Como o Machine Learning aperfeiçoa o rastreamento de cargas na terra e no mar

Conceitos como a Inteligência Artificial e o Machine Learning ganham cada vez mais atenção nos mais diferentes setores e atividades produtivas. E já permitem aprimorar, também, a visibilidade da cadeia de suprimentos. Suas aplicações práticas no Supply Chain prometem ganhar mais destaque nos próximos anos.

Exemplo é a melhoria que os recursos conferem às geofences – ou cercas geográficas, como são denominadas as tecnologias que, por meio do uso de GPS, Wi-Fi e outras soluções, conseguem delimitar perímetros geográficos virtuais. “Embora possibilitem visibilidade em tempo real e marcos precisos para remessas de cargas de caminhão, as geofences apresentam desafios quando a escala leva em conta milhares de localidades. Isso pode gerar resultados imprecisos que podem encerrar prematuramente o rastreamento, criar falsas informações de chegada e levar a compromissos perdidos e reagendamentos”, comenta Pierre Jacquin, vice-presidente para a América Latina na project44, empresa que atua em soluções de visibilidade em tempo real para transportes.

Segundo o executivo, o Machine Learning é capaz de melhorar esse tipo de geolocalização. A partir da análise de padrões e outros Dados gerados no transporte, é possível gerar cercas geográficas menores com base em sinalizações (“pings”) reais e Dados históricos, levando em conta Dados sobre, por exemplo, como o caminhão de um cliente normalmente se move.

No caso de cargas marítimas, a project44 desenhou cercas geográficas de atracação ao redor de todos os principais portos e terminais oceânicos em todo o globo. “Combinamos isso com Dados de rastreamento por satélite, o que garante visibilidade completa nos marcos marítimos. Assim que uma embarcação entra na geofence, podemos detectar a presença. Se ela sair da geofence, podemos detectar o marco de partida. E, em média, isso é cerca de quatro vezes mais rápido do que esperar que um evento seja relatado pela operadora”, explica Jacquin.

ETAs mais precisos
Confiar nos ETAs (tempo estimado de chegada, na sigla em inglês) calculados por métodos de rastreio e previsão tradicionais também pode ser arriscado. Embora o tempo de viagem de uma remessa seja razoavelmente previsível, é muito mais difícil calcular aspectos como o tempo de permanência em depósitos e o comportamento que a atividade humana, como o trabalho nas estradas, pode demandar.

Para melhorar essa ferramenta, a project44 também desenvolveu um cálculo de ETA para cargas de caminhão baseado em Machine Learning. Esse ETA é produzido por um modelo de aprendizado de máquina treinado a partir de bilhões de pontos de dados em dezenas de milhões de cargas. “Os modelos levam todos os tipos de fatores em consideração, incluindo o comportamento do motorista, sazonalidade e características do caminhão e da carga para fornecer melhores insights para os embarcadores”, afirma Jacquin. É possível detectar com precisão cargas atrasadas e a ferramenta consegue reduzir erros em mais de 60%.

No caso dos ETAs marítimos, o algoritmo também é constantemente ajustado e otimizado a partir de onde o contêiner está na jornada. “O cenário do transporte de contêineres mudou rapidamente nos últimos três anos. O Machine Learning oferece Dados muito mais detalhados. Por exemplo, você pode receber um aviso não apenas quando um navio chega a uma parada, mas também quando o contêiner é descarregado. Os ETAs que criamos para embarques marítimos, com aplicação de Machine Learning, levam em conta os horários de navegação, os ETAs dos navios, o congestionamento do porto e os atributos do navio e do próprio contêiner, entre outros Dados”, ilustra o executivo.

A project44 tem apresentado webinars gratuitos sobre esses e outros temas com alguns de seus principais especialistas em tecnologia e logística.