ИИ в логистике и на транспорте Маршрут, склад, документы
Транспортные документы, которые заносятся сами, и сроки доставки, которые считаются по вашей истории, а не по нормативу из справочника.
Частые проблемы
Не «недостаточная цифровизация», а процессы, которые называют на первой же встрече.
- Документы вводят руками
- ТТН, накладные, счета и акты приходят сканами и фотографиями разного качества. Оператор перепечатывает их в систему, и каждая опечатка всплывает при сверке с контрагентом.
- Срок доставки называют по нормативу
- Клиенту обещают срок из справочника, а не расчет по реальной истории этого направления. Обещание не выполняется, клиент звонит, и претензию разбирает человек.
- Маршрут строит диспетчер по опыту
- Порядок объезда, окна доставки и загрузка машин держатся на конкретных людях. При росте числа точек качество плана падает, а проверить его нечем.
- О поломке узнают в рейсе
- Телематика пишет данные, но смотрят в них после того, как машина встала. Срыв рейса стоит дороже, чем плановый ремонт, но плановым он не становится.
- Повреждения оспариваются словами
- Груз пришел битым — виноват склад, перевозчик или получатель. Фотофиксация есть, но она не структурирована, и разбор превращается в переписку на неделю.
Где ИИ дает эффект
Сценарии, которые в этой отрасли дают измеримый эффект. Каждый ведет на страницу направления с деталями.
Распознавание транспортных документов
ТТН, накладные, счета и акты распознаются потоком и раскладываются по полям в учетную систему. Оператор проверяет спорное, а не набирает все. Похожий конвейер мы построили для оценки дипломов: обработка сократилась с двух-трех дней до пятнадцати минут при снижении ошибок на 90%.
OCR и обработка документовПрогноз срока доставки
Модель считает срок по вашей истории направления с учетом сезона, дня недели, перевозчика и загрузки, а не по нормативу. Клиенту называется срок, который выполняется, — это дешевле, чем разбирать претензии.
ML-модели и аналитикаПланирование маршрутов и загрузки
Порядок объезда с учетом окон доставки, вместимости и ограничений по въезду. Диспетчер получает готовый план и правит исключения вместо того, чтобы собирать маршрут с нуля.
ML-модели и аналитикаПредиктивное обслуживание парка
Данные телематики и истории ремонтов превращаются в предупреждение о выходе узла за норму до того, как машина встанет в рейсе. Ремонт планируется в окно.
ML-модели и аналитикаФиксация состояния груза по фото
Снимки при приемке и отгрузке автоматически сравниваются и размечаются: повреждение упаковки, нарушение пломбы, несоответствие количества. Спор решается снимком с меткой времени, а не перепиской.
Компьютерное зрениеРаспознавание номеров и контроль на площадке
Въезд и выезд фиксируются по номеру, время на территории считается автоматически. Простой перестает быть предметом устных договоренностей.
Компьютерное зрениеАссистент по регламентам перевозки
Ответы по правилам перевозки опасных грузов, таможенным требованиям и внутренним инструкциям со ссылкой на пункт документа. Быстрее, чем искать в подшивке, и проверяемо.
RAG-системыОбработка обращений и статусов
«Где груз?», «когда будет?», «почему задержка?» — ассистент отвечает данными из системы, а не общими фразами, и передает оператору все, что выходит за рамки.
ИИ-чат-ботыОтчетность по перевозкам вопросом на русском
«Средний срок доставки по югу за квартал в разрезе перевозчиков» — сразу, без заявки в аналитику. Такой инструмент мы делали в строительстве: нагрузка на ИТ упала на 70%.
Внедрение LLMЕсть ли у нас проект в этой отрасли?
Публичного кейса в логистике у нас пока нет, и мы не станем выдавать за него смежный проект. При этом ключевые задачи отрасли решены в других отраслях: конвейер распознавания документов потоком построен в проекте оценки дипломов, отчетность на естественном языке — в строительстве, контроль по изображению — на производственной линии, а сопоставление номенклатур — в металлургии. Это тот же инструментарий на другой предметной области. На диагностике покажем разборы и скажем, что переносится напрямую, а что нужно проверять.
Чем эта отрасль отличается
То, что меняет архитектуру решения и смету, — а не только формулировки в презентации.
Документы приходят в плохом виде
Фотография мятой накладной с телефона в кабине — норма, а не исключение. Качество распознавания надо мерить на таких сканах, а не на чистых PDF, иначе цифры пилота не повторятся в жизни.
Один документ — десятки форм
У каждого контрагента свой бланк. Жесткие шаблоны здесь ломаются на первом же новом поставщике, поэтому поля извлекаются по смыслу, а не по координатам на странице.
Данные телематики шумные и с пропусками
Связь пропадает, датчики врут, часть машин старше системы мониторинга. Значительная часть проекта — это очистка и восстановление рядов, а не обучение модели.
Внешние факторы не в ваших данных
Погода, ремонты дорог, очереди на границе влияют на срок сильнее внутренних процессов. Их надо либо подключать источниками, либо честно закладывать в интервал прогноза.
Считать нужно на месте
Видеоаналитика на площадке и в кабине не терпит выгрузки потока в облако: канала нет, а трафик стоит денег. Модели оптимизируются под edge-устройства.
Ответственность за ошибку внешняя
Неверно распознанная сумма в накладной — это спор с контрагентом, а не внутренняя правка. Поэтому пороги уверенности ставятся жестко, а спорное всегда уходит человеку.
С чего начинаем
Начинаем с потока документов — это самая измеримая задача. Берем вашу реальную выборку сканов за месяц, включая плохие, и за две недели показываем долю полей, которые извлекаются без участия человека. Дальше считаем, сколько времени операторов это высвобождает, и решаем, идти ли в пилот.
Частые вопросы Короткие ответы
Работает, но точность надо мерить именно на таких снимках. На диагностике мы просим не отобранные образцы, а обычную выборку за месяц — с бликами, мятой бумагой и снимками под углом. Цифра, полученная на чистых сканах, в эксплуатации не повторится, и мы предпочитаем узнать это до пилота.
Нет. Поля извлекаются по смыслу и контексту, а не по координатам на бланке, поэтому новая форма не требует отдельной настройки. Отдельного внимания заслуживают только принципиально другие типы документов — например, таможенные.
Они не уходят в систему автоматически. Мы задаем порог уверенности, ниже которого поле подсвечивается оператору. Обычно это небольшая доля полей, и именно на них уходит проверка — вместо сплошного ввода.
Ровно настолько, насколько его проверили. Мы обучаем модель на истории до определенной даты и сравниваем прогноз с фактом на периоде, которого она не видела. Получается честная цифра ошибки в часах, и уже по ней вы решаете, называть ли этот срок клиенту.
Для этих машин — да, по данным датчиков. Но остается история ремонтов, пробегов и заявок, и на ней тоже строится полезная модель — грубее, но лучше, чем ничего. Оценим на диагностике, что дает имеющийся набор данных.
Где скажете. Возможен полностью закрытый контур на вашем железе — тогда наружу не уходит ни один документ. Это дороже облачного варианта, и разницу в стоимости владения мы считаем на диагностике, чтобы решение принималось с цифрами.
Начнем с одного участка
Расскажите, какой процесс болит сильнее всего в логистике. Вернемся с планом прототипа на ваших данных, сроком и вилкой — и скажем, если задача решается без ИИ.