A gépi tanulást egy számítógépes technikának tekinthetjük, amely jelenleg gyors fejlődésen megy keresztül.

A legtöbb esetben ezalatt a rendszer „agyát értik”, amire a köznyelv gyakran a mesterséges intelligencia forradalmaként hivatkozik.  

A Dachser kiemelt figyelmet fordít a kutatás-fejlesztési tevékenységre. A mesterséges intelligencia egyre inkább teret hódít a logisztikában is, így nem mehetünk el szó nélkül a szektorra tett hatásai mellett.

Akárcsak számos más felkapott technológia, úgy a mesterséges intelligencia sem arról szól, hogy megoldja a problémáinkat és mindent megváltoztasson. Ez az oka annak, hogy a legtöbb meglévő logisztikában használatos IT rendszer nem lesz gépi tanulással, vagyis mesterséges intelligenciával helyettesítve. Azonban ez a technológia olyan problémák megoldására nyújt lehetőséget, amelyekre a hagyományos programozási logika eddig nem tudott alternatívát kínálni. Ilyen funkciók például a kép-, szöveg- és beszédfelismerés vagy a komplex adatmennyiségek értelmezése, illetve az előrejelző elemzések elkészítése. Mindennek jó néhány érdekes hatása van a logisztikára nézve: például a mennyiség és az ár alakulásának előrejelzése, csomagok osztályozása képek használatával, a strukturálatlan bemeneti adatok értelmezése és automatikus további feldolgozása (például e-mail vizsgálatok), valamint az önműködő járművek és gépek változó munkakörnyezetben történő üzemeltetése.

Felkészülés minden eshetőségre

Amikor a tipikus feltételes utasítás szerinti programozási technikát alkalmazzuk ezekben az esetekben, elengedhetetlen, hogy minden lehetőséget sorra vegyünk és kódsorokká alakítsuk őket. Habár ez nem minden esetben lehetséges az adatok mennyisége és összetettsége miatt. A gépi tanulás azonban más megközelítést alkalmaz: egy algoritmus automatikusan fejleszti magát a korábbi bemeneti adatok alapján. Ez a folyamat, más néven tanulási szakasz, sikeresnek mondható, mivel az algoritmus képes kiszámítani a kimeneti adatokhoz hasonló, de ismeretlen bemeneti adatokat. Az algoritmus önfejlesztése során önállóan találta meg a szabályszerűséget az adatok értelmezésében.

Az emberi elme képes az elvonatkoztatásra

A gépi tanulás a hagyományos matematikai technikák teljes sorozatára vonatkozik, úgymint a döntési fák vagy a K-középpontú klaszterelemzés. Egy másik megközelítés magába foglalja a mesterséges ideghálózatokat is (ANN), amelyek megvalósítják az emberi agy bizonyos típusú elvonatkoztatási modelljét, amely az emberi tanulási viselkedésen alapszik. Számos fejlesztő jelenleg is a deep learning algoritmusában bízik – azaz a nagyszámú neuronrétegekkel rendelkező mesterséges ideghálózatok használatában – az összetettségek kezelése érdekében. Különösen ebben az esetben próbálnak ki különböző módszereket és eszközöket.

A gépi tanulás egy ígéretes technológia és a kezdeti alkalmazásai biztató jeleket mutatnak. Ugyanakkor még mindig a fejlesztési szakaszban tart. Az, hogy mikor és milyen mértékben fogja ez megváltoztatni az ellátási láncot, csak a következő néhány évben fog kiderülni.