Lợi nhuận:
- Khả năng xác định các vấn đề về thiết kế mạng lưới chuỗi cung ứng, tuyến đường và bố trí kho
- Khả năng sử dụng AI trong việc tạo kịch bản, liệt kê các ràng buộc và xây dựng mô hình tối ưu hóa
- Khả năng xác thực các giải pháp được đề xuất bởi AI với các hạn chế về chi phí, năng lực và phân phối
Chuỗi cung ứng là toàn bộ dòng nguyên liệu, thông tin và tiền từ nguyên liệu thô đến khách hàng cuối cùng. Mọi quyết định trong mạng lưới này (tìm nguồn hàng ở đâu, nhập kho vào kho nào, tuyến đường nào để vận chuyển) đều tạo ra sự cân bằng giữa chi phí, tốc độ và độ bền. Tối ưu hóa ở đây không phải là phép thuật, nó có nghĩa là một hàm mục tiêu và các ràng buộc được xác định rõ ràng. Trí tuệ nhân tạo rất mạnh mẽ trong lĩnh vực này trong việc cấu trúc vấn đề, tạo ra các kịch bản, liệt kê các ràng buộc và soạn thảo mô hình tối ưu hóa; Tuy nhiên, những tuyên bố về “giải pháp tốt nhất” luôn cần được xác thực dựa trên những ràng buộc và chi phí thực tế. Trong phần này, chúng ta sẽ thảo luận về thiết kế mạng, tối ưu hóa tuyến đường và các quyết định về kho hàng với sự hỗ trợ của AI.
Bản đồ các vấn đề tối ưu hóa chuỗi cung ứng
Nhận biết các vấn đề tối ưu hóa là bước đầu tiên trong việc xây dựng mô hình phù hợp.
vấn đề
biến quyết định
Mục đích điển hình
thiết kế mạng
Nên mở cơ sở/kho nào?
Tổng chi phí cố định + biến đổi tối thiểu
Phân công/phân bổ
Khách hàng nào từ kho nào?
Chi phí vận chuyển tối thiểu
Định tuyến xe (VRP)
Xe nào dừng, dừng theo thứ tự nào?
Tổng khoảng cách/thời gian tối thiểu
bố trí kho
Sản phẩm nên được đặt ở đâu?
Khoảng cách chọn tối thiểu
Lựa chọn phương thức vận chuyển
Đất/biển/không khí
Cân bằng chi phí-tốc độ
Khuôn khổ chung của mọi vấn đề đều giống nhau: các biến quyết định, hàm mục tiêu, các ràng buộc. Đóng góp giá trị nhất của AI là nó giúp bạn chuyển một vấn đề kinh doanh thành ba thành phần này.
Vai trò: Bạn là kỹ sư công nghiệp chuyên về tối ưu hóa chuỗi cung ứng. Nhiệm vụ: Chuyển vấn đề kinh doanh sau thành mô hình tối ưu hóa. Chỉ định: (1) các biến quyết định, (2) hàm mục tiêu, (3) các ràng buộc (năng lực, sự thỏa mãn nhu cầu, tính không âm), (4) loại vấn đề này. Vấn đề: "Chúng tôi có 3 nhà máy và 5 trung tâm phân phối. Công suất của mỗi nhà máy và nhu cầu của từng trung tâm là nhất định. Chi phí đơn vị vận chuyển từ nhà máy đến trung tâm là khác nhau. Giảm thiểu tổng chi phí vận chuyển. Chúng tôi muốn tải xuống." Quy tắc: Đặt tên cho loại mô hình (ví dụ: vấn đề vận chuyển), viết rõ ràng các giả định.
Đây là một vấn đề giao thông cổ điển. AI có thể nhận ra điều này và xây dựng bộ khung toán học chính xác; Bạn cũng đặt dữ liệu về năng lực và nhu cầu thực tế.
