સપ્લાય ચેઇન અને લોજિસ્ટિક્સ ઓપ્ટિમાઇઝેશન

નફો:

• સપ્લાય ચેઇન નેટવર્ક ડિઝાઇન, રૂટ અને વેરહાઉસ લેઆઉટ સમસ્યાઓ ઓળખવાની ક્ષમતા
• દૃશ્ય નિર્માણ, અવરોધ સૂચિ અને ઑપ્ટિમાઇઝેશન મોડલ બાંધકામમાં AI નો ઉપયોગ કરવાની ક્ષમતા
• કિંમત, ક્ષમતા અને ડિલિવરીની મર્યાદાઓ સાથે AI સૂચવેલા ઉકેલોને માન્ય કરવાની ક્ષમતા

પુરવઠા શૃંખલા એ કાચા માલથી અંતિમ ગ્રાહક સુધી સામગ્રી, માહિતી અને નાણાંનો સમગ્ર પ્રવાહ છે. આ નેટવર્કમાં દરેક નિર્ણય (ક્યાં સ્ત્રોત કરવો, કયા વેરહાઉસનો સ્ટોક કરવો, કયો માર્ગ મોકલવો) કિંમત, ઝડપ અને ટકાઉપણું વચ્ચે સંતુલન બનાવે છે. ઑપ્ટિમાઇઝેશન અહીં જાદુ નથી, તેનો અર્થ એક સારી રીતે વ્યાખ્યાયિત ઉદ્દેશ્ય કાર્ય અને અવરોધો છે. આર્ટિફિશિયલ ઇન્ટેલિજન્સ આ ક્ષેત્રમાં સમસ્યાનું માળખું બનાવવામાં, દૃશ્યો બનાવવા, અવરોધોની સૂચિ બનાવવા અને ઑપ્ટિમાઇઝેશન મોડલનો મુસદ્દો તૈયાર કરવામાં ખૂબ જ શક્તિશાળી છે; પરંતુ "શ્રેષ્ઠ ઉકેલ" દાવાઓ હંમેશા અવરોધો અને વાસ્તવિક ખર્ચ સામે માન્ય હોવા જરૂરી છે. આ યુનિટમાં, અમે AI સપોર્ટ સાથે નેટવર્ક ડિઝાઇન, રૂટ ઑપ્ટિમાઇઝેશન અને વેરહાઉસ નિર્ણયોની ચર્ચા કરીશું.

સપ્લાય ચેઇન ઓપ્ટિમાઇઝેશન સમસ્યાઓનો નકશો

ઑપ્ટિમાઇઝેશન સમસ્યાઓને ઓળખવી એ યોગ્ય મોડેલ બનાવવાનું પ્રથમ પગલું છે.

સમસ્યા

નિર્ણય ચલ

લાક્ષણિક હેતુ

નેટવર્ક ડિઝાઇન

કઈ સુવિધા/વેરહાઉસ ખોલવું જોઈએ?

કુલ નિશ્ચિત + ચલ ખર્ચ ન્યૂનતમ

સોંપણી/ ફાળવણી

કયા ગ્રાહક કયા વેરહાઉસમાંથી?

પરિવહન ખર્ચ ન્યૂનતમ

વાહન રૂટીંગ (VRP)

કયું વાહન કયું સ્ટોપ બનાવે છે, કયા ક્રમમાં?

કુલ અંતર/સમય મિનિટ

વેરહાઉસ લેઆઉટ

ઉત્પાદનો ક્યાં મૂકવા જોઈએ?

પસંદ કરવાનું અંતર મિનિટ

પરિવહન મોડ પસંદગી

જમીન/સમુદ્ર/હવા

કિંમત-સ્પીડ બેલેન્સ

દરેક સમસ્યાનું સામાન્ય માળખું સમાન છે: નિર્ણય ચલો, ઉદ્દેશ્ય કાર્ય, અવરોધો. AI નું સૌથી મૂલ્યવાન યોગદાન એ છે કે તે તમને આ ત્રણ ઘટકોમાં વ્યવસાયિક સમસ્યાનું ભાષાંતર કરવામાં મદદ કરે છે.

