Даже ту маршрутизацию, которую делает эффективный алгоритм, можно улучшить. Этот подход работает в нашей компании. Как это возможно? Благодаря реально удобному и эффективному инструменту Лассо, у которого нет изъянов как бы пафосно это не звучало, а в купе с искусственным интеллектом у него большое будущее.
В большинстве программ для оптимизации внутригородской логистики движок может только планировать маршруты, но корректировать то, что выдал алгоритм не получится. Мы придерживаемся позиции, что при построении маршрутов доставки экспертиза логиста очень ценна, а иногда даже важнее технологии.
Давайте возьмем для примера дистрибьютора, который поставляет товар в крупную торговую сеть. Водитель, который постоянно возит туда продукцию знает, что у разгрузочной зоны сети есть требования по высоте грузовиков и, скажем, ГАЗель под них не подходит, а вот Hyundai Porter и ISUZU вполне. Соответственно, для доставки в эту торговую сеть дистрибьютор будет отправлять определенные машины. Логист, зная об этом, учитывая вес и объем партии, с помощью Лассо может перекидывает распределенные заявки с одной машины на другую.
А бывает так, что у некоторых водителей в маршруте меньше точек, чем у других, или наоборот больше. С помощью Лассо логист может переложить заявки с одного маршрута на другой. Очень удобно.
Так же Лассо позволяет скорректировать доставку с учетом информации о качестве дорог, ведь чем оно хуже, тем дольше придется ехать водителю. У алгоритма нет таких данных. Так вот с помощью Лассо логист массово перебрасывает заявки, а не по одной, с одного маршрута на другой. Relog пересчитает его маршрут и сразу выдаст результат - успеет водитель вовремя обслужить все доставки или нет.
В общем, это очень удобный инструмент, который позволяет переделать итоги работы алгоритма под знание человека (логиста, водителя). А если подключить machine learning, то Лассо будет обучаться под каждого конкретного клиента с учетом его задач и параметров заказов.