Ak ste strávili akýkoľvek čas v priestore automatizovaných doručovacích vozidiel – či už ako operátor vozového parku, manažér logistiky alebo len niekto, kto čaká na doručenie balíka bez ľudského vodiča za volantom – viete, že humbuk okolo týchto systémov je skutočný. Ale ak ste dodávateľom, ktorý má za úlohu zostaviť, integrovať a škálovať tieto vozidlá, humbuk rýchlo vyprchá, keď sa budete pozerať na milión malých detailov, o ktorých sa nedá vyjednávať, ktoré udržujú vozový park v pohybe spoľahlivo, bezpečne a nákladovo efektívne. Za posledných šesť rokov náš tím navrhol, nasadil a optimalizoval viac ako 200Automatizované doručovacie vozidláv 12 mestách v USA a jedna lekcia ma uviazla viac ako ktorákoľvek iná: najčastejšou medzerou medzi „fungujúcim prototypom“ a „škálovateľnou, ziskovou flotilou“ nie je hardvér alebo senzorová technológia, ale správa údajov. Príliš veľa tímov zaobchádza s údajmi v autonómnom poskytovaní ako s dodatočným nápadom, s niečím, čo treba zhromaždiť a archivovať na účely dodržiavania predpisov alebo kontroly po incidente. V skutočnosti je to chrbtica každého rozhodnutia, ktoré tieto vozidlá urobia, od trasy, ktorou idú o 2:00 až po to, ako sa prispôsobia, keď sa objaví stavebná zóna. V tomto príspevku rozoberiem nespochybniteľné požiadavky na správu údajov, ktoré sme zdokonalili počas tisícok dodávok, a prečo preskočenie čo i len jedného môže potopiť flotilu skôr, ako zasiahne prvý rok prevádzky.
Po prvé, poďme to uzemniť v realite toho, čo je našeDodávkové vozidlo bez vodičavlastne robí každý deň. Na rozdiel od autonómnych osobných áut, ktorým stačí presunúť jednu osobu z bodu A do bodu B, naše vozidlá zvládajú viac ako 15 zastávok na trase, prepravujú tovar citlivý na teplotu (potraviny, liečivá, dokonca aj mrazené potraviny) a fungujú v prostrediach, ktoré siahajú od tichých slepých prímestských oblastí až po husté centrá mesta s dvoma zaparkovanými autami a chodcami. Každá z týchto úloh generuje ohromujúci objem údajov – od mračien bodov LiDAR, ktoré mapujú každý výmoľ a chodcov, cez telemetriu, ktorá sleduje úroveň nabitia batérie a stav zámku dverí, až po neštruktúrované zábery z vonkajších a vnútorných kamier, ktoré sú rozhodujúce pre bezpečnosť aj riešenie, ak zákazník nahlási chýbajúci alebo poškodený balík. Na začiatku nášho nasadenia sme sa pokúšali zaobchádzať so všetkými týmito údajmi rovnako: ukladať ich do jedného cloudového segmentu bez štandardizácie a pozerať sa na ne iba vtedy, keď sa niečo pokazilo. Tento prístup viedol k dvom obrovským problémom: plytvali sme 35 % nášho mesačného prevádzkového rozpočtu na ukladanie irelevantných, nadbytočných údajov, a keď došlo k incidentu (napríklad vozidlo odklonené, aby sa vyhlo psovi), strávili sme viac ako 12 hodín preberaním neoznačených údajov, aby sme zrekonštruovali, čo sa stalo. Rýchlo sme si uvedomili, že granulárna správa údajov na základe rolí nie je príjemná – je to základná požiadavka na automatizované doručovanie.
