Gewinne:
- Fähigkeit, Probleme bei der Gestaltung, dem Routen- und Lagerlayout des Lieferkettennetzwerks zu erkennen
- Fähigkeit, KI bei der Szenariogenerierung, der Auflistung von Einschränkungen und der Konstruktion von Optimierungsmodellen einzusetzen
- Fähigkeit zur Validierung von KI-Lösungsvorschlägen mit Kosten-, Kapazitäts- und Lieferbeschränkungen
Unter Supply Chain versteht man den gesamten Material-, Informations- und Geldfluss vom Rohstoff bis zum Endkunden. Bei jeder Entscheidung in diesem Netzwerk (Quelle, Lager, Versandweg) wird ein Gleichgewicht zwischen Kosten, Geschwindigkeit und Haltbarkeit hergestellt. Optimierung ist hier keine Zauberei, sondern bedeutet eine genau definierte Zielfunktion und Einschränkungen. Künstliche Intelligenz ist in diesem Bereich sehr leistungsfähig, wenn es darum geht, das Problem zu strukturieren, Szenarien zu generieren, Einschränkungen aufzulisten und das Optimierungsmodell zu entwerfen; Ansprüche auf die „beste Lösung“ müssen jedoch immer anhand von Einschränkungen und tatsächlichen Kosten validiert werden. In dieser Einheit besprechen wir Netzwerkdesign, Routenoptimierung und Lagerentscheidungen mit KI-Unterstützung.
Karte der Probleme bei der Supply-Chain-Optimierung
Das Erkennen von Optimierungsproblemen ist der erste Schritt zum Aufbau des richtigen Modells.
Problem
Entscheidungsvariable
Typischer Zweck
Netzwerkdesign
Welche Anlage/Lager soll eröffnet werden?
Gesamte fixe + variable Kosten, min
Zuordnung/Zuteilung
Welcher Kunde aus welchem Lager?
Transportkosten min
Fahrzeugrouting (VRP)
Welches Fahrzeug macht welche Stopps in welcher Reihenfolge?
Gesamtstrecke/Zeit min
Lagerlayout
Wo sollen die Produkte platziert werden?
Kommissionierentfernung min
Auswahl des Transportmodus
Land/Meer/Luft
Kosten-Geschwindigkeits-Balance
Der gemeinsame Rahmen jedes Problems ist derselbe: Entscheidungsvariablen, Zielfunktion, Einschränkungen. Der wertvollste Beitrag von KI besteht darin, dass sie Ihnen dabei hilft, ein Geschäftsproblem in diese drei Komponenten zu übersetzen.
Rolle: Sie sind Wirtschaftsingenieur mit Spezialisierung auf Supply-Chain-Optimierung. Aufgabe: Übersetzen Sie das folgende Geschäftsproblem in ein Optimierungsmodell. Geben Sie Folgendes an: (1) Entscheidungsvariablen, (2) Zielfunktion, (3) Einschränkungen (Kapazität, Nachfragebefriedigung, Nichtnegativität), (4) Art dieses Problems. Problem: „Wir haben 3 Fabriken und 5 Vertriebszentren. Die Kapazität jeder Fabrik und die Nachfrage jedes Zentrums sind sicher. Die Transportkosten von Fabrik zu Zentrum sind unterschiedlich. Minimieren Sie die Gesamttransportkosten. Wir möchten sie herunterladen.“ Regel: Benennen Sie den Modelltyp (z. B. Transportproblem) und schreiben Sie die Annahmen klar auf.
Dies ist ein klassisches Transportproblem. KI kann dies erkennen und das richtige mathematische Grundgerüst aufbauen; Sie platzieren auch reale Kapazitäts- und Bedarfsdaten.
Routenoptimierung (VRP) und die Bedeutung von Einschränkungen
Die Fahrzeugführung ist das in der Praxis am häufigsten auftretende und falsch ermittelte Problem. Es gibt einen großen Unterschied zwischen dem einfachen „kürzesten Weg“ (TSP) und dem echten VRP: Fahrzeugkapazität, Zeitfenster (Stunden, in denen der Kunde abholen kann), Fahrzeitlimits, Mehrfahrzeuge.
