กำไร:
- ความสามารถในการระบุปัญหาการออกแบบเครือข่ายห่วงโซ่อุปทาน เส้นทาง และเค้าโครงคลังสินค้า
- ความสามารถในการใช้ AI ในการสร้างสถานการณ์ รายการข้อจำกัด และการสร้างแบบจำลองการปรับให้เหมาะสม
- ความสามารถในการตรวจสอบโซลูชันที่แนะนำโดย AI โดยมีข้อจำกัดด้านต้นทุน ความจุ และการส่งมอบ
ห่วงโซ่อุปทานคือการไหลเวียนของวัสดุ ข้อมูล และเงินจากวัตถุดิบไปยังลูกค้าปลายทาง ทุกการตัดสินใจในเครือข่ายนี้ (แหล่งที่จะจัดหา คลังสินค้าที่จะสต็อก และเส้นทางในการจัดส่ง) จะสร้างความสมดุลระหว่างต้นทุน ความเร็ว และความทนทาน การเพิ่มประสิทธิภาพไม่ใช่เรื่องมหัศจรรย์ในที่นี้ แต่หมายถึงฟังก์ชันวัตถุประสงค์และข้อจำกัดที่กำหนดไว้อย่างดี ปัญญาประดิษฐ์มีประสิทธิภาพมากในด้านนี้ในการวางโครงสร้างของปัญหา การสร้างสถานการณ์ การแสดงรายการข้อจำกัด และการร่างแบบจำลองการปรับให้เหมาะสม แต่การกล่าวอ้าง “ทางออกที่ดีที่สุด” จำเป็นต้องได้รับการตรวจสอบเทียบกับข้อจำกัดและต้นทุนจริงเสมอ ในบทนี้ เราจะหารือเกี่ยวกับการออกแบบเครือข่าย การเพิ่มประสิทธิภาพเส้นทาง และการตัดสินใจเกี่ยวกับคลังสินค้าด้วยการสนับสนุนของ AI
แผนที่ปัญหาการเพิ่มประสิทธิภาพห่วงโซ่อุปทาน
การรับรู้ปัญหาการปรับให้เหมาะสมเป็นขั้นตอนแรกในการสร้างแบบจำลองที่ถูกต้อง
ปัญหา
ตัวแปรการตัดสินใจ
วัตถุประสงค์ทั่วไป
การออกแบบเครือข่าย
สถานที่/โกดังใดที่ควรเปิด?
ต้นทุนคงที่ + ผันแปรขั้นต่ำ
การมอบหมาย/การจัดสรร
ลูกค้าคนไหนจากโกดังไหน?
ค่าขนส่งขั้นต่ำ
การกำหนดเส้นทางยานพาหนะ (VRP)
ยานพาหนะคันใดที่ทำให้หยุดในลำดับใด?
ระยะทาง/เวลารวม นาที
เค้าโครงคลังสินค้า
ควรวางผลิตภัณฑ์ไว้ที่ไหน?
