🚚 Logistics AI - системы supply chain-аналитики

Logistics AI которому доверяет
и диспетчер, и регулятор

AI-системы для парков, складов и 3PL - оптимизация маршрутов, demand sensing, предиктивное обслуживание, WMS-автоматизация. Каждое решение объяснимо, каждая модель задокументирована. Под 152-ФЗ для driver data и требования Минтранса.

⚠️ Регулируемая отрасль

Logistics AI - это не чёрный ящик

Каждое решение должно иметь объяснение - для регулятора, для пользователя и для внутреннего аудитора.

100%
Объяснимые решения
ELD-aware
fleet design
ISPS + IMO
maritime
Audit-aware
проектирование
⚙️ Решения Logistics AI

AI end-to-end для отрасли

🗺️

Route Optimization

Vehicle routing с реалистичными constraints.

  • Time windows + service times
  • Режим труда и отдыха водителя (HOS)
  • Multi-depot + backhaul
  • Live re-routing на события
📊

Demand Sensing

Short-horizon demand sensing для пополнения.

  • Daily / hourly demand sensing
  • Fusion внешних сигналов (погода, события)
  • Pipeline integration с WMS / ERP
  • MAPE reported по lane / SKU
🔧

Predictive Maintenance

Предсказание отказов для парка и складского оборудования.

  • Sensor fusion (vibration, temperature, oil)
  • Remaining-useful-life (RUL) modelling
  • Интеграция с maintenance scheduling
  • Моделирование cost of false-positive
📦

WMS Automation

Slot allocation, pick path оптимизация, exception detection.

  • Slot allocation по velocity + weight
  • Pick path оптимизация
  • Damage / mispick detection
  • ERP / WMS интеграция
🛡️

Driver Data Privacy

Обработка telematics, совместимая с 152-ФЗ и GDPR.

  • Минимизация персональных данных
  • Workflow согласия водителя
  • Право на доступ + portability
  • Контроль retention
🔐

Model Governance

Документация, мониторинг и rollback каждой production-модели.

  • Model registry с lineage
  • Drift detection по demand сигналам
  • Champion / Challenger flow
  • Воспроизводимый feature engineering
📋 Регуляторика

Готово под каждого регулятора

🇷🇺

РФ: 152-ФЗ, требования Минтранса, ФЗ-259

152-ФЗ для driver и shipper data, требования Минтранса по тахографам и режиму труда и отдыха, ФЗ-259 (Устав автомобильного транспорта), электронные транспортные накладные и ГИС ЭПД.

🇮🇱

Израиль: Минтранс, закон о защите приватности, порты

Требования Министерства транспорта по тахографам и часам вождения, Закон о защите приватности (включая поправку 13) для телематики водителей, режим ISPS в портах Хайфы и Ашдода, электронное таможенное декларирование.

🇪🇺

ЕС: GDPR (driver data), eCMR, ISPS, IMO

GDPR для driver и shipper data, eCMR digital consignment notes, ISPS Code для port-facility security, IMO 2021 cybersecurity guidelines для ship management.

🇺🇸

США: ELD, FMCSA, DOT, CCPA

Мандат FMCSA на электронные бортовые самописцы (ELD), требования DOT по hours-of-service, CCPA для данных водителей в Калифорнии, рекомендации NIST по кибербезопасности подключённого транспорта.

🌍

Операционные controls + audit trail

Целостность sensor-data, segregation of duties, audit trail для каждого routing / dispatch решения - построено под customer audit и regulator inspection.

📊 Отраслевые бенчмарки

Что ожидать от Logistics AI в production

Большинство моделей падают не на демо - а в production: drift, audit, интеграция. Вот что показывают публичные индустриальные исследования и где наш архитектурный вклад.

🗺️

Route optimization - экономия топлива и времени

Что показывает индустрия: Top-quartile парки отчитываются о 10-15% снижении топлива + 8-12% снижении времени с реалистичным constraint-based vehicle routing vs naive Google-Maps baseline (Gartner supply chain 2024).

