inteligência artificial na logística - ufsc
TRANSCRIPT
![Page 1: Inteligência artificial na logística - UFSC](https://reader030.vdocuments.mx/reader030/viewer/2022012409/616a4f8011a7b741a3511ac0/html5/thumbnails/1.jpg)
1
Inteligência artificial para
um projeto de logísticaDR. MARTIN WEILANDT
Seminário do Grupo de
Estudos em Aprendizagem de
Máquina, UFSC
4 de novembro de 2019
Pesquisa apoida pelo
![Page 2: Inteligência artificial na logística - UFSC](https://reader030.vdocuments.mx/reader030/viewer/2022012409/616a4f8011a7b741a3511ac0/html5/thumbnails/2.jpg)
2Conteúdo
Introdução
Análise de dados
Previsão de preços
Combinar cargas
Simulação
Palavras finais
![Page 3: Inteligência artificial na logística - UFSC](https://reader030.vdocuments.mx/reader030/viewer/2022012409/616a4f8011a7b741a3511ac0/html5/thumbnails/3.jpg)
3Transporte de cargas na Alemanha (2018)
3,1 bilhões de toneladas
236 milhões de toneladas
52 milhões de toneladas
Fonte: https://www.destatis.de/EN/Themes/Economic-Sectors-Enterprises/Transport/Goods-Transport/Tables/mode-of-transport-main-traffic-relations-a.html
![Page 4: Inteligência artificial na logística - UFSC](https://reader030.vdocuments.mx/reader030/viewer/2022012409/616a4f8011a7b741a3511ac0/html5/thumbnails/4.jpg)
4O mercado de cargas
Agência de frete
• Fixa preços
• Combina cargas
• Procurada
transportadoras
NegociaçõesNegociações
Transportadora
• Administra seus
caminhões e
motoristas
• Avalia ofertas de
agências
Remetente
• Define
quantidades e
prazos
• Responsável
pela logística na
origem e no
destino
Observação: Os preços são negociados livremente. (Não existe uma tabela nacional do frete.)
![Page 5: Inteligência artificial na logística - UFSC](https://reader030.vdocuments.mx/reader030/viewer/2022012409/616a4f8011a7b741a3511ac0/html5/thumbnails/5.jpg)
5Uma rota típica (para um dia)
Rota:
• Carga 1:
Hamburgo (A) → Berlim
(B)
• Carga 2:
Lübeck (1) → Potsdam (2)
maps.openrouteservice.org, Map data © OpenStreetMap contributors, powered by MapSurfer.NET
![Page 6: Inteligência artificial na logística - UFSC](https://reader030.vdocuments.mx/reader030/viewer/2022012409/616a4f8011a7b741a3511ac0/html5/thumbnails/6.jpg)
6Uma rota típica (para um dia)
Rota:• Carga 1:
Hamburgo (A) -> Berlim (B)
• Carga 2:
Lübeck (1) -> Potsdam (2)
maps.openrouteservice.org, Map data © OpenStreetMap contributors, powered by MapSurfer.NET
Condições:• Capacidade do caminhão
• Tempo de viagem e
(des)carregamento
• Pausas obrigatórias
• Tempo máximo de trabalho• …
![Page 7: Inteligência artificial na logística - UFSC](https://reader030.vdocuments.mx/reader030/viewer/2022012409/616a4f8011a7b741a3511ac0/html5/thumbnails/7.jpg)
7Desafios do modelo clássico
Um planejador na agência consegueencher poucos caminhões por dia.
Cada planejador junta cargas dumacerta região.
A definição do preço pode levar muitotempo.
Caminhões têm ocupação média de70 % ou andam completamente vazios.
?
![Page 8: Inteligência artificial na logística - UFSC](https://reader030.vdocuments.mx/reader030/viewer/2022012409/616a4f8011a7b741a3511ac0/html5/thumbnails/8.jpg)
8A solução?
Yield
ManagementGestão da oferta • “calcular a melhor política de preços
(pricing), para otimizar e maximizar os lucros
gerados pela venda de um produto ou
serviço, baseada em modelos matemáticos
de simulação e previsões de tendências de
procura por segmento de mercado”
(Wikipédia)
• Exemplos: Quartos em hotéis, passagens
aéreas (ou de trem/ônibus), aluguel de carros, aplicativos de táxi, lojas
Para cargas:
Andreas Karanas© Carrypicker
![Page 9: Inteligência artificial na logística - UFSC](https://reader030.vdocuments.mx/reader030/viewer/2022012409/616a4f8011a7b741a3511ac0/html5/thumbnails/9.jpg)
9A solução?
