アメリカの多国籍配送サービス会社であるクライアントは、出荷の遅延、書類の不備、荷物内容の誤分類による顧客の不満など、業務上の大きな課題に直面していました。これらの問題はサービスの信頼性と成長に悪影響を及ぼしていました。クライアントはこの問題に対処して荷物の分類を改善し遅延を軽減する、AI主導のソリューションを求めていました。同社はHCLTechとのパートナーシップにより、ビッグデータプラットフォームの確立、モデルテストの自動化、膨大なテキストデータを処理するツールの開発に重点を置いた戦略的な変革を追求しました。この取り組みにより、手作業の削減、スケーラビリティの向上、処理設計の改善、新しいモデルの開発期間の短縮を実現できました。
課題
成長を阻む物流上の障壁の克服
この物流サービス会社は、出荷の遅延、書類の不備、荷物の分類ミスによる顧客の不満などの問題に直面していました。これらの問題は、HSコード（Harmonized Commodity Description and Coding System）のマッピングの不正確さによってさらに悪化し、貨物の配送遅延や顧客体験の低下を招いていました。
目的
オペレーショナルエクセレンスと顧客満足度向上のためのロードマップ
主な目的は荷物の分類を事前に予測し、遅延を軽減してカスタマーエクスペリエンス向上を実現する、AI主導のソリューションを導入することでした。また、クライアントはMLOpsフレームワークを採用し、AIソリューションの構築、テスト、デプロイ、管理プロセスを自動化することも目指していました。
ソリューション／解決策
機械学習を活用した戦略的な進歩
当社は戦略的な変革を通じて出荷プロセスを合理化するため、クライアントと協業しました。ソリューションの主な要素は以下のとおりです。
- ビッグデータプラットフォームの構築：大量のデータを効率的に処理できるスケーラブルなビッグデータプラットフォームを構築し、反復学習とAIインフラの基盤を構築
- モデルのテストと比較の自動化：自動化されたワークフローを導入して、モデルのテストや比較を合理化し、効果的なモデルの評価と選定に必要な時間を大幅に短縮
- モデル管理とオーケストレーション：複数の環境にまたがる包括的なモデル管理とオーケストレーションのフレームワークを考案。継続的インテグレーションとデプロイメントパイプラインにより、シームレスなモデルデプロイメントとモニタリングを徹底し、多様なビジネスニーズに対応するModel-as-a-Serviceアプローチも導入
- 大量のテキストの処理：大量のテキストデータを処理・管理するためのツール、プロセス、インフラを開発し、荷物分類の精度と効率を向上
- 高度なモデル開発：当社のチームは、セマンティック分析、名前付きエンティティ認識、オントロジー、トピックモデリングなどの高度な技術を採用して、堅牢な機械学習モデルを構築。これらのモデルは分類精度の向上を支援し、ルールベースのシステムの限界に対処
- 特徴量ストア（Feature Store）の実装：チームの生産性を高めてガバナンスを合理化するために、特徴量ストアを構築して、再利用可能な特徴量を提供するとともに、AIソリューションのライフサイクル全体にわたって一貫したガバナンスを実現
インパクト／成果
グローバルなスケーラビリティ、効率性、カスタマーエクスペリエンスの向上
機械学習モデルの採用により、次のような有意義な成果を得ることができました。
- 手作業の削減：機械学習モデルにより、手作業による荷物の分類作業が大幅に削減され、効率が向上し、潜在的なエラーが低減
- グローバルなスケーラビリティ：このソリューションは、クライアントがサポートするビッグデータ環境内で、概念実証から本番稼動まで進み、地域全体で一貫したサービスとカスタマーエクスペリエンスを提供
- 処理設計の改善：高性能な処理設計を導入してリアルタイムワークフローをサポートし、AIソリューションが運用上の要求に効率よく対処可能に
- 開発期間の短縮：エンティティプロファイリングとデータオーケストレーションの手法を採用することで、新しい機械学習モデルの開発に必要な時間を短縮し、進化するニーズへの対応におけるアジリティを向上
