اگر زمانی را در فضای خودروی تحویل خودکار گذرانده باشید - چه به عنوان یک اپراتور ناوگان، مدیر تدارکات، یا فقط کسی که منتظر نمایش بسته بدون راننده انسانی است - میدانید که هیاهوی این سیستمها واقعی است. اما اگر شما تامینکنندهای هستید که وظیفه ساخت، یکپارچهسازی و مقیاسبندی این وسایل نقلیه را بر عهده دارید، وقتی به میلیونها جزئیات کوچک و غیرقابل مذاکره خیره میشوید که ناوگان را با اطمینان، ایمن و مقرونبهصرفه حرکت میکند، به سرعت از بین میرود. طی شش سال گذشته، تیم ما بیش از 200 مورد را طراحی، مستقر و بهینه کرده استوسایل نقلیه تحویل خودکاردر 12 شهر ایالات متحده، و یک درس بیش از هر درس دیگری در ذهن من مانده است: رایج ترین شکاف بین "نمونه اولیه کار" و "ناوگان مقیاس پذیر و سودآور" سخت افزار یا فناوری حسگر نیست، بلکه مدیریت داده است. بسیاری از تیمها دادهها را در تحویل خودکار بهعنوان یک فکر بعدی، چیزی برای جمعآوری و بایگانی برای مطابقت یا بررسی پس از حادثه در نظر میگیرند. در واقع، این ستون فقرات هر تصمیمی است که این خودروها میگیرند، از مسیری که در ساعت 2 بامداد طی میکنند تا نحوه تنظیم زمانی که یک منطقه ساخت و ساز ظاهر میشود. در این پست، نیازمندیهای غیرقابل مذاکره مدیریت دادهها را که در هزاران بار تحویل انجام دادهایم، و اینکه چرا نادیده گرفتن یک ناوگان میتواند قبل از رسیدن به اولین سال بهرهبرداری ناوگان غرق شود را توضیح میدهم.
اول، بیایید این را در واقعیت آنچه ما داریم، پایه گذاری کنیموسیله نقلیه تحویل بدون رانندهدر واقع هر روز انجام می دهد. برخلاف خودروهای سواری خودران که فقط نیاز به جابجایی یک نفر از نقطه A به B دارند، وسایل نقلیه ما بیش از 15 توقف در هر مسیر را انجام میدهند، کالاهای حساس به دما (مواد غذایی، داروها، حتی مواد غذایی منجمد) را حمل میکنند و در محیطهایی کار میکنند که از خلوتهای حومهای آرام گرفته تا مناطق متراکم در مرکز شهر با ماشینهای دوبل و پریکوال کار میکنند. هر یک از این وظایف حجم خیرهکنندهای از دادهها را تولید میکند - از ابرهای نقطهای LiDAR که هر چاله و عابر پیاده را نقشهبرداری میکند، تا تلهمتری که سطح باتری و وضعیت قفل درب را ردیابی میکند، تا فیلمهای بدون ساختار از دوربینهای بیرونی و داخلی که برای ایمنی و وضوح در صورت گزارش یک بسته مفقود یا آسیب دیده از سوی مشتری، حیاتی است. در اوایل راهاندازی، سعی کردیم با همه این دادهها یکسان رفتار کنیم: آنها را در یک سطل ابری واحد، بدون استانداردسازی ذخیره کنیم، و فقط زمانی که مشکلی پیش آمد به آن نگاه کنیم. این رویکرد منجر به دو مشکل بزرگ شد: ما 35 درصد از بودجه عملیاتی ماهانه خود را برای ذخیره دادههای نامربوط و زائد تلف میکردیم، و زمانی که حادثهای رخ داد (مثلاً یک وسیله نقلیه برای جلوگیری از سگ منحرف شد)، بیش از 12 ساعت را صرف غربال کردن دادههای بدون برچسب برای بازسازی آنچه رخ داد کردیم. ما به سرعت متوجه شدیم که مدیریت دادههای ریز و مبتنی بر نقش کار خوبی نیست - این یک نیاز اصلی برای تحویل خودکار است.
