വിതരണ ശൃംഖലയും ലോജിസ്റ്റിക്‌സ് ഒപ്റ്റിമൈസേഷനും

നേട്ടങ്ങൾ:

• സപ്ലൈ ചെയിൻ നെറ്റ്‌വർക്ക് ഡിസൈൻ, റൂട്ട്, വെയർഹൗസ് ലേഔട്ട് പ്രശ്നങ്ങൾ എന്നിവ തിരിച്ചറിയാനുള്ള കഴിവ്
• സിനാരിയോ ജനറേഷൻ, കൺസ്ട്രൈൻ്റ് ലിസ്റ്റിംഗ്, ഒപ്റ്റിമൈസേഷൻ മോഡൽ നിർമ്മാണം എന്നിവയിൽ AI ഉപയോഗിക്കാനുള്ള കഴിവ്
• ചെലവ്, ശേഷി, ഡെലിവറി പരിമിതികൾ എന്നിവ ഉപയോഗിച്ച് AI നിർദ്ദേശിച്ച പരിഹാരങ്ങൾ സാധൂകരിക്കാനുള്ള കഴിവ്

അസംസ്‌കൃത വസ്തുക്കളിൽ നിന്ന് അന്തിമ ഉപഭോക്താവിലേക്കുള്ള മെറ്റീരിയലുകളുടെയും വിവരങ്ങളുടെയും പണത്തിൻ്റെയും മുഴുവൻ ഒഴുക്കാണ് വിതരണ ശൃംഖല. ഈ ശൃംഖലയിലെ ഓരോ തീരുമാനവും (എവിടെയാണ് ഉറവിടം, ഏത് വെയർഹൗസ് സ്റ്റോക്ക് ചെയ്യണം, ഏത് റൂട്ടിൽ ഷിപ്പ് ചെയ്യണം) ചെലവ്, വേഗത, ഈട് എന്നിവയ്ക്കിടയിൽ ഒരു സന്തുലിതാവസ്ഥ ഉണ്ടാക്കുന്നു. ഒപ്റ്റിമൈസേഷൻ ഇവിടെ മാന്ത്രികമല്ല, അതിനർത്ഥം നന്നായി നിർവചിക്കപ്പെട്ട വസ്തുനിഷ്ഠമായ പ്രവർത്തനവും നിയന്ത്രണങ്ങളും എന്നാണ്. കൃത്രിമബുദ്ധി ഈ മേഖലയിൽ പ്രശ്നം രൂപപ്പെടുത്തുന്നതിലും സാഹചര്യങ്ങൾ സൃഷ്ടിക്കുന്നതിലും നിയന്ത്രണങ്ങൾ പട്ടികപ്പെടുത്തുന്നതിലും ഒപ്റ്റിമൈസേഷൻ മോഡൽ തയ്യാറാക്കുന്നതിലും വളരെ ശക്തമാണ്; എന്നാൽ "മികച്ച പരിഹാരം" ക്ലെയിമുകൾ എല്ലായ്പ്പോഴും നിയന്ത്രണങ്ങൾക്കും യഥാർത്ഥ ചെലവുകൾക്കുമെതിരെ സാധൂകരിക്കേണ്ടതുണ്ട്. ഈ യൂണിറ്റിൽ, AI പിന്തുണയോടെ ഞങ്ങൾ നെറ്റ്‌വർക്ക് ഡിസൈൻ, റൂട്ട് ഒപ്റ്റിമൈസേഷൻ, വെയർഹൗസ് തീരുമാനങ്ങൾ എന്നിവ ചർച്ച ചെയ്യും.

സപ്ലൈ ചെയിൻ ഒപ്റ്റിമൈസേഷൻ പ്രശ്നങ്ങളുടെ മാപ്പ്

ഒപ്റ്റിമൈസേഷൻ പ്രശ്നങ്ങൾ തിരിച്ചറിയുന്നത് ശരിയായ മോഡൽ നിർമ്മിക്കുന്നതിനുള്ള ആദ്യപടിയാണ്.

പ്രശ്നം

തീരുമാനം വേരിയബിൾ

സാധാരണ ഉദ്ദേശ്യം

നെറ്റ്വർക്ക് ഡിസൈൻ

ഏത് സൗകര്യം/വെയർഹൗസ് തുറക്കണം?

