NastępnyNastępny poradnik
AI w optymalizacji leadów
Przemysły
PRZEWODNIK branżowy
Sztuczna inteligencja w dostawach „ostatniej mili” i optymalizacji tras
Sztuczna inteligencja w dostawie ostatniej mili wykorzystuje algorytmy optymalizacji i uczenie maszynowe, aby zdecydować, który kierowca przewozi które paczki, w jakiej kolejności odwiedzać przystanki i kiedy każda dostawa dotrze.
Posłuchaj tego przewodnikaOpowiadane przez sztuczną inteligencję · ~3 min
Na tej stronie4 minuty czytania
Przegląd
Ma to znaczenie, ponieważ ostatni etap wysyłki jest często najdroższym etapem wysyłki. Niewielkie zyski z wyznaczania tras pozwalają zaoszczędzić paliwo, czas i emisję na milionach przystanków.
Głębokie nurkowanie
Kierowanie pojazdami dostawczymi to podręcznikowy przypadek problemu wyznaczania trasy pojazdów (VRP), będącego uogólnieniem problemu komiwojażera. Biorąc pod uwagę bazę, flotę i zestaw przystanków, celem są trasy, które minimalizują całkowity koszt, a jednocześnie spełniają ograniczenia. Należą do nich pojemność pojazdu, długość zmiany kierowcy, okna czasowe klienta, a czasami pary odbiorów i dostaw. Problem jest NP-trudny: dokładne rozwiązania stają się niepraktyczne wraz ze wzrostem liczby przystanków, więc prawdziwe systemy opierają się na heurystyce (praktycznych zasadach, które znajdują dobre, ale nie gwarantowane najlepsze odpowiedzi). Klasyczne metody obejmują algorytm oszczędnościowy Clarke’a-Wrighta z 1964 r. i ruchy wyszukiwania lokalnego, takie jak 2-opt, które rozplątują przecinające się odcinki tras. Nowoczesne solwery, w tym narzędzia typu open source, takie jak OR-Tools Google, łączą je z metaheurystykami, które badają wiele potencjalnych rozwiązań. Dobrze znanym przykładem jest system ORION firmy UPS, wdrożony w 2010 roku. Optymalizuje kolejność przystanków każdego kierowcy. UPS jest również znany z tego, że od dawna preferuje trasy, które w miarę możliwości omijają skręty w lewo w poprzek ruchu ulicznego, zastępując nieco dłuższe dystanse rzadszymi przerwami na biegu jałowym i mniej ryzykownymi zakrętami. Uczenie maszynowe oprócz optymalizacji dodaje przewidywanie. Modele szacują czas podróży według pory dnia, czasu obsługi na każdym przystanku (znalezienie miejsca parkingowego, wejście po schodach, uzyskanie podpisu) oraz prawdopodobieństwo niepowodzenia dostawy. W 2021 r. Amazon i MIT przeprowadziły wyzwanie badawcze, prosząc zespoły o poznanie tras, które tak naprawdę preferują doświadczeni kierowcy, ponieważ matematycznie najkrótsza trasa nie zawsze sprawdza się na ulicy. Aplikacje spożywcze i spożywcze mają trudniejszą, dynamiczną wersję. Zamówienia docierają cały czas, więc wysyłka w czasie rzeczywistym decyduje, który kurier otrzyma jakie zamówienie i czy połączyć zamówienia w pakiet, równoważąc prędkość i zajęcie kurierów. Powszechnym błędnym przekonaniem jest to, że routing to po prostu nawigacja najkrótszą ścieżką. Nawigacja znajduje ścieżkę drogową pomiędzy dwoma punktami. Optymalizacja tras decyduje o kolejności i przypisaniu setek przystanków.
Implementacja w świecie rzeczywistym
W ciągu nocy system planowania firmy kurierskiej rozdziela paczki na następny dzień pomiędzy swoje samochody dostawcze, uwzględniając pojemność każdego pojazdu i terminy dostaw klientów.
Platforma do dostawy jedzenia daje jednemu kurierowi dwa zamówienia z tej samej restauracji, gdy przewidywany czas gotowania i podróży oznacza, że oba zamówienia nadal dotrą ciepłe.
Firma zajmująca się dostawą artykułów spożywczych przewiduje czas przyjazdu na podstawie danych z przeszłości dotyczących czasu, jaki kierowcy zajmują na zaparkowanie i dotarcie do drzwi mieszkania, a nie tylko czasu spędzonego w drodze.
Kiedy droga zostaje zamknięta w połowie zmiany, dynamiczna zmiana trasy zmienia kolejność pozostałych przystanków jednego kierowcy, zamiast ponownie obliczać plan dla całej floty.
