Gépi tanuláson alapuló szállítási költségbecslés
Skálázható gépi tanulási megoldás építése logisztikai költségbecsléshez
A kihívás
A globális logisztikai árazás volatilis és összetett. A szabályalapú költségbecslő rendszerek nehezen követik a változó fuvarozói díjakat, az ingadozó pótdíjakat és a folyamatosan fejlődő szolgáltatási struktúrákat. A volumen növekedésével a statikus logika képtelen lefedni az árazási dinamika teljes spektrumát.
- pontos költségbecslést adni valós időben
- napi több százezer kérést kezelni
- több fuvarozót és szolgáltatási szintet támogatni
- bővíthető maradni új modellek és adatforrások bevezetésekor
Az ügyfélnek olyan megoldásra volt szüksége, amely képes:
Az operatív korlátok megértése
A szállítási költség számos tényezőtől függ, amelyek nem triviális módon hatnak egymásra:
- méretek, tömeg és csomagolás típusa
- kézbesítési zónák és fuvarozói díjstruktúrák
- speciális kezelési követelmények
- promóciós árazás és egyedi kedvezmények
- nem szabványos vagy szélsőséges esetek
A rendszernek mindezt figyelembe kellett vennie, miközben alacsony késleltetést biztosított nagy terhelés mellett is.
Adatminőség: a rejtett szűk keresztmetszet
A modellezés megkezdése előtt jelentős erőfeszítést igényelt az adatok előkészítése. Az alapadatok évek során halmozódtak fel egységes adatkezelés nélkül, ami a következő problémákhoz vezetett:
- inkonzisztens törzsadatok a rendszerek között
- hiányzó termékméretek a cikkszámok jelentős részénél
- nem normalizált árazási táblák átfedő szabályokkal
- Az adatminőséget az ML előtt kell rendezni. Semmilyen modell nem kompenzálja a megbízhatatlan bemeneteket.
Ezek kezelése elengedhetetlen volt ahhoz, hogy bármilyen ML megközelítés megbízható eredményeket produkáljon.
Modellstratégia és kísérletezés
Az előrejelzési feladat egyszerre több összetett kihívás kezelését igényelte:
- nemlineáris interakciók a bemeneti jellemzők között
- változó számú tétel szállítmányonként
- gyakori hiányzó értékek
- szigorú valós idejű következtetési követelmények
Többféle megközelítést értékeltünk különböző modellcsaládokon keresztül:
- statisztikai alapmodellek viszonyítási pontnak
- fa-alapú gradiens erősítő modellek
- szekvencia-tudatos neurális hálózati architektúrák
Strukturált kísérletezés után a gradiens-erősített döntési fák (XGBoost) bizonyultak a pontosság, sebesség és karbantarthatóság legjobb egyensúlyának.
Integráció és üzembe helyezés
A modellt egy API-alapú következtetési réteg mögé telepítettük, amelyet a meglévő logisztikai munkafolyamatokkal való zökkenőmentes integrációra terveztünk:
- könnyűsúlyú API valós idejű költséglekérdezésekhez
- üzleti szabály-orchestrációs réteg szabályzati felülbírálásokhoz
- bővíthető architektúra új fuvarozók bevezetéséhez a teljes pipeline újratanítása nélkül
Üzleti eredmények
Az üzembe helyezett rendszer mérhető javulást hozott a logisztikai működés egészében:
- pontos költség-előrejelzés nagy volumen mellett, akár összetett, többtételes szállítmányok esetén is
- gyorsabb árazási és ajánlati döntések
- egységesebb árazás fuvarozók és szolgáltatási szintek között
Tanulságok
Ez a projekt számos olyan elvet erősített meg, amelyek széles körben érvényesek az ML operatív alkalmazásaira:
- Az adatminőséget a modell komplexitása elé kell helyezni
- Az előrejelző erőt egyensúlyban kell tartani az operatív korlátokkal, mint a késleltetés és a karbantarthatóság
- Olyan bővíthető architektúrákat érdemes építeni, amelyek új adatforrásokat és modelleket is befogadnak idővel
Kitekintés
Ez a projekt egy szélesebb körű elmozdulás része az AI-vezérelt logisztikai optimalizáció felé. A merev szabálymotorok adaptív ML modellekre cserélésével a szervezetek jelentős költségmegtakarítást és operatív agilitást érhetnek el, miközben megalapozzák a folyamatos fejlődés lehetőségét.