Добици:
- Способност да идентификује проблеме дизајна мреже ланца снабдевања, руте и распореда складишта
- Способност коришћења АИ у генерисању сценарија, попису ограничења и конструкцији модела оптимизације
- Способност да се валидирају решења предложена од вештачке интелигенције са ограничењима трошкова, капацитета и испоруке
Ланац снабдевања је цео ток материјала, информација и новца од сировина до крајњег купца. Свака одлука у овој мрежи (где набавити, које складиште за залихе, којом рутом за отпрему) успоставља равнотежу између цене, брзине и издржљивости. Оптимизација овде није магија, она подразумева добро дефинисану функцију циља и ограничења. Вештачка интелигенција је веома моћна у овој области у структурирању проблема, генерисању сценарија, навођењу ограничења и изради оптимизационог модела; Али тврдње о „најбољим решењима“ увек морају бити потврђене у односу на ограничења и стварне трошкове. У овој јединици ћемо разговарати о дизајну мреже, оптимизацији руте и одлукама о складишту уз подршку вештачке интелигенције.
Мапа проблема оптимизације ланца снабдевања
Препознавање проблема оптимизације је први корак у изградњи правог модела.
проблем
варијабла одлуке
Типична намена
пројектовање мреже
Који објекат/магацин треба отворити?
Укупно фиксни + варијабилни трошкови мин
Додељивање/додела
Који купац из ког складишта?
Трошкови транспорта мин
Рутирање возила (ВРП)
Које возило се зауставља, којим редоследом?
Укупно растојање/време мин
распоред складишта
Где треба поставити производе?
Удаљеност брања мин
Избор начина транспорта
Земља/море/ваздух
Баланс цене и брзине
Заједнички оквир сваког проблема је исти: варијабле одлуке, функција циља, ограничења. Највреднији допринос вештачке интелигенције је то што вам помаже да преведете пословни проблем у ове три компоненте.
Улога: Ви сте индустријски инжењер специјализован за оптимизацију ланца снабдевања. Задатак: Преведите следећи пословни проблем у модел оптимизације. Наведите: (1) варијабле одлуке, (2) функцију циља, (3) ограничења (капацитет, задовољство потражње, ненегативност), (4) врсту овог проблема. Проблем: "Имамо 3 фабрике и 5 дистрибутивних центара. Капацитет сваке фабрике и потражња сваког центра су одређени. Јединични трошкови транспорта од фабрике до центра су различити. Минимизирајте укупне трошкове транспорта Желимо да га преузмемо."Правило: Наведите тип модела (нпр. транспортни проблем), јасно напишите претпоставке.
Ово је класичан транспортни проблем. АИ то може препознати и изградити исправан математички скелет; Такође постављате податке о стварном капацитету и потражњи.
Оптимизација руте (ВРП) и важност ограничења
Рутирање возила је најчешћи и погрешно установљен проблем у пракси. Постоји велика разлика између једноставног „најкраћег пута“ (ТСП) и правог ВРП-а: капацитет возила, временски оквири (сати када купац може доћи), ограничења времена вожње, више возила.
Опрез: Када АИ препоручи руту, често „заборавља“ или приближава ограничења капацитета и временског прозора. Пут натоварен са више терета него што возило може да понесе може изгледати „кратко“, али је непрактично. Проверите сваку руту појединачно за укупно оптерећење ≤ капацитет и време доласка ∈ временски оквир.
Слаба порука / јака промпт
Слабо обавештење:
Наведите најкраћи пут за ових 8 станица.
Ако нема капацитета, временског оквира и броја возила, АИ даје једноставно рангирање; Не издржава у стварном раду.
Снажан упит:
Предложите план руте за следећих 8 купаца. Има 2 возила, капацитета сваког од 100 јединица. Захтеви и временски оквир сваког купца су приложени. Одјава из складишта 08:00. Претпоставимо да је просечна брзина 40 км/х. Излаз: редослед заустављања за свако возило, кумулативно оптерећење (да не прелази капацитет), процењено време доласка (да одговара временском прозору), укупна удаљеност. Ако постоји кршење ограничења, јасно то наведите и предложите алтернативу. Подаци: {{ ... }}
Други промпт експлицитно намеће ограничења и захтева проверу кршења од АИ. Међутим, од суштинске је важности да проверите резултат помоћу решавача или ручно; АИ не гарантује апсолутну оптималност.