ആകെ ഫിക്സഡ് + വേരിയബിൾ ചെലവ് മിനിറ്റ്

അസൈൻമെൻ്റ്/അലോക്കേഷൻ

ഏത് വെയർഹൗസിൽ നിന്ന് ഏത് ഉപഭോക്താവ്?

ഗതാഗത ചെലവ് മിനി

വാഹന റൂട്ടിംഗ് (VRP)

ഏത് വാഹനമാണ് നിർത്തുന്നത്, ഏത് ക്രമത്തിലാണ്?

ആകെ ദൂരം/സമയം മിനിറ്റ്

വെയർഹൗസ് ലേഔട്ട്

ഉൽപ്പന്നങ്ങൾ എവിടെ സ്ഥാപിക്കണം?

തിരഞ്ഞെടുക്കുന്ന ദൂരം മിനിറ്റ്

ഗതാഗത മോഡ് തിരഞ്ഞെടുക്കൽ

കര/കടൽ/വായു

ചെലവ്-വേഗത ബാലൻസ്

എല്ലാ പ്രശ്നങ്ങളുടെയും പൊതുവായ ചട്ടക്കൂട് ഒന്നുതന്നെയാണ്: തീരുമാന വേരിയബിളുകൾ, വസ്തുനിഷ്ഠമായ പ്രവർത്തനം, നിയന്ത്രണങ്ങൾ. AI-യുടെ ഏറ്റവും മൂല്യവത്തായ സംഭാവന, ഒരു ബിസിനസ് പ്രശ്‌നം ഈ മൂന്ന് ഘടകങ്ങളിലേക്ക് വിവർത്തനം ചെയ്യാൻ നിങ്ങളെ സഹായിക്കുന്നു എന്നതാണ്.

റോൾ: നിങ്ങൾ സപ്ലൈ ചെയിൻ ഒപ്റ്റിമൈസേഷനിൽ സ്പെഷ്യലൈസ് ചെയ്ത ഒരു വ്യാവസായിക എഞ്ചിനീയറാണ്. ടാസ്ക്: ഇനിപ്പറയുന്ന ബിസിനസ്സ് പ്രശ്നം ഒരു ഒപ്റ്റിമൈസേഷൻ മോഡലിലേക്ക് വിവർത്തനം ചെയ്യുക. വ്യക്തമാക്കുക: (1) തീരുമാന വേരിയബിളുകൾ, (2) വസ്തുനിഷ്ഠമായ പ്രവർത്തനം, (3) നിയന്ത്രണങ്ങൾ (ശേഷി, ഡിമാൻഡ് സംതൃപ്തി, നോൺ-നെഗറ്റിവിറ്റി), (4) ഈ പ്രശ്നത്തിൻ്റെ തരം. പ്രശ്നം: "ഞങ്ങൾക്ക് 3 ഫാക്ടറികളും 5 വിതരണ കേന്ദ്രങ്ങളുമുണ്ട്. ഓരോ ഫാക്ടറിയുടെയും ശേഷിയും ഓരോ കേന്ദ്രത്തിൻ്റെയും ആവശ്യവും ഉറപ്പാണ്. ഫാക്ടറിയിൽ നിന്ന് കേന്ദ്രത്തിലേക്കുള്ള ഗതാഗത യൂണിറ്റിൻ്റെ ചെലവ് വ്യത്യസ്തമാണ്. മൊത്തം ഗതാഗത ചെലവ് കുറയ്ക്കുക, ഞങ്ങൾ അത് ഡൗൺലോഡ് ചെയ്യാൻ ആഗ്രഹിക്കുന്നു." നിയമം: മോഡൽ തരം (ഉദാ. ഗതാഗത പ്രശ്നം) പേര് നൽകുക (ഉദാ. ഗതാഗത പ്രശ്നം), അനുമാനങ്ങൾ വ്യക്തമായി എഴുതുക.

ഇതൊരു ക്ലാസിക് ഗതാഗത പ്രശ്നമാണ്. AI-ക്ക് ഇത് തിരിച്ചറിയാനും ശരിയായ ഗണിതശാസ്ത്ര അസ്ഥികൂടം നിർമ്മിക്കാനും കഴിയും; നിങ്ങൾ യഥാർത്ഥ ശേഷിയും ഡിമാൻഡ് ഡാറ്റയും സ്ഥാപിക്കുന്നു.