Przyszłość sztucznej inteligencji w zakresie dostaw na ostatnim etapie i optymalizacji tras
Trasowanie to dojrzała dziedzina, więc postęp będzie prawdopodobnie stopniowy: lepsze przewidywanie czasu podróży i obsługi, wyuczone heurystyki, które przyspieszają rozwiązania, oraz bliższe powiązania ze sposobem komunikowania klientom okien przybycia. Elektryczne samochody dostawcze dodają ograniczenia, takie jak zasięg i przystanki na ładowanie. Eksperymenty z robotami chodnikowymi, dronami i paczkomatami zmieniają problem, dodając nowe typy pojazdów i punkty przekazania, chociaż zakres ich stosowania różni się znacznie w zależności od lokalizacji. Mimo wszystko zasada pozostaje ta sama: dokładne prognozy zasilają dobry optymalizator, a lokalna wiedza kierowców jest nadal cenna.
Wdrażanie tego w praktykę
Dlaczego to ma znaczenie
- Kontekst i zasady. Kontekst branżowy decyduje o tym, czy pomysły AI przetrwają kontakt z rzeczywistością.
- Kontrola jakości. Ograniczenia domeny wpływają na akceptowalne poziomy błędów i modele nadzoru.
- Buduj wybory. Pomyślne wdrożenia łączą możliwości techniczne z przepływami pracy na pierwszej linii frontu.
Uważaj na
- Wymogi prawne mogą unieważnić mocne prototypy.
- Dane historyczne mogą kodować uprzedzenia, które szkodzą konkretnym społecznościom.
- Starsze systemy mogą powodować wąskie gardła w integracji i ukryte koszty.
Kolejne kroki
- Zaangażuj ekspertów dziedzinowych od sformułowania problemu po ocenę.
- Zaprojektuj ścieżki audytu i dokumentację przed uruchomieniem.
- Wcześnie zweryfikuj wymogi dotyczące zgodności i bezpieczeństwa.
- Wdrażaj etapami z jasnymi kryteriami zatrzymania i wycofywania.
Odkrywaj dalej
Darmowy newsletter
Otrzymuj codzienne podsumowanie AI
Trzy zweryfikowane historie AI każdego poranka w dni robocze, napisane prostym angielskim. Bezpłatne na zawsze, bez reklam.
Jedno e‑mail każdego dnia roboczego. Wypisz się jednym kliknięciem. Nigdy nie sprzedajemy ani nie udostępniamy Twojego adresu.
Sprawdź się
Take the AI in Last-Mile Delivery and Route Optimization quiz
Natychmiastowa informacja zwrotna na każde pytanie oraz udostępnialny certyfikat z weryfikowalnym ID po zaliczeniu kursu.
Wspieraj darmową edukację AI. AI Understanding jest organizacją non-profit 501(c)(3) — bez reklam, bez płatnej ściany, zawsze. Przekaż darowiznę
Często zadawane pytania
Czym jest sztuczna inteligencja w dostawach ostatniej mili i optymalizacji tras?
Sztuczna inteligencja w dostawie ostatniej mili wykorzystuje algorytmy optymalizacji i uczenie maszynowe, aby zdecydować, który kierowca przewozi które paczki, w jakiej kolejności odwiedzać przystanki i kiedy każda dostawa dotrze. Ma to znaczenie, ponieważ ostatni etap wysyłki jest często najdroższym etapem wysyłki. Niewielkie zyski z wyznaczania tras pozwalają zaoszczędzić paliwo, czas i emisję na milionach przystanków.
Problem trasowania pojazdów jest uogólnieniem jakiego klasycznego problemu?
VRP rozszerza problem komiwojażera na wiele pojazdów o pojemności, oknach czasowych i innych ograniczeniach.
Dlaczego rzeczywiste systemy routingu opierają się na heurystyce, a nie na dokładnych rozwiązaniach?
Ponieważ VRP jest NP-trudny, obliczenia potrzebne do uzyskania dokładnych odpowiedzi rosną gwałtownie. Heurystyki znajdują dobre rozwiązania w praktycznych granicach czasowych.
Co daje ruch 2-opt?
2-opt usuwa dwie krawędzie i ponownie łączy trasę w drugą stronę, co rozplątuje skrzyżowania i zwykle skraca trasę.
Jaki był cel wyzwania badawczego Amazon i MIT 2021?
W ramach wyzwania zespoły miały modelować trasy, którymi naprawdę pokonują kierowcy, ponieważ matematycznie najkrótsza trasa nie zawsze sprawdza się w praktyce.
Co w planowaniu dostaw uwzględnia czas obsługi?
Czas obsługi to czas spędzony na każdym przystanku poza jazdą. Jest to trudne do przewidzenia i stanowi główne źródło błędu czasu przybycia, dlatego modele ML szacują go dla każdego adresu.
Ucz się dalej
Powiązane przewodniki
Wybrano więcej przewodników na ten temat