Mga nadagdag:
- Kakayahang kilalanin ang disenyo ng network ng supply chain, mga problema sa layout ng ruta at warehouse
- Kakayahang gumamit ng AI sa pagbuo ng senaryo, listahan ng hadlang at pagbuo ng modelo ng pag-optimize
- Kakayahang i-validate ang mga iminungkahing solusyon ng AI na may mga hadlang sa gastos, kapasidad at paghahatid
Ang supply chain ay ang buong daloy ng mga materyales, impormasyon at pera mula sa mga hilaw na materyales hanggang sa huling customer. Bawat desisyon sa network na ito (kung saan kukuha, aling bodega ang i-stock, kung aling ruta ang ipapadala) ay may balanse sa pagitan ng gastos, bilis at tibay. Ang pag-optimize ay hindi magic dito, nangangahulugan ito ng isang mahusay na tinukoy na layunin ng pag-andar at mga hadlang. Napakalakas ng artificial intelligence sa lugar na ito sa pagbubuo ng problema, pagbuo ng mga sitwasyon, paglilista ng mga hadlang at pagbalangkas ng modelo ng pag-optimize; Ngunit ang mga claim na "pinakamahusay na solusyon" ay palaging kailangang patunayan laban sa mga hadlang at aktwal na gastos. Sa unit na ito, tatalakayin natin ang disenyo ng network, pag-optimize ng ruta at mga desisyon sa warehouse na may suporta sa AI.
Mapa ng Mga Problema sa Pag-optimize ng Supply Chain
Ang pagkilala sa mga problema sa pag-optimize ay ang unang hakbang sa pagbuo ng tamang modelo.
problema
variable ng desisyon
Karaniwang layunin
disenyo ng network
Aling pasilidad/bodega ang dapat buksan?
Kabuuang fixed + variable cost min
Takdang-aralin/paglalaan
Aling customer mula sa aling warehouse?
Gastos sa transportasyon min
Pagruruta ng sasakyan (VRP)
Aling sasakyan ang humihinto, sa anong pagkakasunud-sunod?
Kabuuang distansya/oras min
layout ng bodega
Saan dapat ilagay ang mga produkto?
Pagpili ng distansya min
Pagpili ng mode ng transportasyon
Lupa/dagat/hangin
Balanse sa bilis ng gastos
Ang karaniwang balangkas ng bawat problema ay pareho: mga variable ng desisyon, layunin ng pag-andar, mga hadlang. Ang pinakamahalagang kontribusyon ng AI ay ang pagtulong nito sa iyong isalin ang isang problema sa negosyo sa tatlong bahaging ito.
Tungkulin: Isa kang inhinyero na pang-industriya na dalubhasa sa pag-optimize ng supply chain. Gawain: Isalin ang sumusunod na problema sa negosyo sa isang modelo ng pag-optimize. Tukuyin ang: (1) mga variable ng desisyon, (2) layunin ng function, (3) mga hadlang (kapasidad, kasiyahan sa demand, hindi negatibo), (4) uri ng problemang ito. Problema: "Mayroon kaming 3 pabrika at 5 distribution center. Tiyak ang kapasidad ng bawat pabrika at ang demand ng bawat center. Iba-iba ang mga gastos sa unit ng transportasyon mula sa pabrika patungo sa sentro. Bawasan ang kabuuang gastos sa transportasyon Gusto naming i-download ito." Panuntunan: Pangalanan ang uri ng modelo (hal. problema sa transportasyon), isulat nang malinaw ang mga pagpapalagay.
Ito ay isang klasikong problema sa transportasyon. Makikilala ito ng AI at makabuo ng tamang mathematical skeleton; Naglalagay ka rin ng totoong kapasidad at data ng demand.
Route Optimization (VRP) at ang Kahalagahan ng Mga Paghihigpit
Ang pagruruta ng sasakyan ay ang pinakamadalas na nakakaharap at maling naitatag na problema sa pagsasanay. Malaki ang pagkakaiba sa pagitan ng simpleng "pinakamaikling landas" (TSP) at tunay na VRP: kapasidad ng sasakyan, time window (mga oras kung kailan makaka-pick up ang customer), mga limitasyon sa oras ng pagmamaneho, multi-vehicle.
