AI w logistyce ostatniej mili, czyli innowacje w zarządzaniu trasami i dostawami

Zarządzanie trasami odgrywa decydującą rolę w logistyce i transporcie towarów, to od niego bowiem zależy pomyślna realizacja dostawy. Z tego powodu w obecnym stuleciu stanowi ono jeden z głównych obszarów badań w tej dziedzinie. Jednak pomimo uwagi, jaką badacze poświęcają temu zagadnieniu, w zakresie wyznaczania tras przewozowych i logistyki ostatniej mili nie zostały jeszcze osiągnięte maksymalne rezultaty. Najnowsze zdobycze technologii w dziedzinie sztucznej inteligencji i uczenia maszynowego mogą się okazać brakującymi elementami układanki.

Podstawą zarządzania trasami jest problem komiwojażera, zadanie optymalizacyjne znane od początku XIX wieku. Jego rozwinięciem jest problem marszrutyzacji (ang. vehicle routing problem – VRP), zaprezentowany po raz pierwszy w 1959 roku przez George'a Dantziga i Johna Ramsera. Polega on na wyznaczeniu optymalnych tras przewozowych dla określonej liczby środków transportu w celu zrealizowania dostaw dla określonej liczby klientów znajdujących się w różnych punktach danego obszaru. Od tamtego czasu badacze przeanalizowali niezliczone odmiany i rozszerzenia tego problemu. Obecnie istnieją bardzo skuteczne algorytmy i modele, które pozwalają w dużej mierze poradzić sobie ze złożonością występującą w świecie rzeczywistym. Firmy i naukowcy dziś są znacznie bliżej rozwiązania współczesnych problemów z zakresu planowania tras niż wówczas, gdy Dantzig i Ramser zaczęli badać ten obszar 65 lat temu. Jednakże dotychczasowe podejścia metodologiczne pozwoliły pokonać dopiero 80% drogi do celu. Pozostałe 20% nie miało tak istotnego znaczenia w świecie, w którym nie było jeszcze możliwości kupowania przez internet, a szybkie i elastyczne dostawy nie odgrywały dotąd tak ważnej roli w zaspokajaniu potrzeb konsumentów. W ostatnich latach jednak oczekiwania w tym zakresie gwałtownie wzrosły, a natychmiastowość i indywidualizacja osiągnęły bezprecedensowy poziom. Dzisiejszy wymóg maksymalnie krótkiego czasu realizacji usług logistycznych sprawił, że nagle owe 20%, których nie można było uzyskać tradycyjnymi metodami, zyskały ogromną wagę.

Codziennie po drogach i ulicach porusza się mnóstwo samochodów firm kurierskich, z których każdy musi obsłużyć około 120 punktów

Przyczyną rosnącej złożoności logistyki ostatniej mili są coraz większa liczba punktów dostaw i coraz większe ograniczenia w zakresie czasu i kosztu. W przeciwieństwie do podróżnego, który po prostu szuka najkrótszej lub najwygodniejszej trasy od punktu A do punktu B, pojazd firmy takiej jak Amazon czy UPS musi zrealizować wiele dostaw na jednej skonsolidowanej i wydajnej trasie. Codziennie po drogach i ulicach porusza się mnóstwo samochodów firm kurierskich, z których każdy musi obsłużyć około 120 punktów, w kolejności, która zapewni optymalną pod każdym względem trasę, co niekoniecznie oznacza najkrótszą. Celem jest bowiem znalezienie trasy spełniającej jednocześnie trzy kryteria optymalizacji, a zatem musi ona być najszybsza, najtańsza i najkrótsza, uwzględniając przy tym terminy dostaw, dostępność odbiorców oraz ograniczenia w zakresie możliwości wjazdu i parkowania.

Efektywność ostatniej mili nie jest problemem wyłącznie matematycznym, gdyż występuje w nim czynnik ludzki (w postaci kierowcy), a ludzie są istotnym źródłem niepewności. Ich doświadczenie, znajomość obszaru, a nawet samopoczucie – wszystko to wpływa na sposób pokonywania trasy. Choć firmy starają się w jak największym stopniu zoptymalizować trasy, nieprzewidziane zdarzenia, takie jak wypadki drogowe, mogą spowodować, że rzeczywistość całkowicie rozminie się z prognozami czasu transportu. Wiele z tych czynników trudno kontrolować, a w przypadku niektórych jest to prawie niemożliwe – i to właśnie w tym obszarze tradycyjne podejścia nie radzą sobie ze znalezieniem rozwiązania.