Оптимално или само "добро"?
Овде постоји критичан концепт: решење које АИ (и већина практичних метода) проналази често је добро решење (хеуристичко), а не оптимално. Прави оптимал се проналази помоћу математичког решавача (као што је ОР-Тоолс, Гуроби, ПуЛП) решавајући исправно конструисан модел. Улога вештачке интелигенције је да изгради модел, а не да га реши.
Напишите скелет модела за решавање следећег транспортног проблема са Питхон ПуЛП-ом:- Варијабле одлучивања к[и][ј] (и фабрика, ј центар)- Циљ: минимизација укупних трошкова- Ограничење: снабдевање сваке фабрике, потражња сваког центра, к >= 0Објасните код са коментарима, али ћу унети нумеричке податке. Такође: наведите које провере треба да урадим када решење изађе.
Савет: Уместо да кажете АИ да „напише код и схвати га“, реците му „напишите код и ја ћу га покренути“. Ово чини оптимизацију правим решавачем; Не верујете бројевима које је направила вештачка интелигенција (и непровереним) који говоре „ево мог решења“.
Одлуке о складишту и локацији
Пласман производа у магацину директно утиче на дистанцу комисионирања. Основни принцип је да се артикли који се често померају (велики промет) позиционирају близу места преузимања (АБЦ пласман). АИ може да произведе нацрт предлога изгледа са подацима о кретању производа; Међутим, физичка ограничења (величина полице, тежина, одвајање опасног материјала, хладни ланац) морају бити под надзором људи.
Мини кућиште: кратко на папиру, немогуће на терену
Дистрибутивна компанија врши 40 испорука дневно са 3 возила. Индустријски инжењер Селин даје заустављања, захтеве и капацитете возила АИ и тражи план руте. АИ производи снимак који изгледа лепо и има малу укупну удаљеност. Али када Селин провери, она схвата да кумулативно оптерећење на рути возила премашује капацитет за 15%; Постоје и два стајалишта на којима купац може доћи у поподневним сатима, али је предвиђено у јутарњим сатима. Селин јасније уписује ограничења на промпту и репродукује их, а затим верификује план помоћу ОР-алата. Резултат постаје изводљив. Поука: План који је АИ назвао „најкраћим“ заправо није био најкраћи и чак је био неважећи због кршења ограничења.
Уобичајене грешке
- Без навођења ограничења: Захтевање руте без капацитета, временског оквира и броја возила.
- Погрешити АИ са решавачем: прихватање „оптималног“ решења које даје АИ као стварног излаза решавача.
- Без провере кршења ограничења: Имплементација плана без провере кумулативног оптерећења и времена доласка.
- Фокусирање на један циљ: Оптимизација само трошкова и заборављање на трајност/ризик (зависност од једног добављача).
- Не коришћење стварних трошкова: Изградња модела са подразумеваним/фабрикованим јединичним трошковима и не ажурирање стварним подацима.
Укратко
- Свака оптимизација ланца снабдевања се своди на три компоненте: варијабле одлуке, функција циља, ограничења.
- Највреднији допринос вештачке интелигенције је превођење пословног проблема у прави тип модела (транспорт, ВРП, задатак).
- Ограничења капацитета и временског оквира су кључна за ВРП; АИ их често прескаче, обавезно их проверите.
- АИ гради, а не решава; Решавач (ПуЛП, ОР-Тоолс) треба да уради стварну оптимизацију.
- Поред трошкова, циљ би такође требало да буду трајност и ризик; Зависност од једног добављача/једне руте је скривени трошак.
Задатак апликације
Конструишите проблем снабдевања/дистрибуције (нпр. 3 складишта, 5-8 купаца, потражња и капацитет возила). Прво, нека АИ моделира проблем као променљиву одлуке, циљ и ограничење и именује тип проблема. Затим дајте ВРП сценарио и затражите план руте; У излазу проверите кумулативно оптерећење и време доласка сваког возила. Критична верификација: ручно саберите укупно оптерећење најмање једног возила и упоредите га са капацитетом и потражите кршење ограничења. Коначно, нека АИ напише костур кода решавача (ПуЛП) и дизајнира ток посла који спречава АИ да генерише лажне бројеве, са приступом „Ја ћу покренути решење“.