3 سوال: تقویت لجستیک آخرین مایل با یادگیری ماشین

در سراسر کشور، صدها هزار راننده هر روز بسته‌ها و بسته‌ها را به مشتریان و شرکت‌ها تحویل می‌دهند و تعداد زیادی از زمان‌های کلیک به درب به طور متوسط ​​تنها چند روز است. هماهنگ کردن یک شاهکار زنجیره تامین به این بزرگی به روشی قابل پیش بینی و به موقع، یک مشکل دیرینه تحقیق در عملیات است، جایی که محققان برای بهینه سازی آخرین مرحله از مسیرهای تحویل کار کرده اند. این به این دلیل است که آخرین مرحله از process اغلب به دلیل ناکارآمدی‌هایی مانند فواصل طولانی بین توقف‌ها به دلیل افزایش تقاضای تجارت الکترونیک، تأخیر آب‌وهوا، ترافیک، عدم دسترسی به پارکینگ، اولویت‌های تحویل مشتری یا کامیون‌های نیمه پر – ناکارآمدی‌هایی که در طول همه‌گیری اغراق‌آمیزتر و آشکارتر شدند.

با فناوری جدیدتر و داده‌های فردی و دقیق‌تر، محققان می‌توانند مدل‌هایی با گزینه‌های مسیریابی بهتر توسعه دهند، اما در عین حال باید هزینه محاسباتی اجرای آنها را متعادل کنند. ماتیاس وینکنباخ، دانشمند پژوهشی اصلی MIT، مدیر تحقیقات مرکز حمل و نقل و لجستیک MIT (CTL) و محقق آزمایشگاه هوش مصنوعی واتسون MIT-IBM، در مورد اینکه چگونه هوش مصنوعی می تواند راه حل های بهتر و محاسباتی کارآمدتری را برای بهینه سازی ترکیبی ارائه دهد، بحث می کند. مشکلی مثل این

س: مشکل مسیریابی وسیله نقلیه چیست و روش‌های تحقیق عملیات سنتی (OR) چگونه آن را برطرف می‌کنند؟

آ: تقریباً هر شرکت تدارکات و تحویل مانند USPS، Amazon، UPS، FedEx، DHL هر روز با مشکل مسیریابی خودرو مواجه است. به زبان ساده، یافتن مسیری کارآمد است که مجموعه‌ای از مشتریان را به هم متصل می‌کند که یا باید به آنها تحویل داده شوند، یا چیزی باید از آنها دریافت شود. این تصمیم می گیرد که هر یک از آن وسایل نقلیه کدام مشتریان – که در آنجا می بینید روی جاده – باید بازدید کنید روی یک روز معین و در کدام ترتیب. معمولاً هدف یافتن مسیرهایی است که به کوتاه‌ترین، سریع‌ترین یا ارزان‌ترین مسیر منتهی می‌شوند. اما اغلب آنها همچنین توسط محدودیت هایی هدایت می شوند که مختص یک مشتری است. به عنوان مثال، اگر مشتری دارید که یک بازه زمانی تحویل مشخص دارد، یا مشتری روی طبقه 15 در ساختمان بلند در مقابل طبقه همکف. این امر ادغام این مشتریان در مسیر تحویل کارآمد را دشوارتر می کند.

برای حل مشکل مسیریابی خودرو، بدیهی است که نمی‌توانیم مدل‌سازی خود را بدون اطلاعات تقاضای مناسب و در حالت ایده‌آل، ویژگی‌های مرتبط با مشتری انجام دهیم. به عنوان مثال، ما باید اندازه یا وزن بسته های سفارش داده شده توسط یک مشتری را بدانیم یا اینکه چند واحد از یک محصول خاص باید به یک مکان خاص ارسال شود. همه اینها زمان مورد نیاز برای سرویس آن توقف خاص را تعیین می کند. برای مشکلات واقع بینانه، شما همچنین می خواهید بدانید که راننده کجا می تواند وسیله نقلیه را با خیال راحت پارک کند. به طور سنتی، یک برنامه‌ریز مسیر باید تخمین‌های خوبی برای این پارامترها ارائه می‌کرد، بنابراین اغلب مدل‌ها و ابزارهای برنامه‌ریزی را پیدا می‌کنید که فرضیات کلی را ایجاد می‌کنند، زیرا داده‌های ویژه توقف در دسترس نبود.

