โลจิสติกส์เชิงคำนวณที่ปิคนิค

การแสวงหาการขนส่งที่เหมาะสมที่สุด

“เส้นแบ่งระหว่างความไม่เป็นระเบียบและความสงบเรียบร้อยอยู่ที่การขนส่ง” - ซุนวู

โลจิสติกส์เป็นศาสตร์แห่งการขนย้ายสิ่งของจากที่หนึ่งไปอีกที่หนึ่งอย่างมีประสิทธิภาพ ฟังดูง่ายในตอนแรก แต่ทำหน้าที่เป็นประตูสู่ขอบเขตที่น่าตื่นเต้นที่สุดในสาขาคณิตศาสตร์และวิทยาการคอมพิวเตอร์ โลกแห่งโลจิสติกส์เป็นพื้นฐานของอัลกอริธึมและการเพิ่มประสิทธิภาพ ดังนั้นจึงไม่น่าแปลกใจเลยที่การคิดแบบอัลกอริธึมจะถูกรวมเข้ากับวัฒนธรรมวิศวกรรมของ Picnic อย่างลึกซึ้ง ในงานชิ้นนี้ ฉันอยากจะอธิบายเรื่องนี้โดยเน้นย้ำถึงปัญหาที่น่าสนใจที่สุดที่เรากำลังแก้ไข และเหตุใดอาชีพด้านโลจิสติกส์จึงควรอยู่ในสายตาของคุณ

สถานที่และเส้นทาง

ห่วงโซ่อุปทานสามารถอธิบายแบบไม่เป็นทางการได้ว่าเป็นการผสมผสานระหว่างสององค์ประกอบหลัก ได้แก่ "สถานที่" และ "เส้นทาง" สถานที่คือที่ที่สิ่งต่างๆ ต้องไป และทางเดินคือวิธีที่พวกเขาไปถึงที่นั่น ด้วยแนวคิดทั้งสองนี้ เรามีเพียงพอที่จะสร้างแบบจำลองแบบจำลองการกระจายที่ซับซ้อนในโลกแห่งความเป็นจริง คุณอาจสังเกตเห็นว่านี่คือสูตรของเครือข่ายหรือกราฟ โดยที่ "สถานที่" คือโหนด และ "เส้นทาง" คือการเชื่อมต่อระหว่างสิ่งเหล่านั้น ซึ่งหมายความว่าอัลกอริทึมใดๆ ที่ใช้กับกราฟโดยทั่วไปจะนำไปใช้กับห่วงโซ่อุปทานที่ซับซ้อนด้วย

ปัญหาที่มีชื่อเสียงประการหนึ่งประเภทนี้คือ ปัญหาพนักงานขายที่เดินทาง (TSP) ซึ่งเกี่ยวข้องกับการหาค่าไป-กลับที่เหมาะสมที่สุดในกราฟ ซึ่งจะแม็ปโดยตรงกับกรณีธุรกิจภายใน Picnic ยานพาหนะขนส่งของเราต้องการการวางแผนเส้นทางอย่างรอบคอบเพื่อให้แน่ใจว่าการส่งมอบมีประสิทธิภาพและตรงเวลา อัลกอริธึมการกำหนดเส้นทางของ Picnic ใช้วิธีแก้ปัญหาที่ขับเคลื่อนด้วยการศึกษาสำนึกเพื่อแก้ไขปัญหาพนักงานขายที่เดินทางเพื่อให้บรรลุเป้าหมายนี้ในแต่ละวัน

หลักการของทฤษฎีกราฟอีกประการหนึ่งคือ กฎของเมตคาล์ฟ ซึ่งระบุว่าค่าของเครือข่ายคือกำลังสองของจำนวนโหนด ซึ่งหมายความว่าห่วงโซ่อุปทานจะมีคุณค่ามากขึ้นแบบทวีคูณเมื่อเติบโตขึ้น โดยสังหรณ์ใจสิ่งนี้สมเหตุสมผล ห่วงโซ่อุปทานที่ใหญ่และเป็นที่ยอมรับมากขึ้นสามารถเข้าถึงลูกค้าได้มากขึ้น และรองรับการโหลดทรัพยากรระหว่างคลังสินค้า หลักการนี้ยังใช้กับโครงสร้างพื้นฐานอินเทอร์เน็ตและโทรศัพท์ด้วย กล่าวคือทุกสิ่งเหล่านี้ได้รับประโยชน์จากการประหยัดต่อขนาด ปิคนิคเข้าใจสิ่งนี้ ซึ่งเป็นเหตุผลว่าทำไมเราจึงเป็นซูเปอร์มาร์เก็ตที่เติบโตเร็วที่สุดในยุโรป

