Jannah Theme License is not validated, Go to the theme options page to validate the license, You need a single license for each domain name.
تقنية وتكنولوجيا

3 أسئلة: تعزيز لوجستيات الميل الأخير من خلال التعلم الآلي


في جميع أنحاء البلاد، يقوم مئات الآلاف من السائقين بتسليم الطرود والطرود للعملاء والشركات كل يوم، مع متوسط ​​أوقات النقر للوصول إلى الباب بضعة أيام فقط. يعد تنسيق سلسلة توريد بهذا الحجم بطريقة يمكن التنبؤ بها وفي الوقت المناسب مشكلة طويلة الأمد لأبحاث العمليات، حيث يعمل الباحثون على تحسين المرحلة الأخيرة من طرق التسليم. وذلك لأن المرحلة الأخيرة من العملية غالبًا ما تكون الأكثر تكلفة بسبب أوجه القصور مثل المسافات الطويلة بين محطات التوقف بسبب زيادة الطلب على التجارة الإلكترونية، أو تأخيرات الطقس، أو حركة المرور، أو عدم توفر مواقف السيارات، أو تفضيلات توصيل العملاء، أو الشاحنات الممتلئة جزئيًا – وهي أوجه القصور التي أصبحت أكثر مبالغ فيه وواضح أثناء الوباء.

بفضل التكنولوجيا الأحدث والبيانات الأكثر تخصيصًا ودقة، يستطيع الباحثون تطوير نماذج ذات خيارات توجيه أفضل ولكنهم في الوقت نفسه بحاجة إلى موازنة التكلفة الحسابية لتشغيلها. يناقش ماتياس وينكنباخ، عالم الأبحاث الرئيسي في معهد ماساتشوستس للتكنولوجيا، ومدير الأبحاث في مركز معهد ماساتشوستس للتكنولوجيا للنقل والخدمات اللوجستية (CTL) والباحث في مختبر واتسون للذكاء الاصطناعي التابع لمعهد ماساتشوستس للتكنولوجيا وآي بي إم، كيف يمكن للذكاء الاصطناعي أن يوفر حلولاً أفضل وأكثر كفاءة من الناحية الحسابية للتحسين التوافقي. مشكلة مثل هذه.

س: ما هي مشكلة توجيه المركبات، وكيف تعالجها أساليب أبحاث العمليات التقليدية (OR)؟

أ: تواجه مشكلة توجيه المركبات كل يوم تقريبًا كل شركات الخدمات اللوجستية والتوصيل مثل USPS وAmazon وUPS وFedEx وDHL. ببساطة، إنها إيجاد طريق فعال يربط بين مجموعة من العملاء الذين يحتاجون إما إلى التوصيل إليهم، أو إلى الحصول على شيء منهم. إنه تحديد العملاء الذين يجب على كل واحدة من هذه المركبات – التي تراها هناك على الطريق – أن تزورهم في يوم معين وبأي تسلسل. عادةً ما يكون الهدف هو العثور على الطرق التي تؤدي إلى أقصر الطرق أو أسرعها أو أرخصها. ولكن في كثير من الأحيان تكون مدفوعة أيضًا بقيود خاصة بالعميل. على سبيل المثال، إذا كان لديك عميل لديه فترة زمنية محددة للتسليم، أو عميل في الطابق الخامس عشر في مبنى شاهق مقابل الطابق الأرضي. وهذا يجعل دمج هؤلاء العملاء في طريق تسليم فعال أكثر صعوبة.

لحل مشكلة توجيه المركبة، من الواضح أننا لا نستطيع إجراء النمذجة الخاصة بنا دون معلومات الطلب المناسبة، ومن الناحية المثالية، الخصائص المتعلقة بالعميل. على سبيل المثال، نحتاج إلى معرفة حجم أو وزن الطرود التي طلبها عميل معين، أو عدد وحدات منتج معين التي يجب شحنها إلى موقع معين. كل هذا يحدد الوقت الذي ستحتاجه لخدمة تلك المحطة المحددة. بالنسبة للمشكلات الواقعية، فأنت تريد أيضًا معرفة أين يمكن للسائق ركن السيارة بأمان. تقليديًا، كان على مخطط الطريق أن يتوصل إلى تقديرات جيدة لهذه المعلمات، لذلك في كثير من الأحيان تجد نماذج وأدوات تخطيط تضع افتراضات شاملة نظرًا لعدم توفر بيانات محددة للتوقف.