بنابراین آن ساختار مبتنی بر نقش در عمل چگونه به نظر می رسد؟ برای تیم تلهماتیک ما، دریافت دادهها در زمان واقعی غیرقابل مذاکره است. ماتحویل خودروی خودمختاربیش از 100 نقطه داده در ثانیه را به مرکز فرماندهی ما ارسال می کند، از جمله مختصات GPS، فشار ترمز، وضعیت شارژ باتری و وضعیت کالیبراسیون سنسور. اگر دوربین یک وسیله نقلیه در وسط مسیر از کار بیفتد، باید بدانیم که در عرض 10 ثانیه، نه 10 دقیقه، زیرا یک دوربین از کار افتاده می تواند به معنای تفاوت بین توقف ایمن و برخورد با خودروی پارک شده باشد. برای انجام این کار، ما یک خط لوله داده بلادرنگ ایجاد کردیم که دادههای ایمنی حیاتی (سلامت حسگر، تشخیص موانع) را برای انتقال با تأخیر کم اولویتبندی میکند، در حالی که دادههای غیر بحرانی (گزارشهای هفتگی فشار باد لاستیک، بررسیهای معمول کالیبراسیون دوربین) دستهبندی میشوند و یک شبه ارسال میشوند، زمانی که ازدحام شبکه کم است و پهنای باند ارزانتر است. این مبادله نه تنها هزینه های انتقال داده ماهانه ما را تا 28 درصد کاهش داد، بلکه میانگین زمان حل (MTTR) ما را برای مسائل مربوط به ایمنی از 90 دقیقه به کمتر از 5 دقیقه کاهش داد. برای تیمهای عملیاتی، نیاز به دادههای تحویل ساختاریافته و قابل پرسوجو تغییر میکند: زمان توقف، کارایی مسیر، نوع بسته و یادداشتهای دسترسی مشتری (مانند "کد دروازه 123، تحویل درب کناری"). قبل از اینکه این داده ها را استاندارد کنیم، تیم عملیات ما به صورت دستی بیش از 10 فیلد را در هر تحویل وارد می کرد، که منجر به 15٪ از مسیرها شد که زمان توقف نادرست داشتند و 8٪ از بسته ها به اشتباه به عنوان تحویل نشده علامت گذاری شدند. اکنون، ما هر تحویل را به یک طرح داده استاندارد شده گره میزنیم، بنابراین تیم میتواند گزارشی درباره «تمام تحویلهای مواد غذایی در شیکاگو که به دلیل ساخت و ساز با 2 کلیک دیر انجام شدهاند» ارائه کند، نه اینکه ساعتها صرف تمیز کردن صفحات گسترده بدون ساختار بکند. این سطح از ساختار فقط به کاهش کار ادمین مربوط نمی شود - بلکه در مورد مقیاس گذاری است. همانطور که ما وسایل نقلیه جدید اضافه می کنیم یا وارد بازارهای جدید می شویم، نمی توانیم هر بار یک سیستم داده جدید از ابتدا بسازیم. یک طرح استاندارد شده به ما امکان می دهد در عرض 2 هفته وارد بازار جدیدی شویم، در مقایسه با 2 ماه که در اولین استقرار ما طول کشید.
