Yunda Express transformiert Expressversandbranche

Intel hilft chinesischem Yunda Express, die Effizienz seines Kurierdienstsystems zu verbessern.

Auf einen Blick:

  • Mit einem umfassenden Service-Netzwerk, das die gesamte Lieferkette abdeckt, ist Yunda Express rasant gewachsen.

  • Yunda implementierte nicht nur Analytics Zoo, eine einheitliche Big-Data-Analyse- und KI-Plattform, und Prozessoren der skalierbaren Intel® Xeon® Prozessorreihe, sondern führte auch ein Gemeinschaftsprojekt mit Intel durch, das alle technischen Ebenen umfasst. Intel unterstützte Yunda beim Aufbau hocheffizienter KI-Anwendungen für mehrere Schlüsselfaktoren, etwa die Messung der Paketgröße, Erkennung von Anomalien im Rechenzentrum und Vorhersage von Versandmengen.

author-image

Von

Das im Jahr 1999 gegründete Unternehmen Yunda Express reitet auf der Welle des E-Commerce, mobilen Internet und Expressversands und hat sich innerhalb von gut zehn Jahren zu einem Industriegiganten entwickelt,der über ein umfassendes Servicenetzwerk verfügt, das die gesamte Lieferkette abdeckt.

Während Yunda gemeinsam mit der Branche voranschreitet, ist sich das Unternehmen auch der Risiken und Chancen bewusst, denen es als eigenständiger Player gegenübersteht. Angesichts des explosionsartigen Wachstums des Geschäftsvolumens sind die traditionellen, manuellen Betriebsabläufe heute zeitraubend, arbeitsintensiv und nicht mehr in der Lage, die gewünschte Qualität zu garantieren. Gleichzeitig hat die Verringerung der demografischen Dividende auch zu einer Erhöhung der Personal- und Logistikkosten geführt. Diese Faktoren bilden einen Engpass, der die Weiterentwicklung von Yunda einschränken könnte.

Der Einsatz von Automatisierung und künstlicher Intelligenz (KI), um Kosteneinsparungen zu erzielen und die Effizienz des Versandlogistiksystems zu verbessern, ist für Yunda daher zu einem wichtigen Instrument geworden, um diese Herausforderungen zu bewältigen. Zu diesem Zweck arbeitet Yunda aktiv mit Big Playern der IT-Branche, wie Intel, um innovative Technik wie KI einzuführen und diese in die traditionelle Expresslogistikbranche zu integrieren, um für sich selbst und die ganze Branche einen intelligenten Transformationsprozess zu bewirken.

Als Reaktion auf die Bedürfnisse und Anforderungen von Yunda stellte Intel nicht nur eine Reihe moderner Hardware- und Software-Produkte sowie Technologien wie Analytics Zoo, eine vereinheitlichte Big-Data-Analyse- und KI-Plattform, und die skalierbare Intel® Xeon® Prozessorreihe bereit, sondern führte mit Yunda auch ein Gemeinschaftsprojekt durch, das alle technischen Ebenen umfasst. Mit dieser Initiative unterstützte Intel Yunda beim Aufbau hocheffizienter KI-Anwendungen für mehrere Schlüsselfaktoren, etwa die „Messung der Paketgröße“, „Erkennung von Anomalien im Rechenzentrum“ und „Vorhersage von Versandmengen“. Diese Anwendungen wurden wirksam umgesetzt und erhielten sowohl von den Mitarbeitern, die an der Kundenfront arbeiten, als auch dem Management einstimmig positives Feedback.

„Die Nutzung von KI-Technik, um die operative Effizienz von Versandlogistiksystemen zu verbessern, ist eine der strategischen Initiativen von Yunda, um zukunftsorientierte Entwicklungen voranzubringen und intelligente Transformationsprozesse zu implementieren. Ohne Unterstützung durch leistungsfähige Algorithmen und Rechenleistung ist dies unmöglich. Die Einführung fortschrittlicher Produkte und Technologien wie Analytics-Zoo-Plattform oder der skalierbaren Intel Xeon Prozessorreihe kann uns immens dabei helfen, die Effizienz der gesamten Expressversandkette zu verbessern, die Ressourcenauslastung zu optimieren, die Betriebskosten deutlich zu reduzieren und die im Rahmen der künftigen Entwicklung entstehenden Herausforderungen effektiv zu bewältigen. ” – Peiji Li., Chief Architect bei Yunda Express, Yunda Co., Ltd.