يمكن أن يكون التعلم الآلي مثيرًا جدًا لهذا الغرض لأن معظم السائقين في الوقت الحاضر لديهم هواتف ذكية أو أجهزة تتبع نظام تحديد المواقع العالمي (GPS)، لذلك هناك الكثير من المعلومات حول المدة التي يستغرقها توصيل الطرود. يمكنك الآن، على نطاق واسع، وبطريقة آلية إلى حد ما، استخراج تلك المعلومات ومعايرة كل نقطة توقف ليتم تصميمها بطريقة واقعية.

إن استخدام نهج OR التقليدي يعني أنك تكتب نموذج تحسين، حيث تبدأ بتحديد الوظيفة الهدف. في معظم الحالات، يعد هذا نوعًا من دالة التكلفة. ثم هناك مجموعة من المعادلات الأخرى التي تحدد طريقة العمل الداخلية لمشكلة التوجيه. على سبيل المثال، يجب عليك إخبار النموذج أنه إذا قامت السيارة بزيارة أحد العملاء، فيجب عليها أيضًا مغادرة العميل مرة أخرى. من الناحية الأكاديمية، يُسمى هذا عادةً بحفظ التدفق. وبالمثل، تحتاج إلى التأكد من زيارة كل عميل مرة واحدة بالضبط على طريق معين. تحدد هذه القيود والعديد من القيود الأخرى في العالم الحقيقي معًا ما يشكل طريقًا قابلاً للتطبيق. قد يبدو الأمر واضحًا بالنسبة لنا، لكن هذا يحتاج إلى ترميز صريح.

بمجرد صياغة مشكلة التحسين، توجد خوارزميات تساعدنا في العثور على أفضل حل ممكن؛ ونحن نشير إليهم على أنهم حلولا. وبمرور الوقت يجدون حلولاً تتوافق مع جميع القيود. ثم يحاول العثور على طرق أفضل وأفضل، وأرخص وأرخص حتى تقول: “حسنًا، هذا جيد بما فيه الكفاية بالنسبة لي”، أو حتى يتمكن من إثبات أنه وجد الحل الأمثل رياضيًا. تقوم سيارة التوصيل المتوسطة في مدينة أمريكية بحوالي 120 توقفًا. قد يستغرق الأمر بعض الوقت لحل هذه المشكلة بشكل صريح، لذلك هذا ليس ما تفعله الشركات عادةً، لأنه مكلف للغاية من الناحية الحسابية. لذلك، يستخدمون ما يسمى بالاستدلال، وهي خوارزميات فعالة جدًا في إيجاد حلول جيدة إلى حد معقول ولكنها لا تستطيع عادةً تحديد مدى بعد هذه الحلول عن الحل النظري الأمثل.

س: أنت تقوم حاليًا بتطبيق التعلم الآلي على مشكلة توجيه السيارة. كيف تستخدمها للاستفادة من أساليب العمليات التقليدية وربما التفوق عليها؟

