Guadagni:
- Capacità di identificare problemi di progettazione della rete della catena di fornitura, percorso e layout del magazzino
- Capacità di utilizzare l'intelligenza artificiale nella generazione di scenari, nell'elenco dei vincoli e nella costruzione di modelli di ottimizzazione
- Capacità di convalidare le soluzioni suggerite dall'intelligenza artificiale con vincoli di costo, capacità e consegna
La catena di fornitura è l'intero flusso di materiali, informazioni e denaro dalle materie prime al cliente finale. Ogni decisione in questa rete (dove approvvigionarsi, quale magazzino immagazzinare, quale percorso spedire) raggiunge un equilibrio tra costo, velocità e durata. L'ottimizzazione non è magia qui, significa una funzione obiettivo e vincoli ben definiti. L’intelligenza artificiale è molto potente in questo ambito nello strutturare il problema, generare scenari, elencare i vincoli e redigere il modello di ottimizzazione; Ma le affermazioni sulla “soluzione migliore” devono sempre essere convalidate rispetto ai vincoli e ai costi effettivi. In questa unità discuteremo della progettazione della rete, dell'ottimizzazione dei percorsi e delle decisioni sul magazzino con il supporto dell'intelligenza artificiale.
Mappa dei problemi di ottimizzazione della catena di fornitura
Riconoscere i problemi di ottimizzazione è il primo passo per costruire il modello giusto.
problema
variabile decisionale
Scopo tipico
progettazione della rete
Quale struttura/magazzino dovrebbe essere aperto?
Costo totale fisso + variabile min
Assegnazione/assegnazione
Quale cliente da quale magazzino?
Costo del trasporto min
Instradamento del veicolo (VRP)
Quale veicolo effettua quali fermate e in quale ordine?
Distanza/tempo totale min
disposizione del magazzino
Dove devono essere posizionati i prodotti?
Distanza di prelievo min
Selezione della modalità di trasporto
Terra/mare/aria
Equilibrio costi-velocità
La struttura comune di ogni problema è la stessa: variabili decisionali, funzione obiettivo, vincoli. Il contributo più prezioso dell'intelligenza artificiale è che aiuta a tradurre un problema aziendale in queste tre componenti.
Ruolo: sei un ingegnere industriale specializzato nell'ottimizzazione della catena di fornitura. Compito: Tradurre il seguente problema aziendale in un modello di ottimizzazione. Specificare: (1) variabili decisionali, (2) funzione obiettivo, (3) vincoli (capacità, soddisfazione della domanda, non negatività), (4) tipo di problema. Problema: "Abbiamo 3 fabbriche e 5 centri di distribuzione. La capacità di ciascuna fabbrica e la domanda di ciascun centro sono certe. I costi unitari di trasporto dalla fabbrica al centro sono diversi. Ridurre al minimo il costo totale del trasporto. Vogliamo scaricarlo. "Regola: nominare il tipo di modello (ad esempio problema di trasporto), scrivere chiaramente le ipotesi.
Questo è un classico problema di trasporto. L’intelligenza artificiale può riconoscerlo e costruire lo scheletro matematico corretto; Inserisci anche i dati sulla capacità reale e sulla domanda.
Ottimizzazione del percorso (VRP) e importanza dei vincoli
Il percorso dei veicoli è il problema riscontrato più frequentemente e erroneamente stabilito nella pratica. C'è una grande differenza tra il semplice "percorso più breve" (TSP) e il vero VRP: capacità del veicolo, finestre temporali (ore in cui il cliente può ritirare), limiti di tempo di guida, più veicoli.
Attenzione: quando l'intelligenza artificiale consiglia un percorso, spesso "dimentica" o si avvicina ai vincoli di capacità e finestra temporale. Un percorso carico di più merci di quelle che un veicolo può trasportare può sembrare "breve" ma è poco pratico. Controlla individualmente ogni percorso per carico totale ≤ capacità e orario di arrivo ∈ finestra temporale.
Prompt debole / Prompt forte
Suggerimento debole:
Indica il percorso più breve per queste 8 fermate.
Se non sono presenti capacità, finestra temporale e numero di veicoli, l'IA fornisce una semplice classifica; Non regge nel funzionamento reale.
Suggerimento potente:
Suggerisci un percorso per i seguenti 8 clienti. Ci sono 2 veicoli, la capacità di ciascuno è di 100 unità. La domanda e la finestra temporale di ciascun cliente sono allegate. Check-out dal magazzino08:00. Ipotizziamo una velocità media di 40 km/h. Risultato: ordine delle fermate per ciascun veicolo, carico cumulativo (non superare la capacità), orari di arrivo stimati (per adattarsi alla finestra temporale), distanza totale. Se c'è una violazione dei vincoli, dichiararla chiaramente e suggerire un'alternativa. Dati: {{ ... }}
Il secondo prompt impone esplicitamente vincoli e richiede il controllo delle violazioni da parte dell'IA. È però fondamentale verificare il risultato con un solutore o manualmente; L’intelligenza artificiale non garantisce l’ottimalità assoluta.