Engenharia TI Matemática
![Page 10: Inteligência artificial na logística - UFSC](https://reader030.vdocuments.mx/reader030/viewer/2022012409/616a4f8011a7b741a3511ac0/html5/thumbnails/10.jpg)
10Módulos principais
Cálculo de preço de carga (metros, peso, distância, mercado,…)
Combinação de cargas
Escolha de transportadoras
Cálculo dum preço para a transportadora
![Page 11: Inteligência artificial na logística - UFSC](https://reader030.vdocuments.mx/reader030/viewer/2022012409/616a4f8011a7b741a3511ac0/html5/thumbnails/11.jpg)
11Módulos auxiliares
Reconhecimento de documentos
Distâncias e regiões
(geometria algorítmica)
Previsão de custos
Simulação de remetentes e transportadoras
![Page 12: Inteligência artificial na logística - UFSC](https://reader030.vdocuments.mx/reader030/viewer/2022012409/616a4f8011a7b741a3511ac0/html5/thumbnails/12.jpg)
12Análise de dados
Analisamos milhões de dados históricos fornecidos por uma agência tradicional:
Origem e destino
Peso e tamanho
Datas e horários para buscar e entregar
Preços (carga e transporte)
Informações sobre o caminhão
Dados de remetente e transportadora
Comentários
…
Tamanh
o (𝒙𝟏)
Peso
(𝒙𝟐)
Distânci
a (𝒙𝟑)
CEP
origem
(𝒙𝟒)
„Paleta“
(𝒙𝟓)
𝒙𝟔, 𝒙𝟕,… Preço
(𝒚)
7,2 6,8 t 164 km 90123 1 … 320 €
4,4 1 t 308 km 21345 0 … 198 €
![Page 13: Inteligência artificial na logística - UFSC](https://reader030.vdocuments.mx/reader030/viewer/2022012409/616a4f8011a7b741a3511ac0/html5/thumbnails/13.jpg)
13Análise de dados
Meios de análise
• Tabelas e bancos de dados para identificar parâmetros relevantes
• Diagramas para identificar correlações
• Mapas
Desafios típicos
• Dados incompletos
• Dados mal-digitalizados (nomes diferentes para mesma categoria,…)
• Falta de dados relevantes (hora da negociação, preços recusadospelo remetente)
![Page 14: Inteligência artificial na logística - UFSC](https://reader030.vdocuments.mx/reader030/viewer/2022012409/616a4f8011a7b741a3511ac0/html5/thumbnails/14.jpg)
14
Previsão de preços• INTRODUÇÃO A REGRESSÕES
• REGRESSÃO LINEAR MÚLTIPLA
• TREINAMENTE DE MODELOS
• RANDOM FOREST
• REDE NEURAL
![Page 15: Inteligência artificial na logística - UFSC](https://reader030.vdocuments.mx/reader030/viewer/2022012409/616a4f8011a7b741a3511ac0/html5/thumbnails/15.jpg)
15Introdução a regressões
Problema geral:
Dado um vetor 𝑥 = (𝒙𝟏, … , 𝒙𝒏), estimar o valor 𝑦.
Tamanh
o (𝒙𝟏)
Peso
(𝒙𝟐)
Distânci
a (𝒙𝟑)
CEP
origem
(𝒙𝟒)
„Paleta“
(𝒙𝟓)
𝒙𝟔, 𝒙𝟕,… Preço
(𝒚)
7,2 6,8 t 164 km 90123 1 … 320 €
4,4 1 t 308 km 21345 0 … 198 €
![Page 16: Inteligência artificial na logística - UFSC](https://reader030.vdocuments.mx/reader030/viewer/2022012409/616a4f8011a7b741a3511ac0/html5/thumbnails/16.jpg)
16Regressão linear múltipla
Ideia
• Achar (hiper)plano que minimize erro quadrático médio Τ1 𝑚σ𝑖=1𝑚 (𝑦𝑖 − ො𝑦𝑖)
2
Vantagens
• Cálculos rápidos
• Modelo único e intuitivo
Desvantagens
• Cada parâmetro tem de ser dado por um número real.