റൂട്ട് ഒപ്റ്റിമൈസേഷനും (VRP) നിയന്ത്രണങ്ങളുടെ പ്രാധാന്യവും

പ്രായോഗികമായി ഏറ്റവും കൂടുതൽ അഭിമുഖീകരിക്കുന്നതും തെറ്റായി സ്ഥാപിക്കപ്പെട്ടതുമായ പ്രശ്നമാണ് വാഹന റൂട്ടിംഗ്. ലളിതമായ "ചെറിയ പാത" (TSP) ഉം യഥാർത്ഥ VRP ഉം തമ്മിൽ വലിയ വ്യത്യാസമുണ്ട്: വാഹന ശേഷി, സമയ വിൻഡോകൾ (ഉപഭോക്താവിന് എടുക്കാൻ കഴിയുന്ന മണിക്കൂറുകൾ), ഡ്രൈവിംഗ് സമയ പരിധികൾ, മൾട്ടി-വാഹനം.

മുന്നറിയിപ്പ്: AI ഒരു റൂട്ട് ശുപാർശ ചെയ്യുമ്പോൾ, അത് പലപ്പോഴും "മറക്കുന്നു" അല്ലെങ്കിൽ ശേഷിയും സമയ വിൻഡോ പരിമിതികളും ഏകദേശം കണക്കാക്കുന്നു. ഒരു വാഹനത്തിന് കൊണ്ടുപോകാൻ കഴിയുന്നതിനേക്കാൾ കൂടുതൽ ചരക്ക് കയറ്റിയ ഒരു റൂട്ട് "ചെറുതായി" തോന്നുമെങ്കിലും അത് അപ്രായോഗികമാണ്. മൊത്തം ലോഡ് ≤ ശേഷി, എത്തിച്ചേരൽ സമയം ∈ സമയ വിൻഡോ എന്നിവയ്ക്കായി ഓരോ റൂട്ടും വ്യക്തിഗതമായി പരിശോധിക്കുക.

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

ദുർബലമായ പ്രോംപ്റ്റ്:

ഈ 8 സ്റ്റോപ്പുകൾക്കുള്ള ഏറ്റവും ചെറിയ റൂട്ട് നൽകുക.

ശേഷിയും സമയ വിൻഡോയും വാഹനങ്ങളുടെ എണ്ണവും ഇല്ലെങ്കിൽ, AI ഒരു ലളിതമായ റാങ്കിംഗ് നൽകുന്നു; യഥാർത്ഥ പ്രവർത്തനത്തിൽ അത് നിലനിൽക്കില്ല.

ശക്തമായ നിർദ്ദേശം:

ഇനിപ്പറയുന്ന 8 ഉപഭോക്താക്കൾക്കായി ഒരു റൂട്ട് പ്ലാൻ നിർദ്ദേശിക്കുക. 2 വാഹനങ്ങളുണ്ട്, ഓരോന്നിൻ്റെയും ശേഷി 100 യൂണിറ്റാണ്. ഓരോ ഉപഭോക്താവിൻ്റെയും ആവശ്യവും സമയ ജാലകവും ഘടിപ്പിച്ചിരിക്കുന്നു. വെയർഹൗസിൽ നിന്ന് ചെക്ക്-ഔട്ട്08:00. ശരാശരി വേഗത മണിക്കൂറിൽ 40 കി.മീ. ഔട്ട്‌പുട്ട്: ഓരോ വാഹനത്തിൻ്റെയും സ്റ്റോപ്പുകളുടെ ക്രമം, ക്യുമുലേറ്റീവ് ലോഡ് (ശേഷി കവിയരുത്), കണക്കാക്കിയ വരവ് സമയം (സമയ വിൻഡോയ്ക്ക് അനുയോജ്യമാക്കുന്നതിന്), മൊത്തം ദൂരം. ഒരു നിയന്ത്രണ ലംഘനം ഉണ്ടെങ്കിൽ, അത് വ്യക്തമായി പ്രസ്താവിക്കുകയും ഒരു ബദൽ നിർദ്ദേശിക്കുകയും ചെയ്യുക. ഡാറ്റ: {{ ... }}

രണ്ടാമത്തെ പ്രോംപ്റ്റ് വ്യക്തമായി നിയന്ത്രണങ്ങൾ ഏർപ്പെടുത്തുകയും AI-യിൽ നിന്നുള്ള ലംഘന പരിശോധന അഭ്യർത്ഥിക്കുകയും ചെയ്യുന്നു. എന്നിരുന്നാലും, ഒരു സോൾവർ ഉപയോഗിച്ച് അല്ലെങ്കിൽ സ്വമേധയാ ഫലം പരിശോധിക്കേണ്ടത് അത്യാവശ്യമാണ്; AI കേവലമായ ഒപ്റ്റിമലിറ്റി ഉറപ്പ് നൽകുന്നില്ല.

