Nyereség:
- Képes azonosítani az ellátási lánc hálózat tervezési, útvonal- és raktárelrendezési problémáit
- Képes mesterséges intelligencia használatára forgatókönyv-generálásban, korlátozások listázásában és optimalizálási modellalkotásban
- Képes az AI által javasolt megoldások érvényesítésére költség-, kapacitás- és szállítási korlátokkal
Az ellátási lánc az anyagok, információk és pénz teljes áramlása a nyersanyagoktól a végfelhasználóig. Ebben a hálózatban minden döntés (hol szerezzen be, melyik raktárban raktározzon fel, melyik útvonalon szállítsa) egyensúlyt teremt a költségek, a sebesség és a tartósság között. Az optimalizálás itt nem varázslat, hanem egy jól definiált célfüggvényt és korlátokat jelent. A mesterséges intelligencia ezen a területen nagyon erős a probléma strukturálásában, forgatókönyvek generálásában, a korlátok felsorolásában és az optimalizálási modell kidolgozásában; A „legjobb megoldás” állításait azonban mindig ellenőrizni kell a korlátokkal és a tényleges költségekkel szemben. Ebben az egységben a hálózattervezésről, az útvonal-optimalizálásról és a raktári döntésekről fogunk beszélni AI támogatással.
Ellátási lánc optimalizálási problémák térképe
Az optimalizálási problémák felismerése az első lépés a megfelelő modell felépítésében.
probléma
döntési változó
Tipikus cél
hálózat tervezése
Melyik létesítményt/raktárt kell megnyitni?
Összes fix + változó költség min
Hozzárendelés/kiosztás
Melyik vevő melyik raktárból?
Szállítási költség min
Járműútválasztás (VRP)
Melyik jármű melyik megállást, milyen sorrendben hajtja végre?
Teljes távolság/idő min
raktár elrendezés
Hol kell elhelyezni a termékeket?
Szedési távolság min
Szállítási mód kiválasztása
Szárazföld/tenger/levegő
Költség-sebesség egyensúly
Minden probléma közös kerete ugyanaz: döntési változók, célfüggvény, megszorítások. A mesterséges intelligencia legértékesebb hozzájárulása az, hogy segít egy üzleti problémát e három összetevőre fordítani.
Beosztás: Ön ipari mérnök, aki az ellátási lánc optimalizálására szakosodott. Feladat: Fordítsa le a következő üzleti problémát optimalizálási modellre! Adja meg a következőket: (1) döntési változók, (2) célfüggvény, (3) korlátok (kapacitás, kereslet-elégedettség, nem negativitás), (4) a probléma típusa. Probléma: "3 gyárunk és 5 elosztó központunk van. Az egyes gyárak kapacitása és az egyes központok kereslete biztos. A szállítás egységköltsége gyárról központra különbözik. Minimalizálja a teljes szállítási költséget Le akarjuk tölteni."Szabály: Nevezze meg a modell típusát (pl. szállítási probléma), írja le egyértelműen a feltételezéseket.
Ez egy klasszikus közlekedési probléma. A mesterséges intelligencia felismeri ezt, és meg tudja építeni a megfelelő matematikai vázat; Valós kapacitás- és keresletadatokat is elhelyezhet.
Útvonaloptimalizálás (VRP) és a korlátozások fontossága
A gyakorlatban leggyakrabban előforduló és helytelenül megállapított probléma a járművek útvonaltervezése. Nagy különbség van az egyszerű „legrövidebb út” (TSP) és a valódi VRP között: járműkapacitás, időablak (órák, amikor az ügyfél felveheti), vezetési időkorlátok, több jármű.
Vigyázat: Amikor a mesterséges intelligencia egy útvonalat ajánl, gyakran „elfelejti” vagy megközelíti a kapacitás és az időablak korlátait. A több rakommal megrakott útvonal, mint amennyit egy jármű elbír, „rövidnek” tűnhet, de nem praktikus. Ellenőrizze az egyes útvonalakat egyenként a teljes terhelés ≤ kapacitás és érkezési idő ∈ időablak tekintetében.
Gyenge felszólítás / Erős felszólítás
Gyenge felszólítás:
Adja meg a legrövidebb útvonalat ehhez a 8 megállóhoz.
Ha nincs kapacitás, időablak és járművek száma, az AI egyszerű rangsort ad; Valós működésben nem bírja.
Erőteljes felszólítás:
Javasoljon útvonaltervet a következő 8 ügyfélnek. 2 jármű van, mindegyik kapacitása 100 darab. Minden ügyfél igénye és időablak csatolva van. Kijelentkezés a raktárból 08:00. Tegyük fel az átlagsebességet 40 km/h. Kimenet: az egyes járművek megállási sorrendje, kumulált terhelés (nem haladhatja meg a kapacitást), becsült érkezési idők (az időablaknak megfelelően), teljes távolság. Ha megsértésről van szó, egyértelműen jelezze, és javasoljon alternatívát. Adatok: {{ ... }}
A második prompt kifejezetten megszorításokat ír elő, és szabálysértés-ellenőrzést kér az AI-tól. Mindazonáltal elengedhetetlen, hogy az eredményt megoldóval vagy manuálisan ellenőrizzük; Az AI nem garantálja az abszolút optimálisságot.