Ako teda táto štruktúra založená na rolách vyzerá v praxi? Pre náš telematický tím je prijímanie údajov v reálnom čase neúnosné. nášDodávkové autonómne vozidloodosiela viac ako 100 dátových bodov za sekundu späť do nášho riadiaceho centra, vrátane súradníc GPS, brzdného tlaku, stavu nabitia batérie a stavu kalibrácie snímača. Ak zlyhá kamera vozidla uprostred trasy, musíme to vedieť do 10 sekúnd, nie do 10 minút, pretože jedna zlyhaná kamera môže znamenať rozdiel medzi bezpečným zastavením a zrážkou so zaparkovaným autom. Aby to fungovalo, vytvorili sme dátový kanál v reálnom čase, ktorý uprednostňuje kritické bezpečnostné údaje (zdravie snímača, detekcia prekážok) na prenos s nízkou latenciou, zatiaľ čo nekritické údaje (týždenné záznamy tlaku v pneumatikách, rutinné kontroly kalibrácie kamier) sa zhromažďujú a odosielajú cez noc, keď je preťaženie siete nízke a šírka pásma je lacnejšia. Tento kompromis nielenže znížil naše mesačné náklady na prenos dát o 28 %, ale skrátil aj náš priemerný čas na vyriešenie (MTTR) problémov súvisiacich s bezpečnosťou z 90 minút na menej ako 5 minút. Pre prevádzkové tímy sa požiadavka presúva na štruktúrované, dotazovateľné údaje o doručení: časy zastávok, efektívnosť trasy, typ balíka a poznámky o prístupe zákazníka (ako napríklad „kód brány 123, vystúpte pri bočných dverách“). Predtým, ako sme tieto údaje štandardizovali, náš operačný tím manuálne zadával viac ako 10 polí na doručenie, čo viedlo k tomu, že 15 % trás malo nesprávne časy zastávok a 8 % balíkov bolo omylom označených ako nedoručené. Teraz spájame každú dodávku so štandardizovanou dátovou schémou, takže tím môže zostaviť správu o „všetkých dodávkach potravín v Chicagu, ktoré sa oneskorili kvôli výstavbe“ na 2 kliknutia, namiesto toho, aby trávil hodiny čistením neštruktúrovaných tabuliek. Táto úroveň štruktúry nie je len o znížení práce správcu – je to o škálovaní. Keďže pridávame nové vozidlá alebo vstupujeme na nové trhy, nemôžeme si dovoliť zakaždým vybudovať nový dátový systém od nuly. Štandardizovaná schéma nám umožňuje vstup na nový trh za 2 týždne v porovnaní s 2 mesiacmi, ktoré trvali pri našom prvom nasadení.
Druhou požiadavkou na správu veľkých dát, ktorú sme sa naučili tvrdo, je spoľahlivosť a redundancia. Automatizované doručovacie vozidlá si výpadky dát nemôžu dovoliť – a ani ich operátori. Ak vozidlo stratí spojenie so svojím dátovým serverom uprostred trasy, nemalo by len zamrznúť alebo jazdiť naslepo, kým sa spojenie neobnoví. Začiatkom roku 2021 sme mali flotilu 15Dodávkové autá bez vodičav Austine v Texase, ktorý zaznamenal 4-hodinový výpadok siete v dôsledku prerušenia vlákna. Bez miestneho ukladania údajov o samotných vozidlách sa všetky zastavili na okraji cesty, zablokovali cyklistické pruhy a spustili 21 netiesňových volaní na miestnu políciu. Tento incident nás stál 45 000 dolárov na pokutách plus dôveru nášho logistického partnera, ktorý takmer stiahol celú zmluvu. Potom sme kompletne prepracovali našu dátovú architektúru tak, aby zahŕňala edge computing na každom vozidle. Teraz má každé vozidlo s automatickým doručovaním 2 TB zabudovaný server, ktorý lokálne ukladá 7 dní údajov v reálnom čase, takže ak dôjde k výpadku pripojenia ku cloudu, vozidlo môže pokračovať v bezpečných rozhodnutiach o správnej trase. Po obnovení pripojenia sa lokálne údaje automaticky synchronizujú späť do cloudu so vstavanými kontrolami, aby sa predišlo duplicitným záznamom. Implementovali sme tiež stratégiu multicloudovej redundancie, takže ak má jeden cloudový poskytovateľ výpadok, dáta sú smerované k sekundárnemu poskytovateľovi do 30 sekúnd. Toto nie je len technická oprava – je to obchodná požiadavka. Naši logistickí klienti sa spoliehajú na tieto vozidlá, aby splnili krátke dodacie lehoty, a spoľahlivosť údajov sa priamo premieta do včasných sadzieb, spokojnosti zákazníkov a lojality k značke.
