Wywiad z Sarah Schaumann, główną badaczką w MIT CTL

Wywiad z Sarah Schaumann, główną badaczką w MIT CTL


„Dzięki naszym systemom firmy będą przygotowane na przyszłość”

O projekcie badawczym

Optymalizacja dystrybucji zamówień z wykorzystaniem samouczących się modeli sztucznej inteligencji stanowi jeden z celów współpracy badawczej, którą Massachusetts Institute of Technology i Mecalux rozpoczęły w 2024 roku. Sarah Schaumann z Centrum Transportu i Logistyki MIT jest głównym badaczem w Laboratorium Inteligentnych Systemów Logistycznych. Jej praca koncentruje się na inteligencji preskryptywnej, która może wspomagać firmy w wyborze punktów wysyłki najbardziej odpowiednich dla poszczególnych zamówień.

Mecalux przeprowadził wywiad z Sarah Schaumann, główną badaczką w MIT CTL, aby dowiedzieć się więcej na temat badań nad inteligencją preskryptywną prowadzonych w ramach współpracy badawczej MIT i Mecaluxu.

  • Uczestniczy pani we wspólnym projekcie badawczym MIT i Mecaluxu. Co spodziewają się państwo osiągnąć dzięki tym badaniom?

    Celem naszego projektu badawczego jest opracowanie modelu orkiestracji dla systemów zarządzania zamówieniami rozproszonymi opartego na uczeniu maszynowym. Chodzi o zmianę metody przypisywania zamówień do obiektów i przewoźników: zastąpienie stosowanej obecnie strategii uwzględniającej szereg reguł inteligentną strategią orkiestracji, która wykorzystuje samouczącą się sztuczną inteligencję. Chcemy stworzyć system, który nie tylko będzie w stanie poprawić wydajność operacyjną, ale także będzie się dostosowywać do zmieniających się w czasie środowisk dzięki wykorzystaniu uczenia maszynowego.

    Celem projektu badawczego jest opracowanie modelu orkiestracji dla systemów zarządzania zamówieniami rozproszonymi opartego na uczeniu maszynowym
  • Jaki jest potencjał tej inicjatywy w zakresie budowania nowej generacji systemów zarządzania zamówieniami rozproszonymi?

    Planujemy stworzyć przyszłe generacje inteligentnych i adaptowalnych strategii orkiestracji procesu realizowania zamówień. Innymi słowy chodzi o zastąpienie statycznych, opartych na regułach strategii strategiami inteligentnymi, dynamicznymi, które mogą dostosowywać się do zmieniających się wymagań klientów, ograniczeń, a nawet warunków rynkowych. Ogólnie rzecz ujmując, chcemy położyć podwaliny pod rozwój autonomicznych, samouczących się systemów dystrybucji zamówień, które są coraz bardziej potrzebne w dynamicznych środowiskach.

    Zaleta modelu uczenia przez wzmacnianie polega na tym, że zmienia się on w czasie
    Zaleta modelu uczenia przez wzmacnianie polega na tym, że zmienia się on w czasie
  • W jaki sposób wykorzystają państwo uczenie przez wzmacnianie do opracowania optymalnych strategii orkiestracji?

    Uczenie przez wzmacnianie polega na tym, że model uczy się i doskonali poprzez interakcję ze środowiskiem. Model tworzy różne strategie orkiestracji i otrzymuje nagrodę lub karę w zależności od rezultatu decyzji. Następnie iteracyjnie dostosowuje decyzje. Jest to zatem rodzaj ciągłego uczenia się, w którym nagrody zależą od filozofii firmy. Na przykład jedna firma może priorytetowo traktować koszty, a inna czas dostawy.

    Chcemy stworzyć inteligentne, dynamiczne strategie, które mogą dostosowywać się do zmieniających się wymagań klientów, ograniczeń, a nawet warunków rynkowych
  • W jaki sposób Laboratorium Inteligentnych Systemów Logistycznych wykorzystuje symulacje w tego rodzaju badaniach?

    Symulacje pozwalają nam odtworzyć rzeczywiste scenariusze w bezpiecznym, kontrolowanym środowisku. Model nie wchodzi więc w interakcję z rzeczywistym systemem, lecz z symulowanym środowiskiem. Obniża to koszty i ryzyko szkolenia i testowania tych modeli, a także ułatwia weryfikowanie ich niezawodności i skalowalności.

  • Jaki wpływ będzie miał ten projekt na branżę logistyczną?

    Środowiska, w których działają firmy, stają się coraz bardziej dynamiczne i złożone, ale ogromną zaletą modeli opartych na uczeniu przez wzmacnianie jest to, że dostosowują się one w czasie. Dzięki naszym systemom firmy będą więc przygotowane na przyszłość.