یادگیری ماشینی می تواند برای این کار بسیار جالب باشد زیرا امروزه بیشتر رانندگان گوشی های هوشمند یا ردیاب های GPS دارند، بنابراین اطلاعات زیادی در مورد مدت زمان تحویل بسته وجود دارد. اکنون می توانید، در مقیاس، به روشی تا حدی خودکار، آن اطلاعات را استخراج کرده و تک تک توقف ها را کالیبره کنید تا به روشی واقعی مدل سازی شوند.

استفاده از یک رویکرد OR سنتی به این معنی است که یک مدل بهینه‌سازی می‌نویسید، جایی که با تعریف تابع هدف شروع می‌کنید. در بیشتر موارد این نوعی تابع هزینه است. سپس یکسری معادلات دیگر وجود دارد که عملکرد درونی یک مسئله مسیریابی را تعریف می کند. به عنوان مثال، شما باید به مدل بگویید که اگر وسیله نقلیه به مشتری مراجعه کند، باید دوباره مشتری را ترک کند. در اصطلاح آکادمیک، معمولاً به آن حفاظت جریان گفته می شود. به طور مشابه، باید مطمئن شوید که هر مشتری دقیقاً یک بار بازدید شده است روی یک مسیر مشخص اینها و بسیاری دیگر از محدودیت های دنیای واقعی با هم تعریف می کنند که چه چیزی یک مسیر قابل دوام را تشکیل می دهد. ممکن است برای ما واضح به نظر برسد، اما این باید به صراحت رمزگذاری شود.

هنگامی که یک مسئله بهینه سازی فرموله شد، الگوریتم هایی وجود دارند که به ما کمک می کنند بهترین راه حل ممکن را پیدا کنیم. ما از آنها به عنوان حل کننده یاد می کنیم. با گذشت زمان آنها راه حل هایی پیدا می کنند که با تمام محدودیت ها مطابقت دارد. سپس، سعی می‌کند مسیرهایی را پیدا کند که بهتر و بهتر هستند، بنابراین مسیرهای ارزان‌تر و ارزان‌تری را تا زمانی که بگویید، “خوب، این برای من به اندازه کافی خوب است” یا تا زمانی که بتواند از نظر ریاضی ثابت کند که راه‌حل بهینه را پیدا کرده است، پیدا کند. میانگین وسیله نقلیه تحویل در یک شهر ایالات متحده حدود 120 توقف دارد. ممکن است مدتی طول بکشد تا صریح آن حل شود، بنابراین معمولاً این کاری نیست که شرکت ها انجام می دهند، زیرا از نظر محاسباتی بسیار گران است. بنابراین، آنها از به اصطلاح اکتشافی استفاده می کنند، که الگوریتم هایی هستند که در یافتن راه حل های نسبتا خوب بسیار کارآمد هستند، اما معمولاً نمی توانند کمیت کنند که این راه حل ها چقدر از بهینه نظری فاصله دارند.

س: شما در حال حاضر در حال استفاده از یادگیری ماشینی برای مشکل مسیریابی خودرو هستید. چگونه از آن برای استفاده از روش‌های OR سنتی استفاده می‌کنید و احتمالاً بهتر عمل می‌کنید؟