Vorteile der KI-Lösung von Yunda

  • Schnelle Entwicklung und Implementierung durchgehender KI-Lösungen und Bereitstellung starker technischer Unterstützung
  • Deutliche Verbesserung der betrieblichen Effizienz des Versandlogistiksystems, Verkürzung der Lieferzeiten und Verbesserung der Kundenzufriedenheit
  • Optimierung der Logistikressourcen, einschließlich der Transportfahrzeuge, Sortierer und Verpackungsmaterialien
  • Deutliche Senkung der Arbeits- und Logistikkosten

Der Internet-Boom und E-Commerce-Aufschwung haben den Expressversand zu einem unverzichtbaren Teil unseres Alltags gemacht. Statische Daten des State Post Bureau der Volksrepublik China, das für die Regulierung der nationalen Postbranche zuständig ist, zeigen, dass Chinas jährliches Expressversandvolumen 2017 bei über 40 Milliarden Stück lag und die tägliche Verarbeitungskapazität während des „Double 11“-Online-Shopping-Festivals 330 Millionen Stück überstieg1. Die schnell wachsende Expressversandbranche hat auch führende Unternehmen wie Yunda hervorgebracht. Mit einem Service-Netzwerk, das die gesamte Nation abdeckt und mehr als 4.300 Haupttransportrouten umfasst2, will Yunda mit vollem Engagement hunderten Millionen von Benutzern hochwertige und komfortable Lieferservices bieten.

Erfolg geht jedoch unausweichlich mit neuen Herausforderungen einher. Während die Branche zunehmend an Ausgereiftheit gewinnt, insbesondere da die demografische Dividende allmählich schwindet, kann der Expressversand als arbeitsintensive Branche nicht länger auf das traditionelle Modell vertrauen, seine Belegschaft zu vergrößern, um lineare Zuwächse zu erzielen, da steigende Arbeitskosten zunehmend zu einer Bürde für die Weiterentwicklung der Unternehmen werden. Die vom Acer-Gründer Stan Shih beschriebene „Smiling Curve“-Theorie3 zeigt, dass sich eine Branche im frühen Stadium schnell entwickeln kann, selbst wenn sie sich auf der Talsohle der Kurve befindet, wo die Effizienz gering ist. Wenn es einem Unternehmen bei steigendem Wettbewerbsdruck verabsäumt, seine technische Ausstattung zu verbessern und innovative Strategien einzuführen, wird der Gewinn des Unternehmens allmählich sinken und letztlich zu Verlusten führen.

Bezüglich der Einführung automatischer, intelligenter Ausrüstung, um Effizienzverbesserungen zu erzielen, herrscht in der gesamten Expressversandbranche Konsens. Yunda führte bereits vor Jahren technische Lösungen in sein Versandlogistiksystem ein, etwa automatisches Sortieren, Adresssortierung und -erfassung sowie Erkennung von Kraftfahrzeugkennzeichen. Auch wenn diese Lösungen in einer Verbesserung der betrieblichen Effizienz resultierten, spielten sie laut Yundas Ansicht nur die Rolle von „Händen“ und „Füßen“. Um deutlich wirksamere technische Fortschritte zu erzielen, würde es notwendig sein, sich um das „Gehirn“ zu kümmern.

