A aplicação do machine learning e da inteligência artificial está transformando a maneira como o rastreamento de cargas é realizado, tanto em terra quanto no mar. As tecnologias têm ganhado destaque em diversos setores produtivos e estão agora aprimorando a visibilidade da cadeia de suprimentos, prometendo uma evolução significativa nas aplicações práticas do segmento logístico.
Um exemplo de aplicação é o uso do machine learning nas cercas eletrônicas, também conhecidas como geofences, que contam com recursos que delimitam perímetros geográficos virtuais por meio de GPS, Wi-Fi e outras soluções. Embora sejam valiosas para o rastreamento em tempo real de cargas de caminhão, as geofences podem apresentar imprecisões quando se trata de lidar em distâncias maiores, resultando em dados de rastreamento imprecisos e compromissos perdidos.
Cercas eletrônicas
Essa brecha foi vista como oportunidade por Pierre Jacquin, vice-presidente da project44, empresa especializada na tecnologia de cercas eletrônicas. De acordo com ele, o machine learning pode aprimorar a geolocalização, criando cercas geográficas menores com base em dados reais e históricos, permitindo uma abordagem mais precisa.
Segundo nota do site Cargas e Transportes, no caso de cargas marítimas, a project44 desenvolveu cercas geográficas ao redor de portos e terminais oceânicos em todo o mundo, combinando dados de rastreamento por satélite para oferecer visibilidade completa. Essa abordagem seria mais rápida do que esperar por eventos relatados pelas operadoras, garantindo detecção precisa quando uma embarcação entra ou sai da geofence.
Outra frente de aprimoramento envolve os chamados tempos estimados de chegada (ETAs), que são calculados por métodos tradicionais. As imprecisões, nesse caso, envolvem fatores imprevisíveis, como o tempo de permanência em depósitos e o comportamento humano nas estradas. Para aprimorar a precisão dos ETAs de cargas de caminhão, o machine learning tem sido usado para treinar modelos com bilhões de pontos de dados, considerando fatores como o comportamento do motorista, sazonalidade e características do veículo.
Nos casos de ETAs marítimos, o algoritmo é continuamente ajustado com base na localização do contêiner durante sua jornada, considerando informações detalhadas sobre horários de navegação, ETAs dos navios, congestionamento do porto e atributos do navio e do contêiner.