آ: این چیزی است که ما در حال حاضر کار می کنیم روی با افرادی از آزمایشگاه هوش مصنوعی MIT-IBM Watson. در اینجا، ایده کلی این است که شما یک مدل را آموزش دهید روی مجموعه بزرگی از راه‌حل‌های مسیریابی موجود که یا در عملیات‌های دنیای واقعی یک شرکت مشاهده کرده‌اید یا با استفاده از یکی از این اکتشافی‌های کارآمد ایجاد کرده‌اید. در اکثر مدل های یادگیری ماشینی، دیگر تابع هدف صریح ندارید. در عوض، باید به مدل بفهمانید که در واقع به چه نوع مشکلی نگاه می کند و راه حل خوبی برای مشکل به نظر می رسد. به عنوان مثال، شبیه به آموزش یک مدل زبان بزرگ روی کلمات در یک زبان خاص، شما باید یک مدل یادگیری مسیر را آموزش دهید روی مفهوم توقف های مختلف تحویل و ویژگی های تقاضای آنها. مانند درک گرامر ذاتی زبان طبیعی، مدل شما باید بداند که چگونه این ایستگاه های تحویل را به روشی متصل کند که منجر به یک راه حل خوب شود – در مورد ما، یک راه حل ارزان یا سریع. اگر مجموعه‌ای کاملاً جدید از خواسته‌های مشتری را به سمت آن بیاندازید، همچنان می‌تواند نقاط را به معنای واقعی کلمه به روشی متصل کند که اگر سعی می‌کردید مسیر خوبی برای اتصال این مشتریان پیدا کنید، این کار را انجام می‌دادید.

برای این کار، ما از معماری‌های مدلی استفاده می‌کنیم که بیشتر مردم از فضای پردازش زبان می‌شناسند. به نظر می رسد کمی غیر منطقی است زیرا پردازش زبان چه ربطی به مسیریابی دارد؟ اما در واقع، ویژگی‌های این مدل‌ها، به‌ویژه مدل‌های ترانسفورماتور، در یافتن ساختار در زبان خوب هستند – کلمات را به‌گونه‌ای به هم متصل می‌کنند که جملات را تشکیل می‌دهند. به عنوان مثال، در یک زبان، شما واژگان خاصی دارید، و این ثابت است. این مجموعه ای مجزا از کلمات ممکن است که می توانید استفاده کنید، و چالش این است که آنها را به روشی معنادار ترکیب کنید. در مسیریابی نیز مشابه است. در کمبریج حدود 40000 آدرس وجود دارد که می توانید از آنها بازدید کنید. معمولاً، این زیرمجموعه ای از این آدرس ها است که باید بازدید شود، و چالش این است: چگونه این زیرمجموعه – این “کلمات” – را در یک دنباله منطقی ترکیب کنیم؟

این نوعی تازگی رویکرد ما است – استفاده از ساختاری که ثابت کرده است در فضای زبان بسیار مؤثر است و آن را در بهینه سازی ترکیبی قرار می دهیم. مسیریابی فقط یک بستر آزمایشی عالی برای ما است زیرا اساسی ترین مشکل در صنعت لجستیک است.

البته، در حال حاضر الگوریتم های مسیریابی بسیار خوبی وجود دارد که از دهه ها تحقیق در عملیات پدید آمده اند. کاری که ما در این پروژه می‌خواهیم انجام دهیم این است که نشان دهیم با یک رویکرد روش‌شناختی کاملاً متفاوت و کاملاً مبتنی بر یادگیری ماشین، می‌توانیم مسیرهایی را پیش‌بینی کنیم که تقریباً به خوبی یا بهتر از مسیرهایی هستند که شما از آنها دریافت می‌کنید. اجرای یک اکتشافی بهینه سازی مسیر پیشرفته.

س: روشی مانند روش شما نسبت به سایر تکنیک های پیشرفته OR چه مزایایی دارد؟

آ: در حال حاضر، بهترین روش‌ها هنوز از نظر منابع محاسباتی مورد نیاز برای آموزش این مدل‌ها بسیار تشنه هستند، اما شما می‌توانید بخشی از این تلاش‌ها را از پیش تعیین کنید. سپس، مدل آموزش دیده در تولید راه حل جدید در صورت نیاز نسبتا کارآمد است.