ഒപ്റ്റിമൽ അല്ലെങ്കിൽ വെറും "നല്ലത്"?

ഇവിടെ ഒരു നിർണായക ആശയം ഉണ്ട്: AI (കൂടാതെ ഏറ്റവും പ്രായോഗികമായ രീതികൾ) കണ്ടെത്തുന്ന പരിഹാരം പലപ്പോഴും ഒരു നല്ല പരിഹാരമാണ് (ഹ്യൂറിസ്റ്റിക്), ഒപ്റ്റിമൽ അല്ല. ശരിയായി നിർമ്മിച്ച മാതൃക പരിഹരിക്കുന്ന ഒരു ഗണിതശാസ്ത്ര സോൾവർ (OR-Tools, Gurobi, PuLP പോലുള്ളവ) വഴി യഥാർത്ഥ ഒപ്റ്റിമൽ കണ്ടെത്തുന്നു. AI യുടെ പങ്ക് മോഡൽ നിർമ്മിക്കുക എന്നതാണ്, അത് പരിഹരിക്കുകയല്ല.

പൈത്തൺ PuLP ഉപയോഗിച്ച് ഇനിപ്പറയുന്ന ഗതാഗത പ്രശ്‌നം പരിഹരിക്കാൻ ഒരു മാതൃകാ അസ്ഥികൂടം എഴുതുക:- തീരുമാന വേരിയബിളുകൾ x[i][j] (i ഫാക്ടറി, j സെൻ്റർ)- ലക്ഷ്യം: മൊത്തം ചെലവ് കുറയ്ക്കൽ- നിയന്ത്രണം: ഓരോ ഫാക്ടറിയുടെയും വിതരണം, ഓരോ കേന്ദ്രത്തിൻ്റെയും ആവശ്യം, x >= 0അഭിപ്രായങ്ങൾക്കൊപ്പം കോഡ് വിശദീകരിക്കുക, പക്ഷേ ഞാൻ ഡാറ്റ നൽകാം. കൂടാതെ: പരിഹാരം വരുമ്പോൾ ഞാൻ ചെയ്യേണ്ട പരിശോധനകൾ ലിസ്റ്റ് ചെയ്യുക.

നുറുങ്ങ്: AI-യോട് "കോഡ് എഴുതി അത് കണ്ടുപിടിക്കുക" എന്ന് പറയുന്നതിന് പകരം "കോഡ് എഴുതുക, ഞാൻ അത് പ്രവർത്തിപ്പിക്കും" എന്ന് പറയുക. ഇത് ഒപ്റ്റിമൈസേഷനെ ഒരു യഥാർത്ഥ സോൾവർ ആക്കുന്നു; "എൻ്റെ പരിഹാരം ഇതാ" എന്ന് പറയുന്ന AI- നിർമ്മിത (പരിശോധിച്ചിട്ടില്ലാത്ത) നമ്പറുകൾ നിങ്ങൾ വിശ്വസിക്കുന്നില്ല.

വെയർഹൗസും ലൊക്കേഷൻ തീരുമാനങ്ങളും

വെയർഹൗസിൽ ഉൽപ്പന്നം സ്ഥാപിക്കുന്നത് പിക്കിംഗ് ദൂരത്തെ നേരിട്ട് ബാധിക്കുന്നു. അടിക്കടി ചലിപ്പിക്കുന്ന (ഉയർന്ന വിറ്റുവരവ്) ഇനങ്ങൾ പിക്കിംഗ് പോയിൻ്റിന് (എബിസി പ്ലേസ്‌മെൻ്റ്) സമീപം സ്ഥാപിക്കുക എന്നതാണ് അടിസ്ഥാന തത്വം. ഉൽപ്പന്ന ചലന ഡാറ്റ ഉപയോഗിച്ച് AI-ക്ക് ഒരു ലേഔട്ട് നിർദ്ദേശ രൂപരേഖ നിർമ്മിക്കാൻ കഴിയും; എന്നിരുന്നാലും, ശാരീരിക നിയന്ത്രണങ്ങൾ (ഷെൽഫ് വലുപ്പം, ഭാരം, അപകടകരമായ മെറ്റീരിയൽ വേർതിരിക്കൽ, തണുത്ത ശൃംഖല) മനുഷ്യർ മേൽനോട്ടം വഹിക്കണം.