Klient w centrum, czyli klientocentryzm

Od około 10 lat prowadzone są badania z zakresu logistyki ostatniej mili w megamiastach, ponieważ proces ten jest zwykle bardziej złożony na obszarach o dużej gęstości zaludnienia. Gęstość zaludnienia to jeden z czynników, które najbardziej przyczyniają się do złożoności tego etapu procesu logistycznego, większość miast bowiem nie była planowana z myślą o rozmiarach, jakie dziś osiągają. Rozrastały się one na przestrzeni dziejów, lecz ich infrastruktura transportowa nie rozwijała się wraz z nimi. Dlatego dzisiejsze miasta nie są przystosowane do tak dużej liczby osób i towarów przemieszczających się po nich każdego dnia. A w miarę rozwoju miast, który jest jednoznaczny ze wzrostem liczby mieszkańców, rośnie popyt na produkty i usługi, co pociąga za sobą konieczność transportu zarówno towarów, jak i osób. Rezultatem jest znacznie większe natężenie ruchu na ulicach, te zaś nie zawsze można poszerzyć, co z kolei skutkuje korkami.

Rosnący popyt na produkty może mieć zarówno pozytywny, jak i negatywny wpływ na logistykę ostatniej mili. Przy dużej koncentracji klientów na danym obszarze, a tym samym konieczności częstszego zatrzymywania się, teoretycznie kierowca samochodu dostawczego musiałby szybciej pokonywać poszczególne odcinki. Trasy powinny być bardziej produktywne i wydajne, tymczasem na coraz bardziej zatłoczonej sieci ulicznej przejazd się wydłuża i staje się coraz bardziej nieprzewidywalny, gdyż choćby zwykła stłuczka może doprowadzić do poważnych utrudnień w ruchu, co przekłada się na opóźnienia. Tak więc produktywność trasy i czas jej pokonywania mogą się pogorszyć. Te uwarunkowania powodują, że logistyka ostatniej mili na terenie miast jest mniej przewidywalna niż trasy przebiegające przez mniejsze skupiska ludzkie, jakimi są obszary wiejskie.

Ostatnia mila generuje około 40% kosztów logistycznych w wielu firmach

Przedmiotem badań prowadzonych w tym zakresie są nowe metody, oparte na sztucznej inteligencji i uczeniu maszynowym, dotychczasowe bowiem nie nadążają za szybkim tempem, w jakim obecnie rozwija się świat. Ponadto tendencja do koncentrowania procesu logistycznego na indywidualnych potrzebach konsumentów jeszcze bardziej skomplikowała zarządzanie trasami. Z tego powodu konieczne jest podejście bardziej oparte na danych. Modele i algorytmy, które opracowujemy, aby rozwiązać współczesny problem marszrutowania, muszą być w stanie stale się uczyć i aktualizować swoją wiedzę. Muszą one na bieżąco znać i rozumieć cechy, zachowania i ograniczenia związane z każdym klientem, każdą trasą i każdym pojazdem. To właśnie tutaj AI i ML mają szczególną przewagę nad tradycyjnymi metodami badań operacyjnych.

Ostatnia mila generuje zwykle aż 40% kosztów logistycznych firmy. Dlatego tak ważne jest móc z jak największą precyzją przewidzieć, kiedy i gdzie nastąpi zakup, np. ile sztuk danego produktu zostanie zakupionych w określonej lokalizacji w ciągu najbliższych 30 minut. Jest to przykład tego, jak najnowocześniejsze techniki uczenia maszynowego okazują się pomocne również w prognozowaniu popytu, zapewniając firmom coraz większe zdolności predykcyjne.

