Ganhos:
- Capacidade de identificar problemas de projeto de rede da cadeia de suprimentos, rotas e layout de armazém
- Capacidade de usar IA na geração de cenários, listagem de restrições e construção de modelos de otimização
- Capacidade de validar soluções sugeridas por IA com restrições de custo, capacidade e entrega
A cadeia de suprimentos é todo o fluxo de materiais, informações e dinheiro, desde as matérias-primas até o cliente final. Cada decisão nesta rede (onde adquirir, qual armazém estocar, qual rota enviar) estabelece um equilíbrio entre custo, velocidade e durabilidade. A otimização não é mágica aqui, significa uma função objetivo e restrições bem definidas. A inteligência artificial é muito poderosa nesta área na estruturação do problema, na geração de cenários, na listagem de restrições e na elaboração do modelo de otimização; Mas as afirmações de “melhor solução” precisam sempre de ser validadas face às restrições e aos custos reais. Nesta unidade, discutiremos projeto de rede, otimização de rotas e decisões de armazém com suporte de IA.
Mapa de problemas de otimização da cadeia de suprimentos
Reconhecer problemas de otimização é o primeiro passo na construção do modelo certo.
problema
variável de decisão
Finalidade típica
projeto de rede
Qual instalação/armazém deve ser aberto?
Custo total fixo + variável mínimo
Atribuição/alocação
Qual cliente de qual armazém?
Custo mínimo de transporte
Roteamento de veículos (VRP)
Qual veículo faz qual parada, em qual ordem?
Distância total/tempo mínimo
disposição do armazém
Onde os produtos devem ser colocados?
Distância mínima de seleção
Seleção do modo de transporte
Terra/mar/ar
Equilíbrio custo-velocidade
A estrutura comum de cada problema é a mesma: variáveis de decisão, função objetivo, restrições. A contribuição mais valiosa da IA é que ela ajuda a traduzir um problema de negócios nesses três componentes.
Função: Você é um engenheiro industrial especializado em otimização da cadeia de suprimentos. Tarefa: Traduzir o seguinte problema de negócios em um modelo de otimização. Especifique: (1) variáveis de decisão, (2) função objetivo, (3) restrições (capacidade, satisfação da demanda, não negatividade), (4) tipo deste problema. Problema: "Temos 3 fábricas e 5 centros de distribuição. A capacidade de cada fábrica e a demanda de cada centro são certas. Os custos unitários de transporte da fábrica ao centro são diferentes. Minimizar o custo total de transporte Queremos fazer o download."
Este é um problema clássico de transporte. A IA pode reconhecer isso e construir o esqueleto matemático correto; Você também coloca dados reais de capacidade e demanda.
Otimização de Rota (VRP) e a Importância das Restrições
O roteamento de veículos é o problema mais frequentemente encontrado e estabelecido incorretamente na prática. Há uma grande diferença entre o simples “caminho mais curto” (TSP) e o verdadeiro VRP: capacidade do veículo, janelas de tempo (horas em que o cliente pode retirar), limites de tempo de condução, multi-veículo.
Cuidado: quando a IA recomenda uma rota, muitas vezes “esquece” ou aproxima as restrições de capacidade e janela de tempo. Uma rota carregada com mais carga do que um veículo pode transportar pode parecer “curta”, mas é impraticável. Verifique cada rota individualmente quanto à carga total ≤ capacidade e horário de chegada ∈ janela de tempo.
Alerta Fraco/Prompt Forte
Alerta fraco:
Dê o caminho mais curto para essas 8 paradas.
Caso não haja capacidade, janela de tempo e quantidade de veículos, a IA dá uma classificação simples; Não se sustenta em operação real.
Alerta poderoso:
Sugira um plano de rota para os 8 clientes a seguir. São 2 veículos, a capacidade de cada um é de 100 unidades. A demanda e a janela de tempo de cada cliente estão anexadas. Check-out no armazém08:00. Suponha que a velocidade média seja de 40 km/h. Saída: ordem de paradas para cada veículo, carga acumulada (para não exceder a capacidade), tempos estimados de chegada (para caber na janela de tempo), distância total. Se houver uma violação de restrição, declare-a claramente e sugira uma alternativa. Dados: {{ ... }}
O segundo prompt impõe explicitamente restrições e solicita verificação de violações da IA. Porém, é imprescindível verificar o resultado com um solucionador ou manualmente; A IA não garante otimização absoluta.