การเรียนรู้ของเครื่อง

ขณะนี้เรากำลังอยู่ในยุคฟื้นฟูศิลปวิทยาของการเรียนรู้ของเครื่อง การปรับปรุงล่าสุดหลายประการในการเรียนรู้ของเครื่องได้พบแอปพลิเคชันภายใน Picnic เรามีทีมงานทั้งหมดที่ทุ่มเทให้กับการสำรวจโซลูชันที่เน้นการเรียนรู้เพื่อส่งเสริมผลประโยชน์ทางธุรกิจ ทีมนี้มีชื่อเหมาะเจาะว่า ทีมการวิเคราะห์และอัลกอริทึมขั้นสูง

แอปพลิเคชั่นหนึ่งคือการทำนายอุปสงค์ การใช้โครงข่ายประสาทเทียมทำให้เราสามารถประมาณค่าที่สมเหตุสมผลเกี่ยวกับความต้องการสินค้าที่อาจมีในแต่ละวันได้ แบบจำลองที่ใช้สำหรับการคาดการณ์ดังกล่าวอาศัยคุณลักษณะต่างๆ เช่น ความต้องการก่อนหน้า สภาพอากาศ และการเกิดขึ้นของวันหยุดนักขัตฤกษ์ ซึ่งช่วยให้สามารถเก็บสต็อกไว้ล่วงหน้าและลดการขาดสินค้าในภูมิภาคให้เหลือน้อยที่สุด

การคาดการณ์อุปสงค์ในลักษณะนี้จะช่วยป้องกัน ผลกระทบ Bullwhip ได้บางส่วน Bullwhip Effect เป็นข้อสังเกตที่น่าสนใจจากการจัดการห่วงโซ่อุปทาน ซึ่งระบุว่า "ความต้องการจะกลายเป็นนามธรรมมากขึ้นเมื่อคุณอยู่ห่างจากลูกค้ามากขึ้น" หากมีความต้องการผลิตภัณฑ์ใดผลิตภัณฑ์หนึ่งเพิ่มขึ้น โดยทั่วไปคลังสินค้าจะไม่ทราบว่าสิ่งนี้เป็นสิ่งที่ผิดปกติหรือแสดงถึงการเติบโตที่แท้จริงหรือไม่ ดังนั้นการคาดการณ์ที่ปิคนิคจึงมีผลพิสูจน์ในการช่วยแยกแยะระหว่างความต้องการที่เพิ่มขึ้นอย่างต่อเนื่องและกรณีพิเศษ (เช่น วันหยุดและการแข่งขันกีฬา)

การประมาณที่คล้ายกันสามารถกำหนดจำนวนการจัดส่งที่ต้องจัดส่งในแต่ละวันได้ ความสามารถในการจัดส่งรายวันภายในภูมิภาคมีจำกัด เช่นเดียวกับทรัพยากรอื่นๆ ในห่วงโซ่อุปทาน ดังนั้นจึงมีประโยชน์อย่างยิ่งที่จะมีความคิดคร่าวๆ ว่าการส่งมอบจะเป็นอย่างไรในอีกไม่กี่วันข้างหน้า สิ่งนี้ทำให้มั่นใจได้ว่าเราจะไม่ให้คำมั่นสัญญากับลูกค้ามากเกินไปและมีคนขับเพียงพอในการจัดสรรกะทำงาน

การจำลองมอนติคาร์โล

การจำลองแบบมอนติคาร์โลเป็นเทคนิคในการพยากรณ์กระบวนการความน่าจะเป็นที่เกิดขึ้นซ้ำๆ การส่งมอบที่ประสบความสำเร็จในโลกแห่งความเป็นจริงนั้นขึ้นอยู่กับปัจจัยภายนอกหลายประการ นี่เป็นเรื่องจริงโดยเฉพาะอย่างยิ่งกับการส่งมอบในระยะทางสุดท้าย (ซึ่งเป็นการส่งมอบให้กับลูกค้า) ปัจจัยที่ท้าทาย ได้แก่ (แต่ไม่จำกัดเพียง) การจราจร สภาพอากาศ และขนาดของคำสั่งซื้อแต่ละรายการ เราไม่สามารถปล่อยให้การสุ่มของปัจจัยเหล่านี้ขัดขวางการวิเคราะห์และการวางแผนได้ ด้วยเหตุนี้ การจำลองแบบมอนติคาร์โลจึงพบว่ามีประโยชน์อย่างมากในการสร้างความเสี่ยงและความน่าเชื่อถือของห่วงโซ่อุปทาน

