Winst:
- Mogelijkheid om problemen met het ontwerp van supply chain-netwerken, routes en magazijnindelingen te identificeren
- Mogelijkheid om AI te gebruiken bij het genereren van scenario's, het opsommen van beperkingen en het bouwen van optimalisatiemodellen
- Mogelijkheid om door AI voorgestelde oplossingen te valideren met beperkingen op het gebied van kosten, capaciteit en levering
De supply chain is de gehele stroom van materialen, informatie en geld van grondstoffen tot aan de eindklant. Elke beslissing in dit netwerk (waar te kopen, welk magazijn op te slaan, welke route naar verzending) zorgt voor een evenwicht tussen kosten, snelheid en duurzaamheid. Optimalisatie is hier geen magie, het betekent een goed gedefinieerde objectieve functie en beperkingen. Kunstmatige intelligentie is op dit gebied zeer krachtig bij het structureren van het probleem, het genereren van scenario's, het opsommen van beperkingen en het opstellen van het optimalisatiemodel; Maar beweringen over de “beste oplossing” moeten altijd worden gevalideerd aan de hand van beperkingen en werkelijke kosten. In deze unit bespreken we netwerkontwerp, routeoptimalisatie en magazijnbeslissingen met AI-ondersteuning.
Kaart van problemen met supply chain-optimalisatie
Het herkennen van optimalisatieproblemen is de eerste stap bij het bouwen van het juiste model.
probleem
beslissingsvariabele
Typisch doel
netwerk ontwerp
Welke faciliteit/magazijn moet worden geopend?
Totale vaste + variabele kosten min
Toewijzing/toewijzing
Welke klant uit welk magazijn?
Transportkosten min
Voertuigroutering (VRP)
Welk voertuig maakt welke stops, in welke volgorde?
Totale afstand/tijd min
magazijn indeling
Waar moeten de producten geplaatst worden?
Plukafstand min
Selectie van transportmodus
Land/zee/lucht
Kosten-snelheidsevenwicht
Het gemeenschappelijke raamwerk van elk probleem is hetzelfde: beslissingsvariabelen, objectieve functie, beperkingen. De meest waardevolle bijdrage van AI is dat het je helpt een bedrijfsprobleem te vertalen naar deze drie componenten.
Rol: Je bent een industrieel ingenieur, gespecialiseerd in supply chain-optimalisatie. Taak: Vertaal het volgende bedrijfsprobleem naar een optimalisatiemodel. Specificeer: (1) beslissingsvariabelen, (2) objectieve functie, (3) beperkingen (capaciteit, vraagtevredenheid, niet-negativiteit), (4) type van dit probleem. Probleem: "We hebben 3 fabrieken en 5 distributiecentra. De capaciteit van elke fabriek en de vraag van elk centrum zijn zeker. De kosten van transporteenheden van fabriek naar centrum zijn verschillend. Minimaliseer de totale transportkosten. We willen deze downloaden." Regel: Noem het modeltype (bijvoorbeeld transportprobleem), schrijf de aannames duidelijk op.
Dit is een klassiek transportprobleem. AI kan dit herkennen en het juiste wiskundige skelet bouwen; Ook plaats je echte capaciteits- en vraagdata.
Routeoptimalisatie (VRP) en het belang van beperkingen
Voertuigroutering is in de praktijk het meest voorkomende en verkeerd vastgestelde probleem. Er is een groot verschil tussen het eenvoudige “kortste pad” (TSP) en echte VRP: voertuigcapaciteit, tijdvensters (uren waarop de klant kan ophalen), rijtijdlimieten, meerdere voertuigen.
Let op: wanneer AI een route aanbeveelt, ‘vergeet’ deze vaak de beperkingen op het gebied van capaciteit en tijdvensters of benadert deze deze. Een route die is beladen met meer vracht dan een voertuig kan vervoeren, lijkt misschien "kort", maar is onpraktisch. Controleer elke route afzonderlijk op totale belasting ≤ capaciteit en aankomsttijd ∈ tijdvenster.
Zwakke prompt/sterke prompt
Zwakke prompt:
Geef de kortste route voor deze 8 haltes.
Als er geen capaciteit, tijdvenster en aantal voertuigen zijn, geeft AI een eenvoudige rangschikking; Bij echt gebruik houdt het geen stand.
Krachtige prompt:
Stel een routeplan voor de volgende 8 klanten voor. Er zijn 2 voertuigen, de capaciteit van elk is 100 eenheden. De vraag en het tijdvenster van elke klant zijn bijgevoegd. Uitchecken bij het magazijn08:00 uur. Ga uit van een gemiddelde snelheid van 40 km/u. Output: volgorde van stops voor elk voertuig, cumulatieve lading (om de capaciteit niet te overschrijden), geschatte aankomsttijden (om binnen het tijdvenster te passen), totale afstand. Als er sprake is van een overtreding van de beperkingen, vermeld dit dan duidelijk en stel een alternatief voor. Gegevens: {{ ... }}
De tweede prompt legt expliciet beperkingen op en vraagt om controle op overtredingen door de AI. Het is echter essentieel om het resultaat te verifiëren met een oplosser of handmatig; AI garandeert geen absolute optimaliteit.
