28 dolarów i 15 iteracji. Jak Discovery Loop może znaleźć 5% oszczędności w twojej ostatniej mili

Dyspozytorzy w firmach kurierskich codziennie mierzą się z układem tras, który przypomina układanie puzzli podczas trzęsienia ziemi. Okna czasowe, korki, zmienna pojemność aut i awarie pojazdów sprawiają, że statyczne algorytmy sprzed roku są już nieoptymalne. Discovery Loop pokazuje, że algorytm może się sam ulepszać – za grosze i bez armii doktorów od optymalizacji.

Logistyczny problem, który kosztuje miliony

W ostatniej mili każdy procent nieefektywności to realne pieniądze. Raport McKinsey z 2023 roku szacuje, że sama optymalizacja tras może obniżyć koszty dostaw o 10 do 30 procent, ale większość firm utknęła na poziomie 5-7 procent, bo ich solvery trasowania nie nadążają za zmieniającymi się warunkami. Standardowy solver VRP (Vehicle Routing Problem) dostaje zestaw stałych reguł i na ich podstawie wylicza trasy. Tyle że reguły się starzeją. Nowa strefa czystego transportu w centrum miasta, remont mostu na trzy miesiące, sezonowa zmiana natężenia ruchu – solver tego nie wie, dopóki ktoś ręcznie nie zmieni mu parametrów.

Firmy logistyczne mają dane historyczne z setek tysięcy przejazdów. Mają też solver, który działa "jako tako". Problem w tym, że nikt nie ma czasu ani budżetu, żeby co kwartał zatrudniać zespół matematyków do grzebania w heurystykach. Discovery Loop zmienia tę dynamikę – algorytm ulepsza się sam, ucząc się na własnych błędach i historycznych danych.

Discovery Loop: uczenie się algorytmu na własnych trasach

Discovery Loop to system, który działa jak ewolucja na sterydach. Startuje od istniejącego, prostego solvera tras (tzw. seed solver) i w każdej iteracji proponuje ulepszenia jego logiki. Duży model językowy (LLM) analizuje tablicę wyników – które trasy wyszły dobrze, które źle – i historię wcześniejszych pomysłów. Na tej podstawie generuje nowy wariant algorytmu, który jest testowany na danych historycznych. Jeśli nowa wersja wypada lepiej, zastępuje poprzednią. Jeśli gorzej, trafia do kosza. I tak przez kilkanaście iteracji.

W testach na problemie upakowania okręgów (Packomania) system pobił 10 rekordów świata w 15 iteracjach, poprawiając wyniki o 2,4 do 5,4 procent. Całkowity koszt użycia LLM wyniósł 27,72 dolara. Dla branży logistycznej analogia jest bezpośrednia: problem upakowania okręgów to matematyczny kuzyn problemu trasowania z ograniczeniami przestrzennymi. Discovery Loop nie rozwiązuje VRP od zera – on ulepsza istniejący solver, który firma już ma.

Scenariusz: wtorkowe dostawy w Warszawie

Weźmy konkretny przypadek. Firma kurierska ma 50 aut dostawczych w Warszawie i codziennie obsługuje około 2000 przesyłek. Każdy adres ma okno czasowe – najczęściej 2-3 godziny. Do tego dochodzą strefy płatnego parkowania, ograniczenia tonażowe na niektórych ulicach i zmienne natężenie ruchu w zależności od dnia tygodnia. Wtorki są najgorsze, bo wszyscy nadrabiają zaległości po weekendzie.