ระยะทางหยิบขั้นต่ำ
การเลือกโหมดการขนส่ง
ทางบก/ทะเล/อากาศ
ยอดคงเหลือต้นทุน-ความเร็ว
กรอบการทำงานทั่วไปของทุกปัญหาจะเหมือนกัน: ตัวแปรการตัดสินใจ ฟังก์ชันวัตถุประสงค์ ข้อจำกัด การสนับสนุนที่มีค่าที่สุดของ AI คือการช่วยให้คุณแปลปัญหาทางธุรกิจเป็นองค์ประกอบทั้งสามนี้
บทบาท: คุณเป็นวิศวกรอุตสาหกรรมที่เชี่ยวชาญด้านการเพิ่มประสิทธิภาพห่วงโซ่อุปทาน งาน: แปลปัญหาทางธุรกิจต่อไปนี้เป็นรูปแบบการปรับให้เหมาะสม ระบุ: (1) ตัวแปรการตัดสินใจ (2) ฟังก์ชั่นวัตถุประสงค์ (3) ข้อจำกัด (ความสามารถ ความพึงพอใจต่อความต้องการ การไม่เป็นเชิงลบ) (4) ประเภทของปัญหานี้ ปัญหา: "เรามีโรงงาน 3 แห่งและศูนย์กระจายสินค้า 5 แห่ง กำลังการผลิตของแต่ละโรงงานและความต้องการของแต่ละศูนย์มีแน่นอน ต้นทุนหน่วยการขนส่งจากโรงงานไปยังศูนย์ต่างกัน ลดต้นทุนการขนส่งทั้งหมดให้น้อยที่สุด เราต้องการดาวน์โหลด"กฎ: ตั้งชื่อประเภทรุ่น (เช่น ปัญหาการขนส่ง) เขียนสมมติฐานให้ชัดเจน
นี่เป็นปัญหาการขนส่งแบบคลาสสิก AI สามารถรับรู้สิ่งนี้และสร้างโครงกระดูกทางคณิตศาสตร์ที่ถูกต้อง คุณยังใส่ข้อมูลความจุและความต้องการที่แท้จริงอีกด้วย
การเพิ่มประสิทธิภาพเส้นทาง (VRP) และความสำคัญของข้อจำกัด
การกำหนดเส้นทางยานพาหนะเป็นปัญหาที่พบบ่อยที่สุดและเกิดขึ้นอย่างไม่ถูกต้องในทางปฏิบัติ มีความแตกต่างอย่างมากระหว่าง "เส้นทางที่สั้นที่สุด" (TSP) แบบธรรมดาและ VRP ที่แท้จริง: ความจุของยานพาหนะ กรอบเวลา (ชั่วโมงที่ลูกค้าสามารถรับได้) การจำกัดเวลาในการขับขี่ รถยนต์หลายคัน
ข้อควรระวัง: เมื่อ AI แนะนำเส้นทาง มักจะ "ลืม" หรือประมาณขีดจำกัดความจุและกรอบเวลา เส้นทางที่บรรทุกสินค้าเกินกว่าที่ยานพาหนะจะบรรทุกได้อาจดูเหมือน "สั้น" แต่ไม่สามารถทำได้ ตรวจสอบแต่ละเส้นทางแยกกันเพื่อดูน้ำหนักบรรทุกรวม ≤ ความจุและเวลาถึง ∈ กรอบเวลา
พรอมต์ที่อ่อนแอ / พรอมต์ที่แข็งแกร่ง
พรอมต์ที่อ่อนแอ:
ระบุเส้นทางที่สั้นที่สุดสำหรับจุดจอดทั้ง 8 แห่งนี้
หากไม่มีความจุ กรอบเวลา และจำนวนยานพาหนะ AI จะจัดอันดับแบบง่ายๆ มันไม่คงทนในการใช้งานจริง
พรอมต์อันทรงพลัง:
แนะนำแผนเส้นทางสำหรับลูกค้า 8 รายดังต่อไปนี้ มี 2 คัน ความจุคันละ 100 คัน แนบความต้องการและกรอบเวลาของลูกค้าแต่ละรายมาด้วย เช็คเอาท์จากโกดัง08:00 น. สมมติว่าความเร็วเฉลี่ย 40 กม./ชม. ผลลัพธ์: ลำดับการหยุดสำหรับรถแต่ละคัน น้ำหนักบรรทุกสะสม (ไม่เกินความจุ) เวลาถึงโดยประมาณ (เพื่อให้พอดีกับกรอบเวลา) ระยะทางทั้งหมด หากมีการละเมิดข้อจำกัด ให้ระบุให้ชัดเจนและเสนอทางเลือกอื่น ข้อมูล: {{ ... }}
พรอมต์ที่สองกำหนดข้อจำกัดอย่างชัดเจนและขอให้ AI ตรวจสอบการละเมิด อย่างไรก็ตาม การตรวจสอบผลลัพธ์ด้วยเครื่องมือแก้ปัญหาหรือด้วยตนเองถือเป็นสิ่งสำคัญ AI ไม่รับประกันการเพิ่มประสิทธิภาพโดยสมบูรณ์
เหมาะสมที่สุดหรือแค่ "ดี"?
