Fondé en 1999, Yunda Express a surfé sur la vague du commerce électronique, de l'Internet mobile et de la livraison express et s'est rapidement développé en plus d'une décennie pour devenir un géant de l'industrie avec un réseau de services complet couvrant toute la chaîne de livraison.
Tout en progressant avec l'industrie, Yunda est également consciente des risques et des opportunités auxquels elle est confrontée de manière indépendante. Avec un volume d'affaires qui monte en flèche, son mode traditionnel de fonctionnement manuel est maintenant long, laborieux et incapable de garantir la qualité souhaitée. Dans le même temps, la réduction du dividende démographique a également entraîné une augmentation du coût de la main-d'œuvre et de la logistique. Ces facteurs constituent un goulot d’étranglement qui pourrait limiter le développement futur de Yunda.
L'utilisation de l'automatisation et de l'intelligence artificielle (IA) pour réduire les coûts et améliorer l'efficacité du système logistique de livraison est donc devenue un moyen important pour Yunda de relever ces défis. À cette fin, Yunda collabore activement avec des géants de l'industrie informatique tels que Intel pour introduire des technologies de pointe comme l'IA et les intégrer dans l'industrie traditionnelle de la logistique express, entraînant une transformation intelligente pour elle-même et l'industrie.
En réponse aux besoins et aux exigences de Yunda, Intel a non seulement fourni une série de produits et de technologies matérielles et logicielles avancées telles que Analytics Zoo, une plateforme unifiée d'analyse de big data et d'IA, ainsi que des processeurs Intel® Xeon® Scalable, mais a également réalisé une collaboration technique à tous les niveaux avec Yunda. Ce faisant, Intel a aidé Yunda à créer des applications d'intelligence artificielle à haut rendement pour un certain nombre de liens clés, notamment la "mesure de la taille de l'emballage", la "détection des anomalies du centre de données" et la "prévision de la quantité des expéditions". Ces applications ont été déployées de manière efficace et ont recueilli des commentaires positifs unanimes des employés de première ligne et de la direction de Yunda.
"Profiter des avantages de la technologie de l'IA pour améliorer l'efficacité opérationnelle des systèmes logistiques de livraison est l'une des initiatives stratégiques de Yunda pour se développer pour l'avenir et mettre en œuvre une transformation intelligente. C'est impossible sans le soutien d'algorithmes puissants et d'une puissance de calcul. L'introduction de produits et technologies avancés tels que la plateforme Analytics Zoo et les processeurs Intel Xeon Scalable peut nous aider à améliorer considérablement l'efficacité de l'ensemble de la chaîne de livraison express, à optimiser l'utilisation des ressources, à réduire considérablement les coûts d'exploitation et à relever efficacement les défis du développement futur. —Peiji Li. architecte en chef de Yunda Express, Yunda Co., Ltd.
Avantages de la solution d'IA de Yunda :
- Permettre le développement et le déploiement rapides d'applications d'IA de bout en bout et fournir un support technique solide ;
- Améliorer considérablement l'efficacité opérationnelle du système de logistique de livraison, raccourcir les délais de livraison et améliorer la satisfaction des utilisateurs ;
- Optimiser les ressources logistiques, y compris l'utilisation de véhicules de fret, de trieurs et de matériaux d'emballage ;
- Réduisez considérablement les coûts de main-d'œuvre et de logistique.
L'essor d'Internet et du commerce électronique a fait de la livraison express un élément indispensable de la vie quotidienne. D'après les statistiques du Bureau des postes de l'État de la République populaire de Chine, en 2017, le volume annuel des activités de livraison express en Chine a dépassé 40 milliards de pièces et la capacité de traitement quotidienne pendant la période du carnaval de magasinage en ligne "Double 11" a atteint 330 millions de pièces1. L'industrie de la livraison express en forte croissance a également donné naissance à des entreprises leaders du secteur comme Yunda. Avec un réseau de services couvrant l'ensemble du pays, comprenant plus de 4 300 itinéraires de transport principaux2, Yunda s'engage à fournir des services de livraison pratiques et de haute qualité à des centaines de millions d'utilisateurs.