Tretím, a často prehliadaným, je súkromie údajov a dodržiavanie predpisov. Automatizované doručovacie vozidlá zhromažďujú obrovské množstvo osobných údajov, od záberov z kamier obytných príjazdových ciest až po súradnice GPS, ktoré sledujú, kedy je zákazník doma. V USA sme viazaní federálnymi predpismi, ako je kalifornský zákon o ochrane osobných údajov spotrebiteľov (CCPA) a zákon o ochrane spotrebiteľských údajov vo Virgínii (VCDPA), plus pravidlá na štátnej úrovni, ktoré sa môžu dramaticky líšiť. V medzinárodnom meradle, ak expandujeme do Európy, budeme podliehať GDPR, ktoré má jedny z najprísnejších pravidiel ochrany osobných údajov na svete. Na začiatku sme mali problém: naše vonkajšie kamery zachytávali zábery tvárí zákazníkov, keď sa blížili k ich dverám, a my sme tieto zábery uchovávali na neurčito pre „bezpečnostné účely“. To viedlo k trom sťažnostiam zákazníkov v Kalifornii a uvedomili sme si, že vystavujeme našich zákazníkov aj našu spoločnosť vážnemu právnemu riziku. Okamžite sme aktualizovali naše zásady ochrany osobných údajov, aby obsahovali dve kľúčové pravidlá ochrany osobných údajov: po prvé, kamerový záznam sa automaticky anonymizuje do 24 hodín, takže tváre a poznávacie značky sú pred uložením rozmazané. Po druhé, zákazníci môžu požiadať o vymazanie všetkých údajov súvisiacich s ich doručením (vrátane záznamov GPS, záznamov z kamery a podrobností o balíku) do 72 hodín od dokončenia ich doručenia. Vybudovali sme tiež systém kontroly prístupu k údajom, ktorý obmedzuje prístup k osobným údajom: iba náš tím na ochranu osobných údajov môže prezerať anonymizované zábery na účely vyšetrovania a všetok prístup sa zaznamenáva a kontroluje štvrťročne. Táto úroveň súladu nie je voliteľná. Jedna pokuta za ochranu osobných údajov môže spoločnosť stáť milióny dolárov a dodávateľa, ako sme my, môže narušiť vzťahy s podnikovými klientmi, ktorí majú veľmi prísne požiadavky na dodržiavanie predpisov. Pred niekoľkými mesiacmi sme pripojili národný reťazec potravín, ktorý vyžadoval úplný audit ochrany osobných údajov ako súčasť procesu registrácie dodávateľa. Náš štruktúrovaný a vyhovujúci dátový systém bol obrovským rozdielom a táto zmluva je teraz našou doteraz najväčšou.


Po štvrté, údaje pre neustále zlepšovanie. Žiadny automatizovaný doručovací systém nie je dokonalý v prvý deň – vždy budú existovať okrajové prípady: dieťa naháňajúce loptu na ulicu, zaparkovaný idúci kamión blokujúci chodník, zákaznícka brána, ktorá je skrytá za zarastenými kríkmi. Na opravu týchto okrajových prípadov potrebujete údaje, ktoré sa nielen zbierajú, ale sú označené a analyzované. Naša prvá generácia softvéru na autonómne doručovanie mala problémy s vyzdvihovacími zónami a mali sme 12 prípadov, keď vozidlo zašlo príliš ďaleko do parkovacieho pruhu a blokovalo ostatné autá. Uvedomili sme si, že sa zbierajú naše údaje, ale neboli označené, aby sa ukázalo, prečo sa tieto chyby dejú. Preto sme vytvorili tím anotátorov údajov, ktorí kontrolujú 10 % záznamov z kamier každej dodávky a údajov LiDAR, označovania prekážok, stavu vozovky a činnosti vodiča (alebo v tomto prípade vozidla). V priebehu troch mesiacov sme označili viac ako 50 000 okrajových prípadov a boli sme schopní aktualizovať náš softvér tak, aby rozpoznal zóny vyzdvihnutia pri obrubníku, čím sme znížili počet týchto incidentov o 85 %. Tento cyklus neustáleho zlepšovania je možný len vtedy, ak sú vaše údaje spravované tak, aby ho podporovali. Ak sú vaše údaje neštruktúrované alebo uložené spôsobom, ktorý sa ťažko hľadá, nemôžete nájsť hraničné prípady, nemôžete opraviť softvér a zaostanete za konkurentmi, ktorí sa opakujú rýchlejšie. Pre nás to znamená vyčleniť 15 % z nášho prevádzkového rozpočtu každý mesiac na označovanie údajov a analýzu, čo je náklad, ktorý považujeme za investíciu, nie za výdavok. Za posledné dva roky sa to premietlo do 12% zlepšenia včasného doručenia a 40% zníženia bezpečnostných incidentov, čo nám pomohlo znížiť naše náklady na poistenie o 30%.