മിനി കേസ്: കടലാസിൽ ചെറുത്, ഫീൽഡിൽ അസാധ്യമാണ്

ഒരു വിതരണ കമ്പനി 3 വാഹനങ്ങൾ ഉപയോഗിച്ച് പ്രതിദിനം 40 ഡെലിവറികൾ നടത്തുന്നു. ഇൻഡസ്ട്രിയൽ എഞ്ചിനീയറായ സെലിൻ AI-ക്ക് സ്റ്റോപ്പുകൾ, അഭ്യർത്ഥനകൾ, വാഹന ശേഷി എന്നിവ നൽകുകയും റൂട്ട് പ്ലാൻ ആവശ്യപ്പെടുകയും ചെയ്യുന്നു. ഭംഗിയുള്ളതും കുറഞ്ഞ മൊത്തം ദൂരമുള്ളതുമായ ഒരു ഷോട്ട് AI നിർമ്മിക്കുന്നു. എന്നാൽ സെലിൻ പരിശോധിക്കുമ്പോൾ, ഒരു വാഹനത്തിൻ്റെ റൂട്ടിലെ ക്യുമുലേറ്റീവ് ലോഡ് കപ്പാസിറ്റിയെക്കാൾ 15% കൂടുതലാണെന്ന് അവൾ മനസ്സിലാക്കുന്നു; ഉപഭോക്താവിന് ഉച്ചതിരിഞ്ഞ് പിക്കപ്പ് ചെയ്യാൻ കഴിയുന്ന രണ്ട് സ്റ്റോപ്പുകൾ ഉണ്ട്, എന്നാൽ രാവിലെ ഷെഡ്യൂൾ ചെയ്യുന്നു. സെലിൻ നിയന്ത്രണങ്ങൾ പ്രോംപ്റ്റിൽ കൂടുതൽ വ്യക്തമായി എഴുതുകയും അവ പുനർനിർമ്മിക്കുകയും ചെയ്യുന്നു, തുടർന്ന് OR-ടൂളുകൾ ഉപയോഗിച്ച് പ്ലാൻ പരിശോധിക്കുന്നു. ഫലം പ്രായോഗികമാകും. പാഠം: AI "ഏറ്റവും ചെറുത്" എന്ന് വിളിക്കുന്ന പ്ലാൻ യഥാർത്ഥത്തിൽ ഏറ്റവും ചെറുതായിരുന്നില്ല, നിയന്ത്രണ ലംഘനങ്ങൾ കാരണം അസാധുവായിരുന്നു.

സാധാരണ തെറ്റുകൾ

• നിയന്ത്രണങ്ങൾ വ്യക്തമാക്കുന്നില്ല: ശേഷി, സമയ വിൻഡോ, വാഹനങ്ങളുടെ എണ്ണം എന്നിവ ഇല്ലാത്ത റൂട്ട് അഭ്യർത്ഥിക്കുന്നു.
• ഒരു സോൾവറായി AI തെറ്റിദ്ധരിക്കുന്നു: AI നൽകുന്ന "ഒപ്റ്റിമൽ" പരിഹാരം ഒരു യഥാർത്ഥ സോൾവർ ഔട്ട്പുട്ടായി സ്വീകരിക്കുന്നു.
• നിയന്ത്രണ ലംഘനങ്ങൾ പരിശോധിക്കുന്നില്ല: ക്യുമുലേറ്റീവ് ലോഡും എത്തിച്ചേരുന്ന സമയവും പരിശോധിക്കാതെ പ്ലാൻ നടപ്പിലാക്കുന്നു.
• ഒരൊറ്റ ലക്ഷ്യത്തിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നു: ചെലവ് മാത്രം ഒപ്റ്റിമൈസ് ചെയ്യുക, ഈട്/അപകടത്തെ കുറിച്ച് മറക്കുക (ഒറ്റ വിതരണക്കാരൻ്റെ ആശ്രിതത്വം).
• യഥാർത്ഥ ചെലവുകൾ ഉപയോഗിക്കുന്നില്ല: ഡിഫോൾട്ട്/ഫാബ്രിക്കേറ്റഡ് യൂണിറ്റ് ചെലവുകൾ ഉപയോഗിച്ച് ഒരു മോഡൽ നിർമ്മിക്കുക, യഥാർത്ഥ ഡാറ്റ ഉപയോഗിച്ച് അത് അപ്‌ഡേറ്റ് ചെയ്യാതിരിക്കുക.