Babala: Kapag nagrekomenda ang AI ng ruta, madalas itong "nakakalimutan" o tinatantya ang mga limitasyon sa kapasidad at oras. Ang isang rutang puno ng mas maraming kargamento kaysa sa isang sasakyan ay maaaring mukhang "maikli" ngunit hindi praktikal. Isa-isang suriin ang bawat ruta para sa kabuuang pagkarga ≤ kapasidad at oras ng pagdating ∈ time window.
Mahina Prompt / Malakas na Prompt
Mahinang prompt:
Ibigay ang pinakamaikling ruta para sa 8 hintuan na ito.
Kung walang kapasidad, time window at bilang ng mga sasakyan, ang AI ay nagbibigay ng simpleng ranggo; Hindi ito humahawak sa totoong operasyon.
Napakahusay na prompt:
Magmungkahi ng plano ng ruta para sa sumusunod na 8 customer. Mayroong 2 sasakyan, ang kapasidad ng bawat isa ay 100 units. Naka-attach ang bawat demand at time window ng bawat customer. Check-out mula sa bodega08:00. Ipagpalagay na ang average na bilis ay 40 km/h. Output: pagkakasunud-sunod ng mga paghinto para sa bawat sasakyan, pinagsama-samang pagkarga (hindi lalampas sa kapasidad), tinantyang oras ng pagdating (upang magkasya sa window ng oras), kabuuang distansya. Kung may paglabag sa pagpilit, sabihin ito nang malinaw at magmungkahi ng alternatibo. Data: {{ ... }}
Ang pangalawang prompt ay tahasang nagpapataw ng mga hadlang at humihiling ng pagsusuri ng paglabag mula sa AI. Gayunpaman, ito ay mahalaga upang i-verify ang resulta sa isang solver o mano-mano; Hindi ginagarantiyahan ng AI ang ganap na pinakamainam.
Optimal o "Mabuti" lang?
Mayroong isang kritikal na konsepto dito: ang solusyon na nakikita ng AI (at karamihan sa mga praktikal na pamamaraan) ay kadalasang isang mahusay na solusyon (heuristic), hindi isang pinakamainam. Ang tunay na pinakamainam ay matatagpuan sa pamamagitan ng isang mathematical solver (tulad ng OR-Tools, Gurobi, PuLP) na nilulutas ang wastong pagkakagawa ng modelo. Ang tungkulin ng AI ay bumuo ng modelo, hindi lutasin ito.
Sumulat ng modelong skeleton upang malutas ang sumusunod na problema sa transportasyon gamit ang Python PuLP:- Mga variable ng desisyon x[i][j] (i factory, j center)- Layunin: kabuuang pagliit ng gastos- Constraint: supply ng bawat pabrika, demand ng bawat center, x >= 0Ipaliwanag ang code na may mga komento, ngunit ilalagay ko ang numerical data. Gayundin: ilista kung anong mga pagsusuri ang kailangan kong gawin kapag lumabas ang solusyon.
Tip: Sa halip na sabihin sa AI na "isulat ang code at alamin ito," sabihin dito "isulat ang code at tatakbo ako nito." Ginagawa nitong isang tunay na solver ang pag-optimize; Hindi mo pinagkakatiwalaan ang AI-made up (at hindi na-verify) na mga numero na nagsasabing "narito ang aking solusyon".
Mga Desisyon sa Warehouse at Lokasyon
Ang paglalagay ng produkto sa bodega ay direktang nakakaapekto sa distansya ng pagpili. Ang pangunahing prinsipyo ay ang paglalagay ng mga madalas na inilipat (mataas na turnover) na mga item malapit sa picking point (ABC placement). Ang AI ay maaaring gumawa ng balangkas ng panukala sa layout na may data ng paggalaw ng produkto; Gayunpaman, ang mga pisikal na hadlang (laki ng istante, bigat, paghihiwalay ng mapanganib na materyal, malamig na kadena) ay dapat na pinangangasiwaan ng mga tao.