Der Schlüssel zu einer visionären Strategie für ein Versandlogistiksystem liegt darin, ob ein Unternehmen durchgehende Ressourcenzuweisung und Optimierungsstrategien aufbauen kann. Und genau hier läuft KI-Technik zu ihrer Bestform auf. Ausgehend von den drei Elementen der KI-Technik, nämlich Daten, Algorithmen und Rechenleistung, bietet das hohe jährliche Liefervolumen von bis zu 470 Millionen Artikeln Yunda die Voraussetzungen, das nötige Datenfundament2 für KI-Technikforschung zu haben, während die technische Zusammenarbeit mit Intel Yundas Einschränkungen bei Algorithmen und Rechenleistung angeht.

Für die Optimierung der Algorithmen und KI-Software versorgte Intel Yunda mit Analytics Zoo, einer vereinheitlichten Analyse- und KI-Plattform, die auf Apache Spark* basiert. Analytics Zoo hilft Yunda, schnell und agil KI-Anwendungen mit einer End-to-End-Ansicht für mehrere Anwendungsszenarien wie Bilderkennung und Zeitfolgevorhersagen aufzubauen. Was die nötige Rechenleistung anbelangt, so bietet Intels neue Generation der skalierbaren Intel Xeon Prozessorreihe die Leistung, um das volle Potenzial von KI-Anwendungen zu entfalten.

Abb. 1. Drei wichtige Verbindungsglieder in der Expressversandlogistik von Yunda.

Abb. 1. Drei wichtige Verbindungsglieder in der Expressversandlogistik von Yunda

Wie in Abbildung 1 zu sehen ist, bestehen die drei wichtigsten Verbindungsglieder in Yundas Expressversandlogistik in der Frontend-Sortierung, der Ressourcenzuweisung und dem Backend-Support. In einer der ersten Phasen arbeiteten Intel und Yunda gemeinsam an der Entwicklung von KI-Anwendungen für die „Messung der Paketgröße“, der „Vorhersage von Versandmengen“ und der „Erkennung von Anomalien im Rechenzentrum“. Die Ergebnisse zeigten, dass KI-Anwendungen Yunda nicht nur dabei helfen konnten, die betriebliche Effizienz seines Versandlogistiksystems zu verbessern, sondern auch die Intensität und Kosten manueller Arbeit deutlich zu reduzieren.

Messung der Größe

Die Messung des Versandvolumens ist eine der Hauptaufgaben der Verteilzentren von Yunda. Durch die Vorabschätzung der Versandvolumen können die Mitarbeiter der Verteilzentren die Sortierung, Verladung und Verteilung besser planen und so die durchschnittliche Zeit pro Lieferung und Kosten pro Kilogramm reduzieren. Bei der konventionellen Methode erfolgt dieser Schritt manuell, was nicht nur zeitraubend und arbeitsintensiv ist, sondern auch fehleranfällig.

Yunda plant, die Effizienz und Qualität der Messungen mithilfe von Technik für maschinelles Sehen zu verbessern. Die KI-Anwendung sammelt mithilfe von Highspeed-Fotogeräten, die im Warentransportsystem der Verteilzentren installiert sind, Bildinformationen zu Warensendungen und überträgt diese Information an den Backend-Server, um die Größe zu erfassen. Nach Abschluss der Größenmessung sendet der Backend-Server die Daten zurück an das Transportsystem, wo die Lieferungen gemäß den Messergebnissen zu den passenden Sortier- und Verladeorten gebracht werden.

Die Bildklassifizierungstechnik der Analytics-Zoo-Plattform spielt in diesem Fall eine wichtige Rolle. Anhand des integrierten Bilderkennungsmodells der Plattform extrahiert die KI-Anwendung zuerst die Konturen der Lieferung, die es zu vermessen gilt, und führt anschließend den gesamten KI-Verarbeitungsablauf durch, vom Modell-Training über die Modell-Neudefinition bis zur Modell-Inferenz, um letztendlich die genaue Größe der Lieferung zu erhalten. Der gesamte Prozess nutzt Deep-Learning-Frameworks wie TensorFlow, die von Analytics Zoo bereitgestellt werden, und die starke Rechenleistung der skalierbaren Intel Xeon Prozessorreihe.