Cependant, le succès engendre inévitablement de nouveaux défis. À mesure que l'industrie mûrit, en particulier lorsque le dividende démographique est progressivement épuisé, la livraison express, une industrie à forte intensité de main-d'œuvre, ne peut plus compter sur le modèle traditionnel d'expansion de la main-d'œuvre pour réaliser des gains linéaires, la hausse des coûts de la main-d'œuvre devenant un fardeau pour le développement de entreprises. Comme l'a proposé la théorie de la "courbe souriante"3 par le fondateur d'Acer Stan Shih, une industrie peut se développer rapidement à ses débuts même si elle est en bas de la courbe, où l'efficacité est faible. À mesure que la pression de la concurrence s'intensifie, si une entreprise ne parvient pas à améliorer les technologies et à mettre en œuvre des stratégies de pointe, les bénéfices de l'entreprise diminueront progressivement, se transformant finalement en pertes.
L'introduction d'équipements automatisés et intelligents pour améliorer l'efficacité est devenue le consensus de toute l'industrie de la livraison express. Il y a quelques années, Yunda a introduit des solutions techniques comme le tri automatique, le tri et la collecte des adresses ainsi que la reconnaissance des plaques d'immatriculation des véhicules dans son système logistique de livraison. L’amélioration de l’efficacité opérationnelle a toutefois conduit, selon Yunda, à ce que ces solutions ne jouent que le rôle de "mains" et de "pieds" ; afin de pousser vers des progrès technologiques plus importants, il serait nécessaire d'aborder le "cerveau".
La clé d'une stratégie visionnaire pour un système de logistique de livraison réside dans la capacité d'une entreprise à construire des stratégies d'allocation et d'optimisation des ressources de bout en bout. C'est exactement là que la technologie AI excelle. S'appuyant sur les trois éléments de l'IA, à savoir les données, les algorithmes et la puissance de calcul, le volume de livraison élevé pouvant atteindre 470 millions d'articles par an permet à Yunda d'avoir la base de données2 pour la recherche sur la technologie de l'IA, tandis que la collaboration technologique avec Intel aborde les limites de Yunda en termes d'algorithmes et de puissance de calcul.
Pour les optimisations d'algorithmes et de logiciels d'intelligence artificielle, Intel a fourni à Yunda Analytics Zoo, une plateforme d'analyse unifiée et d'intelligence artificielle basée sur Apache Spark*. Analytics Zoo aide Yunda à créer rapidement et de manière agile des applications d'IA avec une vue de bout en bout pour plusieurs scénarios d'application tels que la reconnaissance d'image et la prédiction de séries chronologiques. En termes de fourniture de la puissance de calcul nécessaire, les processeurs Intel Xeon Scalable de nouvelle génération offrent la puissance nécessaire pour libérer pleinement le potentiel des applications d'IA.
Figure 1. Trois liens importants dans la logistique de livraison Express de Yunda
Comme le montre la figure 1, les trois liens les plus importants dans la logistique de livraison express de Yunda sont le tri frontal, l'allocation des ressources et le support back-end. Au cours des premières étapes, Intel et Yunda ont travaillé ensemble pour créer des applications d'intelligence artificielle pour la "mesure de la taille", la "prévision de la quantité des expéditions" et la "détection des anomalies du centre de données". Les résultats ont montré que les applications d'IA pouvaient non seulement aider Yunda à améliorer de manière significative l'efficacité opérationnelle de son système de logistique de livraison, mais aussi à réduire considérablement l'intensité et le coût du travail manuel.