دومین نیاز مدیریت کلان داده که به سختی آموختیم، قابلیت اطمینان و افزونگی است. وسایل نقلیه تحویل خودکار نمی توانند از عهده قطع شدن داده برآیند - و همچنین اپراتورهای آنها نمی توانند. اگر یک وسیله نقلیه در اواسط مسیر اتصال به سرور داده خود را قطع کند، نباید فقط یخ بزند یا کورکورانه رانندگی کند تا زمانی که اتصال دوباره برقرار شود. در اوایل سال 2021، ما یک ناوگان 15 نفره داشتیمماشین های تحویل بدون رانندهدر آستین، تگزاس، که به دلیل قطع فیبر دچار قطعی 4 ساعته شبکه شد. بدون ذخیره اطلاعات محلی در خود وسایل نقلیه، همه آنها به کنار جاده کشیده شدند، مسیرهای دوچرخه سواری را مسدود کردند و 21 تماس غیر اضطراری با پلیس محلی برقرار کردند. آن حادثه برای ما 45000 دلار جریمه به همراه داشت، به علاوه اعتماد شریک تدارکاتی ما که تقریباً کل قرارداد آنها را به پایان رساند. پس از آن، معماری دادههای خود را بهطور کامل بازطراحی کردیم تا محاسبات لبه را در هر وسیله نقلیهای شامل شود. اکنون، هر وسیله نقلیه تحویل خودکار دارای یک سرور داخلی 2 ترابایتی است که 7 روز داده بیدرنگ را به صورت محلی ذخیره میکند، بنابراین اگر اتصال ابری قطع شود، خودرو میتواند به تصمیمگیری ایمن و صحیح مسیر ادامه دهد. پس از بازیابی اتصال، دادههای محلی بهطور خودکار با بررسیهای داخلی برای جلوگیری از ورودیهای تکراری در فضای ابری همگامسازی میشوند. ما همچنین یک استراتژی افزونگی چند ابری را پیادهسازی کردیم، بنابراین اگر یک ارائهدهنده ابر قطع شود، دادهها در کمتر از 30 ثانیه به یک ارائهدهنده ثانویه هدایت میشوند. این فقط یک تعمیر فنی نیست - یک نیاز تجاری است. مشتریان تدارکات ما به این وسایل نقلیه تکیه می کنند تا با پنجره های تحویل تنگ مواجه شوند و قابلیت اطمینان داده ها مستقیماً به نرخ های به موقع، رضایت مشتری و وفاداری به برند ترجمه می شود.
سوم، که اغلب نادیده گرفته می شود، حفظ حریم خصوصی و انطباق داده ها است. وسایل نقلیه تحویل خودکار حجم عظیمی از دادههای شخصی را جمعآوری میکنند، از فیلمبرداری دوربین از مسیرهای مسکونی گرفته تا مختصات GPS که زمان حضور مشتری در خانه را ردیابی میکنند. در ایالات متحده، ما به قوانین فدرال مانند قانون حفظ حریم خصوصی مصرفکننده کالیفرنیا (CCPA) و قانون حفاظت از دادههای مصرفکننده ویرجینیا (VCDPA)، بهعلاوه قوانین سطح ایالتی که میتوانند بهطور چشمگیری متفاوت باشند، ملزم هستیم. در سطح بینالمللی، اگر به اروپا گسترش پیدا کنیم، مشمول GDPR خواهیم بود، که برخی از سختترین قوانین حفظ حریم خصوصی دادهها را در جهان دارد. اوایل، ما یک مشکل داشتیم: دوربینهای بیرونی ما از چهرههای مشتریان در حین نزدیک شدن به دربهایشان فیلم میگرفتند، و ما آن فیلم را بهطور نامحدود برای «منافع امنیتی» ذخیره میکردیم. این منجر به شکایت سه مشتری در کالیفرنیا شد و ما متوجه شدیم که مشتریان و شرکت خود را در معرض خطر جدی قانونی قرار میدهیم. ما بلافاصله خطمشی دادههای خود را بهروزرسانی کردیم تا شامل دو قانون کلیدی حفظ حریم خصوصی شود: اول، فیلمهای دوربین بهطور خودکار ظرف 24 ساعت ناشناس میشوند، بنابراین چهرهها و پلاکها قبل از ذخیرهسازی محو میشوند. دوم، مشتریان میتوانند درخواست کنند که تمام دادههای مربوط به تحویل (شامل سیاهههای GPS، فیلمبرداری دوربین و جزئیات بسته) ظرف 72 ساعت پس از تکمیل تحویل، حذف شود. ما همچنین یک سیستم کنترل دسترسی به دادهها ایجاد کردیم که دسترسی به دادههای شخصی را محدود میکند: فقط تیم حریم خصوصی ما میتواند فیلمهای ناشناس را برای اهداف تحقیق مشاهده کند، و همه دسترسیها هر سه ماه یکبار ثبت و حسابرسی میشوند. این سطح از انطباق اختیاری نیست. تنها یک جریمه حریم خصوصی داده ها می تواند میلیون ها دلار برای یک شرکت هزینه داشته باشد و برای تامین کننده ای مانند ما، می تواند روابط با مشتریان سازمانی را که الزامات انطباق بسیار دقیق دارند، خراب کند. چند ماه پیش، ما یک زنجیره خواربار فروشی ملی را وارد کردیم که به عنوان بخشی از فرآیند ورود فروشنده آنها به حسابرسی کامل حریم خصوصی داده ها نیاز داشت. سیستم دادههای ساختاریافته و منطبق با ما یک تمایز بزرگ بود و آن قرارداد اکنون بزرگترین قرارداد ما تا به امروز است.