In weiterer Folge nutzt Yunda auch Deep-Learning-Algorithmen für betriebliche Optimierungen. So stellte Yunda zum Beispiel für den Verladeprozess die klassische Frage der optimalen platzsparenden Anordnung. Das heißt, wenn Lieferungen mit unterschiedlicher Größe ankommen, ist es wichtig, die Anordnung, Ausrichtung und Platzierung der Lieferungen zu planen, um die Verlademenge zu maximieren und die Transportkosten zu senken. Mit Hilfe von Intel führte das KI-Team von Yunda Deep Learning ein, um die verschiedenen Faktoren dieser Fragestellung auszudrücken und erweiterte den Ansatz um Reinforcement Learning (auch bestärkendes bzw. verstärkendes Lernen genannt), um diese heuristische Strategie zu erlernen. Wenn KI auf diese Weise angewendet wird, sind die Ergebnisse deutlich besser als bei der traditionellen betrieblichen Optimierungsmethode.

Um auf diesen ersten Ergebnissen aufzubauen, werden die Teams beider Seiten zusammenarbeiten, um das Potenzial der Analytics-Zoo-Plattform noch stärker zu entfalten. In diesem Zusammenhang ist ein Upgrade der Größenmessung von Lieferungen geplant, für das eine weiter optimierte KI-Anwendung zum Einsatz kommt, um „präzise dreidimensionale Messungen“ zu erhalten und dadurch die Effizienz und Kosten noch mehr zu senken.

Vorhersage der Versandmenge

Das Geschäftsvolumen der Expressversandbranche Chinas wird von E-Commerce-Werbeaktionen wie „Double 11“ und „618“ (zwei extrem beliebten und großen Online-Shopping-Festivals in China) immens beeinflusst. Um die Herausforderungen von Geschäftsspitzen, die diese Werbeaktionen mit sich bringen, zu bewältigen und die Risiken wie überbordende Lagerhäuser einzudämmen, muss Yunda Logistikressourcen wie Transportfahrzeuge, Sortierer, Verpackungsmaterial usw. bereits im Vorfeld zusammensetzen.

Vorhersagen, die auf Basis vorheriger Erfahrungen gemacht werden, sind jedoch im Allgemeinen nicht zuverlässig genug. Nehmen wir die „618“-Promotion von 2018 als Beispiel. Zum damaligen Zeitpunkt war die Fußball-WM in Russland in vollem Gange. Daher waren viele Fußballfans in die Spiele vertieft und schenkten den E-Commerce-Werbeaktionen kaum Beachtung. Infolgedessen wurde eine große Menge an Logistikressourcen verschwendet. Angesichts dieser Situation hofft Yunda, eine genauere Vorhersagelösung für Versandmengen zu implementieren, indem das Unternehmen den Deep-Learning-Algorithmus Long Short-Term Memory (LSTM) nutzt, den die Analytics-Zoo-Plattform bereitstellt.

LSTM ist ein zeitlich rekursives neuronales Netz. Da LSTM historische Daten effektiv in langfristigen Arbeitsspeicher und kurzfristigen Arbeitsspeicher aufteilen kann, eignet sich dieser Ansatz ideal für die Entwicklung und Bereitstellung vorausschauender KI-Anwendungen. Unter Verwendung der Analytics-Zoo-Plattform erweiterte Yundas KI-Team die KI-Anwendungen basierend auf dem LSTM-Algorithmus nahtlos auf seinen Apache-Hadoop*-Cluster und nutzte so die riesige Menge an historischen Logistikdaten für Modelltrainings- und Inferenzzwecke.

Die skalierbarer Intel Xeon Prozessorreihe liefert für diesen Prozess starke Rechenleistung. Basierend auf den tatsächlichen Anforderungen von Yundas KI-Anwendungen optimierten Intel und Yunda die Lösung mit führender technischer Funktionalität wie der skalierbaren Intel Xeon Prozessorreihe, um bessere Leistungseigenschaften zu erzielen. Fortgeschrittene Technik wie die Intel® Advanced Vector Extensions 512 (Intel® AVX-512), die in der skalierbaren Intel Xeon Prozessorreihe integriert sind, liefern herausragende Leistung für Parallelverarbeitung und diese Art von Technik kann das Training und die Inferenz von Anwendungen erheblich beschleunigen.

