هوش مصنوعی در حملونقل و لجستیک: مسیر و برنامهریزی
برای شرکت پخش، باربری و ناوگان کوچک: کدام کار را مدل زبانی واقعاً انجام میدهد، کدام کار سراغ نرمافزار مسیریابی میرود، و مرز ایمنی کجاست.
ساعت شش صبح در انبار یک شرکت پخش لبنیات، فهرست روز چاپ میشود: صد و ده مقصد، شش وانت نیسان، و مسئول توزیعی که نیمساعت با خودکار روی کاغذ خط میکشد. آخرش هم یک مغازه جا میماند و ساعت یازده تلفن میزند که «بار من کجاست؟»
پرسشی که زیاد میشنوم این است: هوش مصنوعی این را حل میکند؟ جواب هم بله است هم نه، و همین تفکیک مهمترین چیز است. یک بخش از کار حملونقل مسئلهی بهینهسازی عددی است و ابزارش نرمافزار مسیریابی است، نه مدل زبانی. بخش دیگر کار متنی است و سهمش از وقت روزانه کمتر نیست. کمک واقعی آنجاست.
دو جنس کار که مدام قاطی میشوند
روز یک شرکت پخش یا باربری بین دو کار تقسیم میشود. اول تصمیمهای عددی: چه باری سوار کدام ماشین شود و با چه ترتیبی. دوم کارهای زبانی: پیام راننده، جواب مشتری، صورتوضعیت، گزارش پایان روز. مدل زبانی در دومی خوب است و در اولی ضعیف.
| کار | ابزار درست | نقش مدل زبانی |
|---|---|---|
| چیدن مسیر و تخصیص خودرو | نرمافزار مسیریابی | هیچ |
| اولویتبندی سفارش | قاعدهی مکتوب شرکت | اعمال قاعده روی فهرست |
| پیام وضعیت مشتری | پیامک و واتساپ | نوشتن متن و الگو |
| بارنامه و صورتوضعیت | سامانهی مالی | خواندن تصویر، ساخت جدول |
| تحلیل تأخیر ماهانه | اکسل | پیدا کردن الگو |
| ساعت کار و ایمنی | مقررات و مسئول ایمنی | مرتب کردن یادداشت |
مسیریابی: جایی که مدل زبانی جواب نمیدهد
اگر صد آدرس را در چت بریزید و ترتیب بهینه بخواهید، چیزی میگیرید که مرتب بهنظر میرسد و روی زمین اشتباه است. این همان مسئلهی مسیریابی وسیلهی نقلیه است: حلش الگوریتم میخواهد و دادهی واقعی فاصله و ترافیک. مدل زبانی نه فاصلهی خیابانهای مشهد را میداند نه توان این حجم محاسبه را دارد؛ ریشهاش در چرا هوش مصنوعی در ریاضی ضعیف است باز شده.
پس برای مسیر، نقشه و نرمافزار مسیریابی. کار مدل زبانی اینجا حاشیهای ولی مفید است: خروجی خشک نرمافزار را به برگهی خوانای راننده تبدیل میکند، با ترتیب توقف و شمارهی تماس هر مقصد.
برنامهی توزیع و اولویتبندی سفارش
اینجا اغلب دستنخورده مانده. بیشتر شرکتهای پخش قاعدهی اولویت دارند ولی مکتوب نیست: مشتری تاریخمصرفدار زودتر، بدهکار سنگین آخر، مقصد بینشهری اول صبح. همین قواعد را یک بار توضیح بدهید و فهرست خام سفارش را بدهید؛ دستهبندیشده و با ذکر دلیل تحویل میگیرید.
خروجی را پیشنهاد بدانید نه دستور. برای اینکه قاعدهها یک بار درست نوشته شوند و هر بار از نو توضیح داده نشوند، روش ساخت رویهی کاری استاندارد کمک میکند.
پیام به راننده و مشتری
بیشترین بازگشت وقت همینجاست. یک شرکت باربری روزی دهها پیام تکراری مینویسد: تأیید بارگیری، اعلام تأخیر، هماهنگی تخلیه. بهجای تایپ دوباره، یک بار ده الگو بسازید و فقط اسم و ساعت را عوض کنید؛ الگوهایش در نوشتن ایمیل و پیام کاری آمده.