Mesure de la taille
La mesure du volume des expéditions est l’une des tâches principales des centres de distribution de Yunda. En pré-évaluant le volume des expéditions, le personnel du centre de distribution peut mieux planifier le tri, le chargement et la distribution afin de réduire le temps moyen pris par livraison et le coût par kilogramme. La manière conventionnelle de procéder repose principalement sur une méthode manuelle, non seulement longue et laborieuse, mais également sujette à d'importantes erreurs.
Yunda prévoit d'utiliser la technologie de vision industrielle pour améliorer l'efficacité et la qualité des mesures. Grâce à des appareils photographiques à grande vitesse équipés sur le système de convoyeur du centre de distribution, une application AI collecte les informations d'image sur les expéditions et transmet les informations d'image au serveur principal pour la mesure de la taille. Une fois la mesure de la taille terminée, le serveur principal renvoie les données au système de convoyage où les expéditions sont livrées aux emplacements de tri et de chargement appropriés en fonction des résultats de la mesure.
La technologie de classification d'images fournie par la plateforme Analytics Zoo joue un rôle clé dans ce cas. En utilisant le modèle de reconnaissance d'image intégré de la plateforme, l'application AI extrait d'abord le contour de l'envoi à mesurer, puis effectue l'intégralité du flux de traitement AI de la formation du modèle, de la redéfinition du modèle à l'inférence du modèle pour finalement obtenir une taille précise de la cargaison. L'ensemble du processus tire parti des cadres d'analyse approfondie comme TensorFlow fournies par Analytics Zoo et de la puissance de calcul puissante des processeurs Intel Xeon Scalable.
Suite à cela, Yunda utilise en outre des algorithmes d'apprentissage profond pour l'optimisation opérationnelle. Par exemple, Yunda a résumé le processus de chargement dans un problème classique de "découpe de boîtes", c'est-à-dire que lorsque des expéditions de différentes tailles arrivent, il est essentiel de planifier la commande, l'orientation et le placement des expéditions pour maximiser la quantité d'expédition chargée et réduire les coûts de transport. Avec l'aide de Intel, l'équipe d'IA de Yunda a adopté l'apprentissage profond pour exprimer les différents états de ce problème, ajoutant un apprentissage par renforcement pour apprendre cette stratégie heuristique. Les résultats de l'application de l'IA de cette manière sont nettement meilleurs que la méthode traditionnelle d'optimisation des opérations.
Pour tirer parti des résultats initiaux, les équipes des deux parties travailleront ensemble pour libérer davantage de potentiel de la plateforme Analytics Zoo et planifieront de mettre à niveau la mesure de la taille des expéditions en "mesure volumétrique précise" avec une autre application d'IA optimisée, visant à améliorer encore efficacité et réduire les coûts.
Prévision de la quantité d'expédition
Le volume des affaires dans le secteur de la livraison express en Chine est considérablement affecté par les promotions du commerce électronique telles que "Double 11" et "618" (deux carnavals de shopping en ligne à grande échelle extrêmement populaires en Chine). Pour relever le défi de la flambée du volume d'affaires induite par ces promotions et pour réduire les risques tels que les entrepôts débordants, Yunda doit réunir à l'avance des moyens logistiques, notamment des véhicules de fret, des trieurs et des matériaux d'emballage, etc.
Cependant, les prévisions de volume basées sur l'expérience antérieure ne sont généralement pas assez fiables. Prenons l'exemple de la promotion "618" en 2018. La Coupe du monde de football en Russie battait son plein à l'époque, ce qui signifie que de nombreux fans de football étaient absorbés par le jeu, accordant peu d'attention aux promotions du commerce électronique. Par conséquent, un grand volume de ressources logistiques a été gaspillé. Compte tenu de cela, Yunda espère mettre en œuvre une solution de prévision des quantités d'expédition plus précise en utilisant l'algorithme d'apprentissage profond de la mémoire longue à court terme (LSTM) fourni par la plateforme Analytics Zoo.