Nakoniec škálovateľnosť. Ako dodávateľ automatizovaných doručovacích vozidiel nepredávame len produkt – predávame službu, ktorá porastie s našimi klientmi. Už sme mali požiadavky na pridanie monitorovania teploty pre dodávky liekov, integráciu s logistickým softvérom tretích strán a dokonca aj na pridanie bezkontaktného vrátenia tovaru. Všetky tieto funkcie sa spoliehajú na údaje a náš systém správy údajov sa musí vedieť rýchlo prispôsobiť. Na začiatku sme postavili našu dátovú architektúru na modulárnom rámci, takže môžeme pridávať nové dátové typy bez prepracovania celého systému. Napríklad, keď náš klient požiadal o sledovanie teploty pre dodávky mrazených potravín, jednoducho sme pridali nový senzor do vozidiel, aktualizovali našu dátovú schému tak, aby zahŕňala údaje o teplote, a integrovali sme nový dátový bod do nášho potrubia v reálnom čase. Celý proces trval menej ako týždeň, zatiaľ čo nášmu prvému dátovému systému trvalo pridanie jedného nového dátového typu 6 týždňov. Škálovateľnosť tiež znamená schopnosť zvládnuť rastúce objemy údajov. Keď sa náš vozový park rozšíri z 200 na 500 vozidiel, budeme zhromažďovať 5x viac údajov a náš systém musí byť schopný škálovať bez exponenciálneho zvyšovania nákladov. Použitím cloudového úložiska s automatickým škálovaním a edge computingom na vozidlách sme dokázali udržať naše náklady na dáta na vozidlo na rovnakej úrovni, ako sme rástli, čo je rozhodujúce pre udržanie konkurencieschopných cien pre našich klientov.
Ak ste poskytovateľom logistiky a hľadáte partnerstvo so spoľahlivým dodávateľom vozidiel na automatické doručovanie, alebo podnikovým operátorom, ktorý chce pridať tieto vozidlá do svojho vozového parku, správa údajov by mala byť na prvom mieste vášho zoznamu otázok. Nie je to len technický detail – je to to, čo určuje, či môže flotila fungovať bezpečne, spoľahlivo a ziskovo. Za posledných šesť rokov sme videli, že príliš veľa sľubných projektov autonómneho doručovania zlyhalo, pretože obmedzili správu údajov, či už ide o ignorovanie pravidiel ochrany osobných údajov, absenciu nadbytočných systémov alebo zlyhanie pri iterácii softvéru pomocou údajov z reálneho sveta. Pre nás,Dodávkové vozidlá bez vodičaktoré vytvárame, nie sú len kusy hardvéru – sú to systémy generujúce údaje a správna správa týchto údajov je jediný spôsob, ako splniť prísľub autonómneho doručovania: rýchlejšiu, lacnejšiu a spoľahlivejšiu logistiku pre každého.
Ak ste pripravení preskúmať, ako môžu naše automatizované riešenia doručovania založené na údajoch fungovať pre vašu firmu, alebo sa chcete dozvedieť viac o procese nasadzovania nášho vozového parku, budeme radi, ak sa nám ozvete.
Referencie:
- Národný úrad pre bezpečnosť cestnej premávky (NHTSA). (2022). Automatizované jazdné systémy: Vízia bezpečnosti 2.0. Ministerstvo dopravy USA.
- Medzinárodná organizácia pre normalizáciu (ISO). (2021). ISO 22737: Inteligentné dopravné systémy – Automatizované jazdné systémy (ADS) pre ľahké cestné vozidlá – Požiadavky na výkon a skúšobné postupy.
- Kalifornský zákon o ochrane súkromia spotrebiteľov (CCPA). (2020). Text kalifornského zákona o ochrane súkromia spotrebiteľov. Kalifornský úrad správneho práva.
- McKinsey & Company. (2023). Autonómne doručovanie: škálovanie poslednej míle. Globálna prax v oblasti technológií, médií a telekomunikácií.
- Spoločnosť automobilových inžinierov (SAE International). (2021). Taxonómia a definície termínov súvisiacich so systémami automatizácie riadenia pre cestné motorové vozidlá (J3016).
