Interviu su Sara Schaumann, vyriausiąja Masačusetso technologijos instituto Transporto ir logistikos centro (MIT CTL) mokslininke

Interviu su Sara Schaumann, vyriausiąja Masačusetso technologijos instituto Transporto ir logistikos centro (MIT CTL) mokslininke

„Mūsų sistemos padės įmonėms pasirengti ateities iššūkiams“

Apie mokslinių tyrimų projektą

Užsakymų paskirstymo optimizavimas mokant savarankiškai besimokančius DI modelius yra vienas iš bendradarbiavimo mokslinių tyrimų srityje, kurį 2024 m. pradėjo Masačusetso technologijos institutas (MIT) ir „Mecalux“, tikslų. Sarah Schaumann, dirbanti Masačusetso technologijos instituto Transporto ir logistikos centre, yra „Pažangiųjų logistikos sistemų laboratorijos“ vykdomo projekto, kurio tikslas – padėti įmonėms optimizuoti prekių siuntimo vietų pasirinkimą, vadovaujanti mokslininkė.

„Mecalux“ kalbina Masačusetso technologijos instituto Transporto ir logistikos centro (MIT CTL) vyriausiąją mokslininkę Sarah Schaumann, kad sužinotų daugiau apie jos vadovaujamo projekto, kuris yra Transporto ir logistikos centro (MIT CTL) ir „Mecalux“ mokslinių tyrimų bendradarbiavimo dalis.

  • Koks yra bendro mokslinių tyrimų projekto, kuriam vadovausite kartu su „Mecalux“, tikslas?

    Šio projekto tikslas – sukurti mašininiu mokymusi pagrįstą paskirstyto užsakymų valdymo (DOM) sistemų koordinavimo modelį. Idėja yra pakeisti šiandien dažniausiai naudojamą taisyklėmis pagrįstą strategiją pažangiu koordinavimo metodu, kuris pasitelkia savaiminio mokymosi DI , kad paskirstytų užsakymus objektams ir vežėjams. Naudodami mašininį mokymąsi, norime sukurti sistemą, kuri ne tik galėtų pagerinti veiklos efektyvumą, bet ir laikui bėgant prisitaikyti prie ateityje besikeičiančios aplinkos.

    Tikslas - sukurti DOM sistemų orkestravimo modelį, pagrįstą mašininiu mokymusi

  • Kokios šios iniciatyvos galimybės formuoti naujos kartos DOM sistemas?

    Siekiame sukurti ateities kartų išmaniąsias ir pritaikomąsias užsakymų orkestravimo strategijas. Tai reiškia, kad statiškus taisyklėmis pagrįstus metodus pakeisime išmaniosiomis, dinamiškomis strategijomis, galinčiomis prisitaikyti prie besikeičiančių klientų poreikių, apribojimų ar net rinkos sąlygų. Galiausiai norime sudaryti sąlygas kurti autonomines, duomenimis pagrįstas DOM sistemas, kurios nuolat pačios mokosi. Tai vis svarbiau dinamiškoje aplinkoje.

    Mokymusi pagrįstų modelių privalumas yra tas, kad jie laikui bėgant prisitaiko
    Mokymusi pagrįstų modelių privalumas yra tas, kad jie laikui bėgant prisitaiko

  • Kaip naudosite mokymąsi naudojant pastiprinimą, kad sukurtumėte optimalias orkestravimo strategijas?

    Naudodamasis pastiprinto mokymosi metodu, modelis mokysis ir tobulins savo orkestravimo procesus bendraudamas su aplinka. Modelis sukuria skirtingas orkestravimo strategijas ir gauna atlygį arba nuobaudą, priklausomai nuo sprendimo rezultato. Tada jis iteratyviai koreguoja sprendimus. Taigi, tai yra nuolatinis mokymosi procesas, kurio atlygis priklauso nuo įmonės verslo modelio. Pavyzdžiui, viena organizacija gali teikti pirmenybę sąnaudoms, o kita – pristatymo laikui.

    Norime kurti pažangias, dinamiškas strategijas, galinčias prisitaikyti prie besikeičiančių klientų poreikių, apribojimų ar net rinkos sąlygų

  • Kaip pažangiųjų logistikos sistemų laboratorija šiame projekte naudoja modeliavimą?

    Simuliacijos leidžia atkartoti realaus pasaulio scenarijus saugioje ir kontroliuojamoje aplinkoje. Tai reiškia, kad modelis sąveikauja ne su realia sistema, o su imituojama aplinka. Tai sumažina šių modelių testavimo ir mokymo išlaidas ir riziką. Taip pat galime lengviau išbandyti jų patikimumą ir mastelio keitimą.

  • Kokį poveikį šis projektas, jūsų manymu, turės logistikos pramonei?

    Aplinka, kurioje veikia įmonės, tampa dinamiška ir sudėtinga. Didelis mokymusi grindžiamų modelių privalumas yra tas, kad jie laikui bėgant prisitaiko. Tai reiškia, kad mūsų sistemos padės įmonėms tapti atspariomis ateičiai.