Mini Case: Maikli sa Papel, Imposible sa Field
Ang isang kumpanya ng pamamahagi ay gumagawa ng 40 paghahatid bawat araw gamit ang 3 sasakyan. Ang inhinyero ng industriya na si Selin ay nagbibigay ng mga hinto, kahilingan at kapasidad ng sasakyan sa AI at humihingi ng plano ng ruta. Gumagawa ang AI ng isang shot na mukhang maganda at may mababang kabuuang distansya. Ngunit nang suriin ni Selin, napagtanto niya na ang pinagsama-samang pagkarga sa ruta ng sasakyan ay lumampas sa kapasidad ng 15%; Mayroon ding dalawang hinto kung saan maaaring sunduin ang customer sa hapon ngunit naka-iskedyul sa umaga. Isinulat ni Selin ang mga hadlang nang mas malinaw sa prompt at muling ginawa ang mga ito, pagkatapos ay i-verify ang plano gamit ang OR-Tools. Ang resulta ay nagiging posible. Aralin: Ang plano na tinawag ng AI na "pinakamaikling" ay hindi talaga ang pinakamaikling at kahit na hindi wasto dahil sa mga paglabag sa pagpilit.
Mga Karaniwang Pagkakamali
- Hindi tumutukoy sa mga hadlang: Paghiling ng ruta na walang kapasidad, time window at bilang ng mga sasakyan.
- Pagkakamali sa AI bilang isang solver: Pagtanggap sa "pinakamainam" na solusyon na ibinigay ng AI bilang isang tunay na output ng solver.
- Hindi sinusuri ang mga paglabag sa hadlang: Pagpapatupad ng plano nang hindi sinusuri ang pinagsama-samang pagkarga at mga oras ng pagdating.
- Pagtuon sa iisang layunin: Pag-optimize lamang sa gastos at paglimot sa tibay/panganib (dependency sa solong supplier).
- Hindi gumagamit ng mga tunay na gastos: Pagbuo ng modelo na may default/fabricated na mga gastos sa unit at hindi ito ina-update gamit ang totoong data.
Sa buod
- Ang bawat pag-optimize ng supply chain ay bumaba sa tatlong bahagi: mga variable ng desisyon, layunin ng function, mga hadlang.
- Ang pinakamahalagang kontribusyon ng AI ay ang pagsasalin ng problema sa negosyo sa tamang uri ng modelo (transportasyon, VRP, pagtatalaga).
- Ang mga limitasyon ng kapasidad at oras ng window ay mahalaga sa VRP; Madalas na nilalaktawan ng AI ang mga ito, siguraduhing suriin ang mga ito.
- Bumubuo ang AI, hindi lumulutas; Dapat gawin ng solver (PuLP, OR-Tools) ang aktwal na pag-optimize.
- Bukod sa gastos, tibay at panganib ay dapat ding maging layunin; Ang dependency sa nag-iisang supplier/nag-iisang ruta ay isang nakatagong gastos.
Gawain ng aplikasyon
Bumuo ng problema sa supply/distribution (hal. 3 bodega, 5-8 customer, demand at kapasidad ng sasakyan). Una, gawing modelo ng AI ang problema bilang variable ng desisyon, layunin, at hadlang at pangalanan ang uri ng problema. Pagkatapos ay magbigay ng VRP scenario at humingi ng plano ng ruta; Suriin ang pinagsama-samang pagkarga at oras ng pagdating ng bawat sasakyan sa output. Kritikal na pag-verify: manu-manong idagdag ang kabuuang karga ng hindi bababa sa isang sasakyan at ihambing ito sa kapasidad at maghanap ng paglabag sa hadlang. Panghuli, ipasulat sa AI ang solver (PuLP) code skeleton at magdisenyo ng workflow na pumipigil sa AI na makabuo ng mga pekeng numero, na may "I'll run the solution" na diskarte.