پیام تأخیر را با لحن درست بنویسید. «بار شما ساعت ۱۴ میرسد؛ علتش بسته بودن مسیر بود» شکایت را کم میکند. سکوت تا لحظهی تحویل آن را زیاد میکند.
بارنامه، صورتوضعیت و اسناد حمل
راننده عکس بارنامه را در واتساپ میفرستد و کسی در دفتر دستی در اکسل واردش میکند. این مرحله کوتاه میشود: تصویر را بدهید، اقلام و وزن و مقصد را در قالب جدول بگیرید؛ روشش در تبدیل عکس به متن فارسی آمده. برای صورتوضعیت پیمانکار حمل هم میشود پیشنویس گرفت.
ولی عدد را باور نکنید تا نبینید. در فرم دستنویس، جابهجایی ۳ و ۸ یا افتادن یک صفر اتفاق میافتد و سر ماه به اختلاف حساب میکشد.
تحلیل تأخیر و پیدا کردن الگو
اگر گزارش تأخیر یک ماه را دارید، ارزشمندترین تحلیل همین است. اغلب شرکتها این داده را دارند و هرگز نگاهش نمیکنند. مسیر کار در تحلیل داده و اکسل با هوش مصنوعی آمده؛ برای شروع همین پرامپت را در نارنگی امتحان کنید:
نقش: تحلیلگر عملیات توزیع
هر سطر داده: تاریخ، کد راننده، منطقه، ساعت خروج، ساعت تحویل، دلیل ثبتشده.
[داده را اینجا بچسبانید]
۱. تأخیرها را بر اساس منطقه، روز هفته و ساعت خروج دستهبندی کن.
۲. سه الگوی تکرارشونده را نام ببر و شاهدش را در داده نشان بده.
۳. سطرهایی را که دلیلشان با ساعتها نمیخواند جدا کن.
۴. برای هر الگو یک تغییر عملی و قابل اجرا پیشنهاد بده.
قید: عددی که در داده نیست نساز. اگر داده کم است، بنویس چه ستونی لازم داری.خروجی معمولاً چیزی را نشان میدهد که همه حدس میزدند و کسی ثابت نکرده بود؛ مثلاً اینکه تأخیر مرکز شهر تقریباً همیشه به خروج بعد از هفت صبح از انبار برمیگردد.
نگهداری ناوگان و ثبت خرابی
دفترچهی سرویس اغلب یا نیست یا در گوشی راننده گم است. یک جدول ساده بسازید — خودرو، کیلومتر، تاریخ آخرین سرویس، خرابیهای ثبتشده — و ماهی یک بار برای بررسی بدهید. تکرار یک ایراد در یک خودرو در متن پراکنده گم میشود و در جدول بیرون میزند.
مرزی که رد نمیکنیم
هیچ خروجی مدلی نباید تعیین کند راننده چند ساعت پشت فرمان بماند یا با خستگی حرکت کند. سقف ساعت رانندگی و توقف اجباری موضوع مقررات و ایمنی کار است و مرجعش سند رسمی و مسئول ایمنی شرکت. ابزار جدول شیفت را مرتب مینویسد؛ تصمیم با شماست. برای بار خطرناک و بارگیری بیش از ظرفیت هم جای آزمونوخطا نیست.
مورد دوم داده است. فهرست مشتریان با نام و تلفن را وارد چت نکنید؛ برای تحلیل، کد مشتری و منطقه کافی است. توضیحش در امنیت اطلاعات در هوش مصنوعی هست.
جمعبندی
خط را جایی بکشید که هست: مسیر و تخصیص خودرو کار الگوریتم است، متن و سند و تحلیل کار مدل زبانی. اگر انتظار داشته باشید چت مسیرتان را بچیند، هم وقت تلف میکنید هم به کل ماجرا بدبین میشوید.
برای شروع: یک هفته پیامهای تکراری را استاندارد کنید و گزارش تأخیر ماه گذشته را تحلیل کنید. این دو نه بودجه میخواهند نه تغییر سیستم.
برای ادامه:
