Zapotrzebowanie transportowe z roku na rok zwiększa się. Dzieje się tak z powodu wzrostu produkcji i konsumpcji. Czym dłuższy jest łańcuch dostaw, tym większe są możliwości wystąpienia w nim zakłóceń, gdyż wszystkie operacje wiążą się z ryzykiem. Jednakże o ryzyku w kontekście łańcucha dostaw i zarządzania nim mówi się od niedawna. Niestety żadna branża nie jest odporna na przewidywalne i nieprzewidywalne zakłócenia, które wywołują straty (np. zaginięcie towaru). Z punktu widzenia przewoźników istotna byłaby możliwość przewidzenia wystąpienia np. uszkodzenia towaru. Artykuł koncentruje się na wykorzystaniu metod uczenia maszynowego do przewidzenia ryzyka uszkodzeń towarów (takich jak sprzęt RTV, AGD czy telefony/komputery) w transporcie drogowym. W ramach badań wykorzystano pięć inteligentnych metod: regresję logistyczną, maszynę wektorów nośnych (SVM); drzewo decyzyjne; naiwny klasyfikator bayesowski; AdaBoost. Natomiast celem jest przedstawienie koncepcji oraz wymienionych metod uczenia maszynowego, miar oceniających wydajność modeli oraz wyników związanych z przeprowadzonym badaniem. Postawiony cel zdeterminował wybór metod badawczych – wykorzystano analizę literatury oraz programowanie. W ostatniej części artykułu przedstawiono wyniki otrzymane z analizy pięciu modeli. W ramach badań ustalono, że najlepszą zdolność predykcyjną ma AdaBoost.

W ostatnich latach coraz większą uwagę poświęca się zastosowaniu technologii Big Data, uczenia maszynowego oraz sztucznej inteligencji (artificial intelligence — AI). Przedsiębiorstwa dążą do przewagi konkurencyjnej poprzez odpowiednie zastosowanie analityki danych. Technologia Big Data może być wykorzystywana w wielu różnych branżach, np. w branży transportowej czy medycznej, a potencjalnie we wszystkich. Olbrzymim problem w łańcuchu logistycznym jest ryzyko opóźnień, na które może wpływać wiele czynników, m.in. nieczytelna etykieta na przesyłce, brak pracowników magazynowych czy kongestia w miastach. Artykuł koncentruje się na zastosowaniu technologii Big Data do wykrywania ryzyka opóźnień w łańcuchach dostaw produktów leczniczych. Jego celem jest przedstawienie koncepcji dużych zbiorów danych, architektury Big Data dla łańcucha dostaw produktów leczniczych oraz zaprezentowanie wyników badań związanych z predykcją ryzyka opóźnień dzięki implementacji tej architektury w rzeczywistym przedsiębiorstwie. Postawiony cel zdeterminował wybór następujących metod badawczych: analizy literatury oraz modelowania, które pozwoliło zaprojektować i wdrożyć architekturę dla łańcucha dostaw w badanym przedsiębiorstwie. W ostatniej części artykułu zaprezentowano model regresji logistycznej do przewidywania opóźnień w łańcuchu dostaw produktów leczniczych. W ramach badań ustalono, że model ma wysoką zdolność predykcyjną.