Aparte divisies en modellen decentraal
Stolt-Nielsen begint op dit punt – met behulp van externe partners – voorspellende AI en Machine Learning modellen gedecentraliseerd in te zetten. Aangezien er verschillende divisies bestaan binnen de organisatie, met uiteenlopende processen en oplossingen, zorgt het initieel voor uitdagingen bij het behouden van standaarden, beheersbaarheid en schaalbaarheid. Als gevolg beperkt dit de resultaten die Stolt-Nielsen met voorspellende modellen zou kunnen behalen.
Het IT-vraagstuk komt bij Motion10 te liggen. Sebastiaan Oude Groeniger, Data & AI Consultant bij Motion10, vertelt: “Stolt-Nielsen vroeg ons een Machine Learning Platform op te zetten, waarop alle verschillende use-cases kunnen draaien die actief zijn én die in de toekomst ontwikkeld zullen worden.”
Centraliseren voor beter resultaat en schaalbaarheid
Erik Visser beredeneert: “Vanwege de constructies met verschillende externe partners waren we niet in staat om binnen onze omgeving op een verantwoorde en schaalbare manier AI-toepassingen te ontwikkelen. Omdat we steeds meer ervaring en vaardigheden wilden opbouwen, hadden wij de wens dit te centraliseren naar onze eigen omgeving.”
Motion10 komt met een architectuur en framework voor het Machine Learning Platform in Azure en past een aantal externe modellen van Stolt-Nielsen aan zodat deze op het nieuwe, gecentraliseerde platform gebouwd kunnen worden. Vervolgens wordt het nieuwe Machine Learning Platform met de opgebouwde modellen op een veilige manier aangesloten op het reeds bestaande dataplatform van Stolt-Nielsen.
De huidige structuur vormt een nieuwe fundering waarop nieuwe oplossingen gebouwd kunnen worden met schaalbare rekenkracht, inzicht in modellen (ten behoeve van Responsible AI) en eenvoudige deployment. Dit zorgt voor de juiste tools die Data Scientists nodig hebben om nog productiever te kunnen zijn in hun werk.
Geïmplementeerde modellen met betrouwbare uitkomsten
Daar waar veel organisaties bij de experimentele fase blijven steken als het om het trainen van modellen gaat, heeft Stolt-Nielsen verschillende modellen daadwerkelijk geïmplementeerd en in productie draaien. “Het is belangrijk dat er vertrouwen is in wat een model voorstelt” legt Erik uit. “Als dit redelijk en verklaarbaar is, draagt het bij aan de adoptie en bruikbaarheid. Het kunnen testen en beheren van modellen is mede door het Machine Learning Platform beter mogelijk.”
De voordelen van AI voor Stolt-Nielsen
“Binnen Stolt Tank Containers kunnen wij onze prijzenstrategie beter uitvoeren vanwege Machine Learning modellen, waardoor we sneller op quote aanvragen van klanten kunnen reageren, in plaats van dagen nodig te hebben voor analyse. Dit heeft een enorme impact omdat er duidelijke correlatie zit tussen de snelheid van reactie en het ‘winnen’ van een aanvraag.” Erik gaat verder: “Met AI kunnen onder andere onverwachte patronen ontdekt worden, waar een Data Analyst deze óf niet ontdekt, óf hier langer over doet. Doordat wij de volledige logistieke keten bedienen, hebben we heel goed zicht op wat er in de markt speelt. Soms beter dan onze klanten dat zelf hebben. Prijsstijgingen, nieuwe wetgevingen, verstoringen in havens en macro-economische ontwikkelingen beïnvloeden de business van onze klanten. Wij kunnen vanuit overzicht meedenken en klanten optimaal adviseren, waar iedereen beter van wordt.”
