Intervija ar Sāru Šaumani (Sarah Schaumann), vadošo pētnieci MIT CTL

Intervija ar Sāru Šaumani (Sarah Schaumann), vadošo pētnieci MIT CTL

“Mūsu sistēmas palīdzēs uzņēmumiem kļūt noturīgiem pret nākotni”

Par pētniecības projektu

Pasūtījumu sadales optimizēšana, apmācot pašmācības mākslīgā intelekta modeļus, ir viens no mērķiem, ko 2024. gadā aizsāka Masačūsetsas Tehnoloģiju institūts (MIT) sadarbībā ar Mecalux. Sāra Šaumane no MIT Transporta un loģistikas centra (CTL) ir vadošā pētniece šajā Gudro loģistikas sistēmu laboratorijā (Intelligent Logistics Systems Lab), kuras uzmanības centrā ir preskriptīvais intelekts, lai palīdzētu uzņēmumiem optimizēt preču piegādes punktu izvēli.

Mecalux intervē MIT CTL vadošo pētnieci Sāru Šaumani, lai uzzinātu vairāk par viņas vadīto preskriptīvā intelekta projektu, kas ir daļa no MIT un Mecalux pētniecības sadarbības.

  • Kāds ir jūsu un Mecalux kopīgā pētniecības projekta mērķis?

    Šī projekta mērķis ir izstrādāt uz mašīnmācīšanos balstītu darbības organizēšanas modeli sadalītu pasūtījumu pārvaldības (Distributed Order Management — DOM) sistēmām. Ideja ir aizstāt šodien plaši izmantoto uz noteikumiem balstīto stratēģiju ar gudro darbības organizēšanas pieeju, kas izmanto pašmācības MI, lai nozīmētu pasūtījumus noliktavām un pārvadātājiem. Izmantojot mašīnmācīšanos, mēs vēlamies nodrošināt sistēmu, kas ne tikai spēj uzlabot darbības efektivitāti, bet arī laika gaitā pielāgoties turpmākām vides izmaiņām.

    Mērķis ir izstrādāt uz mašīnmācīšanos balstītu DOM sistēmu darbības organizēšanas modeli.

  • Kāds ir šīs iniciatīvas potenciāls, lai veidotu nākamās paaudzes DOM sistēmas?

    Mūsu mērķis ir radīt nākamās paaudzes gudras un pielāgojamas pasūtījumu organizēšanas stratēģijas. Ar to mēs domājam statisku, uz noteikumiem balstītu pieeju aizstāšanu ar gudrām, dinamiskām stratēģijām, kas spēj pielāgoties mainīgajām klientu prasībām, ierobežojumiem vai pat tirgus apstākļiem. Galu galā mēs vēlamies radīt priekšnoteikumus, lai varētu izstrādāt autonomas, uz datiem balstītas DOM sistēmas, kas nepārtraukti mācās pašas. Dinamiskās vidēs šīs sistēmas kļūst arvien svarīgākas.

    Uz mācīšanos balstītu modeļu lielā priekšrocība ir tā, ka tie laika gaitā pielāgojas
    Uz mācīšanos balstītu modeļu lielā priekšrocība ir tā, ka tie laika gaitā pielāgojas

  • Kā jūs izmantosiet pastiprināto mācīšanos, lai izstrādātu optimālas darbības organizēšanas stratēģijas?

    Izmantojot pastiprinātu mācīšanos, modelis mācīsies un pilnveidos savus darbības organizēšanas procesus, iesaistoties vidē. Modelis izveido dažādas darbības organizēšanas stratēģijas, un atkarībā no lēmuma rezultāta saņem atlīdzību vai sodu. Pēc tam tas iteratīvi koriģē lēmumus. Tātad tas ir nepārtraukts mācīšanās process, kurā atalgojums ir atkarīgs no uzņēmuma uzņēmējdarbības modeļa. Piemēram, viena organizācija var noteikt prioritāti izmaksām, bet cita — piegādes termiņiem.

    Mēs vēlamies radīt gudras, dinamiskas stratēģijas, kas spēj pielāgoties mainīgajām klientu prasībām, ierobežojumiem vai pat tirgus apstākļiem

  • Kā Gudro loģistikas sistēmu laboratorija šajā projektā izmanto simulācijas?

    Simulācijas ļauj mums drošā un kontrolētā vidē atkārtot reālās pasaules scenārijus. Tas nozīmē, ka modelis mijiedarbojas nevis ar reālo sistēmu, bet gan ar simulētu vidi. Tas samazina šo modeļu testēšanas un apmācības izmaksas un risku. Tas arī ļauj mums vieglāk pārbaudīt to izturību un mērogojamību.

  • Kādu ietekmi šis projekts varētu atstāt uz loģistikas nozari?

    Vide, kurā darbojas uzņēmumi, kļūst dinamiska un sarežģīta. Uz mācīšanos balstītu modeļu lielā priekšrocība ir tā, ka tie laika gaitā pielāgojas. Tas nozīmē, ka mūsu sistēmas palīdzēs uzņēmumiem kļūt noturīgiem pret nākotni.