Tối ưu hóa tuyến đường (VRP) và tầm quan trọng của các ràng buộc
Định tuyến phương tiện là vấn đề thường gặp nhất và được thiết lập không chính xác trong thực tế. Có sự khác biệt lớn giữa “đường đi ngắn nhất” đơn giản (TSP) và VRP thực sự: sức chứa xe, khoảng thời gian (giờ khách hàng có thể đón), giới hạn thời gian lái xe, nhiều phương tiện.
Thận trọng: Khi AI đề xuất một tuyến đường, nó thường “quên” hoặc ước tính các giới hạn về năng lực và thời gian. Một tuyến đường chở nhiều hàng hóa hơn khả năng vận chuyển của một phương tiện có vẻ "ngắn" nhưng lại không thực tế. Kiểm tra từng tuyến đường riêng lẻ để biết tổng tải ≤ sức chứa và thời gian đến ∈ khoảng thời gian.
Nhắc yếu / Nhắc mạnh
Dấu nhắc yếu:
Hãy đưa ra con đường ngắn nhất cho 8 điểm dừng này.
Nếu không có năng lực, khoảng thời gian và số lượng phương tiện, AI sẽ đưa ra thứ hạng đơn giản; Nó không theo kịp hoạt động thực tế.
Lời nhắc mạnh mẽ:
Đề xuất lộ trình cho 8 khách hàng sau. Có 2 xe, sức chứa mỗi xe 100 chiếc. Nhu cầu của mỗi khách hàng và cửa sổ thời gian được đính kèm. Trả phòng từ kho08:00. Giả sử tốc độ trung bình là 40 km/h. Đầu ra: thứ tự các điểm dừng của từng phương tiện, tải tích lũy (không vượt quá công suất), thời gian đến ước tính (để phù hợp với khung thời gian), tổng khoảng cách. Nếu có vi phạm ràng buộc, hãy nêu rõ ràng và đề xuất giải pháp thay thế. Dữ liệu: {{ ... }}
Lời nhắc thứ hai áp đặt rõ ràng các ràng buộc và yêu cầu AI kiểm tra vi phạm. Tuy nhiên, điều cần thiết là phải xác minh kết quả bằng bộ giải hoặc thủ công; AI không đảm bảo sự tối ưu tuyệt đối.
Tối ưu hay chỉ "Tốt"?
Có một khái niệm quan trọng ở đây: giải pháp mà AI (và hầu hết các phương pháp thực tế) tìm thấy thường là giải pháp tốt (heuristic), không phải là giải pháp tối ưu. Tối ưu thực sự được tìm thấy bởi một bộ giải toán học (chẳng hạn như OR-Tools, Gurobi, PuLP) giải mô hình được xây dựng chính xác. Vai trò của AI là xây dựng mô hình chứ không phải giải quyết nó.
Viết khung mô hình để giải bài toán vận chuyển sau bằng Python PuLP:- Biến quyết định x[i][j] (i nhà máy, trung tâm j)- Mục tiêu: giảm thiểu tổng chi phí- Ràng buộc: cung của từng nhà máy, cầu của từng trung tâm, x >= 0Giải thích mã bằng nhận xét, nhưng tôi sẽ nhập dữ liệu số. Ngoài ra: liệt kê những bước kiểm tra tôi cần thực hiện khi giải pháp xuất hiện.
Mẹo: Thay vì yêu cầu AI “viết mã và tìm ra nó”, hãy nói với nó “viết mã và tôi sẽ chạy nó”. Điều này làm cho tối ưu hóa trở thành một giải pháp thực sự; Bạn không tin vào những con số do AI tạo ra (và chưa được xác minh) nói rằng "đây là giải pháp của tôi".
Quyết định về kho và địa điểm
Vị trí sản phẩm trong kho ảnh hưởng trực tiếp đến khoảng cách lấy hàng. Nguyên tắc cơ bản là đặt các mặt hàng thường xuyên di chuyển (doanh thu cao) gần điểm lấy hàng (vị trí ABC). AI có thể tạo ra bản phác thảo đề xuất bố cục với dữ liệu di chuyển của sản phẩm; Tuy nhiên, những hạn chế về mặt vật lý (kích thước kệ, trọng lượng, sự phân tách vật liệu nguy hiểm, dây chuyền lạnh) phải được con người giám sát.
