Цифровые алгоритмы помогают решать реальные бизнес-задачи в самых разных сферах. Логистика — не исключение. Главные инструменты логиста — вовсе не карта, линейка и калькулятор, а сложные IT-системы, которые основаны на математическом моделировании и алгоритмах искусственного интеллекта. Эксперты в этой области ориентируются в цифровых продуктах, умеют их использовать и извлекать выгоду для компании. Почему? Потому что основная задача логиста – экономия. Он критически оценивает существующие процессы и предлагает способы их оптимизации. Ольга Умнова, Product Owner ПГК, и Дмитрий Алимин, руководитель направления в управлении развития цифровых продуктов компании, рассказывают, как ПГК использует математический подход в бизнесе.
Продуктовые команды, которые начали работать в ПГК, учитывали опыт сотрудничества с внешними подрядчиками. Они поддерживают связь с бизнес-заказчиками и сверяют полученный результат с поставленными задачами, понимают, в верном ли направлении движутся, проводят совместные тестирования, получают обратную связь. Такой подход помогает достигать итерационной точности. Результатом работы становится живой инструмент или продукт, который используется в нашей повседневной работе и постоянно улучшается.
Чем больше переменных, тем лучше
Особенности среды, в которой работают логисты:
возможность оцифровки основных объектов, связей и производственной среды;
потенциал инновационных внедрений цифровых алгоритмов и общей цифровой трансформации;
огромные возможности по экспериментам с самыми передовыми и «безумными» алгоритмами оптимизационных решений и обработки больших массивов данных;
относительная легкость масштабирования решений;
ощутимый экономический эффект.
В основе любого IT продукта для железнодорожного оператора лежит классическая транспортная математическая задача:
Есть точки – станции начально-конечных операций (НКО): (i) погрузки и (j) выгрузки. Они связаны гружеными рейсами. Необходимо распределить порожние вагоны X (j, i, f), где f – перевозимый груз, так, чтобы сумма затрат на порожние тарифы была минимальной.
Целевая функция этой задачи:
Где с [i,j,f,...] – порожний тариф на один вагон в базовом варианте зависит от станций НКО и типа ранее перевозимого груза. В реальности тариф зависит ещё от ряда переменных, которые помечены как «…» в аргументе.
Все координаты, которые мы используем в уравнении, – это факторы, которые нужно учесть для получения точного решения. На железной дороге их немало. Например, сумма затрат минимальна в определенный интервал времени. Поэтому нам нужна еще координата времени, добавим для простоты дискретную с шагом сутки – «T» и суммируем за месяц. Нам также важен тип вагона (a), который может либо замещаться, либо нет в зависимости от других координат, например, кубатуры (объём самого вагона). Еще одна важная координата – «id» клиента на станции, которая влияет на распределение вагонов под погрузку. Чем более подробную модель мы строим, тем больше факторов должны учесть.
Еще важно учитывать существующие ограничения. Часто они не очевидны и складываются из существующих технологий работы на конкретных участках дороги. Например, Западно-Сибирская железная дорога часто распределяет вагоны под погрузку не так, как запланировал оператор. Это связано с высокой загруженностью магистрали и, в частности, станций НКО. На каждой из них должен соблюдаться баланс по входящим и выбывающим вагонам в сутки. В противном случае нагрузка на работников станции будет неравномерной, сроки поставки грузов и порожнего подвижного состава будут сорваны.
Учет всех факторов и связей между ними позволяет выстроить имитационную модель движения вагона. Мы можем составлять четкий график движения подвижного состава по часам.
Когда что-то пошло не так
Пойти не так что-то может всегда. Например, клиент может изменить планы по погрузке. Груз может отправиться не туда, куда планировали, не в то время и не в том объеме. Количество необходимых вагонов также может меняться в течение месяца не один раз. Все это происходит у разных партнеров в разное время и на разных станциях.
Получается, что все проведенные расчеты оказались бесполезны к концу месяца. Что делать и как быть?
Для имитационной модели, например, можно включать алгоритмы нечётких данных – комбинировать их с алгоритмами из других областей. Например, учитывать погодные условия региона, договоренности с руководством конкретных дорог, станций и так далее. В ПГК мы начали разрабатывать комбинации ситуационных моделей вместо (иногда вместе с) имитационных. В каждой модели своя комбинация алгоритмов.
Сравните на рисунке:
В чем сила алгоритма линейной оптимизации? В том, что её решение это, в общем случае, глобальный экстремум. Комбинация алгоритма линейной оптимизации и алгоритмов искусственного интеллекта (классического машинного обучения/нейронных сетей) даёт возможность строить математические модели,
которые максимально приближены к реальности (к реальной среде). В результате получается «гамбургер» из алгоритмов и, главное, рабочая модель.
Алгоритмы «в деле»
Один из ключевых проектов для цифровой команды ПГК — это «Оптимизатор», сервис для управления грузовой базой компании. С его помощью мы получаем ответ на вопрос, какие показатели эффективности у той или иной грузовой базы или отдельной перевозки в сравнении с текущей или плановой.
Сейчас мы видим, что в проекте необходимо использовать алгоритмы квантовых вычислений. Это связано с тем, что в некоторых ситуациях пул вагонов в определенном фазовом пространстве набора координат ведёт себя как квантовый объект. Звучит странно, но это так. Например, логистический оператор как внешний наблюдатель при погрузке на станциях ряда полигонов сети узнаёт, куда поехали его вагоны — на восток или на запад, только спустя время. Информация приходит к нам с опозданием. Это неуправляемый фактор, с которым мы ничего не можем сделать. Таким образом, неопределенность накладывает отпечаток на получаемый результат. Те решения, которые мы используем для реализации основных задач команды «Оптимизатора», уже не закрывают существующие потребности, так что мы начали смотреть в сторону квантовых вычислений.
Ещё один важный аспект — это подготовка данных и построение моделей данных: от классических методов статистики типа ARIMA до ИИ на основе нейросетей или ML-алгоритмов, включая самые экзотические. Мы активно привлекаем специалистов для этой работы.
В среде бизнеса железнодорожных операторов цифровое сообщество может экспериментировать с различными state-of-the-art алгоритмами: от R&D до реализации готового сервиса. Безусловный плюс — это поддержка со стороны руководства ПГК. У компании цифровой вектор развития. В совокупности с продуктовым подходом это дает уникальную возможность достижения реального результата и положительного экономического эффекта.