Analytics Zoo: eine „Analyse+KI“-Plattform auf der Basis von Apache Spark

Um Benutzer dabei zu unterstützen, eine Reihe von KI-Anwendungen schnell und effizient auf Apache Spark zu entwickeln und die End-to-End-Entwicklung und Bereitstellung von Lösungen zu vereinfachen, führte Intel gemeinsam mit einer Reihe von Partnern Analytics Zoo (https://github.com/intelanalytics/analytics-zoo) ein. In dieser vereinheitlichten Analyse- und KI-Plattform sind KI-Frameworks wie TensorFlow*, Keras* und BigDL* nahtlos in denselben Prozess integriert. Zudem ist eine einfache horizontale Skalierung in große Apache-Hadoop*/Spark-Cluster-Umgebungen möglich, so dass Benutzer verteiltes Training und Inferenz implementieren können.

Derzeit sind KI-basierte Vorhersagesysteme für Versandmengen in einigen der Verteilzentren von Yunda implementiert. Feedback von Frontline-Mitarbeitern zeigt, dass sich diese Deep Learning-basierte Lösung dem für Vorhersagen erwartete Ziel annähert und traditionelle, heuristische Vorhersagelösungen übertrifft, was Yunda dabei hilft, bessere Geschäftsgewinne und Kostensenkungen zu erzielen.

Erkennen von Anomalien im Rechenzentrum

Im Herzen des Versandlogistiksystems von Yunda tragen Yundas Rechenzentren die Verantwortung für die Analyse, Speicherung und Übertragung von Daten innerhalb des gesamten Betriebsablaufs auf ihren Schultern. Die Rechenzentren übernehmen auch Aufgaben, die mit verschiedenen Anwendungen in Zusammenhang stehen, zum Beispiel Datenmodellentwicklung, Datenextraktion, Transformation und Laden, automatisches Reporting sowie Algorithmus-Entwicklung. Derzeit sind fast alle Geschäftsaktivitäten von Yunda auf seine Rechenzentren angewiesen.

Aufgrund der rasanten Geschäftsentwicklung sind Yundas Rechenzentren mit zahlreichen Herausforderungen konfrontiert. Der lange technische Entwicklungszyklus und hohe Kosten verringern im Laufe der Zeit die Effizienz der Rechenzentren bei der Ausführung komplexer Analysen von Big-Data-Pools. Eine Verbesserung der Rechenzentrumseffizienz kann mit der Geschwindigkeit des Geschäftswachstums kaum mithalten, was bedeutet, dass Yunda in Spitzenzeiten wie der „Double11“- und der Spring-Festival-Werbeaktion möglicherweise zu kämpfen hat. Weitere Herausforderungen, mit denen das Unternehmen konfrontiert ist, sind Hacking und Datenstaus.

Yunda ist in der Lage, den LSTM-Deep-Learning-Algorithmus, den die Analytics-Zoo-Plattform bereitstellt, zu nutzen, um diese Herausforderungen zu bewältigen. Der LSTM-Algorithmus kann die Leistung des neuronalen Netzes durch differenzierte Arbeitsspeicherinformation verbessern und Informationen genauer analysieren und unterscheiden. Auf diese Weise bietet der LSTM-Algorithmus einzigartige Vorteile für die Datenanalyse und Vorhersage.

Für die Vorhersage von Datenstaus implementiert Yundas KI-Team beispielsweise Server mit LSTM-Algorithmus im Datenspeichersystem seiner Rechenzentren. Mithilfe des Algorithmus kann das System das Training kontinuierlich verstärken, indem es wichtige Informationen in den bestehenden Protokollen (z. B.Zeit und Hardware-Adresse) verwendet und eine große Menge an irrelevanten Daten herausfiltert. Durch umfangreiches Training und Inferenz, diese Protokolldaten nutzt, kann das System potenzielle Risiken und Schwächen der Rechenzentren genau vorhersagen.

