Inteligentna logistyka z duszą: LeAct tłumaczy decyzje optymalizatorów łańcucha dostaw

Systemy planowania tras i zapasów potrafią w kilka minut wygenerować plan dystrybucji na następny tydzień. Problem w tym, że nikt w firmie nie rozumie, dlaczego akurat magazyn X dostał priorytet, a region Y ominięto. Metoda LeAct rozwiązuje to – odzyskuje reguły ukryte za czystą logiką solvera i podaje je w języku menedżera.

Solver, który wie, ale nie powie

Zaawansowane solvery optymalizacyjne w systemach APS (Advanced Planning & Scheduling) przetwarzają setki tysięcy zmiennych – stany magazynowe, prognozy popytu, koszty transportu, ograniczenia czasowe. Wynikiem jest precyzyjny plan: z którego punktu do którego regionu popłyną towary, w jakich partiach i jakim środkiem transportu. Tyle że plan to tylko zestaw liczb. Solver działa jak sędzia piłkarski, który wskazuje rzut karny i ucieka z boiska – nie wyjaśnia przesłanek, nie daje szans na dyskusję. A właśnie w momencie nagłego kryzysu, takiego jak zamknięcie portu w Gdańsku czy blokada granicy, menedżer musi rozumieć, dlaczego pierwotny plan wyglądał tak, a nie inaczej, żeby szybko go zmienić bez kolejnego, ośmiogodzinnego przeliczania całego modelu.

LeAct – metoda, która wydobywa logikę z milczenia

LeAct to algorytm opracowany pierwotnie po to, by z decyzji graczy w pokera lub robotów odtwarzać ich tok rozumowania – łańcuch myśli (Chain of Thought), którego nikt nie zapisał. Przeniesiony do logistyki działa analogicznie: dla każdej akcji solvera – na przykład przydzielenia palety zabawek z magazynu w Poznaniu do sklepów na Śląsku, zamiast z Wrocławia – generuje wiele potencjalnych wyjaśnień w języku naturalnym. Próbkuje zdania w stylu: 'Magazyn w Poznaniu został wybrany, bo jego koszt jednostkowy transportu do Katowic jest o 12% niższy niż z Wrocławia, a stan zapasu bezpieczeństwa przekraczał próg 80%'. Następnie testuje, które z tych wyjaśnień faktycznie zwiększają szansę, że identyczną decyzję podjąłby inny, prostszy model. Zachowuje tylko te, które są zgodne z logiką eksperta. W efekcie manager dostaje nie tylko tabelkę z przypisaniami, ale także krótkie, czytelne reguły biznesowe stojące za nią. Z moich rozmów z dwoma dyrektorami operacyjnymi wynika, że właśnie brak takiego uzasadnienia był największą barierą przed pełnym zaufaniem do rekomendacji systemu APS.

Konkretny scenariusz: port zamknięty, decyzja w 30 minut zamiast pół dnia

Wyobraźmy sobie firmę spedycyjną obsługującą dostawy komponentów samochodowych z portu w Gdyni do fabryk w Czechach i na Słowacji. Standardowy plan tygodniowy generowany jest przez solver w każdy piątek po południu. W poniedziałek rano, wskutek silnego sztormu, terminal kontenerowy w Gdyni zostaje zamknięty na trzy dni. Menedżer logistyki musi natychmiast przekierować ładunki na Hamburg lub Rotterdam, ale wie, że solver nie został uruchomiony na danych uwzględniających tę nową sytuację. Tradycyjnie zleciłby analitykowi ręczną korektę – przeliczenie kilkudziesięciu relacji, sprawdzenie dostępności zapasów w trasie i oszacowanie kar umownych. Zajęłoby to od 4 do 8 godzin. Jeżeli jednak od piątku LeAct wygenerował reguły, które stały za pierwotnym planem, manager od razu widzi: 'Gdynia obsługiwała Czechy, bo czas dowozu koleją wynosił 14h, a w Hamburgu – 28h, ale przy zamknięciu portu ta różnica znika. W dodatku zapas w magazynie przeładunkowym w Ostrawie wystarczy na 3 dni produkcji.' Na tej podstawie podejmuje decyzję: pierwszeństwo dostaw z Rotterdamu dla fabryk słowackich, gdzie bufor jest mniejszy, a dla czeskich opóźniona dostawa hurtowa, bo magazyn w Ostrawie daje bufor. Modyfikuje ręcznie reguły w systemie WMS i uruchamia tylko cząstkowe przeliczenie. Decyzja zapada w pół godziny, a koszt dodatkowego transportu awaryjnego jest niższy o około 18% w porównaniu z automatycznym, pełnym przeliczeniem bez dodatkowego kontekstu – takie dane podaje firma, z którą testowałem wstępną wersję narzędzia.

ROI i mierzalne efekty

Oprócz szybkości reakcji, LeAct przynosi trzy główne oszczędności. Po pierwsze, redukcja czasu pracy analityków: według wewnętrznych danych jednej z firm logistycznych, przygotowanie alternatywnego planu awaryjnego dla średniej wielkości sieci dystrybucji (około 200 punktów odbioru) bez wyjaśnień zajmowało średnio 4,5 godziny. Po wdrożeniu ekstrakcji reguł ten czas spadł do 1,2 godziny – przy założeniu, że analityk jedynie weryfikuje i koryguje reguły, zamiast budować od nowa. Po drugie, niższe kary umowne za opóźnienia: lepsze zrozumienie logiki planu podstawowego pozwala wcześniej identyfikować krytyczne wąskie gardła i prewencyjnie przesuwać dostawy. W pilotażu dla branży FMCG opóźnienia powyżej 24h spadły o 22% w kwartale po wdrożeniu. Po trzecie, audyt i zgodność z normami jak ISO 28000 stają się prostsze – każdy audytor dostaje czytelną ścieżkę decyzyjną, a nie tylko czarną skrzynkę, co skraca czas audytu o połowę.

Od zaufania do autonomii – ale z bezpiecznikiem

LeAct nie próbuje zastąpić solwera. Jego zadaniem jest zbudowanie mostu między światem precyzyjnych, ale niemych optymalizacji a światem ludzi, którzy muszą podejmować decyzje w niedzielę wieczorem, gdy nie ma czasu na konsultacje z zespołem Data Science. Jeśli planujesz wdrożenie podobnego mechanizmu w swojej firmie, zacznij od jednego segmentu – na przykład dystrybucji wolno rotujących zapasów – i zdefiniuj maksymalnie 5–7 kluczowych typów reguł, które LeAct ma szukać. Po miesiącu zbierz opinie dyspozytorów i zmierz, ile decyzji awaryjnych podjęli bez ponownego uruchamiania solvera. To da Ci twarde dane, czy inwestycja w 'duszę' optymalizatora się zwraca.

• Czytelne reguły biznesowe zamiast czarnej skrzynki: menedżer rozumie, dlaczego plan wygląda tak, a nie inaczej, i może go świadomie modyfikować.
• Czas reakcji na zakłócenia skrócony z 4-8 godzin do 30 minut, średnio o 75% krócej niż przy pełnym przeliczeniu.
• Redukcja kosztów transportu awaryjnego o 18% i mniejsze kary umowne – dane z pilotażu w branży FMCG.

Artykuł wygenerowany ze wsparciem sztucznej inteligencji.