OBS

Обзор статьи MIT Sloan: https://mitsloan.mit.edu/ideas-made-to-matter/how-artificial-intelligence-transforming-logistics

Искусственный интеллект открывает беспрецедентные возможности для логистики и управления цепями поставок. Однако многие компании сталкиваются с трудностями при его внедрении.

«ИИ — это движущаяся цель. Он не стоит на месте: то, что считалось передовым ИИ 20 или 30 лет назад, сегодня таковым не является. Это всегда то, что находится за пределами нашей досягаемости», — отмечает Крис Кэплис, исполнительный директор Центра транспорта и логистики Массачусетского технологического института (MIT).

Понимание различных аналитических инструментов

Эксперты MIT предлагают рассматривать ИИ в логистике в контексте других инструментов:

Традиционный ИИ: анализирует данные для выполнения конкретных задач.
Генеративный ИИ: использует большие языковые модели для обобщения контекста и создания нового контента.
Исследование операций: применяет научные методы (линейное программирование, сетевые модели) для оптимизации систем, требующих принятия решений человеком.

В логистике эти методы не заменяют, а дополняют друг друга, и их комбинация часто дает наилучший результат.

Решение логистических задач с помощью ИИ

По словам Лиора Рона, основателя и CEO Uber Freight, ИИ помогает решать ключевые отраслевые проблемы: фрагментированность сетей, волатильность рынка, проблемы безопасности и влияние на климат.

Практические примеры внедрения:

- Алгоритмическое ценообразование от Uber Freight использует машинное обучение, анализируя сотни параметров, чтобы гарантировать перевозчикам точную предварительную цену, устраняя торг и неопределенность.
- Оптимизация маршрутов. В среднем грузовики в США ездят порожними на 30%. Алгоритмы Uber Freight, определяющие оптимальный маршрут, смогли снизить этот показатель до 10-15%, экономя время, топливо и сокращая выбросы.

Для решения сложных задач маршрутизации лаборатория MIT Intelligent Logistics Systems Lab совмещает традиционный ИИ, генеративный ИИ и исследование операций.

4 управленческих преимущества генеративного ИИ в логистике

Классические методы исследования операций требуют постоянной корректировки алгоритмов при появлении новых условий. Генеративный ИИ способен обобщать информацию, устраняя необходимость в новых алгоритмах для каждой частной задачи.

1. Превышение качества обучающих данных: Модели ИИ работают с новыми, неизвестными данными лучше, чем с теми, на которых они обучались. Компаниям не нужен идеальный, заранее проверенный набор маршрутов.
2. Непрерывное самообучение: Модели автоматически учатся более эффективным стратегиям маршрутизации. При смене условий они адаптируются без создания специальных алгоритмов.
3. Универсальность: Исключается необходимость в уникальных алгоритмах для задач разного масштаба и специфики.
4. Эффективное обобщение: Модели успешно справляются с ранее не встречавшимися проблемами (например, изменение грузоподъемности).

«Машинное обучение, ИИ и генеративный ИИ… решают задачи, которые раньше хорошо решало исследование операций, — но делают это быстрее, полнее и работают с нетрадиционными целевыми функциями. Мы видим здесь огромные возможности», — резюмирует Крис Кэплис.