มีแนวคิดที่สำคัญอยู่ที่นี่: วิธีแก้ปัญหาที่ AI (และวิธีการปฏิบัติจริงส่วนใหญ่) พบมักเป็นวิธีแก้ปัญหาที่ดี (การวิเคราะห์พฤติกรรม) ไม่ใช่วิธีแก้ปัญหาที่เหมาะสมที่สุด ค่าเหมาะที่สุดที่แท้จริงนั้นพบได้โดยนักแก้ปัญหาทางคณิตศาสตร์ (เช่น OR-Tools, Gurobi, PuLP) เพื่อแก้แบบจำลองที่สร้างขึ้นอย่างถูกต้อง บทบาทของ AI คือการสร้างแบบจำลอง ไม่ใช่การแก้ปัญหา
เขียนแบบจำลองโครงกระดูกเพื่อแก้ปัญหาการขนส่งต่อไปนี้ด้วย Python PuLP:- ตัวแปรการตัดสินใจ x[i][j] (i โรงงาน, j center)- วัตถุประสงค์: การลดต้นทุนทั้งหมดให้เหลือน้อยที่สุด- ข้อจำกัด: อุปทานของแต่ละโรงงาน ความต้องการของแต่ละศูนย์ x >= 0 อธิบายโค้ดพร้อมความคิดเห็น แต่ฉันจะป้อนข้อมูลที่เป็นตัวเลข นอกจากนี้: ระบุสิ่งที่ฉันต้องทำการตรวจสอบเมื่อวิธีแก้ปัญหาออกมา
เคล็ดลับ: แทนที่จะบอกให้ AI “เขียนโค้ดแล้วคิดออก” ให้บอกมันว่า “เขียนโค้ดแล้วผมจะรันมัน” สิ่งนี้ทำให้การปรับให้เหมาะสมเป็นตัวแก้ปัญหาที่แท้จริง คุณไม่ไว้วางใจตัวเลขที่สร้างโดย AI (และไม่ได้รับการยืนยัน) โดยบอกว่า "นี่คือวิธีแก้ปัญหาของฉัน"
การตัดสินใจเกี่ยวกับคลังสินค้าและที่ตั้ง
การจัดวางผลิตภัณฑ์ในคลังสินค้าส่งผลโดยตรงต่อระยะการหยิบ หลักการพื้นฐานคือการวางตำแหน่งสินค้าที่มีการเคลื่อนย้ายบ่อย (มูลค่าการซื้อขายสูง) ใกล้กับจุดหยิบ (ตำแหน่ง ABC) AI สามารถสร้างโครงร่างข้อเสนอเค้าโครงพร้อมข้อมูลการเคลื่อนไหวของผลิตภัณฑ์ อย่างไรก็ตาม ข้อจำกัดทางกายภาพ (ขนาดชั้นวาง น้ำหนัก การแยกวัตถุอันตราย โซ่เย็น) จะต้องได้รับการดูแลโดยมนุษย์
มินิเคส: กระดาษสั้น เป็นไปไม่ได้ในสนาม
บริษัทจัดจำหน่ายแห่งหนึ่งมีการจัดส่ง 40 รายการต่อวันด้วยรถยนต์ 3 คัน วิศวกรอุตสาหกรรม Selin แจ้งจุดจอด คำขอ และความจุของยานพาหนะแก่ AI และขอแผนเส้นทาง AI สร้างภาพที่ดูดีและมีระยะรวมที่ต่ำ แต่เมื่อเซลินตรวจสอบ เธอก็พบว่าน้ำหนักบรรทุกสะสมบนเส้นทางของยานพาหนะเกินความจุถึง 15% นอกจากนี้ยังมีจุดจอดสองแห่งที่ลูกค้าสามารถรับได้ในช่วงบ่ายแต่กำหนดไว้ในตอนเช้า Selin เขียนข้อจำกัดให้ชัดเจนยิ่งขึ้นในข้อความแจ้งและทำซ้ำ จากนั้นตรวจสอบแผนด้วย OR-Tools ผลลัพธ์จะเป็นไปได้ บทเรียน: แผนการที่ AI เรียกว่า "สั้นที่สุด" นั้นจริงๆ แล้วไม่ได้สั้นที่สุดและยังใช้ไม่ได้เนื่องจากการละเมิดข้อจำกัด
