅在美国就有约6000万包裹)。NPT在实时数据、人工智能和分析的推动下,帮助UPS员工做出决策并提高效率。预计到2020年NPT将得到全面部署,UPS希望通过该系统实现1-2亿美元的成本节约。
自动送货和无人机
UPS高管坚称,UPS的司机们是公司成功和公司面貌的核心要素,但他们已经测试了无人机送货在一些场景中的使用,包括在卢旺达投下基本耗材,以及展示如何将药物送到某岛屿。在农村地区,无人机有开阔的空间可以从空中送货,而且不同停靠点之间的距离对驾驶员高效工作也是不小的挑战,从UPS卡车顶部发射的无人机为减少成本和改善服务提供了坚实的解决方案。无人机也可以部署在UPS分拣设施和仓库中,以便在高架或偏远地区运送货物。
UPS使用的技术会生成数据缓存,从而为提高效率、改善客户体验、创新交付解决方案等提供更多机会。从优化UPS网络到改善运营,大数据和人工智能可以说是UPS业务表现的核心。
好文章,需要你的鼓励
还在为渲染一个3D模型等上几小时吗?还在纠结移动办公就得牺牲性能吗?当AI遇上专业工作站,传统设计流程的游戏规则正在被改写。
伊斯法罕大学研究团队通过分析Google Play商店21款AI教育应用的用户评论,发现作业辅导类应用获得超80%正面评价,而语言学习和管理系统类应用表现较差。用户赞赏AI工具的快速响应和个性化指导,但抱怨收费过高、准确性不稳定等问题。研究建议开发者关注自适应个性化,政策制定者建立相关规范,未来发展方向为混合AI-人类模型。
据报道,OpenAI正与亚马逊洽谈至少100亿美元的融资。亚马逊此前已是Anthropic的最大投资者,并为其建设了110亿美元的数据中心园区。若融资达成,OpenAI将采用AWS的Trainium系列AI芯片。Trainium3采用三纳米工艺,配备八核心和32MB SRAM内存。AWS可将数千台服务器连接成拥有百万芯片的集群。报道未透露具体估值,但OpenAI最近一次二次出售估值已达5000亿美元。
这项由伊利诺伊大学香槟分校等四所院校联合完成的研究,提出了名为DaSH的层次化数据选择方法。该方法突破了传统数据选择只关注单个样本的局限,通过建模数据的天然层次结构,实现了更智能高效的数据集选择。在两个公开基准测试中,DaSH相比现有方法提升了高达26.2%的准确率,同时大幅减少了所需的探索步数。