ભૂમિકા: તમે સપ્લાય ચેઇન ઑપ્ટિમાઇઝેશનમાં વિશેષતા ધરાવતા ઔદ્યોગિક ઇજનેર છો. કાર્ય: નીચેની વ્યવસાય સમસ્યાને ઓપ્ટિમાઇઝેશન મોડેલમાં અનુવાદિત કરો. સ્પષ્ટ કરો: (1) નિર્ણય ચલો, (2) ઉદ્દેશ્ય કાર્ય, (3) અવરોધો (ક્ષમતા, માંગ સંતોષ, બિન-નકારાત્મકતા), (4) આ સમસ્યાનો પ્રકાર. સમસ્યા: "અમારી પાસે 3 ફેક્ટરીઓ અને 5 વિતરણ કેન્દ્રો છે. દરેક ફેક્ટરીની ક્ષમતા અને દરેક કેન્દ્રની માંગ ચોક્કસ છે. ફેક્ટરીથી કેન્દ્ર સુધી પરિવહન એકમનો ખર્ચ અલગ છે. કુલ પરિવહન ખર્ચ ઓછો કરો અમે તેને ડાઉનલોડ કરવા માંગીએ છીએ." નિયમ: મોડેલ પ્રકારનું નામ આપો (દા.ત. પરિવહન સમસ્યા), ધારણાઓ સ્પષ્ટ રીતે લખો.

આ એક ઉત્તમ પરિવહન સમસ્યા છે. AI આને ઓળખી શકે છે અને યોગ્ય ગાણિતિક હાડપિંજર બનાવી શકે છે; તમે વાસ્તવિક ક્ષમતા અને માંગ ડેટા પણ મૂકો છો.

રૂટ ઓપ્ટિમાઇઝેશન (VRP) અને અવરોધોનું મહત્વ

વ્હીકલ રૂટીંગ એ વ્યવહારમાં સૌથી વધુ વારંવાર આવતી અને ખોટી રીતે સ્થાપિત સમસ્યા છે. સાદો "ટૂંકો રસ્તો" (TSP) અને સાચા VRP વચ્ચે મોટો તફાવત છે: વાહનની ક્ષમતા, સમયની વિંડોઝ (ગ્રાહક ઉપડી શકે તેવા કલાકો), ડ્રાઇવિંગ સમય મર્યાદા, બહુ-વાહન.

સાવધાન: જ્યારે AI કોઈ રૂટની ભલામણ કરે છે, ત્યારે તે ઘણીવાર "ભૂલી જાય છે" અથવા અંદાજિત ક્ષમતા અને સમય વિન્ડો અવરોધો. વાહન વહન કરી શકે તે કરતાં વધુ કાર્ગોથી ભરેલો માર્ગ "ટૂંકો" લાગે છે પરંતુ અવ્યવહારુ છે. કુલ લોડ ≤ ક્ષમતા અને આગમન સમય ∈ સમય વિન્ડો માટે દરેક રૂટને વ્યક્તિગત રીતે તપાસો.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

આ 8 સ્ટોપ માટે સૌથી નાનો માર્ગ આપો.

જો ત્યાં કોઈ ક્ષમતા, સમય વિન્ડો અને વાહનોની સંખ્યા ન હોય, તો AI એક સરળ રેન્કિંગ આપે છે; તે વાસ્તવિક કામગીરીમાં પકડી શકતું નથી.

શક્તિશાળી પ્રોમ્પ્ટ:

નીચેના 8 ગ્રાહકો માટે રૂટ પ્લાન સૂચવો. ત્યાં 2 વાહનો છે, દરેકની ક્ષમતા 100 એકમો છે. દરેક ગ્રાહકની માંગ અને સમય વિન્ડો જોડાયેલ છે. વેરહાઉસ 08:00 થી ચેક-આઉટ. સરેરાશ ઝડપ 40 કિમી/કલાક ધારો. આઉટપુટ: દરેક વાહન માટે સ્ટોપનો ક્રમ, સંચિત લોડ (ક્ષમતા કરતાં વધુ નહીં), અંદાજિત આગમન સમય (સમય વિન્ડોમાં ફિટ કરવા), કુલ અંતર. જો કોઈ મર્યાદાનું ઉલ્લંઘન હોય, તો તેને સ્પષ્ટપણે જણાવો અને વિકલ્પ સૂચવો. ડેટા: {{ ... }}

બીજો પ્રોમ્પ્ટ સ્પષ્ટપણે અવરોધો લાદે છે અને એઆઈ તરફથી ઉલ્લંઘનની તપાસની વિનંતી કરે છે. જો કે, સોલ્વર સાથે અથવા મેન્યુઅલી પરિણામ ચકાસવું આવશ્યક છે; AI સંપૂર્ણ શ્રેષ્ઠતાની બાંયધરી આપતું નથી.

