Maskinlæring reducerer Amazons emballageforbrug med 915.000 tons
Siden 2015 har Amazon reduceret sin forsendelsesemballage med 33 procent. Reduktionen udgør 915.000 ton, svarende til 1,6 milliarder papkasser. Hvordan det er muligt i en verden, hvor e-handlen er støt stigende og Amazon i vækst, fortæller virksomhedens nordiske Sales Manager i Web Services, Joakim Stolpe i denne klumme
Mindre brug af emballage i hele forsyningskæden, reduceret volumen per forsendelse og en mere kosteffektiv fragt. Og som følge deraf: en væsentlig reduktion i CO2-udledning. Det lyder måske for godt til at være sandt. Men faktum er, at det er gjort muligt ved brug af ny teknologi.
Den enorme reduktion tilskrives en maskinlæringsløsning bygget på it-systemet Amazon SageMaker. En løsning, som har til formål at give den nødvendige dataindsigt til at træffe mere bæredygtige beslutninger i forhold til emballage - og samtidig styrke kundeoplevelsen.
Finder selv optimal emballage
I praksis har Amazon anvendt en maskinlæringsalgoritme, der er bygget på flere terabyte med produktdata - herunder produktbeskrivelser og kundefeedback. I samarbejde med Amazon Web Services renses og struktureres data til analyse ved en såkaldt 'minin'. Machine learning-algoritmen bruger derefter dataene til at identificere en optimal emballage, der medfører mindst muligt affald for den enkelte vare.
-Brugen af machine learning bliver også et værktøj til at træffe mere bæredygtige valg, understreger Joakim Stolpe
En effektiv maskinlæringsmodel identificerer endda produkter, der slet ikke kræver forsendelsesemballage - såsom bleer. Nogle modeller kan også se på en bestemt produktkategori, eksempelvis legetøj, og derefter identificere varer, hvor den originale emballage er vigtig.
Hvad betyder dette så konkret? Jo, Amazon sælger og sender hundredvis af millioner forskellige produkter hvert år. Det kræver ikke stor fantasi at forestille sig, at et websalg i den størrelsesorden sender enorme mængder emballage i omløb. Brugen af maskinlæring gør det muligt at skabe et intelligent og automatiseret beslutningsgrundlag for millioner af produkter, uden at det enkelte produkt skal vurderes individuelt.
Modellen gør det muligt at identificere genstande, der f.eks. kan pakkes i boblekuvert eller papirposer i stedet for den traditionelle papemballage. En boblekuvert vejer 75 procent mindre end en papkasse af samme størrelse, og den reducerer pladsforbruget med 40 procent. I stor skala betyder det færre lastbiler på vejen. Og dermed bliver brugen af machine learning også et værktøj til at træffe mere bæredygtige valg.
Inspirerer kunder og samarbejdspartnere
Projektet har endda vist sig at have en række positive følgevirkninger. Mange kunder bemærker ændringerne og giver positiv feedback. Derudover arbejder tusindvis af leverandører nu sammen med Amazon for at forbedre deres egen emballage, reducere affald og designe bedre indpakning, som kan bidrage til at understøtte et mål om reduceret udledning.
I sidste ende handler det om at tænke og skabe et logistik-setup, der er så bæredygtigt som muligt. Med den kloge brug af teknologien kan vi i praksis tilpasse emballagen individuelt, så den enkelte pakke fylder mindst muligt, men samtidig kan modstå belastningen under håndtering.
En to centimeter kortere kasse betyder, at du kan placere dobbelt så mange kasser på en palle. Hvilket igen betyder halvt så mange lastbiler på vejene. Det er små forskelle, som bliver til store forandringer, når der kommer skala på.