أ: هذا ما نعمل عليه حاليًا مع أشخاص من MIT-IBM Watson AI Lab. هنا، الفكرة العامة هي أن تقوم بتدريب نموذج على مجموعة كبيرة من حلول التوجيه الحالية التي إما لاحظتها في عمليات الشركة في العالم الحقيقي أو التي قمت بإنشائها باستخدام أحد هذه الاستدلالات الفعالة. في معظم نماذج التعلم الآلي، لم يعد لديك وظيفة موضوعية واضحة. بدلاً من ذلك، تحتاج إلى جعل النموذج يفهم نوع المشكلة التي يبحث عنها فعليًا وكيف يبدو الحل الجيد للمشكلة. على سبيل المثال، كما هو الحال مع تدريب نموذج لغة كبير على الكلمات في لغة معينة، فإنك تحتاج إلى تدريب نموذج تعلم المسار على مفهوم محطات التسليم المختلفة وخصائص الطلب الخاصة بها. مثل فهم القواعد المتأصلة في اللغة الطبيعية، يحتاج نموذجك إلى فهم كيفية ربط محطات التسليم هذه بطريقة تؤدي إلى حل جيد – في حالتنا، حل رخيص أو سريع. إذا قمت بعد ذلك بطرح مجموعة جديدة تمامًا من طلبات العملاء عليه، فسيظل قادرًا على ربط النقاط حرفيًا تمامًا بالطريقة التي ستفعلها أيضًا إذا كنت تحاول العثور على طريق جيد لتوصيل هؤلاء العملاء.

لهذا، نحن نستخدم بنيات نموذجية يعرفها معظم الناس من مساحة معالجة اللغة. يبدو الأمر غير بديهي بعض الشيء لأنه ما علاقة معالجة اللغة بالتوجيه؟ لكن في الواقع، فإن خصائص هذه النماذج، وخاصة النماذج المحولة، جيدة في إيجاد البنية في اللغة – ربط الكلمات بطريقة تشكل الجمل. على سبيل المثال، في اللغة، لديك مفردات معينة، وهذا ثابت. إنها مجموعة منفصلة من الكلمات المحتملة التي يمكنك استخدامها، ويكمن التحدي في دمجها بطريقة ذات معنى. وفي التوجيه، الأمر مشابه. يوجد في كامبريدج حوالي 40.000 عنوان يمكنك زيارتها. عادة، هناك مجموعة فرعية من هذه العناوين التي تحتاج إلى الزيارة، والتحدي هو: كيف نجمع هذه المجموعة الفرعية – هذه “الكلمات” – في تسلسل منطقي؟

هذا نوع من حداثة نهجنا – الاستفادة من هذا الهيكل الذي أثبت فعاليته للغاية في مجال اللغة وإدخاله في التحسين التوافقي. يعد التوجيه مجرد اختبار رائع بالنسبة لنا لأنه المشكلة الأساسية في صناعة الخدمات اللوجستية.

بالطبع، هناك بالفعل خوارزميات توجيه جيدة جدًا ظهرت بعد عقود من أبحاث العمليات. ما نحاول القيام به في هذا المشروع هو إظهار أنه باستخدام نهج منهجي مختلف تمامًا يعتمد على التعلم الآلي، يمكننا التنبؤ بالطرق التي تكون جيدة إلى حد كبير مثل الطرق التي يمكنك الحصول عليها منها أو أفضل منها. تشغيل أحدث الأساليب الإرشادية لتحسين المسار.

س: ما هي المزايا التي تتمتع بها طريقة مثل طريقتك مقارنة بتقنيات العمليات الحديثة الأخرى؟

أ: في الوقت الحالي، لا تزال أفضل الأساليب متعطشة للغاية فيما يتعلق بالموارد الحسابية المطلوبة لتدريب هذه النماذج، ولكن يمكنك بذل بعض هذه الجهود في وقت مبكر. ومن ثم، يكون النموذج المدرّب فعالاً نسبيًا في إنتاج حل جديد عندما يصبح ذلك مطلوبًا.

هناك جانب آخر يجب مراعاته وهو أن البيئة التشغيلية للطريق، خاصة في المدن، تتغير باستمرار. قد يتم تغيير البنية التحتية المتاحة للطريق، أو قواعد المرور وحدود السرعة، أو قد يكون موقف السيارات المثالي مشغولاً بشيء آخر، أو قد يسد موقع البناء الطريق. باستخدام النهج المعتمد على OR، قد تكون في مشكلة بالفعل لأنه سيتعين عليك حل المشكلة بأكملها بشكل أساسي على الفور بمجرد توفر معلومات جديدة حول المشكلة. ونظرًا لأن بيئة التشغيل تتغير ديناميكيًا، فسيتعين عليك القيام بذلك مرارًا وتكرارًا. بينما إذا كان لديك نموذج مدرب جيدًا وشهد مشكلات مماثلة من قبل، فمن المحتمل أن يقترح عليك المسار التالي الأفضل الذي يجب اتباعه، على الفور تقريبًا. إنها مجرد أداة من شأنها أن تساعد الشركات على التكيف مع التغيرات البيئية التي لا يمكن التنبؤ بها بشكل متزايد.

