ML в логистике: за кулисами технологической революции

Логотип компании
ML в логистике: за кулисами технологической революции
ML в логистике: за кулисами технологической революции
Когда-то логистика сводилась к простой формуле «из точки А в точку Б». Сегодня это похоже на многомерный пазл, где ежедневно приходится жонглировать терабайтами данных и молниеносно принимать тысячи решений.

В этой реальности машинное обучение (ML) становится не просто полезным инструментом, а необходимостью для развития бизнеса. О том, как ML-технологии трансформируют логистические процессы, рассказывает Дмитрий Ширшаков, руководитель департамента больших данных СДЭК.

Первые шаги к цифровой трансформации

Машинное обучение в логистике — это естественное продолжение процесса автоматизации и обработки данных. Его главная миссия — освободить людей от монотонной работы, которая высасывает энергию и время. От распознавания бесконечного потока документов до предсказания всплесков продаж — каждый ML-инструмент призван сделать работу человека осмысленнее.

В арсенале компании целый спектр ML-решений: компьютерное зрение разбирается с документами, языковые модели препарируют тексты, а умные классификаторы просеивают отзывы клиентов. Результат впечатляет: задачи, которые раньше занимали половину рабочего дня, теперь решаются за считанные минуты.

Яркий пример — автоматизация работы с кодами ТН ВЭД. Каждая посылка, пересекающая границу, должна иметь этот код — без него международная доставка невозможна. Раньше сотрудники вручную присваивали коды каждой посылке, что не только отнимало драгоценные часы, но и приводило к ошибкам из-за человеческого фактора и обновления товарной номенклатуры.

Математика эффективности

ML-модели не просто быстрее человека — они еще и точнее. В их работе нет места опечаткам или неверным трактовкам данных. В зависимости от типа задачи, точность моделей варьируется от 80% до 99%. В случае с паспортами или другими документами точность распознавания достигает 99%. А при определении пола по ФИО для сегментации пользователей точность и вовсе превышает 99%. Определение пола и возраста нужно для социально-демографической аналитики и определения сегментов наших пользователей. Мы можем быть уверены в корректности заполнения всех полей, даже если человек все равно выборочно проверяет результаты работы модели.

В прогнозировании спроса погрешность держится на уровне 15-20% — вполне рабочий показатель для такого типа задач. При этом каждый случай требует индивидуального подхода: если при прогнозе появления заказов в районе допустима погрешность в пару сотен метров, то с паспортными данными любая неточность может стать критичной.

Искусство маршрутизации

Особое внимание уделяется маршрутизации курьеров — одному из самых сложных и комплексных проектов. Это сложный механизм, учитывающий прогнозы по заказам, их географию, число и доступность курьеров. Система помнит, где каждый курьер работает эффективнее всего, анализирует их предыдущие маршруты и оптимизирует новые с учетом временных окон доставки.

Особенность нашей системы — способность адаптироваться к появлению новых заказов в течение дня. Мы называем это доставкой «в спину»: алгоритм виртуозно перестраивает маршрут, чтобы курьер успел забрать незапланированную посылку, не нарушая график доставки уже имеющихся заказов. Программа может перестроить маршрут курьера так, чтобы он оказался в нужном месте в нужное время для получения дополнительного заказа.

Укрощение сезонных пиков

Высокий сезон в логистике сравним со штормом в океане: объемы перевозок взлетают до небес, склады переполняются, а курьеры работают на пределе. Пик приходится на ноябрьские распродажи — «черную пятницу» и день холостяка, а завершается новогодним ажиотажем, когда клиенты спешат порадовать себя и близких праздничными подарками.

ML-технологии помогают подготовиться к этому шторму заранее. Наши модели накапливают статистику за прошлые годы и на ее основе прогнозируют, как изменится нагрузка на склады, службу доставки и другие подразделения.

Благодаря этому компания заблаговременно усиливает команду курьеров и оптимизирует складские запасы упаковочных материалов — от коробок и пленки до пакетов и многооборотной тары. Также мы перераспределяем нагрузку между отделами, сохраняя качество сервиса даже в самые горячие периоды.

Нейросети

Мы пристально следим за эволюцией ML-технологий, особенно в сфере больших языковых моделей. Такие инструменты, как ChatGPT и его аналоги от крупных российских компаний, открывают новые горизонты в обработке данных: взаимодействие с машиной все больше походит на человеческое общение. Мы активно используем такие модели для анализа клиентских отзывов с различных каналов, включая приложения и геосервисы.

Хороший пример — модель, обученная на нашей корпоративной wiki. Теперь чат-бот стал лучше понимать произвольные вопросы сотрудников компании и формировать понятные ответы. Тем самым мы разгрузили несколько служб от простых вопросов, ответы на которые можно найти в wiki. Также ChatGPT оптимизирует классификацию товаров по ТН ВЭД: нейросеть генерирует описания новых категорий товаров, которые раньше не встречались в нашей практике.

Человек — ключевое звено

Важно понимать: ML не заменяет людей, а помогает им работать эффективнее. В нашей практике нет случаев, когда внедрение ML-решений приводило к сокращению штата. Человеческая экспертиза остается незаменимой, особенно при внедрении новых решений.

Сотрудники помогают системе с первичной разметкой данных, обучают ее, чтобы модели могли в дальнейшем работать самостоятельно. Кроме того, важно регулярно валидировать качество работы моделей и при необходимости вносить коррективы. Наша команда ML состоит из восьми ML-специалистов работает в тесной связке с аналитиками и дата-инженерами.

Проекты распределены оптимально: одни специалисты фокусируются на масштабных задачах, требующих глубокого погружения, другие ведут несколько менее объемных проектов. Такой подход позволяет параллельно развивать различные направления.

Использование ML-моделей позволяет компании повысить эффективность логистических операций. Сочетая преимущества машинного обучения с экспертизой наших сотрудников, мы стремимся сделать наши процессы еще быстрее, точнее и гибче.

Опубликовано 20.12.2024

Похожие статьи