Achtung: Wenn KI eine Route empfiehlt, „vergisst“ sie häufig Kapazitäts- und Zeitfensterbeschränkungen oder schätzt diese ein. Eine Route, die mit mehr Ladung beladen ist, als ein Fahrzeug transportieren kann, mag „kurz“ erscheinen, ist aber unpraktisch. Überprüfen Sie jede Route einzeln auf Gesamtlast ≤ Kapazität und Ankunftszeit ∈ Zeitfenster.
Schwache Eingabeaufforderung / Starke Eingabeaufforderung
Schwache Eingabeaufforderung:
Geben Sie die kürzeste Route für diese 8 Haltestellen an.
Liegen Kapazität, Zeitfenster und Anzahl der Fahrzeuge nicht vor, erstellt die KI eine einfache Rangfolge; Im realen Betrieb hält es nicht stand.
Kraftvolle Aufforderung:
Schlagen Sie einen Routenplan für die folgenden 8 Kunden vor. Es gibt 2 Fahrzeuge, die Kapazität beträgt jeweils 100 Einheiten. Der Bedarf und das Zeitfenster jedes Kunden sind beigefügt. Auschecken aus dem Lager um 08:00 Uhr. Gehen Sie von einer Durchschnittsgeschwindigkeit von 40 km/h aus. Ausgabe: Reihenfolge der Stopps für jedes Fahrzeug, Gesamtlast (darf die Kapazität nicht überschreiten), geschätzte Ankunftszeiten (um in das Zeitfenster zu passen), Gesamtstrecke. Wenn eine Einschränkungsverletzung vorliegt, geben Sie diese deutlich an und schlagen Sie eine Alternative vor. Daten: {{ ... }}
Die zweite Eingabeaufforderung legt explizit Einschränkungen fest und fordert die Überprüfung von Verstößen von der KI an. Es ist jedoch wichtig, das Ergebnis mit einem Solver oder manuell zu überprüfen; KI garantiert keine absolute Optimalität.
Optimal oder einfach nur „gut“?
Hier gibt es ein entscheidendes Konzept: Die Lösung, die KI (und die meisten praktischen Methoden) finden, ist oft eine gute Lösung (Heuristik) und keine optimale. Das wahre Optimum wird durch einen mathematischen Löser (wie OR-Tools, Gurobi, PuLP) gefunden, der das korrekt konstruierte Modell löst. Die Rolle der KI besteht darin, das Modell zu erstellen, nicht es zu lösen.
Schreiben Sie ein Modellskelett, um das folgende Transportproblem mit Python PuLP zu lösen: – Entscheidungsvariablen x[i][j] (i Fabrik, j Zentrum) – Ziel: Gesamtkostenminimierung – Einschränkung: Angebot jeder Fabrik, Nachfrage jedes Zentrums, x >= 0. Erklären Sie den Code mit Kommentaren, aber ich werde die numerischen Daten eingeben. Außerdem: Listen Sie auf, welche Überprüfungen ich durchführen muss, wenn die Lösung verfügbar ist.
Tipp: Anstatt der KI zu sagen, sie solle „den Code schreiben und ihn herausfinden“, sagen Sie ihr: „Schreiben Sie den Code und ich führe ihn aus.“ Dies macht die Optimierung zu einem echten Löser; Sie vertrauen keinen von der KI erfundenen (und nicht überprüften) Zahlen, die sagen: „Hier ist meine Lösung“.
Lager- und Standortentscheidungen
Die Platzierung der Produkte im Lager wirkt sich direkt auf die Kommissionierdistanz aus. Das Grundprinzip besteht darin, häufig bewegte (umschlagsstarke) Artikel in der Nähe des Kommissionierplatzes zu positionieren (ABC-Platzierung). KI kann eine Layoutvorschlagsskizze mit Produktbewegungsdaten erstellen; Allerdings müssen physikalische Einschränkungen (Regalgröße, Gewicht, Gefahrstofftrennung, Kühlkette) von Menschen überwacht werden.
