Сегодня сфера логистики — одна из самых перспективных и быстроразвивающихся, поэтому привлекает внимание многих специалистов. Рассмотрим трудности, которые возникают при работе с логистикой, а также перспективы роста и развития, которые уже предлагает индустрия.

Сложности логистики

До недавнего времени самым распространенным способом планирования маршрутов были ручные операции логистом на карте. При таком подходе человеку сложно учесть все: временные окна доставки, пробки, длину смен водителей. Крупные компании ежедневно теряли миллионы рублей на расходах на логистику из-за человеческого фактора и неавтоматизированных процессов.

Более того, логистика часто ставит почти невозможные задачи: например, чтобы распределить по водителям 10 тысяч заказов, нужно знать расстояния между всеми заказами, а это на минуточку 100 миллионов маршрутов. Причем вычисление всех расстояний нужно еще до того, как началась стадия поиска оптимального решения.

Сама стадия поиска оптимального решения тоже кажется невероятно сложной. Уже задача нахождения кратчайшего пути для 100 точек считается нерешаемой на современных компьютерах. Для этого потребуется проверить каждый из возможных маршрутов, общее число которых намного превышает число атомов в наблюдаемой вселенной. Однако тут нам на помощь приходят технологии искусственного интеллекта. Например, в сервисе маршрутизации мы использовали алгоритм симуляции отжига с множеством доработок, который позволяет заранее отбросить неоптимальные маршруты и найти решение в очень небольшой области многомерного пространства вариантов, где оно должно находиться. Он запускается множество раз для того, чтобы параллельно вести поиск в разных направлениях пространства решений. Для этого используется большой вычислительный кластер, позволяющий аллоцировать максимум вычислительной мощности, чтобы как можно быстрее найти хорошее решение. Каждая секунда работы таких серверов стоит недешево, но каждый километр экономии пробега стоит ещё дороже. Без использования ИИ нам не хватило бы самых мощных суперкомпьютеров даже для поиска оптимального маршрута между сотнями точек, не говоря уже о 10 тысячах.

Рисунок 1.

Рисунок 2.

Иллюстрация работы алгоритма симуляции отжига для нахождения оптимального маршрута между точками.

В начальном состоянии маршрут случайный и неоптимальный (рис.1). Затем алгоритм проверяет изменения в маршруте и, если они положительные, то принимает их, а если отрицательные, то принимает с вероятностью, которая убывает со временем. В конечной стадии вероятность принять отрицательные мутации равно нулю и принимаются только положительные изменения (рис.2). Идея заимствована из физики отжига металлов, где горячие атомы «прыгают» по кристаллической решётке металла и таким образом с постепенным понижением температуры попадают в самые «глубокие» ямы в ней.

Источник описания алгоритма: Sciencedirect

Перспективы и преимущества

Сегодня каждый сервис логистики последней мили дает возможность значительно сократить затраты на доставку: экономия составляет сотни миллионов рублей в год. Планирование маршрутов со схожими технологиями, которые мы разрабатывали, занимает на всего 15 минут вместо нескольких часов за счет минимизации человеческого фактора и использования данных о пробках. При этом подобные технические решения на основе ИИ  позволяют быстро рассчитывать и проверять огромное число комбинаций: до 1 миллиарда за одно планирование. Например, Яндекс.Маршрутизация использует данные Яндекс.Карт, которые содержат подробную информацию об объектах и дорожном графе и охватывают 17 миллионов домов и более 9 миллионов адресов.

Кроме того, использование ИИ в развитии маршрутных сервисов снижает вредное воздействие на экологию: например, компания Яндекс.Маркет сообщила, что за год сократила выбросы своей службы доставки почти на 5000 тонн CO2-эквивалента благодаря планированию маршрутов курьеров с помощью технологии искусственного интеллекта. Поглотить такой объем парниковых газов за год может, например, один из крупных лесов Москвы — Битцевский парк, площадь которого составляет более 2 тысяч гектаров.

Также применение новейшего программного обеспечения в логистике способно не только сокращать время доставки, оптимизировать процессы, сокращать расходы и положительно влиять на окружающую среду, но и спасать жизни.  Например, во время пандемии коронавируса технология расчета маршрутов, созданные моей командой в Яндекс.Маршрутизации помогала машинам скорой помощи быстрее развозить выздоровевших пациентов по домам. Благодаря этому, на линии оставалось больше машин было для срочных вызовов.

В заключение хотел бы сказать следующее: в современном мире появляется все больше логистических проектов, использующих ИИ и другие современные технологии в программировании– Например, Last Mile Fleet Solution от Google и cuOPT от NVIDIA. Я убежден, что в будущем мы увидим еще большую автоматизацию и оптимизацию логистических процессов, а потому мой совет тем, кто хочет погрузиться в сферу: быть готовыми к изменениям в отрасли и всегда держать руку на пульсе.

Результаты, которых достигла Яндекс.Маршрутизация благодаря внедрению ИИ.