Il prossimoProssima guida
AI in Lead Optimization
Industrie
GUIDA alle industrie
L’intelligenza artificiale nella consegna dell’ultimo miglio utilizza algoritmi di ottimizzazione e apprendimento automatico per decidere quale autista trasporta quali pacchi, in quale ordine di visita si ferma e quando arriverà ciascuna consegna.
Ascolta questa guidaNarrato dall'IA · ~3 min
È importante perché il tragitto finale fino alla porta di casa è spesso la parte più costosa della spedizione. Piccoli miglioramenti nel percorso consentono di risparmiare carburante, tempo ed emissioni in milioni di fermate.
L'instradamento dei veicoli per le consegne è un caso da manuale del problema del percorso dei veicoli (VRP), una generalizzazione del problema del commesso viaggiatore. Dato un deposito, una flotta e una serie di fermate, l’obiettivo sono percorsi che riducano al minimo il costo totale rispettando i vincoli. Questi includono la capacità del veicolo, la durata del turno del conducente, le finestre temporali del cliente e talvolta coppie di ritiri e consegne. Il problema è NP-hard: le soluzioni esatte diventano impraticabili man mano che il numero di fermate cresce, quindi i sistemi reali si basano sull'euristica (regole pratiche che trovano risposte buone, non migliori garantite). I metodi classici includono l'algoritmo di risparmio di Clarke-Wright del 1964 e le mosse di ricerca locale come 2-opt, che districa i segmenti di percorso che si incrociano. I solutori moderni, inclusi strumenti open source come gli OR-Tools di Google, li combinano con metaeuristiche che esplorano molte soluzioni candidate. Il sistema ORION di UPS, lanciato negli anni 2010, è un esempio ben noto. Ottimizza l'ordine delle fermate di ciascun conducente. UPS è noto anche per una preferenza di lunga data per percorsi che evitano le svolte a sinistra nel traffico ove possibile, scambiando distanze leggermente più lunghe con svolte meno inattive e meno rischiose. L'apprendimento automatico aggiunge la previsione oltre all'ottimizzazione. I modelli stimano i tempi di viaggio in base all'ora del giorno, al tempo di servizio a ciascuna fermata (trovare un parcheggio, salire le scale, ottenere una firma) e la possibilità che una consegna fallisca. Nel 2021 Amazon e il MIT hanno lanciato una sfida di ricerca chiedendo ai team di scoprire quali percorsi preferiscono effettivamente i conducenti esperti, perché il percorso matematicamente più breve non è sempre quello che funziona su strada. Le app di cibo e generi alimentari affrontano una versione più difficile e dinamica. Gli ordini arrivano continuamente, quindi la spedizione decide in tempo reale quale corriere riceve quale ordine e se raggruppare gli ordini, bilanciando la velocità con l'occupazione dei corrieri. Un malinteso comune è che il routing sia semplicemente la navigazione sul percorso più breve. La navigazione trova un percorso stradale tra due punti. L'ottimizzazione del percorso decide l'ordine e l'assegnazione di centinaia di fermate.
Durante la notte, il sistema di pianificazione di un corriere suddivide i pacchi del giorno successivo tra i suoi furgoni, rispettando la capacità di ciascun veicolo e le finestre di consegna dei clienti.
Una piattaforma di consegna di cibo consegna a un corriere due ordini dallo stesso ristorante quando i tempi di cottura e di viaggio previsti implicano che entrambi arriveranno ancora caldi.
Un servizio di consegna di generi alimentari prevede gli orari di arrivo utilizzando i dati passati sul tempo impiegato dai conducenti per parcheggiare e raggiungere le porte degli appartamenti, non solo il tempo trascorso sulla strada.
Quando una strada si chiude a metà turno, il ricalcolo dinamico del percorso riordina le fermate rimanenti di un conducente invece di ricalcolare il piano per l'intera flotta.
Il routing è un campo maturo, quindi i progressi saranno probabilmente graduali: migliori previsioni sui tempi di viaggio e di servizio, euristiche apprese che accelerano i risolutori e collegamenti più stretti con il modo in cui le finestre di arrivo vengono comunicate ai clienti. I furgoni elettrici aggiungono vincoli come l’autonomia e le fermate di ricarica. Gli esperimenti con robot da marciapiede, droni e armadietti per pacchi cambiano il problema aggiungendo nuovi tipi di veicoli e punti di consegna, anche se la loro diffusione varia molto in base alla località. Nonostante tutto ciò, il nucleo rimane lo stesso: previsioni accurate che alimentano un buon ottimizzatore, con la conoscenza locale dei conducenti ancora preziosa.
Newsletter gratuita
Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.
Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.
Mettiti alla prova
Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.
Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione
L’intelligenza artificiale nella consegna dell’ultimo miglio utilizza algoritmi di ottimizzazione e apprendimento automatico per decidere quale autista trasporta quali pacchi, in quale ordine di visita si ferma e quando arriverà ciascuna consegna. È importante perché il tragitto finale fino alla porta di casa è spesso la parte più costosa della spedizione. Piccoli miglioramenti nel percorso consentono di risparmiare carburante, tempo ed emissioni in milioni di fermate.
Il VRP estende il problema del commesso viaggiatore a più veicoli con capacità, finestre temporali e altri vincoli.
Poiché il VRP è NP-difficile, il calcolo necessario per ottenere risposte esatte cresce in modo esplosivo. Le euristiche trovano buone soluzioni entro limiti di tempo pratici.
2-opt rimuove due bordi e ricollega il percorso nell'altro senso, il che districa gli incroci e solitamente accorcia il percorso.
La sfida chiedeva ai team di modellare i percorsi effettivamente seguiti dai conducenti, perché il percorso matematicamente più breve non sempre funziona nella pratica.
Il tempo di servizio è il tempo trascorso ad ogni fermata oltre alla guida. È difficile da prevedere e rappresenta una delle principali fonti di errore nel momento dell'arrivo, quindi i modelli ML lo stimano per indirizzo.
Continua a imparare
Altre guide selezionate per questo argomento
Il prossimoProssima guida
AI in Lead Optimization
Industrie