Искусственный интеллект в логистике – конкурентное преимущество или модный тренд?

Владимир Дорохов, бизнес-практик, независимый директор, инвестор, ментор, коуч

Отличие ИИ от классических методов

В первую очередь хотел бы определить разницу между ИИ и обычными алгоритмами расчетов. В настоящее время есть много критериев различия этих понятий, но я бы не хотел углубляться в дебри, а привести более общее понимание.

Классические методы анализа данных используют статистические методы и технологии для получения осмысленных результатов, где применима хотя бы одна модель для обработки. Наличие структурированных данных – обязательное требование такого анализа. Отличительной особенностью здесь является то, что результаты прогнозируемы и легко описываются перед постановкой задачи. Для классического анализа вполне могут подойти задачи по планированию продаж, бюджетированию ремонта, оценке рисков, потреблению ресурсов и даже оценке кандидатов.

Искусственный интеллект – это набор сложных алгоритмов, которые улучшаются по мере работы с данными и раз от раза дают лучший результат. Обычно это области, более присущие человеческому восприятию, такие как обучение, самовыражение. Набор задач, формат данных и результаты здесь настолько разнообразны, что заранее их невозможно точно определить. В результате ИИ фактически самостоятельно определяет себе постановку и выбор задачи. Примеры использования ИИ уже есть в анализе медицинских исследований, системах биометрического распознавания, персонализации маркетинга и даже в логистике. Многие из нас убедились в этом, используя генеративные алгоритмы для текстов от известных всем сервисов типа ChatGPT, формируя изображения и даже сочиняя музыку.

Следует признаться, что пока даже приверженцы использования ИИ не до конца ему доверяют. Так, известный многим проект беспилотных магазинов Amazon Go на протяжении долгого времени подстраховывал работу своего ИИ тысячей живых индийских контролеров, в итоге в апреле 2024 г. проект решили вообще закрыть. На самом деле по таким принципам сегодня работает большинство генеративных алгоритмов, однако далеко не каждый раскрывает информацию о человеческом ресурсе используемых помощников.

Применение ИИ в логистике

Учитывая интерес читателей журнала, приведу пример практического использования ИИ в ставшей уже родной для многих из нас логистике.

ИИ для логистики сегодня разрабатывается в рамках интеллектуальных систем управления ресурсами (ИСУР), которые приходят на смену привычным классическим Enterprise Resource Planning (ERP), ограниченным скудными ресурсами пакетного планирования.

В большинстве таких систем считается, что заказы и ресурсы заранее известны и не изменяются в ходе вычислений, так что даже небольшое изменение ситуации вызывает необходимость полного пересчета планов с существенными затратами времени. В отличие от традиционных ERP-систем ИСУР могут управляться целями, задаваемыми на основе критериев, предпочтений и ограничений, их состав и важность у каждого участника могут меняться в зависимости от обстановки. Например, для предприятия в первый год приоритетом был захват рынка и рост оборота, а когда бизнес вышел на плановые продажи – начали работать над увеличением рентабельности. Как вы понимаете, смена критериев вызывает соответствующие изменения алгоритма принятия решения и распределения ресурсов.

Как система ИИ выглядит для пользователей?

Основные проблемы логистических компаний заключаются в следующем:

• нельзя использовать пакетное планирование – за время построения плана перевозок приходит много других заказов и случается множество событий, поэтому порождаемый план будет не актуальным;
• нельзя оптимизировать одну целевую функцию, нужно учитывать интересы заказчиков, собственной компании и ее водителей, то есть искать баланс интересов, компромисс и консенсус между участниками;
• недостаточно планировать новые заказы на свободное место в расписании свободного ресурса, нужно выявлять и разрешать конфликты между заказами и ресурсами.

Однако представьте себе систему ИИ, которая принимает и анализирует заказы на перевозку грузов и в складывающейся динамически ситуации сама решает, какой грузовик лучше всего подходит для выполнения заказа, с учетом размера груза и доступного размера кузова, совместимости грузов, наличия подъемного оборудования и многих других факторов.

