Pakketvervoerder Ampère gebruikt ai om te voorspellen hoeveel ruimte pakketten van verkooppartners innemen. Het model, Quantile-Assured Volume Estimation (QAVE), helpt bij de dagelijkse planning en is inmiddels toegepast op miljoenen pakketten. De oplossing laat zien wat logistieke bedrijven kunnen leren van ai die de pilotfase achter zich laat. Van een concreet probleem als vertrekpunt tot het belang van menselijke controle en goed onderhoud in vijf lessen.
Tekst: CEES VISSER Beeld: AMPÈRE
Voor Ampère, de logistiek dienstverlener voor Bol en zijn verkooppartners, telt niet alleen hoeveel pakketten er zijn, maar ook hoeveel ruimte ze innemen. Om de beschikbare capaciteit beter af te stemmen op het aanbod, gebruikt het bedrijf sinds september 2024 een ai-model dat het pakketvolume per verkooppartner voorspelt.
Het model, QAVE, is ontwikkeld in samenwerking met KickstartAI, een non-profitstichting die organisaties helpt ai-toepassingen van pilot naar de dagelijkse praktijk te brengen. QAVE gebruikt historische metingen om bij de planning van ophaalritten te voorspellen hoeveel volume een partner op een bepaald moment zal aanbieden. Zo wil Ampère voorkomen dat er te weinig capaciteit beschikbaar is, maar ook dat onnodig veel lege ruimte wordt vervoerd. Volgens Ampère wijkt de voorspelling gemiddeld dertien liter af van het daadwerkelijk opgehaalde volume. Wat die deviatie precies betekent voor de operationele prestaties, laat zich volgens product owner en businessanalist Cas Beems lastig kwantificeren, om eraan toe te voegen dat hij ook niet weet ‘in hoeverre hij de operationele metrics zomaar mag delen’. Dan maar naar de lessons learned.
LES
1
Begin bij een concreet probleem
QAVE begon als een data-sciencepilot rond een praktisch logistiek vraagstuk. Inmiddels draait het model structureel mee in de operatie. Sterker, het project vormde de aanleiding om bij Ampère een eigen data-scienceteam op te zetten. Dat team ontwikkelt ook andere voorspelmodellen, onder meer voor pakketgewichten en stoptijden bij last-mile delivery. Daarnaast onderzoekt Ampère of het eerder op de dag kan voorspellen hoeveel extra pakketten later nog binnenkomen.
Volgens Beems is praktische toepasbaarheid het uitgangspunt. ‘Ai is voor ons pas waardevol als het dagelijks werk makkelijker en beter maakt.’ Bij de start had Ampère als jonge organisatie nog weinig uitgewerkte processen voor het plannen van ophaalritten. Het team wist hoeveel pakketten er per partner moesten worden opgehaald, maar de inschatting van het benodigde volume berustte op ervaring. ‘De inschatting van het volume werd volledig gedaan op basis van harde lessen uit de operatie’, licht Beems toe. Daardoor werden soms te veel en soms te weinig bussen naar een locatie gestuurd. Planners moesten geregeld op het laatste moment ingrijpen wanneer de werkelijkheid afweek van de planning. Juist zo’n afgebakend probleem leent zich voor ai: betere voorspellingen zijn direct in een bestaand werkproces te gebruiken.
‘ Automatisering hoeft niet te betekenen dat menselijke kennis uit het proces verdwijnt’
LES
2
Houd medewerkers aan het stuur
QAVE neemt niet alle beslissingen zelfstandig. Het model levert volumeschattingen waarop planners kunnen ingrijpen als zij bijvoorbeeld weten dat een verkooppartner minder efficiënt inpakt dan gebruikelijk.
Een planner kan ook een marge van tien procent boven op een voorspelling zetten. Ampère heeft bewust gekozen voor die mogelijkheden om medewerkers bij het proces te betrekken. ‘Het is natuurlijk altijd een fijne balans in hoeverre je beslissingen overlaat aan een model en in hoeverre je de manuele operatie onder controle houdt’, zegt Beems.
Voor andere logistieke bedrijven is dat een interessante les: automatisering hoeft niet te betekenen dat menselijke kennis uit het proces verdwijnt. Planners kennen uitzonderingen en lokale omstandigheden die niet altijd uit historische data blijken. Door hen voorspellingen te laten aanpassen, blijft die kennis bruikbaar.
LES
3
Maak inzichtelijk hoe ai werkt
Medewerkers moeten kunnen begrijpen hoe een model tot een voorspelling komt. Daarom betrok Ampère collega’s uit de operatie bij de implementatie. Dashboards en informatie in de gebruikersinterface geven planners inzicht in de werking van het model.
Die transparantie is niet alleen belangrijk voor de acceptatie, maar ook voor het opsporen van fouten. Ongeveer een jaar na de ingebruikname ontdekte Ampère een serieuze fout in de logica van het model. Die kwam aan het licht tijdens een codemigratie door een senior data scientist. ‘Het is van groot belang dat de volledige werking van het model transparant blijft. Wanneer worden welke keuzes genomen en hoe beïnvloedt dat de realiteit? Zolang dit transparant blijft, worden kleine foutjes die ineens heel groot worden snel zichtbaar’, aldus Beems.
De ontdekking onderstreept dat een model niet klaar is zodra het in gebruik wordt genomen. Datastromen veranderen en bedrijfsprocessen ontwikkelen zich. Het data-scienceteam reserveert daarom structureel tijd om bestaande modellen te beoordelen en waar nodig bij te stellen.
‘ Dit project laat zien wat er mogelijk is als ai direct wordt gekoppeld aan een concreet probleem in de operatie’
LES
4
Automatiseer niet om het automatiseren
De volgende stap is voor Ampère niet om zo veel mogelijk beslissingen aan ai over te laten. Het doel is de planning te verbeteren en beter te laten aansluiten op de werkelijkheid. Betere voorspellingen van stoptijden kunnen bijvoorbeeld helpen om bezorgers voldoende tijd te geven voor ingewikkelde stops, terwijl eenvoudige stops efficiënter worden ingepland.
Ook KickstartAI ziet daarin de waarde van het project. Volgens ceo Erick Webbe blijven veel ai-projecten steken in pilots. ‘Dit project laat zien wat er mogelijk is als ai direct wordt gekoppeld aan een concreet probleem in de operatie.’
‘Ook een model dat dagelijks wordt gebruikt, kan fouten bevatten of aanpassingen nodig hebben’
LES
5
Blijf controleren en onderhouden
De ervaringen van Ampère laten zien dat ingebruikname geen eindpunt is. Ook een model dat dagelijks wordt gebruikt, kan fouten bevatten of aanpassingen nodig hebben. Dat vraagt om structurele controle, technische kennis en tijd om verbeteringen door te voeren. Voor andere logistieke organisaties ligt de les daarom niet in het kopiëren van QAVE, maar in de aanpak erachter: kies een concreet operationeel probleem, zorg dat de uitkomsten bruikbaar zijn in de dagelijkse planning, betrek de medewerkers die ermee werken en maak de werking inzichtelijk. Reserveer bovendien capaciteit om het model te controleren en te onderhouden.
Wat bij Ampère begon met het voorspellen van pakketvolume, groeit zo uit tot een bredere toepassing van ai in de logistieke planning. De waarde zit niet alleen in betere voorspellingen, maar vooral in de manier waarop die voorspellingen onderdeel worden van het dagelijkse werk.