શ્રેષ્ઠ અથવા ફક્ત "સારું"?

અહીં એક નિર્ણાયક ખ્યાલ છે: AI (અને મોટાભાગની વ્યવહારુ પદ્ધતિઓ) જે ઉકેલ શોધે છે તે ઘણીવાર સારો ઉકેલ (હ્યુરિસ્ટિક) હોય છે, શ્રેષ્ઠ નહીં. સાચો શ્રેષ્ઠ એ ગાણિતિક સોલ્વર (જેમ કે ઓઆર-ટૂલ્સ, ગુરોબી, પીયુએલપી) દ્વારા યોગ્ય રીતે બાંધવામાં આવેલા મોડેલને ઉકેલવા દ્વારા જોવા મળે છે. એઆઈની ભૂમિકા મોડેલ બનાવવાની છે, તેને હલ કરવાની નહીં.

Python PuLP સાથે નીચેની પરિવહન સમસ્યાને ઉકેલવા માટે એક મોડેલ સ્કેલેટન લખો:- નિર્ણય ચલ x[i][j] (i ફેક્ટરી, j કેન્દ્ર)- ઉદ્દેશ્ય: કુલ ખર્ચ ન્યૂનતમ- અવરોધ: દરેક ફેક્ટરીનો પુરવઠો, દરેક કેન્દ્રની માંગ, x >= 0 ટિપ્પણીઓ સાથે કોડ સમજાવો, પરંતુ હું સંખ્યાત્મક ડેટા દાખલ કરીશ. પણ: જ્યારે ઉકેલ બહાર આવે ત્યારે મારે કઈ તપાસ કરવાની જરૂર છે તેની સૂચિ બનાવો.

ટીપ: AI ને "કોડ લખો અને તેને આકૃતિ કરો" કહેવાને બદલે તેને કહો "કોડ લખો અને હું તેને ચલાવીશ." આ ઑપ્ટિમાઇઝેશનને સાચા ઉકેલકર્તા બનાવે છે; તમે AI દ્વારા બનાવેલા (અને ચકાસાયેલ) નંબરો પર વિશ્વાસ કરતા નથી કે "અહીં મારો ઉકેલ છે".

વેરહાઉસ અને સ્થાન નિર્ણયો

વેરહાઉસમાં પ્રોડક્ટ પ્લેસમેન્ટ સીધી રીતે ચૂંટવાના અંતરને અસર કરે છે. મૂળભૂત સિદ્ધાંત એ છે કે પીકિંગ પોઈન્ટ (ABC પ્લેસમેન્ટ) ની નજીક વારંવાર ખસેડવામાં આવતી (ઉચ્ચ ટર્નઓવર) વસ્તુઓને સ્થાન આપવું. AI પ્રોડક્ટ મૂવમેન્ટ ડેટા સાથે લેઆઉટ દરખાસ્તની રૂપરેખા બનાવી શકે છે; જો કે, ભૌતિક મર્યાદાઓ (શેલ્ફનું કદ, વજન, જોખમી સામગ્રીનું વિભાજન, કોલ્ડ ચેઇન) મનુષ્ય દ્વારા દેખરેખ રાખવી આવશ્યક છે.

મીની કેસ: કાગળ પર ટૂંકો, ક્ષેત્રમાં અશક્ય

એક વિતરણ કંપની 3 વાહનો સાથે દરરોજ 40 ડિલિવરી કરે છે. ઔદ્યોગિક એન્જિનિયર સેલિન એઆઈને સ્ટોપ, વિનંતીઓ અને વાહનની ક્ષમતા આપે છે અને રૂટ પ્લાન માટે પૂછે છે. AI એક શોટ બનાવે છે જે સરસ દેખાય છે અને તેમાં કુલ અંતર ઓછું છે. પરંતુ જ્યારે સેલિન તપાસ કરે છે, ત્યારે તેણીને ખબર પડે છે કે વાહનના રૂટ પરનો સંચિત ભાર ક્ષમતા કરતાં 15% વધી ગયો છે; ત્યાં પણ બે સ્ટોપ છે જ્યાં ગ્રાહક બપોરે ઉપડી શકે છે પરંતુ સવારે સુનિશ્ચિત થયેલ છે. સેલિન પ્રોમ્પ્ટ પર અવરોધોને વધુ સ્પષ્ટ રીતે લખે છે અને તેમને પુનઃઉત્પાદિત કરે છે, પછી OR-ટૂલ્સ વડે યોજનાની ચકાસણી કરે છે. પરિણામ શક્ય બને છે. પાઠ: એઆઈએ "સૌથી ટૂંકી" તરીકે ઓળખાવેલી યોજના વાસ્તવમાં સૌથી ટૂંકી ન હતી અને મર્યાદાના ઉલ્લંઘનને કારણે અમાન્ય પણ હતી.