Грузовики транспортной компании никогда не стоят на месте, и для каждого расписан индивидуальный план, но если подходящий грузовик есть поблизости в наличии, и по графику смен доступен водитель, то такая система ИИ сразу запланирует и всю последовательность технологического процесса: как подготовить грузовик, по какому маршруту доехать до точки забора груза и как лучше двигаться до пункта назначения, можно ли собрать и консолидировать грузы по пути, где предусмотреть парковку, отдых и питание для водителя, а также заправку автомобиля, сколько придется ждать под загрузкой и разгрузкой, с какой скоростью следует двигаться, как учесть нормы труда и отдыха водителя и его предпочтения по поездкам и т.д.

Если же все грузовики и водители заняты в требуемое время, то ИИ следует рассмотреть ситуацию более детально и попытаться изменить принятые ранее решения, чтобы освободить занятый грузовик и перебросить его заказы на другой, если это позволит увеличить прибыль предприятия, что, возможно, потребует целой цепочки изменений, принятых раннее решений и поиска более эффективных, причем в непрерывно изменяющейся текущей ситуации. Такая система ИИ должна уметь вести анализ ситуации при появлении любого нового непредвиденного события, выбирать и согласовывать варианты путем переговоров и взаимных уступок для достижения нового сбалансированного расписания, учитывающего интересы всех участников.

Система работает 24/7 и при поступлении новых заказов будет не только адаптивно, без полного пересмотра, перестраивать планы на любом горизонте времени, но и постоянно пытаться оптимизировать использование ресурсов в реальном времени, выбирая и пробуя разные варианты распределения грузовиков под заказы, создавая и разрушая консолидации грузов и уточняя маршруты движений.

Однако и этого мало, поскольку уметь распределять ресурсы, планировать и оптимизировать для такой системы ИИ — лишь половина дела! Полноценная система ИИ для управления логистикой не только непрерывно адаптивно распределяет ресурсы под заказы, планирует и оптимизирует доставки в реальном времени, но и берет под контроль построенный ею же план, осуществляя мониторинг и контроль его исполнения. В случае возникновения расхождений между планом и фактом или поступления разных других непредвиденных событий, включая задержки, ДТП и поломки, тут же адаптивно перестраивает планы в постоянном, никогда непрерываемом жизненном цикле управления любым бизнесом в логистике. Например, если грузовик сильно задерживается в очереди на погрузку, а у него уже три заказа в горизонте для исполнения.

Что должно происходить с этими заказами? В динамически определяемый момент времени эти заказы должны начинать «волноваться» и «спрашивать» грузовик, сможет ли он нагнать требуемый график движения или такие возможности уже исчерпаны? И если возникает вероятность сорвать сроки, то соответствующие заказы уже должны начинать заранее подыскивать себе другой грузовик. Сейчас это делают логисты, диспетчеры и операторы, но может ли делать эту работу ИИ?

Что под капотом у логистической системы ИИ?

Рассмотрим, как строится такая система ИИ и работает, используя новые технологии, а именно онтологии и мультиагентные технологии.

Онтологии – это формализованные модели знаний, представляющие классы понятий и отношений предметной области в виде семантических сетей. Для логистики такими понятиями онтологии являются «заказы», «грузовики», «бизнес-процессы», «задачи», «грузы» и т.п., а отношениями – грузовик «забронирован» под заказ, задача – «часть» бизнес-процесса, груз «включен» в консолидацию и т.п. Используя эти понятия и отношения как толковый словарь предметной области, можно формировать правила принятия решений в логистике и специфицировать модель бизнеса любой компании, чтобы далее индивидуально настраивать универсальную систему ИИ на специфику каждого вида логистики и особенности каждой конкретной компании.

Мультиагентная технология позволяет путем использования программных агентов (небольших автономных программ), обладающих своими целями и постоянно старающихся их реализовать всеми доступными способами, создавать системы ИИ, настраиваемые с помощью онтологий. Программные агенты действуют в системе ИИ в интересах своих владельцев, в числе которых могут быть каждый заказ, ресурс, бизнес-процесс или каждая задача. Например, агент заказа старается найти возможность выполнить заказ как можно дешевле, лучше и быстрее, агент каждого ресурса – получить максимальную загрузку, агент каждого груза заинтересован, чтобы товар минимальное время пролеживал на складе. Такая детализация процессов принятия решений до каждой элементарной сущности бизнеса компании (заказа, ресурса и т.д.) позволяет в логистике добиться главного: начать автоматически учитывать и согласовывать интересы этих сущностей в процессе принятия решений по формированию и исполнению расписаний, что делает расписание более быстрым в реакции на события, гибким и эффективным, бережливым по своей сути, стремящимся исключать любые простои и холостой ход дорогостоящей техники и водителей, пролеживание грузов на складе и т.д.