Ideal ou apenas "bom"?
Há um conceito crítico aqui: a solução que a IA (e a maioria dos métodos práticos) encontra é muitas vezes uma boa solução (heurística), e não a ideal. O verdadeiro ótimo é encontrado por um solucionador matemático (como OR-Tools, Gurobi, PuLP) resolvendo o modelo construído corretamente. O papel da IA é construir o modelo, não resolvê-lo.
Escreva um esqueleto de modelo para resolver o seguinte problema de transporte com Python PuLP:- Variáveis de decisão x[i][j] (i fábrica, j centro)- Objetivo: minimização do custo total- Restrição: oferta de cada fábrica, demanda de cada centro, x >= 0Explique o código com comentários, mas irei inserir os dados numéricos. Além disso: liste quais verificações preciso fazer quando a solução for lançada.
Dica: em vez de dizer à IA para “escrever o código e descobrir”, diga “escreva o código e eu o executarei”. Isso torna a otimização um verdadeiro solucionador; Você não confia em números inventados (e não verificados) por IA dizendo "aqui está minha solução".
Decisões de armazém e localização
A colocação do produto no armazém afeta diretamente a distância de separação. O princípio básico é posicionar os itens movimentados com frequência (alta rotatividade) próximos ao ponto de separação (colocação ABC). A IA pode produzir um esboço de proposta de layout com dados de movimentação de produtos; No entanto, as restrições físicas (tamanho das prateleiras, peso, separação de materiais perigosos, cadeia de frio) devem ser supervisionadas por seres humanos.
Mini Case: Pouco Papel, Impossível no Campo
Uma empresa de distribuição faz 40 entregas por dia com 3 veículos. O engenheiro industrial Selin entrega as paradas, solicitações e capacidades dos veículos à IA e pede um plano de rota. A IA produz uma foto que parece bonita e tem uma distância total baixa. Mas quando Selin verifica, ela percebe que a carga acumulada na rota de um veículo excede a capacidade em 15%; Existem também duas paragens onde o cliente pode levantar no período da tarde mas está agendado para o período da manhã. Selin escreve as restrições de forma mais clara no prompt e as reproduz, depois verifica o plano com OR-Tools. O resultado se torna viável. Lição: O plano que a IA chamou de “mais curto” não era realmente o mais curto e até foi inválido devido a violações de restrições.
Erros Comuns
- Não especificar restrições: Solicitar um percurso sem lotação, janela horária e número de veículos.
- Confundir a IA com um solucionador: Aceitar a solução “ótima” dada pela IA como um resultado real do solucionador.
- Não verificar violações de restrições: Implementar o plano sem verificar a carga acumulada e os tempos de chegada.
- Foco em um único objetivo: Otimizar apenas custos e esquecer durabilidade/risco (dependência de fornecedor único).
- Não utilizar custos reais: Construir um modelo com custos unitários padrão/fabricados e não atualizá-lo com dados reais.
Em resumo
- Toda otimização da cadeia de suprimentos se resume a três componentes: variáveis de decisão, função objetivo, restrições.
- A contribuição mais valiosa da IA é traduzir o problema de negócio no tipo de modelo certo (transporte, VRP, atribuição).
- As restrições de capacidade e janela de tempo são cruciais no VRP; A IA os ignora com frequência, certifique-se de verificá-los.
- A IA constrói, não resolve; Um solucionador (PuLP, OR-Tools) deve fazer a otimização real.
- Além do custo, a durabilidade e o risco também devem ser o objectivo; A dependência de fornecedor único/rota única é um custo oculto.
Tarefa de aplicativo
Construa um problema de abastecimento/distribuição (por exemplo, 3 armazéns, 5-8 clientes, demandas e capacidade do veículo). Primeiro, faça com que a IA modele o problema como uma variável de decisão, objetivo e restrição e nomeie o tipo de problema. Em seguida, forneça um cenário VRP e peça um plano de rota; Verifique você mesmo a carga acumulada e os tempos de chegada de cada veículo na saída. Verificação crítica: some manualmente a carga total de pelo menos um veículo e compare com a capacidade e procure uma violação de restrição. Por fim, faça com que a IA escreva o esqueleto do código do solucionador (PuLP) e projete um fluxo de trabalho que evite que a IA gere números falsos, com uma abordagem “Vou executar a solução”.