Während der Implementierung dieser KI-Anwendung stellte Intel eine Reihe von integrierten Lernmodellen, die auf dem LSTM-Algorithmus basieren, über die Analytics-Zoo-Plattform bereit und lieferte dem KI-Team von Yunda eine Fülle von Anwendungsfällen als Referenz. Intel stellte zudem über Remote-, Vor-Ort- und Telefon-Support ein Team erfahrener Experten bereit, das Yunda dabei helfen sollte, Geschäftsmodelle so effizient wie möglich aufzubauen und bei halbem Einsatz das doppelte Ergebnis zu erzielen.

Ein Blick in die Zukunft

Durch die Zusammenarbeit bei der Entwicklung von KI-Anwendungen für die „Größenmessung“, „Erkennung von Anomalien im Rechenzentrum“ und „Vorhersage von Versandmengen“ haben Yunda und Intel einen effizienten Kommunikationsmechanismus eingerichtet und Erfahrungen beim Aufbau von Geschäftsmodellen gesammelt. Diese Zusammenarbeit hat Ergebnisse erzielt, die bei Yunda von den Frontline-Mitarbeitern bis zum Management einstimmig empfohlen wurden. Yunda plant, diese KI-Anwendungen in großem Umfang innerhalb der nächsten zwei Jahre in Städten wie Peking, Shanghai, Guangzhou und Shenzhen zu implementieren.

Darüber hinaus plant Yunda die Entwicklung und Bereitstellung weiterer KI-Anwendungen, die auf der Analytics-Zoo-Plattform basieren, sowie den Einsatz weiterer fortschrittlicher Produkte und Technik von Intel. Ein solcher Plan besteht darin, Sprachverarbeitungstechnik für natürliche Sprache einzuführen, um ein brandneues intelligentes Kundendienstsystem aufzubauen. Dies wird Yunda nicht nur dabei helfen, den aktuellen Druck von seinem Kundendienstteam zu nehmen und die Servicequalität zu verbessern, sondern auch die Voraussetzung bieten, dass Kundendienstinformationen digitalisiert und damit zu einer weiteren wertvollen Datenressource werden.

Darüber hinaus plant Yunda die Einführung von Video Processing Units (VPUs) wie dem Intel® Movidius™ Myriad™ X Vision Processing Unit (VPU). Ziel dieses Vorhabens ist die Verbesserung der Qualität und Effizienz der optischen Zeichenerkennung (OCR), indem die VPUs in Highspeed-Fotogeräten eingesetzt werden und die Vorteile der leistungsstarken KI-Verarbeitung am Netzwerkrand, die die VPUs bereitstellen, nutzen.

In Zukunft wird die Anwendung verschiedener neuer Technik – etwa Robotern, intelligenter Lagerhäuser, autonomer Fahrzeuge und intelligenter Express-Packstationen – die intelligente Transformation von Yunda noch weiter voranbringen. Dies wird Yunda die Voraussetzungen bieten, um hunderten Millionen von Benutzern bessere und komfortablere Dienste anzubieten und sich zu einem Modellunternehmen zu entwickeln, das in der Expressversandbranche führende technische und geschäftliche Innovationen einsetzt.

Um die Effizienz der Entwicklung und Bereitstellung zu erhöhen, bietet Analytics Zoo den Benutzern detaillierte durchgehende Datenflussanalyse und KI-Unterstützung:

  • Einfach einzusetzende Abstrahierungsmodelle wie Verarbeitungsablaufunterstützung für Spark DataFrame und ML, Transport-Lern-Unterstützung und POJO-Stil-Service-APIs
  • Gängige Funktionsoperationen für Bilder, Text und 3D-Bilder
  • Integrierte Deep-Learning-Modelle wie Textkategorisierung, Empfehlung und Objekterkennung
  • Referenz-Anwendungsfälle wie die Erkennung von Zeitfolge-Anomalien, Betrugserkennung, Suche nach ähnlichen Bildern usw.

PDF herunterladen ›