Агенты способны воспринимать ситуацию в среде, самостоятельно принимать решения и согласовывать эти решения с другими программными агентами, что позволяет строить любое сложное расписание через их согласованное взаимодействие. В результате процесс решения сложной задачи формирования расписания осуществляется путем непрерывной конкуренции и кооперации экземпляров указанных классов агентов на виртуальном рынке системы. При этом агенты могут выявлять конфликты и договариваться об их разрешении со взаимными уступками мест в расписании, а число такого рода одновременно работающих в системе агентов может составлять тысячи и десятки тысяч экземпляров. Иными словами, процесс формирования расписания рассматривается как коллективной процесс самоорганизации агентов, напоминающий работу роя пчел или колонии муравьев. Этот процесс завершается, когда достигнуто конкурентное равновесие (консенсус) между агентами, то есть ни один из агентов более не может улучшить расписание. Не случайно, по аналогии с биологией, данный тип ИИ называют самоорганизующимся ИИ, коллективным ИИ или интеллектом роя программных агентов.

Как оказалось, разработанная технология весьма универсальна и позволяет решать многие виды сложных задач логистики в управлении грузовиками, цепочками поставок, железнодорожными поездами, мобильными бригадами, курьерами, дронами и другими видами мобильных ресурсов.

Практика применения

На практике ИСУР уже применяются на основе разработок самарских умельцев из Группы компаний «Генезис знаний» под руководством доктора технических наук Петра Олеговича Скобелева. Хотел бы отдельно отметить, что подробности и нижеприведенные примеры взяты из их наработок для реального бизнеса.

Управление цепочками поставок для компании «Кока-Кола» в Германии

В этой задаче требовалось создать систему ИИ для управления цепочками поставок напитков и сопутствующих продуктов для компании «Кока-Кола». В Германии работает 8 заводов, которые производят «Кока-Колу», «Спрайт», минеральную воду и еще более 30 видов другой продукции. Имеется более 300 распределительных центров и множество транспортных каналов, реализуемых различными компаниями по грузовым перевозкам, через которые осуществляются поставки продукции в сеть из примерно 1000 магазинов в Германии. В среднем в день от магазинов в систему поступает более 3000 заказов, которые имеют горизонт исполнения до 10 дней. Эти поступающие заказы вызывают адаптивное перепланирование работы производственных подразделений, распределительных центров и транспортных каналов. Результат создания и внедрения системы ИИ — рост числа выполненных заказов до 7%, а также экономия на транспортных расходах — 20%.

Управление движением поездов

Задача была поставлена с началом движения поездов на высокоскоростном направлении Москва — Санкт-Петербург, включающем 5 диспетчерских участков, 47 станций и более 700 поездов одновременно на полигоне. Проблема состояла в том, что возникали значительные задержки скоростных «Сапсанов» из-за ремонтов путей и конфликтов с пассажирскими и товарными поездами, электричками.

Разработанная система ИИ строит детальный график движения на любом полигоне для минимизации суммарной задержки поездов и адаптивно возвращает их в график при возникновении отклонений с горизонтом на 24-36 ч. При построении графика учитываются: приоритеты поездов, требования безопасности движения, наличие платформ для посадки-высадки пассажиров, негабаритность поездов, возможность пропуска опасных грузов и т.п. Адаптивное перестроение графика осуществляется согласно событиям, поступающим по факту движения поездов. Время оперативного пересчета по событиям – меньше 30 с.

Экономический эффект состоит в ускорении в 2-3 раза времени возврата поездов в график, минимизации суммарного отклонения от графика их движения с 20 до 5%, а также существенном, на 30-40%, снижении нагрузки на диспетчерский персонал.