جنبه دیگری که باید در نظر گرفت این است که محیط عملیاتی یک مسیر، به ویژه در شهرها، دائما در حال تغییر است. زیرساخت‌های جاده‌ای موجود، یا قوانین ترافیکی و محدودیت‌های سرعت ممکن است تغییر کنند، پارکینگ ایده‌آل ممکن است توسط چیز دیگری اشغال شود، یا یک سایت ساخت‌وساز ممکن است یک جاده را مسدود کند. با یک رویکرد مبتنی بر OR خالص، ممکن است واقعاً دچار مشکل شوید زیرا باید اساساً به محض اینکه اطلاعات جدیدی در مورد مشکل در دسترس قرار گرفت، کل مشکل را فوراً حل کنید. از آنجایی که محیط عملیاتی به صورت پویا در حال تغییر است، باید این کار را بارها و بارها انجام دهید. در حالی که اگر مدلی دارید که به خوبی آموزش دیده است که قبلاً مشکلات مشابهی را دیده است، به طور بالقوه می تواند بهترین مسیر بعدی را تقریباً بلافاصله پیشنهاد دهد. این بیشتر ابزاری است که به شرکت ها کمک می کند تا خود را با تغییرات غیرقابل پیش بینی فزاینده در محیط سازگار کنند.

علاوه بر این، الگوریتم های بهینه سازی اغلب به صورت دستی برای حل مشکل خاص یک شرکت خاص ساخته می شوند. کیفیت راه‌حل‌های به‌دست‌آمده از چنین الگوریتم‌های صریح با سطح جزئیات و پیچیدگی که در طراحی الگوریتم وارد شده است، محدود می‌شود. یک مدل مبتنی بر یادگیری، روی از طرف دیگر، به طور مداوم یک خط مشی مسیریابی را از داده ها یاد می گیرد. هنگامی که ساختار مدل را تعریف کردید، یک مدل یادگیری مسیر به خوبی طراحی شده، بهبودهای بالقوه را در خط مشی مسیریابی شما از تعداد زیادی از مسیرهایی که در حال آموزش است، استخراج می کند. روی. به زبان ساده، یک ابزار مسیریابی مبتنی بر یادگیری به یافتن پیشرفت‌هایی در مسیرهای شما ادامه می‌دهد بدون اینکه شما مجبور باشید برای طراحی صریح این بهبودها در الگوریتم سرمایه‌گذاری کنید.

در نهایت، روش‌های مبتنی بر بهینه‌سازی معمولاً به بهینه‌سازی برای یک تابع هدف کاملاً مشخص محدود می‌شوند، که اغلب به دنبال به حداقل رساندن هزینه یا حداکثر کردن سود است. در واقعیت، اهدافی که شرکت ها و رانندگان با آن روبرو هستند بسیار پیچیده تر از آن هستند و اغلب تا حدودی متناقض هستند. برای مثال، یک شرکت می‌خواهد مسیرهای کارآمدی پیدا کند، اما همچنین می‌خواهد انتشار گازهای گلخانه‌ای کم داشته باشد. راننده همچنین می خواهد ایمن باشد و راه مناسبی برای خدمت رسانی به این مشتریان داشته باشد. علاوه بر همه اینها، شرکت ها به ثبات نیز اهمیت می دهند. یک مدل یادگیری مسیر که به خوبی طراحی شده باشد، در نهایت می تواند این اهداف با ابعاد بالا را به خودی خود ثبت کند، و این چیزی است که شما هرگز نمی توانید به همان روش با رویکرد بهینه سازی سنتی به آن دست یابید.

بنابراین، این همان برنامه یادگیری ماشینی است که در واقع می تواند تأثیر ملموسی در دنیای واقعی در صنعت داشته باشد. روی جامعه، و روی محیط زیست. صنعت لجستیک مشکلاتی دارد که بسیار پیچیده تر از این است. به عنوان مثال، اگر می‌خواهید کل زنجیره تامین را بهینه کنید – فرض کنید، جریان یک محصول از تولیدکننده در چین از طریق شبکه پورت‌های مختلف در سراسر جهان، از طریق شبکه توزیع یک خرده‌فروش بزرگ در آمریکای شمالی به فروشگاه شما. جایی که واقعاً آن را می‌خرید – تصمیم‌های زیادی در آن دخیل هستند، که بدیهی است که کار بسیار دشوارتر از بهینه‌سازی یک مسیر وسیله نقلیه است. امید ما این است که با این کار اولیه، بتوانیم پایه و اساس تحقیقات و همچنین تلاش‌های توسعه بخش خصوصی را برای ساخت ابزارهایی ایجاد کنیم که در نهایت بهینه‌سازی زنجیره تامین را از پایان به انتها ممکن می‌سازد.