Keuntungan:
- Kemampuan untuk mengidentifikasi masalah desain jaringan rantai pasokan, rute dan tata letak gudang
- Kemampuan untuk menggunakan AI dalam pembuatan skenario, daftar batasan, dan konstruksi model pengoptimalan
- Kemampuan untuk memvalidasi solusi yang disarankan AI dengan kendala biaya, kapasitas, dan pengiriman
Rantai pasokan adalah keseluruhan aliran bahan, informasi, dan uang dari bahan mentah hingga konsumen akhir. Setiap keputusan dalam jaringan ini (lokasi sumber, gudang mana yang akan disimpan, rute pengiriman mana) memerlukan keseimbangan antara biaya, kecepatan, dan daya tahan. Pengoptimalan bukanlah hal ajaib di sini, ini berarti fungsi tujuan dan batasan yang terdefinisi dengan baik. Kecerdasan buatan sangat berguna dalam bidang ini dalam menyusun masalah, menghasilkan skenario, membuat daftar kendala, dan menyusun model optimasi; Namun klaim “solusi terbaik” selalu perlu divalidasi berdasarkan kendala dan biaya sebenarnya. Pada unit ini, kita akan membahas desain jaringan, optimalisasi rute, dan keputusan gudang dengan dukungan AI.
Peta Masalah Optimasi Rantai Pasokan
Mengenali masalah optimasi adalah langkah pertama dalam membangun model yang tepat.
masalah
variabel keputusan
Tujuan khas
desain jaringan
Fasilitas/gudang mana yang harus dibuka?
Total biaya tetap + biaya variabel min
Penugasan/alokasi
Pelanggan mana dari gudang mana?
Biaya transportasi min
Perutean kendaraan (VRP)
Kendaraan mana yang berhenti, dalam urutan apa?
Total jarak/waktu min
tata letak gudang
Dimana produk sebaiknya ditempatkan?
Jarak pengambilan min
Pemilihan moda transportasi
Darat/laut/udara
Keseimbangan biaya-kecepatan
Kerangka umum setiap masalah adalah sama: variabel keputusan, fungsi tujuan, batasan. Kontribusi AI yang paling berharga adalah membantu Anda menerjemahkan masalah bisnis ke dalam tiga komponen tersebut.
Peran: Anda adalah seorang insinyur industri yang berspesialisasi dalam optimalisasi rantai pasokan. Tugas: Terjemahkan masalah bisnis berikut ke dalam model optimasi. Tentukan: (1) variabel keputusan, (2) fungsi tujuan, (3) kendala (kapasitas, kepuasan permintaan, non-negatif), (4) jenis masalah ini. Masalah: "Kami mempunyai 3 pabrik dan 5 pusat distribusi. Kapasitas tiap pabrik dan permintaan tiap pusat pasti. Biaya satuan transportasi dari pabrik ke pusat berbeda. Minimalkan total biaya transportasi Kami ingin mendownloadnya." Aturan: Sebutkan jenis model (misalnya masalah transportasi), tulis asumsinya dengan jelas.
Ini adalah masalah transportasi klasik. AI dapat mengenali hal ini dan membangun kerangka matematika yang benar; Anda juga menempatkan data kapasitas dan permintaan nyata.
Optimasi Rute (VRP) dan Pentingnya Kendala
Perutean kendaraan adalah masalah yang paling sering ditemui dan salah dalam praktiknya. Ada perbedaan besar antara “jalur terpendek” (TSP) sederhana dan VRP sebenarnya: kapasitas kendaraan, jangka waktu (jam kapan pelanggan dapat mengambil), batas waktu mengemudi, multi-kendaraan.
Perhatian: Saat AI merekomendasikan suatu rute, AI sering kali “lupa” atau memperkirakan batasan kapasitas dan jangka waktu. Rute yang memuat lebih banyak muatan daripada yang dapat diangkut oleh kendaraan mungkin tampak "pendek" namun tidak praktis. Periksa setiap rute satu per satu untuk mengetahui total muatan ≤ kapasitas dan waktu tiba ∈ jangka waktu.
Prompt Lemah / Prompt Kuat
Perintah yang lemah:
Berikan rute terpendek untuk 8 perhentian ini.
Jika tidak ada kapasitas, jangka waktu dan jumlah kendaraan, AI memberikan peringkat sederhana; Itu tidak bertahan dalam operasi nyata.
Perintah yang kuat:
Sarankan rencana rute untuk 8 pelanggan berikut. Kendaraan berjumlah 2 buah, kapasitas masing-masing 100 unit. Setiap permintaan pelanggan dan jendela waktu terlampir. Check-out dari gudang08:00. Asumsikan kecepatan rata-rata 40 km/jam. Keluaran: urutan pemberhentian setiap kendaraan, muatan kumulatif (tidak melebihi kapasitas), perkiraan waktu tiba (sesuai jendela waktu), total jarak. Jika ada pelanggaran batasan, nyatakan dengan jelas dan usulkan alternatifnya. Data: {{ ... }}
Perintah kedua secara eksplisit menerapkan batasan dan meminta pemeriksaan pelanggaran dari AI. Namun, penting untuk memverifikasi hasilnya dengan pemecah atau secara manual; AI tidak menjamin optimalitas mutlak.