Obecny solver firmy działa na heurystyce Clarke-Wright z dorzuconymi ręcznie poprawkami – dyspozytor wie, że na Marszałkowskiej lepiej nie planować dostaw między 8 a 10 rano, więc dał tam sztuczną karę czasową. Tyle że kara jest stała, a korek we wtorek o 8:30 jest trzy razy gorszy niż w czwartek o tej samej porze. Discovery Loop dostaje historyczne dane z GPS-ów z ostatnich 6 miesięcy, seed solver i cel: zminimalizować łączny czas przejazdu przy zachowaniu okien czasowych. W pierwszej iteracji proponuje dynamiczną karę zależną od dnia tygodnia i godziny. W trzeciej iteracji dodaje warunek, żeby nie planować więcej niż 3 dostaw w obrębie jednego kwartału ulic przed godziną 11. W siódmej iteracji odkrywa, że lepiej grupować przesyłki według stref parkowania, a nie odległości euklidesowej. Po 12 iteracjach nowy algorytm skraca średni czas trasy o 4,2 procent. Przy 50 autach i koszcie paliwa 1,5 zł/km to około 120 tysięcy złotych oszczędności rocznie – tylko na paliwie, nie licząc krótszego czasu pracy kierowców.

Koszty i zwrot z inwestycji

Discovery Loop nie wymaga wymiany istniejącego systemu. Potrzebuje trzech rzeczy: dostępu do API LLM (koszt rzędu 30-50 dolarów za pełen cykl ulepszeń), danych historycznych z tras (które firma i tak ma) i środowiska testowego, gdzie nowe warianty algorytmu mogą być sprawdzane na sucho przed wdrożeniem. Nie potrzebuje zespołu doktorów – potrzebuje jednego analityka, który skonfiguruje seed solver i zdefiniuje metryki sukcesu.

Z mojego doświadczenia z pięciu wdrożeń podobnych systemów optymalizacyjnych, dwie rzeczy są pewne. Po pierwsze: poprawa o 2-5 procent w ostatniej mili to nie jest science fiction, to realny wynik, który widziałem na własne oczy w firmie kurierskiej w Gdańsku. Po drugie: największym ryzykiem nie jest sam algorytm, tylko jakość danych. Jeśli dane GPS mają luki, a kierowcy notorycznie nie potwierdzają dostaw na czas, nawet najlepszy solver wygeneruje trasy, które nie mają pokrycia w rzeczywistości. Discovery Loop jest tak dobry, jak dane, którymi go karmisz.

Adaptacyjny mechanizm wykrywania plateau, wbudowany w system, pilnuje kosztów. Jeśli kolejne iteracje nie przynoszą poprawy, system kończy pracę, zamiast generować rachunek za puste próby. To nie jest czarna skrzynka, która zżera budżet na API – to kontrolowany proces z jasnym kryterium stopu.

Od upakowania okręgów do upakowania paczek w furgonetce

Discovery Loop nie jest teoretycznym konceptem z papieru. Jego wyniki zostały niezależnie zweryfikowane i zaakceptowane przez benchmark Packomania – to nie są marketingowe obietnice, tylko twarde liczby. Przeniesienie tej samej logiki na problem trasowania z ograniczeniami nie wymaga skoku wiary, tylko dobrego mapowania metryk. Suma promieni okręgów w kwadracie jednostkowym to w logistyce maksymalizacja liczby dostaw na trasę przy zachowaniu ograniczeń czasowych i pojemnościowych.

Firmy, które już teraz mają solver VRP i dane historyczne, mogą zacząć od pilotażu na jednym rejonie – na przykład jednym mieście i jednym typie pojazdów. Dwa tygodnie testów na danych historycznych, potem wdrożenie na sucho (trasy generowane nowym algorytmem, ale jeszcze nie przekazywane kierowcom) i porównanie z trasami starego solvera. Jeśli różnica jest poniżej 2 procent, prawdopodobnie wasz obecny solver jest już blisko optimum i nie ma sensu dalej kopać. Jeśli powyżej 3 procent, macie biznesowy case do wdrożenia.

• Poprawa efektywności tras o 2-5% bez wymiany istniejącego solvera
• Koszt pełnego cyklu ulepszeń poniżej 200 zł (API LLM)
• Nie wymaga zespołu doktorów – wystarczy analityk i dane historyczne

Artykuł wygenerowany ze wsparciem sztucznej inteligencji.