A Fuvar valódi ereje az egyedülálló technológiában rejlik. Saját fejlesztésű járattervezési megoldásunkkal akár 25%-os hatékonyságnövelés is elérhető a szállítási feladatoknál, és még a környezetünkre is jobban vigyázunk vele – de mi ez pontosan és hogyan működik?
Legyen szó egyéni vállalkozásról, vagy akár egy több ezer főt foglalkoztató nagyvállalatról, mindenki a hatékonyabb működéshez vezető utakat keresi. Ám van, amikor épp az út rövidítésében rejlik a megoldás: Mesterséges Intellegencia (MI) vezérelt járattervező megoldásunkkal akár negyedével csökkenthető a kiszállítások során megtett távolság.
Nézzünk is erről néhány valós esettanulmányt!
Az adatok egy ügyfelünk, egy napi, egy depóból történő kiszállításait mutatják, összehasonlítva a saját fuvarszervező megoldásukat a Fuvar járattervezésével:
- Napok száma: 1
- Járatok száma: 6
- Címzettek száma: 147
Minél több paramétert változtathat meg a járattervező algoritmus, annál nagyobb tere van az optimalizálásnak. Már azzal is javulás érhető el, ha a járművekre osztott küldemények sorrendjét felülírhatja, ha pedig teljesen újraoszthatja a megállókat a járművek között 25 csomag/útvonal feltétel mellett, már 8%-kal csökkenthető az összesen megtett kilométer.
Sőt, ha az útvonalak száma helyett csak azok maximális idejét rögzítjük, már 25%-os javulást tudtunk elérni. A negyedével csökkent összesített kilométert ráadásul a hat helyett négy jármű tudja teljesíteni.
A fenti esetben a hat jármű feladatait optimalizálva nettó 119.980 Ft költségcsökkentés értünk el egyetlen nap alatt, jelentősen csökkentve a járművek összesített károsanyag-kibocsátását is, amivel a környezetünknek is kedveztünk.
Minél nagyobb a feladatszám, annál jobb eredményeket hozhat a szállítási hatékonyság növelése. Második példánkban egy nagyvállalati ügyfelünk kiscsomagos járatait optimalizáltuk.
- Napok száma: 9
- Járatok száma: 382
- Címzettek száma: 38.535
A járattervező algoritmus itt is meggyőző eredményeket hozott. A megadott feltételek mentén az ügyfelünk által tervezett 382-ről sikerült 315-re csökkenteni a járatok számát, ami közel 20%-os javulást jelent. A kevesebb járat így azonos járműszám mellett gyorsabban teljesíthető, vagy hasonló kézbesítési idők mellett kevesebb járművel is megoldható.
Gyors segítség a kirakóshoz
Mégis hogyan juthattunk el ezekig az eredményekig? Az algoritmus ötlete 2019-ben született meg azzal a céllal, hogy optimalizált fuvarláncokat szervezzünk. A járművek így nem haladnak feleslegesen üres rakterekkel, ami a fuvarozóknak hatékonyabb munkát, a megrendelőnek kedvezőbb árakat, a környezetnek pedig kisebb terhelést – kevesebb kibocsátott károsanyagot – jelent.
Az algoritmus feladata, hogy a csomagok kiszállítására fuvarláncokat tervezzen úgy, hogy a szállítási költség minimális legyen. Az alapját adó program első verzióját 2020-ban alkottuk meg az ELTE Matematika Intézetének két kutató professzorával, amit később házon belül fejlesztettünk tovább.
A járattervezés olyan, mintha egy kirakós darabjait kéne összeillesztened, hogy összeálljon a teljes kép, de azok helyét nehéz és időigényes lehet megtalálnod. Az algoritmus segít megtalálni a helyes megoldást a kirakósban: az egyes darabok információi, például az illeszkedő színek vagy formák alapján megmutatja, hogyan kell összekapcsolni őket.
Egymásra épülő algoritmusok MI-vel
A járattervezés működése több, egymásra épülő algoritmusból tevődik össze, melyek együtt logikusan felépített és maximális hatékonyságú láncokat alkotnak. Ezek működési sorrendben a következők:
- Klaszterezési algoritmus
- Konstrukciós algoritmus
- Evolúciós algoritmus
Bár elsőre bonyolultnak hangzik, az egyes lépések mögötti logikát könnyű megérteni. Nézzük sorban!
Gépi tanulásos csoportosítás – klaszterezési algoritmus
A klaszterezési algoritmus feladata, hogy csoportokba (cluster) rendezze a megállókat az elhelyezkedésük alapján, így az egymáshoz közeli pontok egy csoportba kerülnek. A csoportok kialakítására azért van szükség, mert így úgy alakíthatjuk ki a láncokat, hogy egy csoport egy lánchoz tartozzon. Ez azért fontos, hogy ne kelljen több járműnek is ugyanarra a területre mennie. Az általunk használt klaszterezési algoritmus az úgynevezett k-means clustering. A minél gyorsabb és hatékonyabb klaszterezés érdekében Mesterséges Intelligenciával dolgozunk, vagyis a járattervezés első lépéseit már az MI teszi meg.
Csomagról csomagra – konstrukciós algoritmus
A klaszterezés után a konstrukciós algoritmus lép működésbe. Ez gyorsan képes kezdeti megoldásokat előállítani, vagyis már ezen a ponton elkészülnek a fuvarláncok első verziói. A folyamat során az algoritmus mindig megpróbálja megtalálni azt a csomagot, amit a lehető legjobban lehet beilleszteni a sorba, így csomagról csomagra építve fel a láncokat. Ezek a verziók már teljes értékűek, de még nem optimálisak – körülbelül 85-90%-ban közelítik a végső megoldást.
Optimalizált fuvarlánc – evolúciós algoritmus
Az evolúciós algoritmus csak akkor képes működésbe lépni, ha rendelkezésre állnak a kezdeti megoldások, ezért van szükség a konstrukciós algoritmus előzetes lefuttatására. Ez az algoritmus a kezdeti verziókat módosítja és kombinálja, egyre jobb megoldásokat állítva elő. Ez egy iteratív függvény folyamat (a függvény többszörösen ismételt végrehajtása), ami “generációkra” van osztva – az evolúció mintájára csak a legjobb megoldások mennek tovább a következő generációba.
Optimalizálás mindenkinek néhány kattintással
Könnyen belátható, hogy minden vállalkozás számára komoly üzleti potenciállal bír a szállítások hatékonyságnövelése. Ezért a Fuvar járattervező megoldását egy egyedi szállításszervező szolgáltatás részeként hamarosan mindenki számára elérhetővé tesszük. Ismerd meg a részleteket is ide kattintva és iratkozz fel, hogy értesíteni tudjunk az aktualitásokról.