Optimal atau Hanya "Bagus"?
Ada konsep penting di sini: solusi yang ditemukan oleh AI (dan sebagian besar metode praktis) sering kali merupakan solusi yang baik (heuristik), bukan solusi optimal. Optimal sebenarnya ditemukan oleh pemecah matematika (seperti OR-Tools, Gurobi, PuLP) yang menyelesaikan model yang dibangun dengan benar. Peran AI adalah membangun model, bukan menyelesaikannya.
Tulis kerangka model untuk menyelesaikan masalah transportasi berikut dengan Python PuLP:- Variabel keputusan x[i][j] (i pabrik, j pusat)- Tujuan: minimalisasi biaya total- Batasan: pasokan setiap pabrik, permintaan setiap pusat, x >= 0Jelaskan kode dengan komentar, tetapi saya akan memasukkan data numerik. Juga: sebutkan pemeriksaan apa yang perlu saya lakukan ketika solusinya keluar.
Tip: Daripada menyuruh AI untuk “menulis kode dan mencari tahu”, katakan padanya “tulis kodenya dan saya akan menjalankannya”. Hal ini menjadikan pengoptimalan sebagai pemecah masalah yang sebenarnya; Anda tidak mempercayai angka-angka yang dibuat oleh AI (dan belum diverifikasi) yang mengatakan "inilah solusi saya".
Keputusan Gudang dan Lokasi
Penempatan produk di gudang secara langsung mempengaruhi jarak pengambilan. Prinsip dasarnya adalah menempatkan barang yang sering dipindahkan (perputaran tinggi) dekat dengan titik pengambilan (penempatan ABC). AI dapat menghasilkan garis besar proposal tata letak dengan data pergerakan produk; Namun batasan fisik (ukuran rak, berat, pemisahan bahan berbahaya, rantai dingin) harus diawasi oleh manusia.
Mini Case: Kekurangan Kertas, Mustahil di Lapangan
Sebuah perusahaan distribusi melakukan 40 pengiriman per hari dengan 3 kendaraan. Insinyur industri Selin memberikan pemberhentian, permintaan, dan kapasitas kendaraan kepada AI dan meminta rencana rute. AI menghasilkan bidikan yang terlihat bagus dan memiliki total jarak yang rendah. Namun ketika Selin memeriksanya, dia menyadari bahwa muatan kumulatif pada rute kendaraan melebihi kapasitas sebesar 15%; Terdapat juga dua pemberhentian dimana pelanggan dapat mengambil pada sore hari namun dijadwalkan pada pagi hari. Selin menulis batasan dengan lebih jelas pada prompt dan mereproduksinya, lalu memverifikasi rencana tersebut dengan OR-Tools. Hasilnya menjadi layak. Pelajaran: Rencana yang disebut AI sebagai "terpendek" sebenarnya bukanlah yang terpendek dan bahkan tidak valid karena pelanggaran batasan.
Kesalahan Umum
- Tidak menentukan batasan: Meminta rute tanpa kapasitas, jangka waktu dan jumlah kendaraan.
- Mengira AI sebagai pemecah: Menerima solusi "optimal" yang diberikan oleh AI sebagai keluaran pemecah yang sebenarnya.
- Tidak memeriksa pelanggaran batasan: Menerapkan rencana tanpa memeriksa muatan kumulatif dan waktu kedatangan.
- Berfokus pada satu tujuan: Mengoptimalkan biaya saja dan melupakan ketahanan/risiko (ketergantungan pemasok tunggal).
- Tidak menggunakan biaya riil: Membangun model dengan biaya unit default/fabrikasi dan tidak memperbaruinya dengan data nyata.
Singkatnya
- Setiap optimasi rantai pasokan terbagi menjadi tiga komponen: variabel keputusan, fungsi tujuan, dan batasan.
- Kontribusi AI yang paling berharga adalah menerjemahkan masalah bisnis ke dalam jenis model yang tepat (transportasi, VRP, penugasan).
- Batasan kapasitas dan jangka waktu sangat penting dalam VRP; AI sering melewatkan ini, pastikan untuk memeriksanya.
- AI membangun, bukan menyelesaikan; Pemecah (PuLP, OR-Tools) harus melakukan optimasi yang sebenarnya.
- Selain biaya, ketahanan dan risiko juga harus menjadi tujuan; Ketergantungan pemasok tunggal/rute tunggal merupakan biaya tersembunyi.
Tugas aplikasi
Membangun masalah pasokan/distribusi (misalnya 3 gudang, 5-8 pelanggan, permintaan dan kapasitas kendaraan). Pertama, minta AI memodelkan masalah sebagai variabel keputusan, tujuan, dan batasan, lalu beri nama jenis masalahnya. Kemudian berikan skenario VRP dan minta rencana rute; Periksa sendiri muatan kumulatif dan waktu kedatangan setiap kendaraan di keluaran. Verifikasi kritis: menjumlahkan total muatan setidaknya satu kendaraan secara manual dan membandingkannya dengan kapasitas serta mencari pelanggaran batasan. Terakhir, minta AI menulis kerangka kode pemecah (PuLP) dan merancang alur kerja yang mencegah AI menghasilkan angka palsu, dengan pendekatan "Saya akan menjalankan solusinya".