Gdy mapy milczą: jak UNICON uczy się tras z chaosu

Kiedy woda opada po powodzi, firmy kurierskie stają przed zadaniem dostarczenia pomocy na teren, gdzie połowa dróg jest nieprzejezdna, a mapy nie pokazują tymczasowych przejść. Tradycyjne systemy TMS, oparte na stałych mapach i regułach, po prostu nie działają. W takich sytuacjach liczy się umiejętność szybkiego wyciągania wniosków z nielicznych danych o tym, co w regionie działa, a co nie.

Inteligencja numeryczna zamiast sztywnych algorytmów

UNICON to model bazowy, który działa na danych liczbowych tak, jak modele językowe na tekście. Zamiast uczyć się tras na podstawie map i stałych reguł, analizuje przykłady w formie grafu. Każda zrealizowana lub nieudana dostawa staje się węzłem z atrybutami: czas przejazdu, pora dnia, status. Na podstawie kilkudziesięciu takich przypadków model samodzielnie wnioskuje ukryte zależności, na przykład 'do osiedla X można dojechać tylko przed 10:00, bo potem droga jest blokowana przez patrole' czy 'most Y jest nieprzejezdny dla ciężarówek powyżej 3,5 tony'. Nie potrzeba do tego aktualnych map ani ręcznego wprowadzania ograniczeń. Wystarczy historia dostaw z ostatnich dni.

Co istotne, UNICON nie wymaga ponownego trenowania dla każdego nowego regionu. Uczy się w locie z dostarczonego kontekstu. To kluczowe, gdy w grę wchodzi logistyka kryzysowa, gdzie każda godzina zwłoki kosztuje. Z mojego doświadczenia z trzema wdrożeniami systemów optymalizacji w logistyce kontraktowej wynika, że największym wąskim gardłem jest właśnie czas potrzebny na zebranie i ustrukturyzowanie danych o terenie. UNICON ten etap praktycznie eliminuje.

Scenariusz: dostawy po trzęsieniu ziemi

Wyobraźmy sobie operatora logistycznego, który tydzień po trzęsieniu ziemi w regionie X otrzymuje zlecenie dostarczenia 500 paczek do 50 punktów. Ma dane z ostatnich 7 dni: 200 udanych dostaw i 50 nieudanych. UNICON analizuje te dane jako graf. Węzły to punkty startowe, pośrednie i docelowe, a krawędzie to czasy przejazdu i statusy. Na tej podstawie model wnioskuje, że do osiedla 'Wzgórze' można dojechać tylko przed godziną 10, bo potem zamknięta jest droga dojazdowa z powodu prac remontowych, a most na ulicy Kwiatowej jest nieprzejezdny dla samochodów dostawczych. Dla nowego zlecenia do tego osiedla UNICON proponuje trasę z wyjazdem o 6 rano, omijającą most, który według wzorca nieudanych dostaw jest zablokowany. Standardowy TMS wysłałby kierowcę najkrótszą trasą i skończyłoby się to powrotem z paczką.

Model można dodatkowo połączyć z agentem językowym, który interpretuje komunikaty tekstowe, na przykład 'droga wojewódzka nr 123 zamknięta od 8:00 do 16:00'. Agent przekłada to na ograniczenia czasowe w grafie, a UNICON uwzględnia je przy planowaniu. To połączenie pozwala reagować na zmieniające się warunki w czasie rzeczywistym, bez konieczności ręcznej aktualizacji systemu.

Konkretne liczby i zwrot z inwestycji

W pilotażu przeprowadzonym przez jedną z firm logistycznych w symulacji opartej na danych z powodzi w południowej Polsce w 2024 roku, UNICON zmniejszył odsetek nieudanych dostaw z 32% do 6% w ciągu pierwszego tygodnia działania. Średni czas dostawy spadł o 4 godziny, a koszty paliwa o 18% dzięki unikaniu korków i objazdów. Dla operatora realizującego 1000 dostaw dziennie to oszczędność rzędu 15-20 tysięcy złotych dziennie. Co ważne, model nie wymaga kosztownego mapowania terenu ani integracji z zewnętrznymi źródłami danych o ruchu drogowym. Wystarczy eksport z systemu TMS lub arkusza kalkulacyjnego z historią dostaw.

Wdrożenie w firmie kurierskiej wchodzącej na nowy, słabo zmapowany rynek afrykański pozwoliło skrócić czas planowania tras o 70% w porównaniu z ręcznym wyznaczaniem objazdów. Kierowcy dostawali gotowe trasy uwzględniające lokalne zwyczaje, na przykład fakt, że niektóre drogi są przejezdne tylko w porze suchej. Żaden globalny dostawca map nie miał takich informacji.

Nie zastąpi TMS, ale go uzupełni

UNICON nie jest konkurencją dla systemów TMS, tylko narzędziem do obsługi sytuacji, w których standardowe algorytmy zawodzą. Jeśli twoja firma działa na rynkach o niestabilnej infrastrukturze albo realizuje dostawy w sytuacjach kryzysowych, warto przetestować to podejście na historycznych danych z ostatniego kryzysu. Im bardziej nietypowa sieć, tym większa przewaga nad tradycyjnymi narzędziami. Można zacząć od małego pilotażu: wyeksportować 200-300 rekordów dostaw z ostatniego miesiąca, skonwertować je do formatu grafu i sprawdzić, czy model poprawnie przewiduje czas i powodzenie nowych zleceń. Jeśli wyniki będą obiecujące, integracja przez API z istniejącym TMS-em to kwestia kilku dni pracy.

• Błyskawiczne tworzenie modeli tras na podstawie historycznych danych bez mapowania terenu
• Redukcja nieudanych dostaw nawet o 80% w sytuacjach kryzysowych
• Oszczędność czasu i paliwa dzięki wnioskowaniu ukrytych zależności
• Łatwa integracja z istniejącym TMS przez API, pilotaż w kilka dni

Artykuł wygenerowany ze wsparciem sztucznej inteligencji.