علاوة على ذلك، غالبًا ما يتم تصميم خوارزميات التحسين يدويًا لحل مشكلة محددة لشركة معينة. إن جودة الحلول التي يتم الحصول عليها من هذه الخوارزميات الصريحة مقيدة بمستوى التفاصيل والتعقيد الذي دخل في تصميم الخوارزمية. ومن ناحية أخرى، يتعلم النموذج القائم على التعلم باستمرار سياسة التوجيه من البيانات. بمجرد تحديد بنية النموذج، سيقوم نموذج تعلم المسار المصمم جيدًا باستخلاص التحسينات المحتملة لسياسة التوجيه الخاصة بك من الكم الهائل من المسارات التي يتم التدريب عليها. ببساطة، ستستمر أداة التوجيه المبنية على التعلم في العثور على تحسينات لمساراتك دون الحاجة إلى الاستثمار في تصميم هذه التحسينات بشكل واضح في الخوارزمية.

وأخيرًا، تقتصر الأساليب القائمة على التحسين عادةً على تحسين وظيفة موضوعية محددة بوضوح شديد، والتي غالبًا ما تسعى إلى تقليل التكلفة أو تعظيم الأرباح. وفي الواقع، فإن الأهداف التي تواجهها الشركات والسائقون أكثر تعقيدًا من ذلك بكثير، وغالبًا ما تكون أيضًا متناقضة إلى حد ما. على سبيل المثال، تريد إحدى الشركات العثور على طرق فعالة، ولكنها تريد أيضًا أن يكون لها بصمة منخفضة للانبعاثات. يريد السائق أيضًا أن يكون آمنًا وأن يكون لديه طريقة مناسبة لخدمة هؤلاء العملاء. وفوق كل ذلك، تهتم الشركات أيضًا بالاتساق. يمكن لنموذج تعلم المسار المصمم جيدًا أن يلتقط في النهاية هذه الأهداف عالية الأبعاد بنفسه، وهذا شيء لن تتمكن أبدًا من تحقيقه بنفس الطريقة باستخدام نهج التحسين التقليدي.

لذا، هذا هو نوع تطبيقات التعلم الآلي الذي يمكن أن يكون له تأثير ملموس في العالم الحقيقي في الصناعة، وعلى المجتمع، وعلى البيئة. تواجه صناعة الخدمات اللوجستية مشاكل أكثر تعقيدًا من ذلك بكثير. على سبيل المثال، إذا كنت ترغب في تحسين سلسلة التوريد بأكملها – دعنا نقول، تدفق المنتج من الشركة المصنعة في الصين عبر شبكة من المنافذ المختلفة حول العالم، من خلال شبكة التوزيع لمتاجر التجزئة الكبيرة في أمريكا الشمالية إلى متجرك المكان الذي تشتريه فيه فعليًا – هناك العديد من القرارات المتضمنة في ذلك، مما يجعل من الواضح أنها مهمة أصعب بكثير من تحسين مسار مركبة واحدة. أملنا هو أنه من خلال هذا العمل الأولي، يمكننا وضع الأساس للبحث وكذلك جهود تنمية القطاع الخاص لبناء الأدوات التي ستمكن في النهاية من تحسين سلسلة التوريد الشاملة بشكل أفضل.

اترك تعليقاً

لن يتم نشر عنوان بريدك الإلكتروني. الحقول الإلزامية مشار إليها بـ *

زر الذهاب إلى الأعلى