เมื่อเร็วๆ นี้ การจำลองดังกล่าวเกิดขึ้นเพื่อประมาณว่าการเพิ่มขนาดคำสั่งซื้อโดยเฉลี่ยจะส่งผลต่อเครือข่ายการจัดส่งอย่างไร คำตอบสำหรับคำถามประเภทนี้มีความจำเป็นสำหรับปิคนิคในการป้องกันความเจ็บปวดที่เพิ่มขึ้นและแจ้งการคาดการณ์และการวางแผนในระดับที่สูงขึ้น

ดินแดนที่ยังไม่ได้สำรวจ

คอมพิวเตอร์ควอนตัมไม่ใช่แนวคิดทางทฤษฎีอีกต่อไป และไม่ได้จำกัดอยู่เพียงนักวิชาการเท่านั้น มี API สาธารณะที่คุณสามารถใช้เพื่อรันโปรแกรมจากระยะไกลบนคอมพิวเตอร์ควอนตัมจริงได้ คุณอาจเคยได้ยินมาว่าคอมพิวเตอร์ควอนตัมจะพบการใช้งานในโดเมนพิเศษจำนวนจำกัดเท่านั้น โลจิสติกส์เป็นหนึ่งในโดเมนเหล่านั้น

ในปี 2015 นักวิชาการกลุ่มหนึ่งได้พัฒนาอัลกอริทึมการเพิ่มประสิทธิภาพโดยประมาณของควอนตัม (QAOA) ซึ่งเป็นอัลกอริธึมการปรับให้เหมาะสมสำหรับวัตถุประสงค์ทั่วไปสำหรับคอมพิวเตอร์ควอนตัม อัลกอริธึมนี้ช่วยให้สามารถแปลงปัญหาการหาค่าเหมาะที่สุดแบบคลาสสิกจำนวนมากไปสู่ขอบเขตควอนตัมได้ สิ่งสำคัญที่สุดคือปัญหาพนักงานขายที่เดินทางตามที่กล่าวไว้ข้างต้น แม้ว่าในปัจจุบันเราไม่ได้ใช้ประโยชน์จากการคำนวณควอนตัมที่ Picnic แต่เป็นไปได้ว่าวันหนึ่งอัลกอริทึมควอนตัมจะมีบทบาทสำคัญในการปรับเส้นทางให้เหมาะสม การฝึกอบรมแบบจำลอง และการคาดการณ์

ผลลัพธ์จากการวิจัยด้านลอจิสติกส์พบว่ามีการใช้ในอุตสาหกรรมอื่นๆ อย่างน่าประหลาด ทฤษฎีการขนส่งที่เหมาะสมที่สุดถูกนำมาใช้ในชีววิทยาเพื่ออธิบายการแสดงออกทางพันธุกรรมของเซลล์เดี่ยว การเขียนโปรแกรมเชิงเส้นซึ่งในตอนแรกเป็นเทคนิคด้านลอจิสติกส์ ได้ถูกนำมาใช้ในการเกษตรและการผลิต ดูเหมือนจะไม่มีเหตุผลใด ๆ ว่าทำไมสิ่งที่ตรงกันข้ามจะไม่เป็นจริง ดังนั้นฉันจึงสงสัยว่าความก้าวหน้าบางอย่างในด้านลอจิสติกส์อาจเกิดขึ้นได้จากการนำข้อค้นพบในสาขาฟิสิกส์ เคมี และคณิตศาสตร์มาใช้

บทสรุป

อย่างที่ฉันเห็น จำนวนธุรกิจที่ทำสิ่งแปลกใหม่ในด้านซอฟต์แวร์นั้นมีน้อยมาก โลจิสติกส์เป็นหนึ่งในอุตสาหกรรมที่ต้องการความเข้มงวดทางวิชาการ และช่วยให้นักพัฒนาได้สัมผัสกับอัลกอริทึมที่พวกเขาอาจเคยศึกษาในมหาวิทยาลัย การทำงานที่ปิคนิคเป็นเรื่องที่น่าสนใจในลักษณะนี้ และนั่นถือเป็นคำชมสูงสุดที่ฉันสามารถให้ได้