Ludzkie oblicze efektywności

Celem jest wyznaczanie tras w taki sposób, aby były nie tylko krótkie, ekonomiczne i szybkie, lecz także efektywne dla kierowców. Korygują oni bowiem otrzymywane każdego ranka plany tras, ponieważ lepiej niż jakikolwiek algorytm wiedzą, gdzie można zaparkować, jak uniknąć korków oraz w jakich godzinach ich klienci będą najprawdopodobniej obecni pod adresem dostawy. Ta osobista wiedza każdego kierowcy wymyka się możliwości zakodowania w statycznej implementacji algorytmu optymalizującego czy sprowadzenia jej do zestawu równań. Możemy jednak być w stanie znaleźć bardziej optymalne trasy, obserwując rzeczywiste zachowanie kierowców na przestrzeni czasu. Metoda oparta na uczeniu się mogłaby uchwycić wiedzę doświadczonych kierowców poprzez wykrywanie wzorców w sposobie, w jaki realizują oni trasy. Ponadto można by stale szkolić algorytmy w oparciu o nowe dane ze świata rzeczywistego, takie jak tymczasowe zamknięcia ulic lub zmiany preferencji. Jest to podejście do planowania tras, któremu badacze muszą poświęcić uwagę.

Niegdyś społeczeństwo było traktowane jako jednolita masa, dziś natomiast brane są pod uwagę indywidualne potrzeby i cechy składających się nań jednostek. W tym celu firmy muszą pozyskać bardziej szczegółowe informacje o każdym punkcie dostawy, a to zależy od takich konkretnych aspektów, jak rodzaj budynku, w którym znajduje się adresat. Kilka lat temu oferowano okienka czasowe i odbiorcy wskazywali, kiedy chcą otrzymać paczkę. Obecnie oczekuje się, że proces logistyczny będzie przewidywał dostępność i preferencje każdego klienta. W miarę jak wyższy poziom obsługi, w postaci takich możliwości jak dostawa tego samego dnia, staje się normą, musi on być bardziej dostępny dla większej części populacji, w tym konsumentów, którzy nie mieszkają w głównych ośrodkach miejskich.

Celem jest wyznaczanie tras w taki sposób, aby były nie tylko krótkie, ekonomiczne i szybkie, lecz także efektywne dla kierowców

Jakość i szybkość, jaką zapewniają najnowsze systemy, były nie do pomyślenia jeszcze kilka lat temu. Istotną rolę odgrywają dziś także udoskonalenia związane ze zrównoważonym rozwojem. Logistyka i transport to sektor należący do największych emitentów dwutlenku węgla, a w konsekwencji sprawców zmian klimatycznych. Bez dekarbonizacji tej branży nie będziemy w stanie zapobiec ziszczeniu się najgorszego scenariusza. Bez nowych metod i innowacji, które mamy nadzieję opracować w Laboratorium Inteligentnych Systemów Logistycznych MIT, sektor ten nie będzie w stanie osiągnąć ambitnych celów w zakresie dekarbonizacji, która jest konieczna, by odwrócić bieg wydarzeń.

Badania z wykorzystaniem metod hybrydowych

Dostrzegamy ogromny potencjał w wykorzystaniu metod hybrydowych, które łączą to, co najlepsze z obu światów: tradycyjnych badań operacyjnych oraz najnowszych technik uczenia maszynowego i sztucznej inteligencji. W MIT, w nowo utworzonym Laboratorium Inteligentnych Systemów Logistycznych, zamierzamy skoncentrować pracę badawczą na tych metodach i ich zastosowaniach. Naszym celem jest opracowanie przyszłej generacji systemów logistycznych umożliwiających świadczenie usług, które dziś możemy sobie tylko wyobrażać, ale staną się one rzeczywistością w nadchodzących latach.

Najnowsze trendy wymagają bardziej inteligentnych i sprawnych rozwiązań w odpowiedzi na zmiany zachodzące w środowisku społeczno-gospodarczym i geopolitycznym. W Mecaluxie znaleźliśmy partnera, który jest głęboko zainteresowany tymi metodami. Musimy czerpać z wiedzy wielu osób, które na co dzień tworzą tę branżę, niezależnie od tego, czy jest to kierowca, magazynier czy dyrektor ds. łańcucha dostaw z 40-letnim doświadczeniem. Musimy wprowadzić ich cenne kompetencje do modeli ilościowych, aby móc w sposób szybki i skalowalny rozwiązywać coraz bardziej złożone problemy sektora logistycznego.

 

---

 

 

---

 

Przypisy:

Dantzig, G. B., and J. H. Ramser. 1959. The Truck Dispatching Problem. Management Science 6 (1): 80–91.