Ottimale o semplicemente "Buona"?
C'è un concetto fondamentale qui: la soluzione trovata dall'intelligenza artificiale (e dalla maggior parte dei metodi pratici) è spesso una buona soluzione (euristica), non ottimale. Il vero ottimale viene trovato da un risolutore matematico (come OR-Tools, Gurobi, PuLP) che risolve il modello costruito correttamente. Il ruolo dell’intelligenza artificiale è costruire il modello, non risolverlo.
Scrivi uno scheletro di modello per risolvere il seguente problema di trasporto con Python PuLP:- Variabili decisionali x[i][j] (i fabbrica, j centro)- Obiettivo: minimizzazione del costo totale- Vincolo: offerta di ciascuna fabbrica, domanda di ciascun centro, x >= 0Spiega il codice con commenti, ma inserirò i dati numerici. Inoltre: elenca quali controlli devo fare quando esce la soluzione.
Suggerimento: invece di dire all’IA di “scrivere il codice e capirlo”, dille “scrivi il codice e io lo eseguirò”. Ciò rende l'ottimizzazione un vero risolutore; Non ti fidi dei numeri inventati dall'intelligenza artificiale (e non verificati) che dicono "ecco la mia soluzione".
Decisioni su magazzino e ubicazione
Il posizionamento dei prodotti nel magazzino influisce direttamente sulla distanza di prelievo. Il principio di base è posizionare gli articoli frequentemente spostati (elevata rotazione) vicino al punto di prelievo (posizionamento ABC). L'intelligenza artificiale può produrre uno schema di proposta di layout con i dati sulla movimentazione del prodotto; Tuttavia, i vincoli fisici (dimensioni dello scaffale, peso, separazione dei materiali pericolosi, catena del freddo) devono essere supervisionati dall’uomo.
Mini Case: a corto di carta, impossibile sul campo
Una società di distribuzione effettua 40 consegne al giorno con 3 veicoli. L'ingegnere industriale Selin fornisce all'IA le fermate, le richieste e le capacità dei veicoli e chiede un piano di percorso. L'intelligenza artificiale produce un tiro gradevole e con una distanza totale bassa. Ma quando Selin controlla, si rende conto che il carico cumulativo sul percorso di un veicolo supera la capacità del 15%; Sono previste anche due fermate dove il cliente può ritirare nel pomeriggio ma è prevista la mattina. Selin scrive i vincoli in modo più chiaro sul prompt e li riproduce, quindi verifica il piano con OR-Tools. Il risultato diventa fattibile. Lezione: il piano che l'IA chiamava "più breve" non era in realtà il più breve ed era addirittura non valido a causa di violazioni dei vincoli.
Errori comuni
- Non specificando vincoli: Richiesta di un percorso senza capacità, fascia oraria e numero di veicoli.
- Confondere l'intelligenza artificiale per un risolutore: accettare la soluzione "ottimale" fornita dall'intelligenza artificiale come un vero risultato del risolutore.
- Non controllare le violazioni dei vincoli: implementare il piano senza controllare il carico cumulativo e i tempi di arrivo.
- Concentrarsi su un unico obiettivo: ottimizzare solo i costi e dimenticare la durabilità/rischio (dipendenza da un unico fornitore).
- Non utilizzare costi reali: costruire un modello con costi unitari predefiniti/fabbricati e non aggiornarlo con dati reali.
In sintesi
- Ogni ottimizzazione della supply chain si riduce a tre componenti: variabili decisionali, funzione obiettivo, vincoli.
- Il contributo più prezioso dell'intelligenza artificiale è tradurre il problema aziendale nel giusto tipo di modello (trasporto, VRP, assegnazione).
- I vincoli di capacità e finestra temporale sono cruciali nel VRP; L'intelligenza artificiale li salta frequentemente, assicurati di controllarli.
- L’intelligenza artificiale costruisce, non risolve; Un risolutore (PuLP, OR-Tools) dovrebbe eseguire l'ottimizzazione vera e propria.
- Oltre al costo, l'obiettivo dovrebbe essere anche la durabilità e il rischio; La dipendenza da un unico fornitore/un unico percorso è un costo nascosto.
Compito dell'applicazione
Costruisci un problema di fornitura/distribuzione (ad esempio 3 magazzini, 5-8 clienti, richieste e capacità dei veicoli). Innanzitutto, chiedi all’intelligenza artificiale di modellare il problema come una variabile decisionale, un obiettivo e un vincolo e dai un nome al tipo di problema. Quindi fornisci uno scenario VRP e chiedi un piano di percorso; Controlla tu stesso nell'output il carico cumulativo e gli orari di arrivo di ciascun veicolo. Verifica critica: sommare manualmente il carico totale di almeno un veicolo e confrontarlo con la capacità e cercare una violazione del vincolo. Infine, chiedi all'IA di scrivere lo scheletro del codice del risolutore (PuLP) e di progettare un flusso di lavoro che impedisca all'IA di generare numeri falsi, con un approccio "Eseguirò la soluzione".