સામાન્ય ભૂલો

• અવરોધોનો ઉલ્લેખ ન કરવો: ક્ષમતા, સમય વિન્ડો અને વાહનોની સંખ્યા વિના માર્ગની વિનંતી કરવી.
• સોલ્વર માટે AI ભૂલ કરવી: AI દ્વારા આપવામાં આવેલ "શ્રેષ્ઠ" સોલ્યુશનને વાસ્તવિક સોલ્વર આઉટપુટ તરીકે સ્વીકારવું.
• મર્યાદાના ઉલ્લંઘન માટે તપાસ ન કરવી: સંચિત ભાર અને આગમન સમય તપાસ્યા વિના યોજનાનો અમલ કરવો.
• એક જ ધ્યેય પર ધ્યાન કેન્દ્રિત કરવું: માત્ર ખર્ચને શ્રેષ્ઠ બનાવવું અને ટકાઉપણું/જોખમ (સિંગલ સપ્લાયર અવલંબન) વિશે ભૂલી જવું.
• વાસ્તવિક ખર્ચનો ઉપયોગ ન કરવો: ડિફોલ્ટ/ફેબ્રિકેટેડ યુનિટ ખર્ચ સાથે મોડેલ બનાવવું અને તેને વાસ્તવિક ડેટા સાથે અપડેટ ન કરવું.

સારાંશમાં

• દરેક સપ્લાય ચેઇન ઓપ્ટિમાઇઝેશન ત્રણ ઘટકોમાં ઉકળે છે: નિર્ણય ચલો, ઉદ્દેશ્ય કાર્ય, અવરોધો.
• AI નું સૌથી મૂલ્યવાન યોગદાન એ વ્યવસાયની સમસ્યાને યોગ્ય મોડેલ પ્રકાર (પરિવહન, VRP, સોંપણી) માં અનુવાદિત કરવાનું છે.
• વીઆરપીમાં ક્ષમતા અને સમય વિન્ડોની મર્યાદાઓ નિર્ણાયક છે; AI આને વારંવાર અવગણે છે, તેમને તપાસવાની ખાતરી કરો.
• AI બિલ્ડ કરે છે, ઉકેલે નથી; સોલ્વર (PuLP, OR-ટૂલ્સ) એ વાસ્તવિક ઑપ્ટિમાઇઝેશન કરવું જોઈએ.
• ખર્ચ ઉપરાંત ટકાઉપણું અને જોખમ પણ ઉદ્દેશ્ય હોવું જોઈએ; સિંગલ સપ્લાયર/સિંગલ રૂટ ડિપેન્ડન્સી એ છુપાયેલ ખર્ચ છે.

એપ્લિકેશન કાર્ય

પુરવઠા/વિતરણની સમસ્યાનું નિર્માણ કરો (દા.ત. 3 વેરહાઉસ, 5-8 ગ્રાહકો, માંગણીઓ અને વાહનની ક્ષમતા). સૌપ્રથમ, AI મોડલને નિર્ણય ચલ, ધ્યેય અને અવરોધ તરીકે સમસ્યા આપો અને સમસ્યાના પ્રકારને નામ આપો. પછી VRP દૃશ્ય આપો અને રૂટ પ્લાન માટે પૂછો; આઉટપુટમાં દરેક વાહનનો સંચિત લોડ અને આગમન સમય જાતે તપાસો. જટિલ ચકાસણી: મેન્યુઅલી ઓછામાં ઓછા એક વાહનનો કુલ ભાર ઉમેરો અને તેની ક્ષમતા સાથે તુલના કરો અને અવરોધ ઉલ્લંઘન માટે જુઓ. છેલ્લે, AI ને સોલ્વર (PuLP) કોડ સ્કેલેટન લખવા માટે કહો અને વર્કફ્લો ડિઝાઇન કરો જે AI ને નકલી નંબરો જનરેટ કરવાથી અટકાવે, "હું ઉકેલ ચલાવીશ" અભિગમ સાથે.