Trường hợp nhỏ: Ngắn gọn trên giấy, Không thể thực hiện được
Một công ty phân phối thực hiện 40 chuyến giao hàng mỗi ngày với 3 xe. Kỹ sư công nghiệp Selin đưa ra các điểm dừng, yêu cầu và sức chứa của phương tiện cho AI và yêu cầu kế hoạch lộ trình. AI tạo ra một bức ảnh trông đẹp và có tổng khoảng cách thấp. Nhưng khi Selin kiểm tra, cô nhận thấy tải trọng tích lũy trên lộ trình của xe vượt quá khả năng cho phép 15%; Ngoài ra còn có hai điểm dừng mà khách hàng có thể đón vào buổi chiều nhưng được hẹn vào buổi sáng. Selin viết các ràng buộc rõ ràng hơn trên lời nhắc và tái tạo chúng, sau đó xác minh kế hoạch bằng OR-Tools. Kết quả trở nên khả thi. Bài học: Kế hoạch mà AI gọi là "ngắn nhất" thực chất không phải là ngắn nhất và thậm chí còn vô hiệu do vi phạm ràng buộc.
Những lỗi thường gặp
- Không chỉ định các ràng buộc: Yêu cầu tuyến đường không có sức chứa, khoảng thời gian và số lượng phương tiện.
- Nhầm AI với bộ giải: Chấp nhận giải pháp "tối ưu" do AI đưa ra là đầu ra của bộ giải thực sự.
- Không kiểm tra các vi phạm ràng buộc: Thực hiện kế hoạch mà không kiểm tra tải tích lũy và thời gian đến.
- Tập trung vào một mục tiêu duy nhất: Chỉ tối ưu hóa chi phí và quên đi độ bền/rủi ro (phụ thuộc vào một nhà cung cấp duy nhất).
- Không sử dụng chi phí thực: Xây dựng mô hình với chi phí đơn vị mặc định/chế tạo và không cập nhật mô hình với dữ liệu thực.
Tóm lại
- Mọi tối ưu hóa chuỗi cung ứng đều có ba thành phần: các biến quyết định, hàm mục tiêu, các ràng buộc.
- Đóng góp có giá trị nhất của AI là chuyển vấn đề kinh doanh sang loại mô hình phù hợp (vận chuyển, VRP, phân công).
- Các hạn chế về công suất và thời gian là rất quan trọng trong VRP; AI thường xuyên bỏ qua những điều này, hãy nhớ kiểm tra chúng.
- AI xây dựng chứ không phải giải quyết; Một bộ giải (PuLP, OR-Tools) sẽ thực hiện tối ưu hóa thực tế.
- Bên cạnh chi phí, độ bền và rủi ro cũng phải là mục tiêu; Sự phụ thuộc vào một nhà cung cấp/một tuyến đường duy nhất là một chi phí ẩn.
Nhiệm vụ ứng dụng
Xây dựng bài toán cung/phân phối (ví dụ: 3 nhà kho, 5-8 khách hàng, nhu cầu và công suất phương tiện). Đầu tiên, hãy đặt mô hình AI của vấn đề dưới dạng biến quyết định, mục tiêu, ràng buộc và đặt tên cho loại vấn đề. Sau đó đưa ra kịch bản VRP và yêu cầu lộ trình; Hãy tự mình kiểm tra tải trọng tích lũy và thời gian đến của từng phương tiện ở đầu ra. Xác minh quan trọng: cộng tổng tải trọng của ít nhất một phương tiện theo cách thủ công và so sánh với công suất và tìm kiếm vi phạm ràng buộc. Cuối cùng, yêu cầu AI viết khung mã bộ giải (PuLP) và thiết kế quy trình làm việc ngăn AI tạo ra các số giả, với phương pháp "Tôi sẽ chạy giải pháp".