ข้อผิดพลาดทั่วไป
- ไม่ระบุข้อจำกัด: การขอเส้นทางที่ไม่มีความจุ กรอบเวลา และจำนวนยานพาหนะ
- การเข้าใจผิดว่า AI เป็นตัวแก้ปัญหา: การยอมรับโซลูชันที่ "เหมาะสมที่สุด" ที่ได้รับจาก AI ว่าเป็นผลลัพธ์ของตัวแก้ปัญหาที่แท้จริง
- ไม่ตรวจสอบการละเมิดข้อจำกัด: การดำเนินการตามแผนโดยไม่ตรวจสอบปริมาณงานสะสมและเวลามาถึง
- การมุ่งเน้นไปที่เป้าหมายเดียว: ปรับต้นทุนให้เหมาะสมเท่านั้น และลืมเรื่องความคงทน/ความเสี่ยง (การพึ่งพาซัพพลายเออร์รายเดียว)
- ไม่ใช้ต้นทุนจริง: การสร้างแบบจำลองด้วยต้นทุนต่อหน่วยเริ่มต้น/ประดิษฐ์ และไม่อัปเดตด้วยข้อมูลจริง
โดยสรุป
- การเพิ่มประสิทธิภาพห่วงโซ่อุปทานทุกครั้งมีองค์ประกอบสามส่วน: ตัวแปรการตัดสินใจ ฟังก์ชั่นวัตถุประสงค์ และข้อจำกัด
- การสนับสนุนที่มีค่าที่สุดของ AI คือการแปลปัญหาทางธุรกิจให้เป็นประเภทโมเดลที่ถูกต้อง (การขนส่ง VRP การมอบหมายงาน)
- ข้อจำกัดด้านความจุและกรอบเวลามีความสำคัญใน VRP AI ข้ามสิ่งเหล่านี้บ่อยครั้ง โปรดตรวจสอบด้วย
- AI สร้าง ไม่ใช่แก้ไข นักแก้ปัญหา (PuLP, OR-Tools) ควรทำการปรับให้เหมาะสมตามจริง
- นอกจากต้นทุนแล้ว ความคงทนและความเสี่ยงควรเป็นเป้าหมายด้วย การพึ่งพาซัพพลายเออร์รายเดียว/เส้นทางเดียวถือเป็นต้นทุนที่ซ่อนอยู่
งานสมัคร
สร้างปัญหาด้านอุปทาน/การกระจายสินค้า (เช่น คลังสินค้า 3 แห่ง ลูกค้า 5-8 ราย ความต้องการ และความจุของยานพาหนะ) ขั้นแรก ให้โมเดล AI ของปัญหาเป็นตัวแปรในการตัดสินใจ เป้าหมาย และข้อจำกัด และตั้งชื่อประเภทของปัญหา จากนั้นให้สถานการณ์จำลอง VRP และขอแผนเส้นทาง ตรวจสอบเวลาบรรทุกสะสมและเวลามาถึงของรถแต่ละคันด้วยตัวคุณเองในเอาต์พุต การตรวจสอบที่สำคัญ: เพิ่มน้ำหนักบรรทุกรวมของยานพาหนะอย่างน้อยหนึ่งคันด้วยตนเอง และเปรียบเทียบกับความจุ และมองหาการละเมิดข้อจำกัด สุดท้าย ให้ AI เขียนโครงกระดูกโค้ดตัวแก้ปัญหา (PuLP) และออกแบบขั้นตอนการทำงานที่ป้องกันไม่ให้ AI สร้างตัวเลขปลอม ด้วยแนวทาง "ฉันจะเรียกใช้โซลูชัน"