LSTM est un réseau de neurones récursif. Comme LSTM peut efficacement diviser les informations historiques en mémoire à long terme et en mémoire à court terme, il est idéal pour le développement et le déploiement d'applications d'IA prédictives. À l'aide de la plateforme Analytics Zoo, l'équipe d'IA de Yunda a étendu de manière transparente les applications d'IA basées sur l'algorithme LSTM à sa grappe Apache Hadoop*, en utilisant la grande quantité de données logistiques historiques pour la formation et l'inférence de modèles.
Les processeurs Intel Xeon Scalable fournissent une puissance de calcul élevée pour ce processus. Sur la base des besoins réels des applications AI de Yunda, Intel et Yunda ont optimisé la solution pour de meilleures performances avec les principales fonctionnalités technologiques des processeurs Intel Xeon Scalable. Les technologies avancées comme Intel® Advanced Vector Extensions 512 (Intel® AVX-512) intégrées aux processeurs Intel Xeon Scalable offrent des performances exceptionnelles dans le calcul parallèle et ces technologies peuvent accélérer considérablement la formation et l'inférence des applications.
Analytics Zoo : plateforme « analytique + IA » basée sur Apache Spark
Pour aider les utilisateurs à créer rapidement et efficacement une variété d'applications d'intelligence artificielle sur Apache Spark et à simplifier le développement et le déploiement de solutions de bout en bout, Intel et un certain nombre de partenaires ont lancé Analytics Zoo, une plateforme unifiée d'analyse et d'intelligence artificielle (https://github.com/intelanalytics/analytics-zoo), qui intègre de manière transparente des cadres d'IA tels que TensorFlow*, Keras* et BigDL* dans le même processus, et évolue facilement horizontalement dans de grands environnements de cluster Apache Hadoop*/Spark pour que les utilisateurs mettent en œuvre une formation distribuée et l'inférence.
Actuellement, des systèmes de prévision de la quantité des expéditions basés sur l'IA ont été déployés dans certains des centres de distribution de Yunda. Les commentaires de première ligne montrent que cette solution basée sur l'apprentissage profond se rapproche de l'objectif attendu de la prévision, dépassant même les solutions de prévision heuristique traditionnelles, aidant Yunda à réaliser de meilleurs gains commerciaux et des réductions de coûts.
Détection d'anomalie dans le centre de données
En tant que cœur du système logistique de livraison de Yunda, les centres de données de Yunda ont la responsabilité d'analyser, de stocker et de transmettre des données tout au long de la chaîne commerciale de l'entreprise. Les centres de données assument également des tâches liées à diverses applications telles que la création de modèles de données, l'extraction, la transformation et le chargement de données, la création de rapports automatisés ainsi que le développement d'algorithmes. Actuellement, presque toutes les activités commerciales de Yunda dépendent de ses centres de données.
Au vu du développement rapide de son activité, les centres de données de Yunda ont dû faire face à de nombreux défis. Le long cycle de développement technologique et le coût élevé rendent les centres de données moins efficaces pour effectuer une analyse avancée des grands ensembles de données au fil du temps. L'amélioration de l'efficacité du centre de données peut difficilement suivre la vitesse de croissance de l'entreprise, ce qui signifie que Yunda peut potentiellement avoir des difficultés pendant les périodes de pointe comme "Double 11" et la promotion du Spring Festival. D'autres défis auxquels l'entreprise est confrontée comprennent le piratage et la congestion des données.
Yunda est en mesure de tirer parti de l'algorithme d'apprentissage profond LSTM fourni par la plateforme Analytics Zoo pour relever ces défis. L'algorithme LSTM peut améliorer les performances du réseau neuronal grâce à des informations de mémoire différenciées et peut analyser et discriminer plus précisément les informations. De cette façon, l'algorithme LSTM offre des avantages uniques dans l'analyse et la prédiction des données.
