Искусственный интеллект научился заказывать товары эффективнее, чем традиционные системы. Разработка Института искусственного интеллекта МФТИ увеличила валовую прибыль крупного дистрибьютора на 7% при тестировании на исторических данных. Потенциальный экономический эффект – десятки миллионов рублей в год. Об этом CNews сообщили представители МФТИ.
Управление запасами – одна из самых ресурсоемких задач в логистике, особенно при ассортименте в десятки тысяч позиций и нестабильном спросе. Классические системы автозаказа, такие как SAP, Oracle и RELEX, работают по принципу «прогноз плюс правило»: сначала строится прогноз спроса, затем применяется фиксированная формула. Разработанный в МФТИ RL-агент (Reinforcement Learning – обучение с подкреплением) действует иначе – он оптимизирует решения напрямую под целевой бизнес-показатель, учитывая долгосрочные последствия каждого заказа.
В тестировании на полученных ранее данных система подняла долю удовлетворенного спроса с 80% до 90%, что напрямую сокращает упущенную выручку. При этом агент адаптируется к изменениям логистических параметров и рыночной конъюнктуры без ручной перенастройки правил.
«Пример может выглядеть так: агент получает карточку товара: сегодня 15 ноября, цена – 1 тыс. руб., на складе №7 в городе N осталось 8 штук, в пути – еще 12 штук от поставщика «X», которые должны прийти через 3 дня. За прошлую неделю продали 5 штук, за предыдущую – 7. Агент помнит, что две недели назад был заказ на 20 штук, и он пришел вовремя, а три недели назад – заказ на 10 штук, и спрос тогда упал до 2 штук в неделю. На основе этой истории агент не просто считает среднее, а моделирует: «Если я закажу сейчас 15 штук – через 3 дня будет 8 + 12 + 15 = 35 штук. На этот запас я потратил 17,5 тыс. руб. С учетом текущего спроса (5-7 штук в неделю) его хватит на целый месяц, но я ожидаю рост спроса в это время года – например, перед сезоном ТО, – так что могу перехватить часть продаж. Если же закажу только 5 штук – остаток упадет до 15, и есть риск дефицита уже через 10 дней. Оценивая ожидаемую прибыль, вероятность получить дополнительные 2-3 тыс. руб. от повышения спроса перевешивает издержки негативного сценария с затовариванием, поэтому я предпочту сейчас заказать 15 штук. Такой подход обеспечивает масштабируемость на десятки тысяч артикулов без экспоненциального роста сложности модели. Мы фактически научили агента принимать решения по каждому товару, при этом используя опыт, полученный при работе со всей номенклатурой товаров», – сказал руководитель проекта, директор Центра когнитивного моделирования Института ИИ МФТИ и лаборатории когнитивных систем ИИ AIRI Александр Панов.
«Для разработки команда создала цифровую копию бизнес-процессов – платформу, которая проигрывает историю продаж и позволяет тестировать разные стратегии в условиях, максимально приближенных к реальным. На этой платформе обучили нейросеть с оригинальной архитектурой: она управляет каждой парой «товар – склад» автономно, но при этом использует опыт, накопленный при работе со всеми остальными товарами», – сказал директор Института искусственного интеллекта МФТИ Азамат Жилоков.
Обучение прототипа на выборке из 10 тыс. пар «товар – склад» занимает менее суток на стандартном серверном оборудовании. Следующий этап проекта – валидация на отложенных данных заказчика за 2025 г., после чего система может быть интегрирована в существующие ERP-решения, включая «1С», сначала в режиме «советчика», а затем с переходом к полной автоматизации.
«Переход от прототипа к внедрению займёт около шести месяцев: три месяца на тестирование во внешнем контуре и три – на интеграцию с ИТ-инфраструктурой заказчика. Мы сознательно проектировали систему так, чтобы она встраивалась в уже существующие процессы, а не требовала их перестройки», – сказал разработчик ИИ-решений лаборатории AIRI-МФТИ в Институте ИИ МФТИ Петр Кудеров.
Решение востребовано в секторах с высокой динамикой спроса – крупном ритейле, автосервисе, дистрибуции промышленного оборудования и электроники. Технология открыта к адаптации под задачи конкретных отраслей и готова к пилотному внедрению.
Поделиться