چهارم، داده ها برای بهبود مستمر. هیچ سیستم تحویل خودکاری در روز اول کامل نیست—همیشه موارد حاشیه ای وجود خواهد داشت: کودکی که در حال تعقیب توپ در خیابان است، کامیون در حال حرکت پارک شده که پیاده رو را مسدود می کند، دروازه مشتری که در پشت بوته های بیش از حد رشد کرده پنهان شده است. برای رفع این موارد لبه، به داده هایی نیاز دارید که نه تنها جمع آوری شوند، بلکه برچسب گذاری و تجزیه و تحلیل شوند. نسل اول نرمافزار تحویل خودکار ما با مناطق پیکاپ کناری دست و پنجه نرم میکرد و 12 مورد داشتیم که یک وسیله نقلیه بیش از حد به یک خط پارک کشیده شد و اتومبیلهای دیگر را مسدود کرد. ما متوجه شدیم که دادههای ما در حال جمعآوری است، اما برچسبی برای نشان دادن اینکه چرا آن اشتباهات رخ میدهند، روی آنها برچسبگذاری نشده بود. بنابراین ما تیمی از حاشیه نویسان داده را ایجاد کردیم که 10٪ از فیلم های دوربین تحویل و داده های LiDAR را بررسی می کنند، موانع، شرایط جاده و اقدامات راننده (یا در این مورد، وسیله نقلیه) را برچسب گذاری می کنند. در عرض سه ماه، بیش از 50000 لبه کیس را برچسب گذاری کردیم و توانستیم نرم افزار خود را به روز کنیم تا مناطق پیکاپ کناری را تشخیص دهد و این حوادث را تا 85 درصد کاهش دهد. این چرخه بهبود مستمر تنها در صورتی امکان پذیر است که داده های شما برای پشتیبانی از آن مدیریت شوند. اگر دادههای شما ساختاری ندارند یا بهگونهای ذخیره میشوند که جستجو برای آنها سخت است، نمیتوانید لبهها را پیدا کنید، نمیتوانید نرمافزار را تعمیر کنید و از رقبایانی که سریعتر تکرار میشوند عقب خواهید افتاد. برای ما، این به این معنی است که هر ماه 15 درصد از بودجه عملیاتی خود را برای برچسبگذاری و تجزیه و تحلیل دادهها کنار میگذاریم، هزینهای که به عنوان یک سرمایهگذاری و نه هزینه در نظر میگیریم. طی دو سال گذشته، این به بهبود 12 درصدی نرخ تحویل به موقع و کاهش 40 درصدی حوادث ایمنی منجر شده است که به ما کمک کرده است تا هزینه های بیمه خود را تا 30 درصد کاهش دهیم.