Где входим мы: Time windows + service times, режим труда и отдыха водителя, multi-depot + backhaul, live re-routing на события - constraints honoured, не 'closest first'.

  • Time windows и service times honoured
  • Соблюдение режима труда и отдыха (не just shortest path)
  • Multi-depot и backhaul
  • Live re-routing на traffic + отмены
🔧

Predictive maintenance MTBF lift

Что показывает индустрия: Sensor-fusion predictive maintenance увеличивает mean-time-between-failures на 20-35% для fleet и warehouse оборудования vs interval-based maintenance (Bain industrial 2024).

Где входим мы: Sensor fusion (vibration, temperature, oil), remaining-useful-life modelling, интеграция с maintenance scheduling, cost of false-positive modelled - не just 'replace at threshold'.

  • Sensor fusion (не single-signal)
  • RUL modelling (не threshold heuristic)
  • Maintenance scheduling integrated с WMS / ERP
  • Cost of false-positive modelled
📊

Demand sensing forecast error

Что показывает индустрия: Daily / hourly demand sensing в комбинации с external signals снижает lane-SKU forecast error на 20-30% vs weekly baseline (McKinsey supply chain 2024).

Где входим мы: Daily / hourly demand sensing, fusion внешних сигналов (погода, события), pipeline integration с WMS / ERP, MAPE reported по lane / SKU.

  • Daily / hourly гранулярность (не weekly)
  • Fusion внешних сигналов (погода, события)
  • Pipeline integration с WMS / ERP
  • MAPE reported по lane / SKU

* SLAtech с 2004 года. Работали с парками, 3PL и warehouse operators в 14 странах. Коммерческие примеры доступны на консультации.

❓ Частые вопросы

Что спрашивают до старта проекта

Наша телеметрия неполная - GPS теряется, часть машин без датчиков. Это блокирует проект?

Нет, но это определяет порядок работ. Сначала мы оцениваем качество трека: частоту точек, длину пропусков, дрейф координат на стоянках и долю машин с исправной телеметрией. Модель, обученная на невыверенных данных, будет уверенно ошибаться. Обычно первый этап - это очистка и map-matching, а не обучение.

Маршрутизатор строит маршруты, которые водитель не может выполнить. Почему так?

Потому что оптимизируется расстояние, а не выполнимость. Реальный маршрут ограничен временными окнами клиента, режимом труда и отдыха водителя, временем на погрузку, весом и габаритами машины, зонами доступа. Мы закладываем эти ограничения в саму постановку задачи, поэтому решение не требует ручной переделки диспетчером.

Как сделать так, чтобы клиент доверял прогнозу ETA?

Доверие ломает не ошибка прогноза, а молчание при её появлении. Мы отдаём ETA с интервалом неопределённости и перестраиваем его по событиям - пробка, задержка на погрузке, отмена. Точка честности здесь в том, чтобы сообщать о сдвиге раньше, чем клиент сам заметит опоздание.

Нужно ли менять TMS или WMS ради AI?

Как правило нет. Оптимизатор и прогнозные модели встраиваются рядом с существующим контуром через API: система остаётся системой учёта, AI возвращает в неё рекомендацию и объяснение. Замена TMS - это отдельный проект, и смешивать его с внедрением AI мы не советуем.

Как обрабатываются персональные данные водителей?

Телематика - это персональные данные: она показывает, где человек был и как ехал. Мы минимизируем состав данных, отделяем идентификаторы от трека, документируем основание обработки и сроки хранения. Для российского контура это 152-ФЗ, для израильского и европейского - местный закон о защите приватности и GDPR.

С чего начинается проект?

С разбора текущей операции: где диспетчер правит план вручную, сколько рейсов уходит в отклонение, какие данные уже собираются и кому принадлежат. Без этой картины автоматизация ускоряет не то, что реально мешает.

Готовы построить Logistics AI которому реально доверяет диспетчер?

30-минутная консультация - картируем supply-chain use case'ы, предложим архитектуру, посчитаем ROI.