Maskinlæring forutser forsinkede pakker hos PostNord

Hver gang PostNord sender en pakke, blir den skannet omkring ti ganger før den kommer fram til mottakeren.

Når rundt 1 million pakker i Norden daglig går gjennom systemet, betyr det at omkring 10 millioner datapunkter blir generert hver eneste dag. For ett år siden begynte PostNord å analysere alle dataene i eventloggen.

– Vi fant ut at vi kunne bruke disse dataene til å lage forutsigelser – for eksempel om hvorvidt pakker blir forsinkede, forteller Petter Edlund, som er Head of Business IT i PostNord.

Det gjelder ifølge Edlund 3–5 prosent av pakkene.

– Historisk har vi gjort dette manuelt, men ofte skjer det ganske enkelt ikke, siden det tar for lang tid og er en tungvint manuell prosess. Så treffraten for det manuelle systemet var på under ti prosent, forteller han.

Med en maskinlæring-løsning har effektiviteten økt betydelig. Systemet – som går under navnet Egil – kan korrekt forutsi halvparten av PostNords forsinkede pakker, bare på bakgrunn av eventlog-data.

– For tiden jobber vi med å forbedre modellen ved å tilføye lokasjonsdata, slik at vi kan regne ut hvor en pakke burde være på et bestemt tidspunkt for å komme fram i tide.

Les også: Nordeas datadirektør vil ikke jakte enhjørninger: Data science er et teamarbeid (pro.ing.dk/Datatech - krever abonnement)

Modellen skal forbedres

Modellen – som kalles «Risk for Delay» – gir hver pakke en risikofaktor som representerer sannsynligheten for at pakken ikke kommer frem i tide. Hver gang pakken blir skannet, justeres denne risikoen, og hvis den når en bestemt grenseverdi, forventer systemet at pakken forsinkes.

– Denne informasjon blir deretter sendt til våre kontrolltårn, og til brukeren som har sendt pakken, forteller Petter Edlund.

– Vi vil gjerne gå videre med å sende informasjonen ut til mottakeren også, men før vi gjør det, vil vi gjerne at modellen skal bli enda bedre. Vi har ikke lyst til å si til mottakeren at pakken er forsinket hvis den ikke er det, og omvendt.

Maskinlæring-modellen kan også brukes til å forbedre PostNords nåværende utregning av ETA – Estimated Time of Arrival. Allerede i dag har PostNord kunnskap ned på timebasis om når en sending forventes å være framme.

– Men dette er ikke detaljer som vi informerer kunder om, fordi vi vil være sikre på at vi kan håndtere det når det oppstår plutselige hendelser som trafikkorker, sier Petter Edlund. – Med maskinlæring kan vi forbedre forutsigelsene våre, slik at vi kan informere brukeren mer nøyaktig.

På et sølvfat

Før PostNord overhodet kunne begynne å overveie maskinlæring, måtte konsernet gi hele it-infrastrukturen sin en overhaling.

– For tre år siden begynte vi med å innføre en helt ny it-tilgang, hvor vi opprettet agile teams i logistikk- og e-commerce-avdelingene våre. Vi koblet ut legacysystemene våre fra alle våre kundetilpassede løsninger og begynte å utvikle apper, API-er og nettgrensesnitt i AWS, forteller Petter Edlund.

– Samtidig ble alle data flyttet opp i Elasticsearch på skyen til Amazon, slik at vi kan cache det og indeksere det og ha et raskt brukergrensesnitt for alle tjenestene våre.

Da PostNord senere begynte å se på maskinlæring, ble alt sammen servert på et sølvfat, sier Edlund.

– Dataene var allerede i skyen, og allerede cachet i Elasticsearch. Vi kunne gå direkte i gang med å jobbe med dataene og bygge modellene over dem, sier han.

Krevende å gå i produksjon

Petter Edlund ser på it-moderniseringen som avgjørende for å lykkes med maskinlæring-prosjektet.

– Jeg tror at dette er noe som mange andre også sliter med. Man kan bygge en prototyp og trene en algoritme. Men det å ta den derfra og til produksjon, er vanligvis ganske vrient, sier han.

– Den nye infrastruktur var helt og holdent nødvendig før vi kunne starte med maskinlæring, understreker han.

Modellene som brukes er alle open source med XGBoost som den mest populære, forteller Petter Edlund.

De rette personene

Hele Egil-prosjektet er styrt av to personer i PostNord. De har definert hvordan pipelinen må henge sammen og trent modellen. Det handler om kvalitet framfor kvantitet, bemerker Petter Edlund.

– Min erfaring er at hvis du har de to riktige, dyktige personene, kan de gjøre utrolig mye, og få raske resultater. Jeg foretrekker en arbeidsmodell der få personer jobber på et produkt framfor å gjennomføre store undersøkelser eller drive store, lange prosjekter med hundrevis av personer.

Med Egil-prosjektet i produksjon ser PostNord også på andre bruksområder for maskinlæring – som for eksempel i sorteringsmaskinene i samarbeid med leverandøren av maskinene.

– Modellene kan lære å kjenne igjen etiketter som ikke er standardiserte. Spesielt fra Kina får vi mange etiketter som ikke følger standarden for hvor de forskjellige informasjonene står. Det har tvunget oss til manuell sortering av disse pakkene.

Og det er ikke småtterier som en god modell kan bidra med i en slik sammenheng.

– I Sverige hadde vi i fjor en periode med opptil 160 000 pakker fra Kina om dagen gjennom Arlanda, og disse var vi nødt til å sortere manuelt. Så det er et enormt problem.

Etter dette har nye tollregler lagt en demper på svenskenes lyst til å kjøpe fra Kina. Men PostNord forventer at interessen vender tilbake. Og når det skjer, er bedriften bedre forberedt med maskinlæring.

Artikkelen har tidligere vært publisert på Datatech. Datatech tilhører Teknologiens Mediehus.