隨著物聯網覆蓋范圍的不斷擴大，傳感器產生的數據量在不斷的增加，對數據實時分析的需求也在日益增長，這些都極大的刺激了AI的發展。

一、AI的采用

交通和物流公司若想要加持AI，可能需要從根本上了解AI是什么，它能做什么，以及它們需要什么才能發揮出最大的價值。

AI通常涉及規則驅動算法的概念來處理數據，從數據中學習、從數據中獲得有建設性的見解，甚至是自主地對這些數據進行操作。

AI的目標是能夠獲取信息，這些信息可能是當前參數或歷史數據，并處理信息，基于這些數據以與人類相同的方式做出決策。要明確的是，我們距離這一目標的實現還有很長的路要走。與此同時，基于AI的系統可以為人類提供數據推動的見解和建議，以便做出更好或更快的決策。但首先，AI本身需要被訓練。想要利用AI的企業需要擁有一個特定應用程序設計的算法，以便可以處理、分析并繼續學習的數據存儲庫。

快遞運輸走向無人化的趨勢，AI系統需要有一個龐大的道路規則知識庫。

人工參與培訓和微調AI算法，可以確保AI系統不會出現意外。雖然從事AI項目的公司可能會傾向于自己培訓AI系統，但與許多其他技術不同的是，AI需要不斷的謹慎的訓練，才能發揮出充分的價值。因此，這絕不是一種“即拿即用”的技術。交通和物流等特定垂直行業的大多數公司可能需要AI專家的協助。

這并不是說AI需要自己重新學習交通運輸業的基礎知識。AI的變革力量在于充分利用這些知識、洞察力和直覺，并使其具有彈性。

隨著AI算法變得越來越擅長執行針對性的應用程序，在訓練它們時對人的接觸需求可能會降低。目前，一些交通和物流公司可能對自己的AI系統自主學習系統做出的決定感到不信任，但這樣做有助于最大限度的提高它們對特定業務的價值。

二、AI應用于交通和物流行業的用例

交通和物流部門為AI提供了大量潛在的用例，因為它們不僅依賴復雜的機器，而且往往遵循嚴格的時間表，并依賴于充分的容量使用來實現最大價值。

僅在運輸業，就有七個不同的用例可加持AI：交通密度預測、預測性維護、車輛網絡和數據安全、機械傳感器數據融合、天氣預報、機器／車輛目標檢測／識別、回避、本地化和測繪。

在物流方面，除了供應鏈和物流，它還對后三種用例進行了預測；倉儲與供應鏈需求預測；以及用于地理分析的衛星圖像。

在所有這些領域中，物流部門的機器／車輛目標檢測／識別／回避，預計將成為最大的創收用例，到2025年或將達到5．84億美元。同時，在交通方面，最重要的用例是預測交通密度和預測維護，到2025年，前者的AI收入為4．39億美元，而后者將達到3．152億美元。

在物流領域，IBM和物流巨頭DHL于2018年聯合推出了一份白皮書，概述了該領域的幾個潛在的AI應用。其中一個重點是航空貨運航線的預測網絡管理。DHL創建了一個基于機器學習的工具，它可以分析58個不同的內部數據參數，提前一周預測給定車道的平均每日運輸時間是上升還是下降。如果航空貨運規劃人員能夠預測航空貨運中轉的時間延誤，就可以主動減輕預期延誤的損失，并就哪些航空公司應該運送他們的貨運做出更明智的決定。

AI可以以類似的方式應用于卡車車隊管理。安裝在卡車不同部位的物聯網傳感器，可以讓AI評估貨車從一個地點到另一個地點所需的時間，如果無法做到這一點，就可以在兩者之間的某個點準備好替換貨車。如果沒有計劃外的停工時間，時間便可以安排得更緊湊。

雖然這些用例為交通和物流公司描繪了一幅巨大的藍圖，即AI和物聯網如何結合起來改善它們的運營和流程。但改變是逐步發生的，與物聯網部署一樣，很多處于早期階段的公司正在以孤立的方式部署AI。使用AI，真的需要對每個用例使用不同的算法，而且必須確保每個用例都能生成ROI（投資回報率）。要讓企業和工業客戶跨過概念驗證階段，仍然需要很長時間。

隨著越來越多的公司部署更廣泛的物聯網網絡，對實時數據關注的需求也越來越大。現今，這種情況可能會發生變化。AI系統能夠分析更多的數據，且比任何一個人或一群人更快，但企業部署AI仍然必須接受這樣一種觀念，他們基本上會采用一種技術，這種技術是不可能一開始就是十分有效且有價值的。