Svarbiausia, kad tokį rezultatą pavyko pasiekti neinvestuojant į naują sandėlio infrastruktūrą ar papildomą techniką. Bendrovė teigia tapusi pirmąja tiekimo grandinės sektoriaus įmone pasaulyje, pritaikiusia „AlphaEvolve“ komplektavimo procesui optimizuoti.
Užsakymų komplektavimas išlieka viena daugiausia sąnaudų reikalaujančių sandėlio operacijų. Tai ypač aktualu e. prekyboje, kur vyrauja nedideli užsakymai, o prekės surenkamos iš skirtingų sandėlio vietų.
Projektas įgyvendintas logistikos centre, kuriame yra daugiau kaip 17,7 tūkst. komplektavimo vietų. Operatoriai dirba grupinio komplektavimo (angl. batch picking) principu – vieno važiavimo metu surenka keliolika skirtingų užsakymų.
Tokioje aplinkoje ypač svarbu, kaip sugrupuojami užsakymai. Net nedideli optimizavimo netikslumai gali lemti tūkstančius papildomų kilometrų per metus ir didesnį sandėlio technikos nusidėvėjimą.
Nors komplektavimo procesas jau buvo ne kartą tobulintas, bendrovė matė galimybių dar labiau padidinti efektyvumą. Pasak jos, tradiciniai optimizavimo metodai buvo priartėję prie savo galimybių ribos.
Nuo vidinio algoritmo iki „AlphaEvolve“
Optimizavimo darbai prasidėjo dar iki bendradarbiavimo su „Google DeepMind“. „FM Logistic“ buvo sukūrusi nuosavą užsakymų grupavimo algoritmą, kuris padėjo reikšmingai pagerinti komplektavimo efektyvumą. Vėliau bendrovė daugiausia dėmesio skyrė nedideliems, tačiau didelę praktinę naudą kuriantiems patobulinimams.
Tuomet atsirado galimybė dalyvauti ankstyvosios prieigos programoje ir išbandyti „AlphaEvolve“.
Šis sprendimas naudoja „Gemini“ modelius algoritmams kurti ir tobulinti. Skirtingai nuo generatyvinio dirbtinio intelekto sistemų, skirtų tekstui ar vaizdams kurti, „AlphaEvolve“ sprendžia sudėtingus optimizavimo uždavinius – generuoja algoritmo pakeitimus, juos testuoja ir vertina jų efektyvumą.
„FM Logistic“ tikslas buvo rasti dar efektyvesnį užsakymų grupavimo metodą. Visi siūlomi algoritmo pakeitimai buvo tikrinami simuliacinėje aplinkoje, atkartojančioje realias sandėlio darbo sąlygas.
Vien algoritmo neužtenka
Vienu svarbiausių projekto etapų tapo tinkamos vertinimo sistemos sukūrimas. Vien sutrumpinti maršrutus nepakako – reikėjo užtikrinti, kad pasiūlyti sprendimai būtų pritaikomi realioje veikloje.
Pasak „FM Logistic“, dirbtinis intelektas gali pasiūlyti sprendimų, kurie teoriškai pagerina rodiklius, tačiau praktiškai nėra pritaikomi. Todėl buvo tiksliai apibrėžtos proceso taisyklės, apribojimai ir vertinimo kriterijai.
Tik suderinus operacinę patirtį su dirbtinio intelekto galimybėmis pavyko sukurti sprendimą, kuris buvo ir efektyvus, ir tinkamas kasdieniam darbui.
Rezultatas – trumpesni maršrutai be papildomų investicijų
Įdiegtas algoritmas leido komplektavimo maršrutus sutrumpinti daugiau kaip 10 proc., palyginti su anksčiau naudotu sprendimu. Praktikoje tai reiškia, kad operatoriai per metus nuvažiuoja daugiau kaip 15 tūkst. km mažiau.
Rezultatas svarbus ir todėl, kad projektas buvo įgyvendintas jau anksčiau optimizuotame sandėlyje. Nepaisant to, dirbtinio intelekto sprendimas padėjo rasti papildomų efektyvumo rezervų, kuriuos tradiciniais metodais pasiekti tampa vis sudėtingiau.
Projektas taip pat parodė, kad veiklos efektyvumą galima didinti ne tik investuojant į automatizaciją ar naują infrastruktūrą. Reikšmingų rezultatų gali duoti ir pažangesni algoritmai bei geresnis turimų duomenų panaudojimas.