در نهایت، مقیاس پذیری. بهعنوان تامینکننده وسایل نقلیه تحویل خودکار، ما فقط یک محصول را نمیفروشیم، بلکه خدماتی را میفروشیم که با مشتریانمان رشد میکند. قبلاً درخواستهایی برای اضافه کردن نظارت بر دما برای تحویلهای دارویی، ادغام با نرمافزار تدارکات شخص ثالث، و حتی افزودن برگشتهای بدون تماس داشتهایم. همه این ویژگیها به دادهها متکی هستند و سیستم مدیریت داده ما باید بتواند به سرعت خود را تطبیق دهد. در اوایل، ما معماری داده خود را بر روی یک چارچوب مدولار ساختیم، بنابراین میتوانیم انواع دادههای جدید را بدون بازنگری کل سیستم اضافه کنیم. به عنوان مثال، زمانی که مشتری ما درخواست ردیابی دما برای تحویل مواد غذایی منجمد کرد، ما به سادگی یک حسگر جدید به وسایل نقلیه اضافه کردیم، طرح دادههای خود را بهروزرسانی کردیم تا خوانش دما را نیز در بر گیرد، و نقطه داده جدید را در خط لوله بلادرنگ خود ادغام کردیم. کل فرآیند کمتر از یک هفته طول کشید، در حالی که اولین سیستم داده ما 6 هفته طول کشید تا یک نوع داده جدید را اضافه کرد. مقیاس پذیری همچنین به معنای توانایی مدیریت حجم فزاینده داده است. از آنجایی که ناوگان ما از 200 به 500 وسیله نقلیه افزایش می یابد، 5 برابر داده های بیشتری جمع آوری خواهیم کرد و سیستم ما باید بتواند بدون افزایش هزینه ها به صورت تصاعدی مقیاس بندی کند. با استفاده از فضای ذخیره سازی مبتنی بر ابر با مقیاس خودکار و محاسبات لبه در وسایل نقلیه، ما توانستیم هزینه های داده خود را برای هر وسیله نقلیه ثابت نگه داریم که رشد کرده ایم، که برای حفظ قیمت رقابتی برای مشتریانمان بسیار مهم است.
اگر شما یک ارائه دهنده تدارکات هستید که به دنبال شراکت با یک تامین کننده وسیله نقلیه تحویل خودکار قابل اعتماد هستید، یا یک اپراتور سازمانی که به دنبال اضافه کردن این وسایل نقلیه به ناوگان خود هستید، مدیریت داده باید در بالای لیست سوالات شما باشد. این فقط یک جزئیات فنی نیست، بلکه تعیین می کند که آیا ناوگان می تواند ایمن، قابل اعتماد و سودآور عمل کند یا خیر. در طول شش سال گذشته، شاهد شکست بسیاری از پروژههای تحویل خودکار امیدوارکننده بودهایم، زیرا مدیریت دادهها را نادیده میگیرند، خواه نادیده گرفتن قوانین حفظ حریم خصوصی، نداشتن سیستمهای اضافی یا عدم تکرار بر روی نرمافزار با استفاده از دادههای دنیای واقعی باشد. برای ما،وسایل نقلیه تحویل بدون رانندهما میسازیم فقط قطعات سختافزاری نیستند - آنها سیستمهای تولیدکننده دادهاند و مدیریت خوب آن دادهها تنها راه تحقق وعده تحویل مستقل است: تدارکات سریعتر، ارزانتر و قابل اعتمادتر برای همه.
اگر آماده کاوش هستید که چگونه راهحلهای تحویل خودکار مبتنی بر دادههای ما میتوانند برای کسبوکار شما کار کنند، یا میخواهید درباره فرآیند استقرار ناوگان ما بیشتر بدانید، مایلیم از شما بشنویم.
مراجع:
- اداره ملی ایمنی ترافیک بزرگراه (NHTSA). (2022). سیستم های رانندگی خودکار: چشم اندازی برای ایمنی 2.0. وزارت حمل و نقل آمریکا
- سازمان بین المللی استاندارد (ISO). (2021). ISO 22737: سیستم های حمل و نقل هوشمند - سیستم های رانندگی خودکار (ADS) برای وسایل نقلیه جاده ای سبک - الزامات عملکرد و روش های آزمایش.
- قانون حفظ حریم خصوصی مصرف کنندگان کالیفرنیا (CCPA). (2020). متن قانون حفظ حریم خصوصی مصرف کنندگان کالیفرنیا. دفتر حقوق اداری کالیفرنیا.
- مک کینزی و شرکت. (2023). تحویل خودکار: مقیاس گذاری آخرین مایل. فناوری جهانی، رسانه، و تمرین از راه دور.
- انجمن مهندسین خودرو (SAE International). (2021). طبقه بندی و تعاریف اصطلاحات مربوط به سیستم های اتوماسیون رانندگی برای وسایل نقلیه موتوری در جاده (J3016).