Mini-Fall: Wenig Papier, im Feld unmöglich
Ein Vertriebsunternehmen führt täglich 40 Lieferungen mit 3 Fahrzeugen durch. Wirtschaftsingenieurin Selin gibt der KI die Haltestellen, Wünsche und Fahrzeugkapazitäten vor und bittet um einen Routenplan. AI erzeugt einen Schuss, der gut aussieht und eine geringe Gesamtdistanz hat. Doch als Selin nachschaut, stellt sie fest, dass die Gesamtlast auf der Strecke eines Fahrzeugs die Kapazität um 15 % übersteigt; Es gibt auch zwei Haltestellen, an denen der Kunde nachmittags abholen kann, die aber morgens geplant sind. Selin schreibt die Einschränkungen klarer auf die Eingabeaufforderung, reproduziert sie und überprüft dann den Plan mit OR-Tools. Das Ergebnis wird machbar. Lektion: Der Plan, den die KI als „kürzesten“ bezeichnete, war tatsächlich nicht der kürzeste und aufgrund von Verstößen gegen Einschränkungen sogar ungültig.
Häufige Fehler
- Keine Angabe von Einschränkungen: Anforderung einer Route ohne Kapazität, Zeitfenster und Anzahl der Fahrzeuge.
- KI mit einem Löser verwechseln: Die von der KI gegebene „optimale“ Lösung als echte Lösungsausgabe akzeptieren.
- Keine Prüfung auf Verstöße gegen Einschränkungen: Umsetzung des Plans ohne Überprüfung der kumulierten Last und Ankunftszeiten.
- Konzentration auf ein einziges Ziel: Nur die Kosten optimieren und Haltbarkeit/Risiko (Abhängigkeit von einem einzigen Lieferanten) außer Acht lassen.
- Keine Verwendung realer Kosten: Erstellen eines Modells mit Standard-/Fabrikstückkosten und nicht Aktualisierung mit realen Daten.
Zusammenfassend
- Jede Optimierung der Lieferkette besteht aus drei Komponenten: Entscheidungsvariablen, Zielfunktion und Einschränkungen.
- Der wertvollste Beitrag von KI besteht darin, das Geschäftsproblem in den richtigen Modelltyp (Transport, VRP, Zuweisung) zu übersetzen.
- Kapazitäts- und Zeitfensterbeschränkungen sind bei VRP von entscheidender Bedeutung. AI überspringt diese häufig. Überprüfen Sie sie unbedingt.
- KI baut auf, nicht löst; Ein Solver (PuLP, OR-Tools) sollte die eigentliche Optimierung durchführen.
- Neben Kosten sollten auch Haltbarkeit und Risiko das Ziel sein; Die Abhängigkeit von einem einzigen Lieferanten/einer einzigen Route ist ein versteckter Kostenfaktor.
Anwendungsaufgabe
Konstruieren Sie ein Versorgungs-/Verteilungsproblem (z. B. 3 Lager, 5–8 Kunden, Nachfrage und Fahrzeugkapazität). Lassen Sie zunächst die KI das Problem als Entscheidungsvariable, Ziel und Einschränkung modellieren und benennen Sie den Problemtyp. Geben Sie dann ein VRP-Szenario an und fordern Sie einen Routenplan an. Überprüfen Sie in der Ausgabe selbst die kumulierte Auslastung und Ankunftszeiten jedes Fahrzeugs. Kritische Überprüfung: Addieren Sie manuell die Gesamtlast mindestens eines Fahrzeugs, vergleichen Sie sie mit der Kapazität und suchen Sie nach einer Einschränkungsverletzung. Lassen Sie schließlich die KI das Codegerüst des Solver (PuLP) schreiben und einen Workflow entwerfen, der verhindert, dass die KI gefälschte Zahlen generiert, mit einem „Ich führe die Lösung aus“-Ansatz.