• Assume que variar qualquer parâmetro leva a uma reta.
![Page 17: Inteligência artificial na logística - UFSC](https://reader030.vdocuments.mx/reader030/viewer/2022012409/616a4f8011a7b741a3511ac0/html5/thumbnails/17.jpg)
17Treinamento de modelos: Ideia
Escolher modelo
Escolher(hiper)parâmetros
Separar dados(treinamento -
teste)Treinar
Testar
![Page 18: Inteligência artificial na logística - UFSC](https://reader030.vdocuments.mx/reader030/viewer/2022012409/616a4f8011a7b741a3511ac0/html5/thumbnails/18.jpg)
18Treinamento de modelos: Prática
Ideia geral
• Começar com uma função complexa de um certo tipo („modelo“)
• Usando dados de treinamento, ajustar o modelo de uma forma sistemática, passo a passo
• Avaliar as previsões nos dados de teste
Desafios
• O modelo final tem de ser capaz de generalizar („Aprender“!).
Overfitting!
Previsões nos
dados de teste
piores que nos
dados de
treinamento
![Page 19: Inteligência artificial na logística - UFSC](https://reader030.vdocuments.mx/reader030/viewer/2022012409/616a4f8011a7b741a3511ac0/html5/thumbnails/19.jpg)
19Random Forest
Árvore de regressão („CART“)
Random Forest ®
• Coleção de árvores, cada uma treinada em exemplos escolhidosaleatoriamente
• O preço da carga é a média aritmética dos resultados de cada árvore
Distância
< 227 km ≥ 227 km
PesoMetros
100
€200
€
350
€
190
€
< 5 m ≥ 5 m < 6 t ≥ 6 t
![Page 20: Inteligência artificial na logística - UFSC](https://reader030.vdocuments.mx/reader030/viewer/2022012409/616a4f8011a7b741a3511ac0/html5/thumbnails/20.jpg)
20Random Forest
Hiperparâmetros
• Número de árvores
• Altura máxima de cada árvore
• Critério de escolha do parâmetro em cada árvore (redução da variação)
Vantagens
• Ideia geral relativamente intuitiva
• Pode ser usado para variáveis numéricos e categoriais
• Método clássico com vasta literatura de extensões
Desvantagens
• Não extrapola tão bem.
![Page 21: Inteligência artificial na logística - UFSC](https://reader030.vdocuments.mx/reader030/viewer/2022012409/616a4f8011a7b741a3511ac0/html5/thumbnails/21.jpg)
21Rede neural (artificial)
Σ
Σ
Σ
Σ
Σ
Σ
Σ
Σ
Σ
Σ
Σ
Σ
Σ
*𝑤𝑖𝑗(1)
Preço
Peso
Tamanho
Distância 1
1
1
Dados
binários
(categorias)
0/1
Números
reais
Entrada Camadas „escondidas“
Saída
Normalizaç
ões
*𝑤𝑘𝑙(2)
Pesos
![Page 22: Inteligência artificial na logística - UFSC](https://reader030.vdocuments.mx/reader030/viewer/2022012409/616a4f8011a7b741a3511ac0/html5/thumbnails/22.jpg)
22Rede neural
Hiperparâmetros
• Normalização de parâmetros reais e codificação de parâmetros categoriais
• Topologia (estrutura de câmadas, conexões)
• Funções de ativação, de perda, otimizador, número de épocas
Vantagens
• Pode aproximar funções diferentes.
Desvantagens
• Não tão intuitivo e difícil de seguir raciocínio
![Page 23: Inteligência artificial na logística - UFSC](https://reader030.vdocuments.mx/reader030/viewer/2022012409/616a4f8011a7b741a3511ac0/html5/thumbnails/23.jpg)
23
Combinar cargas
• COMBINAR PASSO 1: ACHAR UMA BOA SOLUÇÃO
• COMBINAR PASSO 2: MELHORAR A SOLUÇÃO
![Page 24: Inteligência artificial na logística - UFSC](https://reader030.vdocuments.mx/reader030/viewer/2022012409/616a4f8011a7b741a3511ac0/html5/thumbnails/24.jpg)