ചുരുക്കത്തിൽ

• ഓരോ വിതരണ ശൃംഖല ഒപ്റ്റിമൈസേഷനും മൂന്ന് ഘടകങ്ങളായി ചുരുങ്ങുന്നു: തീരുമാന വേരിയബിളുകൾ, ഒബ്ജക്റ്റീവ് ഫംഗ്ഷൻ, നിയന്ത്രണങ്ങൾ.
• AI-യുടെ ഏറ്റവും മൂല്യവത്തായ സംഭാവന, ബിസിനസ് പ്രശ്നം ശരിയായ മോഡൽ തരത്തിലേക്ക് (ഗതാഗതം, VRP, അസൈൻമെൻ്റ്) വിവർത്തനം ചെയ്യുക എന്നതാണ്.
• വിആർപിയിൽ ശേഷിയും സമയ ജാലക നിയന്ത്രണങ്ങളും നിർണായകമാണ്; AI ഇവ പതിവായി ഒഴിവാക്കുന്നു, അവ പരിശോധിക്കുന്നത് ഉറപ്പാക്കുക.
• AI നിർമ്മിക്കുന്നു, പരിഹരിക്കുന്നില്ല; ഒരു സോൾവർ (PuLP, OR-ടൂളുകൾ) യഥാർത്ഥ ഒപ്റ്റിമൈസേഷൻ ചെയ്യണം.
• ചെലവ് കൂടാതെ, ഈട്, അപകടസാധ്യത എന്നിവയും ലക്ഷ്യമായിരിക്കണം; സിംഗിൾ സപ്ലയർ/സിംഗിൾ റൂട്ട് ഡിപൻഡൻസി ഒരു മറഞ്ഞിരിക്കുന്ന ചിലവാണ്.

ആപ്ലിക്കേഷൻ ടാസ്ക്

ഒരു വിതരണ/വിതരണ പ്രശ്നം നിർമ്മിക്കുക (ഉദാ. 3 വെയർഹൗസുകൾ, 5-8 ഉപഭോക്താക്കൾ, ആവശ്യങ്ങളും വാഹന ശേഷിയും). ആദ്യം, AI മോഡൽ പ്രശ്നത്തെ ഒരു തീരുമാന വേരിയബിൾ, ലക്ഷ്യം, പരിമിതി എന്നിവയായി കണക്കാക്കി പ്രശ്നത്തിൻ്റെ തരം പേര് നൽകുക. തുടർന്ന് ഒരു വിആർപി സാഹചര്യം നൽകുകയും റൂട്ട് പ്ലാൻ ആവശ്യപ്പെടുകയും ചെയ്യുക; ഔട്ട്‌പുട്ടിൽ ഓരോ വാഹനത്തിൻ്റെയും ക്യുമുലേറ്റീവ് ലോഡും എത്തിച്ചേരുന്ന സമയവും സ്വയം പരിശോധിക്കുക. നിർണ്ണായക പരിശോധന: കുറഞ്ഞത് ഒരു വാഹനത്തിൻ്റെ മൊത്തം ലോഡ് സ്വമേധയാ കൂട്ടിച്ചേർത്ത് അത് ശേഷിയുമായി താരതമ്യം ചെയ്ത് നിയന്ത്രണ ലംഘനത്തിനായി നോക്കുക. അവസാനമായി, AI സോൾവർ (PuLP) കോഡ് അസ്ഥികൂടം എഴുതുകയും "ഞാൻ പരിഹാരം പ്രവർത്തിപ്പിക്കും" എന്ന സമീപനം ഉപയോഗിച്ച് വ്യാജ നമ്പറുകൾ സൃഷ്ടിക്കുന്നതിൽ നിന്ന് AI-യെ തടയുന്ന ഒരു വർക്ക്ഫ്ലോ രൂപകൽപ്പന ചെയ്യുകയും ചെയ്യുക.