Управление грузовыми перевозками

Транспортная компания «Лорри» осуществляет перевозки по всей России и Европе, располагая парком в 890 тягачей и 978 полуприцепов. Задачей системы ИИ стало адаптивное планирование, позволяющее реализовать грузопоток свыше 4500 перевозок в месяц без существенного роста численности диспетчеров, логистов и экономистов. Для повышения оперативности принятия решений и адаптивного перепланирования разработанная система ИИ посредством мобильного приложения обеспечивает также работу с водителями, которые отмечают выполнение операций по бизнес-процессу и имеют возможность ввести в систему непредвиденные события, которые также вызывают адаптивное перестроение планов.

Результат внедрения: увеличение общего объема выполненных заказов на 5-10% при том же парке ресурсов, сокращение трудоемкости управления парком грузовиков на 30-40%, а также снижение простоев на 6%.

Применение разработанной системы в транспортной компании «Траско», осуществляющей перевозки по России, Европе и Азии и имеющей парк грузовиков в 360 тягачей и 480 полуприцепов, позволило управлять более чем 2000 перевозками в месяц.

Результат внедрения в этой компании: увеличение общего объема выполненных заказов на 5-7%, снижение простоев – на 9%. Близкие экономические результаты были получены при внедрении разработанной системы ИИ в компаниях «Монополия», «Кока-Кола» (Россия) и ряде других.

Управление курьерами

Для компании «Сберлогистика» была разработана онтологически-настраиваемая мультиагентная система ИИ для управления курьерами, которая может гибко настраиваться на специфику любого курьерского бизнеса. В этом проекте в системах ИИ получили дальнейшее развитие онтологические модели бизнеса курьерских компаний и все более мощный и универсальный движок ИИ для решения задач логистики.

Предполагается, что заказы можно консолидировать наиболее выгодным для курьера способом, чтобы они поместились в его ранец. При этом учитываются размеры грузов и ранца, а также совместимость грузов. Как видим, теперь наряду с распределением, планированием и оптимизацией в реальном времени решается еще и задача о ранце. Такой курьер, если вы сделали заказ на отправку груза, а он именно сейчас едет мимо вашего дома в сторону центра сбора посылок, и в его ранце пока есть место, не проедет мимо вас, а заберет заказ здесь и сейчас, что позволит исполнить ваш заказ практически без всяких расходов. Для сравнения, большая часть имеющихся обычных систем примет заказ только на следующий день и отправит к вам специально курьера, что увеличит расходы курьерской компании.

Разработанная система может применяться для широкого числа возможных применений, начиная от полиции и скорой помощи, МЧС, мусоровозов и такси и заканчивая мобильными бригадами газовиков, энергетиков и электриков, сантехников, мерчендайзеров, страховых агентов, медсестер и любых других мобильных ресурсов, включая даже малую авиацию для районов Дальнего Востока и Сибири.

Представьте себе такси, где пассажиры, причем с различным по объему багажом, входят и выходят по ходу движения по мере прихода заказов, то есть число пассажиров, план-график и маршрут движения меняются динамически, но с учетом предпочтений и ограничений всех участников на значительном горизонте времени. В зависимости от числа пассажиров и маршрутов разделяются расходы между заказами, то есть цена формируется динамически для каждого клиента, что позволяет одному ехать дороже, а другому, согласившись разделять ресурс, дешевле.

В настоящее время на базе указанной ИИ системы ведется разработка цифровой платформы, в которой курьерские и другие компании могут планировать свои ресурсы или, наоборот, встраивать этот ИИ-движок в свои системы управления.

Практические результаты для бизнеса

Анализ различных применений позволяет выделить ключевые преимущества создаваемых для бизнеса систем ИИ и оценить экономический эффект от их внедрения (табл. 1). Можно утверждать, что главным результатом рассматриваемых систем ИИ является не только повышение эффективности использования ресурсов, составляющее по экспертным оценкам и опыту внедрений 15-40%, но и создание условий для повышения конкурентоспособности и устойчивого развития бизнеса в условиях неопределенности и высокой турбулентной динамики изменений спроса и предложения на рынке, что в современной экономике становится скорее нормой, чем исключением. Наконец, намечающийся за счет внедрения систем ИИ рассматриваемого класса переход к безлюдному управлению предприятиями вполне органично сочетается с переходом и к управлению роями автономного транспорта – беспилотными такси, грузовиками и другими мобильными роботами, что во многом определяет перспективную картину мира будущего.