Par exemple, dans la prévision de la congestion des données, l'équipe AI de Yunda déploie des serveurs avec l'algorithme LSTM dans le système de stockage de leurs centres de données. En utilisant l'algorithme, le système peut renforcer en continu la formation en utilisant des informations clés dans les journaux existants tels que l'heure et l'adresse matérielle, tout en filtrant une grande quantité d'informations non pertinentes. Grâce à une formation approfondie et à l'inférence utilisant ces données de journal, le système peut prédire avec précision les potentiels risques et faiblesses des centres de données.
Pendant le déploiement de cette application d'intelligence artificielle, Intel a fourni un certain nombre de modèles d'apprentissage intégrés basés sur l'algorithme LSTM via la plateforme Analytics Zoo et a offert une multitude de cas d'utilisation de référence à l'équipe d'intelligence artificielle de Yunda. Intel a également fourni une équipe d'experts expérimentés par le biais de l'assistance à distance, des conseils sur site et des communications téléphoniques pour aider Yunda à créer des modèles commerciaux aussi efficacement que possible, atteignant le double du résultat avec la moitié des efforts.
Perspectives
Grâce à la collaboration sur la création d'applications d'intelligence artificielle pour la "mesure de la taille", la "prévision de la quantité des expéditions" et la "détection des anomalies du centre de données", Yunda et Intel ont établi un mécanisme de communication efficace et accumulé de l'expérience dans la création de modèles commerciaux. Cette collaboration a produit des résultats qui ont reçu l’éloge unanime du personnel de Yunda, des travailleurs de première ligne à la direction. Yunda prévoit de pousser le déploiement à grande échelle de ces applications d'IA dans des villes comme Pékin, Shanghai, Guangzhou et Shenzhen au cours des deux prochaines années.
Yunda prévoit également de développer et de déployer davantage d'applications d'IA basées sur la plateforme Analytics Zoo et d'autres produits et technologies Intel® avancés. L'un de ces plans est d'introduire une technologie de traitement du langage naturel pour construire un tout nouveau système de service client intelligent. Cela aidera non seulement Yunda à atténuer la pression actuelle sur son équipe de service client et à améliorer la qualité du service, mais permettra également de numériser les informations du service client et de devenir un autre actif de données précieux.
De plus, Yunda prévoit d'introduire des unités de traitement vidéo (VPU) comme l'unité de traitement de la vision Intel® Movidius™ Myriad™ X (VPU). L’objectif ici est d’améliorer la qualité et l’efficacité de sa reconnaissance optique de caractères (OCR) en équipant les VPU dans des appareils photographiques à grande vitesse et en tirant parti des puissantes capacités de traitement d’intelligence artificielle des VPU.
À l'avenir, l'application de diverses nouvelles technologies telles que les robots, la technologie d'entrepôt intelligent, la conduite sans pilote et les armoires de livraison express intelligentes stimulera davantage la transformation intelligente de Yunda. Cela permettra à Yunda de fournir de meilleurs services plus pratiques à des centaines de millions d'utilisateurs pour devenir une entreprise modèle à la pointe de l'innovation technologique et commerciale dans le secteur de la logistique express.
Pour améliorer l'efficacité du développement et du déploiement, Analytics Zoo offre aux utilisateurs une analyse complète des flux de traitement de bout en bout et une prise en charge de l'IA, notamment :
- Modèles abstraits faciles à utiliser, tels que la prise en charge du flux de traitement pour Spark DataFrame et ML, la prise en charge de l'apprentissage de transport et les API de service de style POJO ;
- Opérations de fonctionnalité commune sur les images, les textes et les images 3D ;
- Modèles d'apprentissage en profondeur intégrés tels que la catégorisation de texte, la recommandation et la détection d'objets ;
- Des cas d'utilisation de référence, tels que la détection d'anomalies dans les séries chronologiques, la détection de fraudes, la recherche de similitudes d'images, etc.