24Combinar passo 1: Achar uma boa solução
1. Determinar grafo G de cargas/rotas dois a dois compatíveis
2. Separar os componentes de G (para paralelizacao)
3. Para cada carga C:
1. Se C cabe em um caminhão virtual V, coloque C em V.
2. Senão crie um novo caminhão contendo apenas C.
C
![Page 25: Inteligência artificial na logística - UFSC](https://reader030.vdocuments.mx/reader030/viewer/2022012409/616a4f8011a7b741a3511ac0/html5/thumbnails/25.jpg)
25Combinar passo 1: Achar uma boa solução
1. Determinar grafo G de cargas/rotas dois a dois compatíveis
2. Separar os componentes de G (para paralelizacao)
3. Para cada carga C:
1. Se C cabe em um caminhão virtual V, coloque C em V.
2. Senão crie um novo caminhão contendo apenas C.
V
C
![Page 26: Inteligência artificial na logística - UFSC](https://reader030.vdocuments.mx/reader030/viewer/2022012409/616a4f8011a7b741a3511ac0/html5/thumbnails/26.jpg)
26Combinar passo 1: Achar uma boa solução
1. Determinar grafo G de cargas/rotas dois a dois compatíveis
2. Separar os componentes de G (para paralelizacao)
3. Para cada carga C:
1. Se C cabe em um caminhão virtual V, coloque C em V.
2. Senão crie um novo caminhão contendo apenas C.
V
C
![Page 27: Inteligência artificial na logística - UFSC](https://reader030.vdocuments.mx/reader030/viewer/2022012409/616a4f8011a7b741a3511ac0/html5/thumbnails/27.jpg)
27Combinar passo 2: Melhorar a solução
Ideia geral
• Definir custos/punições para caminhões atrasados, encomendas incompatíveis, etc.
• Melhorar a solução trocando alguns caminhões poroutros
Possíveis métodos iterativos
• Hill climbing
• Simulated annealing
• Algoritmos genéticos
![Page 28: Inteligência artificial na logística - UFSC](https://reader030.vdocuments.mx/reader030/viewer/2022012409/616a4f8011a7b741a3511ac0/html5/thumbnails/28.jpg)
28Simulação multiagente
Testamos os algoritmos
usando:
Preços carga
Preços transporte
Combinador
Escolhador de
transportadora
Remetente
Transportadoras
Fila de eventos
![Page 29: Inteligência artificial na logística - UFSC](https://reader030.vdocuments.mx/reader030/viewer/2022012409/616a4f8011a7b741a3511ac0/html5/thumbnails/29.jpg)
29Ferramentas úteis
Estatística e otimização
Programação: C#, Python, R
Bibliotecas: Microsoft ML, Scikit-Learn, Keras/Tensorflow, próprias implementações
Universo OpenStreetMap
Bancos de dados: servidor SQL
![Page 30: Inteligência artificial na logística - UFSC](https://reader030.vdocuments.mx/reader030/viewer/2022012409/616a4f8011a7b741a3511ac0/html5/thumbnails/30.jpg)
30Próximos passos
Planejamento de vários transportes seguidos (ida e volta, por exemplo) e simulação
de descontos
Reservas proativas de caminhões
Sistemas inteligentes que percebem mudanças/distorções no mercado
Simulação de concorrentes
Aprendizagem por processos reais
![Page 31: Inteligência artificial na logística - UFSC](https://reader030.vdocuments.mx/reader030/viewer/2022012409/616a4f8011a7b741a3511ac0/html5/thumbnails/31.jpg)
31mi Solutions: Consultoria matemática industrial
Supply Chain & Logistics
Production Planning & Control
Modeling and Simulation
Process Optimization
Agile Maintenance & System Safety
Quantitative and Statistical Consulting
![Page 32: Inteligência artificial na logística - UFSC](https://reader030.vdocuments.mx/reader030/viewer/2022012409/616a4f8011a7b741a3511ac0/html5/thumbnails/32.jpg)
32Alguns outros projetos “Mobilität 4.0“ do
Roteamento de bicicletas de carga
Drones autônomosobservando trilhos
Pseudonomização de dados de trânsito
Fornecimento de dados sobre
funcionamento de elevadores
Otimização do planejamento paraempresas de freteconsiderando mau
tempo e estacionamentos
Inteligência artificialpara identificar lugares
com maior risco de acidentes
Manutenção preditivade ônibus
Integração de ônibus-cidadão em sistemas
de informação