Optimális vagy csak "jó"?
Van itt egy kritikus koncepció: az AI (és a legtöbb gyakorlati módszer) által megtalált megoldás gyakran jó (heurisztikus) megoldás, nem pedig optimális. Az igazi optimálisat egy matematikai megoldó (például OR-Tools, Gurobi, PuLP) találja meg, amely megoldja a helyesen felépített modellt. Az AI szerepe a modell felépítése, nem pedig a megoldása.
Írjon modellvázat a következő szállítási feladat megoldására Python PuLP-vel:- Döntési változók x[i][j] (i gyár, j központ)- Cél: összköltség minimalizálása- Kényszer: minden gyár kínálata, minden központ kereslete, x >= 0 Magyarázza meg a kódot megjegyzésekkel, de a számszerű adatokat beírom. Továbbá: sorolja fel, milyen ellenőrzéseket kell elvégeznem, ha megjelenik a megoldás.
Tipp: Ahelyett, hogy azt mondaná az AI-nak, hogy „írja meg a kódot és találja ki”, hanem azt, hogy „írja meg a kódot, és én futtatom”. Ezáltal az optimalizálás igazi megoldássá válik; Nem bízol a mesterséges intelligencia által kitalált (és ellenőrizetlen) számokban, amelyek azt mondják, hogy "íme, ez az én megoldásom".
Raktári és helyszíni döntések
A raktári termékelhelyezés közvetlenül befolyásolja a komissiózási távolságot. Az alapelv, hogy a gyakran mozgó (nagy forgalmú) tételeket a komissiózási ponthoz közel helyezzük el (ABC elhelyezés). A mesterséges intelligencia elrendezési javaslat vázlatot készíthet termékmozgási adatokkal; A fizikai korlátokat (polcméret, súly, veszélyes anyagok elválasztása, hideglánc) azonban embernek kell felügyelnie.
Mini tok: kevés a papír, terepen lehetetlen
Egy forgalmazó cég napi 40 kiszállítást végez 3 járművel. Selin ipari mérnök megadja a megállókat, kéréseket és járműkapacitásokat az AI-nak, és útvonaltervet kér. Az AI olyan felvételt készít, amely jól néz ki, és kicsi a teljes távolsága. De amikor Selin ellenőrzi, rájön, hogy a jármű útvonalának kumulatív terhelése 15%-kal meghaladja a kapacitást; Két olyan megálló is van, ahol az ügyfél délután felveheti, de a menetrend szerint délelőtt. Selin tisztábban írja a megszorításokat a promptba, és reprodukálja őket, majd az OR-Tools segítségével ellenőrzi a tervet. Az eredmény megvalósíthatóvá válik. Tanulság: A mesterséges intelligencia által "legrövidebbnek" nevezett terv valójában nem volt a legrövidebb, sőt a korlátozások megsértése miatt érvénytelen volt.
Gyakori hibák
- Nem ad meg megkötéseket: Útvonal kérése kapacitás, időablak és járművek száma nélkül.
- Az AI összetévesztése egy megoldóval: Az AI által adott "optimális" megoldás elfogadása valódi megoldó kimenetként.
- Nem ellenőrzi a kényszerek megsértését: A terv végrehajtása a kumulált terhelés és érkezési idők ellenőrzése nélkül.
- Egyetlen célra összpontosítás: Csak a költségek optimalizálása és a tartósság/kockázat megfeledkeztetése (egy szállítótól való függés).
- Nem valós költségek: Modell készítése alapértelmezett/gyártott egységköltséggel, és nem valós adatokkal való frissítése.
Összefoglalva
- Minden ellátási lánc optimalizálása három összetevőből áll: döntési változók, célfüggvény, korlátok.
- A mesterséges intelligencia legértékesebb hozzájárulása az üzleti probléma megfelelő modelltípusba (szállítás, VRP, megbízás) való fordítása.
- A kapacitás és az időablak korlátai kulcsfontosságúak a VRP-ben; Az AI gyakran kihagyja ezeket, mindenképpen ellenőrizze őket.
- Az AI épít, nem megold; A tényleges optimalizálást egy megoldónak (PuLP, OR-Tools) kell elvégeznie.
- A költségek mellett a tartósságot és a kockázatot is célnak kell tekinteni; Az egy szállítótól/egy útvonaltól való függőség rejtett költség.
Pályázati feladat
Készítsen ellátási/elosztási problémát (pl. 3 raktár, 5-8 ügyfél, igények és járműkapacitás). Először is, az AI modellje a problémát döntési változóként, célként és kényszerként, és nevezze meg a probléma típusát. Ezután adjon meg egy VRP forgatókönyvet, és kérjen útvonaltervet; Ellenőrizze a kimenetben az egyes járművek összesített terhelését és érkezési idejét. Kritikus ellenőrzés: manuálisan adja össze legalább egy jármű összterhelését, és hasonlítsa össze a kapacitással, és keresse meg a kényszer megsértését. Végül kérje meg az AI-t, hogy írja meg a megoldó (PuLP) kódvázat, és tervezzen meg egy munkafolyamatot, amely megakadályozza, hogy az AI hamis számokat generáljon, az „én futtatom a megoldást” megközelítéssel.