Optimaal of gewoon "goed"?
Er is hier sprake van een cruciaal concept: de oplossing die AI (en de meeste praktische methoden) vindt, is vaak een goede oplossing (heuristisch), en niet een optimale. Het echte optimale wordt gevonden door een wiskundige oplosser (zoals OR-Tools, Gurobi, PuLP) die het correct geconstrueerde model oplost. De rol van AI is om het model te bouwen, niet om het op te lossen.
Schrijf een modelskelet om het volgende transportprobleem op te lossen met Python PuLP: - Beslissingsvariabelen x[i][j] (i fabriek, j centrum) - Doelstelling: totale kostenminimalisatie - Beperking: aanbod van elke fabriek, vraag van elk centrum, x >= 0Leg de code uit met commentaar, maar ik zal de numerieke gegevens invoeren. Ook: vermeld welke controles ik moet doen als de oplossing uitkomt.
Tip: In plaats van de AI te vertellen ‘de code te schrijven en deze uit te zoeken’, zeg je hem ‘schrijf de code en ik voer hem uit’. Dit maakt optimalisatie tot een echte oplosser; Je vertrouwt geen door AI verzonnen (en niet-geverifieerde) cijfers die zeggen: "hier is mijn oplossing".
Magazijn- en locatiebeslissingen
De productplaatsing in het magazijn heeft rechtstreeks invloed op de pickafstand. Het basisprincipe is om vaak verplaatste artikelen (hoge omzet) dichtbij het pickpunt te positioneren (ABC-plaatsing). AI kan een lay-outvoorstel schetsen met gegevens over productbewegingen; Fysieke beperkingen (grootte van de schappen, gewicht, scheiding van gevaarlijke stoffen, koudeketen) moeten echter door mensen worden gecontroleerd.
Mini Case: tekort op papier, onmogelijk in het veld
Een distributiebedrijf doet 40 leveringen per dag met 3 voertuigen. Industrieel ingenieur Selin geeft de haltes, aanvragen en voertuigcapaciteiten door aan de AI en vraagt om een routeplan. AI produceert een schot dat er mooi uitziet en een lage totale afstand heeft. Maar wanneer Selin het controleert, realiseert ze zich dat de cumulatieve belasting op de route van een voertuig de capaciteit met 15% overschrijdt; Er zijn ook twee haltes waar de klant 's middags kan ophalen, maar 's ochtends gepland is. Selin schrijft de beperkingen duidelijker op de prompt en reproduceert ze, en verifieert vervolgens het plan met OR-Tools. Het resultaat wordt haalbaar. Les: Het plan dat de AI ‘kortste’ noemde, was eigenlijk niet het kortste en was zelfs ongeldig vanwege overtredingen van de beperkingen.
Veelvoorkomende fouten
- Geen beperkingen specificeren: Een route aanvragen zonder capaciteit, tijdvenster en aantal voertuigen.
- AI voor een oplosser verwarren: de ‘optimale’ oplossing van AI accepteren als een echte oplosseruitvoer.
- Niet controleren op overtredingen van beperkingen: Het plan implementeren zonder de cumulatieve belasting- en aankomsttijden te controleren.
- Focussen op één doel: alleen de kosten optimaliseren en de duurzaamheid/risico's vergeten (afhankelijkheid van één leverancier).
- Geen gebruik maken van echte kosten: een model bouwen met standaard/verzonnen eenheidskosten en dit niet bijwerken met echte gegevens.
Samengevat
- Elke supply chain-optimalisatie komt neer op drie componenten: beslissingsvariabelen, objectieve functie, beperkingen.
- De meest waardevolle bijdrage van AI is het vertalen van het bedrijfsprobleem naar het juiste modeltype (transport, VRP, opdracht).
- Capaciteits- en tijdvensterbeperkingen zijn cruciaal bij VRP; AI slaat deze regelmatig over, zorg ervoor dat u ze controleert.
- AI bouwt, niet oplost; Een solver (PuLP, OR-Tools) zou de daadwerkelijke optimalisatie moeten doen.
- Naast kosten moeten ook duurzaamheid en risico het doel zijn; Afhankelijkheid van één leverancier/één route is een verborgen kostenpost.
Applicatie taak
Construeer een aanbod-/distributieprobleem (bijvoorbeeld 3 magazijnen, 5-8 klanten, vraag en voertuigcapaciteit). Laat de AI eerst het probleem modelleren als beslissingsvariabele, doel en beperking en benoem het probleemtype. Geef dan een VRP-scenario op en vraag om een routeplan; Controleer zelf de cumulatieve beladings- en aankomsttijden van elk voertuig in de uitvoer. Kritische verificatie: tel handmatig de totale lading van minimaal één voertuig op, vergelijk deze met de capaciteit en zoek naar overtredingen van de beperkingen. Laat de AI ten slotte het skelet van de oplossercode (PuLP) schrijven en ontwerp een workflow die voorkomt dat de AI nepnummers genereert, met een ‘Ik voer de oplossing uit’-aanpak.