Лекция 2.8. Искусственный интеллект: машинное обучение и агенты

Содержание

• Лекция 2.8. Искусственный интеллект: машинное обучение и агенты
  • Содержание
  • Стратегия развития транспортной системы РФ до 2030 г.
    • Основные цели стратегии
    • Ключевые показатели
  • Роль железнодорожного транспорта в логистике промышленных предприятий
    • Значение железнодорожного транспорта
    • Устойчивость цепей поставок промышленных предприятий
    • Пример
  • Технологии «умной логистики»
    • Автономный транспорт
    • Цифровые транспортные коридоры
  • Риски в цепи поставок и методы их минимизации
    • Классификация рисков
    • Методы минимизации
    • Пример управления рисками
  • Аутсорсинг логистических функций
    • Преимущества аутсорсинга
    • Риски аутсорсинга
    • Когда применять аутсорсинг
  • Проектирование устойчивой ЛПТС для предприятий
    • Принципы устойчивости
    • Модель устойчивой ЛПТС
  • Эмерджентные свойства логистических систем
  • Искусственный интеллект в логистике
    • Определение и уровни ИИ
    • Классификация методов ИИ в логистике
    • Парадигмы машинного обучения
    • Задачи машинного обучения в логистике
    • Сравнение методов машинного обучения
    • Пример 1. Классификация: прогноз задержки поставки
    • Пример 2. Метод k ближайших соседей (ручной расчёт)
    • Оценка качества классификации: матрица ошибок
    • Пример 3. Кластеризация поставщиков
    • Нейронные сети и глубокое обучение
    • Жизненный цикл ML-проекта
  • Агентные модели в имитационном моделировании
    • Понятие агента и мультиагентной системы
    • Сравнение подходов к имитационному моделированию
    • Структура интеллектуального агента
    • Пример агентной модели склада в Python
    • Применение агентных моделей в логистике
  • Сравнение «традиционного» и «цифрового» подходов
    • Сравнительная характеристика
    • Эффект цифровой трансформации
    • Итоговая интеграция знаний
  • Применение на машиностроительном предприятии
    • Сценарии внедрения ИИ в АО «Ракета»
    • Ограничения применения ИИ на промышленном предприятии
  • Связь с лабораторной работой
  • Ключевые выводы по лекции
  • Контрольные вопросы
  • Обзор основных тем курса
  • Ключевые тезисы курса
  • Заключение
  • Рекомендуемая литература

Стратегия развития транспортной системы РФ до 2030 г.

Основные цели стратегии

Цель 1. Развитие инфраструктуры

• Модернизация железнодорожных путей (БАМ, Транссиб)
• Строительство новых автодорог в рамках проекта «Безопасные качественные дороги»
• Развитие Северного морского пути

Цель 2. Цифровая трансформация

• Внедрение цифровых транспортных коридоров
• Автоматизация управления перевозками
• Электронный документооборот

Цель 3. Повышение конкурентоспособности

• Снижение логистических затрат в ВВП с 19% до 12%
• Увеличение экспорта транспортных услуг
• Развитие транзитного потенциала

Цель 4. Устойчивое развитие

• Снижение выбросов CO₂ на 20%
• Переход на экологичные виды топлива
• Энергоэффективность инфраструктуры

Ключевые показатели

Роль железнодорожного транспорта в логистике промышленных предприятий

Значение железнодорожного транспорта

Преимущества для промышленных предприятий:

Устойчивость цепей поставок промышленных предприятий

Угрозы:

• Зависимость от иностранных поставщиков комплектующих
• Риски срыва поставок из-за структурных сдвигов на рынке
• Уязвимость транспортных коридоров

Меры обеспечения:

• Диверсификация поставщиков
• Создание стратегических запасов критичных материалов
• Развитие внутренней производственной базы
• Приоритет железнодорожных перевозок для промышленных грузов

Пример

Перевозка крупногабаритных промышленных агрегатов:

• Маршрут: Самара → Владивосток (9 000 км)
• Транспорт: специализированные вагоны с температурным контролем
• Время в пути: 7 дней
• Безопасность: охрана груза, GPS-мониторинг
• Альтернатива (авиа): 1 день, но в 15 раз дороже и ограничения по габаритам

Технологии «умной логистики»

Автономный транспорт

Беспилотные грузовики:

• Уровень автономности L4 (высокая автоматизация)
• Применение: магистральные перевозки, карьеры
• Преимущества: работа 24/7, снижение затрат на водителей

Примеры в РФ:

• «Яндекс» — беспилотные грузовики на трассе М-11
• «КАМАЗ» — тестирование беспилотных шаттлов
• «СберЛогистика» — план внедрения к 2027 г.

Цифровые транспортные коридоры

Определение: Интегрированная информационная среда для управления перевозками с участием всех заинтересованных сторон.

Функционал:

• Электронная накладная
• Предварительное информирование таможни
• Мониторинг местоположения
• Прогноз времени прибытия

Пример: Цифровой коридор «Евразия»

• Участники: Россия, Казахстан, Китай
• Время транзита: с 14 до 9 дней
• Сокращение документов: на 70%

Риски в цепи поставок и методы их минимизации

Классификация рисков

Методы минимизации

1. Избежание риска

• Отказ от работы с ненадёжными поставщиками
• Диверсификация рынков сбыта

2. Снижение риска

• Создание страховых запасов
• Резервные мощности
• Регулярное ТО оборудования

3. Передача риска

• Страхование грузов
• Аутсорсинг логистики
• Штрафные санкции в контрактах

4. Принятие риска

• Создание резервных фондов
• Планы аварийного восстановления

Пример управления рисками

Сценарий: Срыв поставки критичных комплектующих из-за границы

Меры:

1. Диверсификация: 3 поставщика из разных стран
2. Страховой запас: на 30 дней производства
3. Локализация: план постепенного перехода на отечественные аналоги
4. Контракт: штрафные санкции за срыв поставок

Аутсорсинг логистических функций

Преимущества аутсорсинга

Риски аутсорсинга

Когда применять аутсорсинг

Рекомендуется:

• Непрофильная функция (транспорт, склад)
• Нет компетенций внутри компании
• Требуется быстрое масштабирование
• Высокие инвестиции в инфраструктуру

Не рекомендуется:

• Функция является конкурентным преимуществом
• Высокие требования к конфиденциальности (промышленные предприятия с коммерческой тайной)
• Есть внутренние компетенции и инфраструктура

Проектирование устойчивой ЛПТС для предприятий

Принципы устойчивости

1. Надёжность

• Резервирование критичных элементов
• Многоканальность поставок
• Страховые запасы

2. Гибкость

• Быстрая перестройка под изменения спроса
• Адаптивность к новым условиям
• Модульная архитектура системы

3. Видимость

• Сквозное отслеживание грузов
• Прозрачность запасов
• Раннее предупреждение о сбоях

4. Эффективность

• Оптимизация затрат
• Минимизация потерь
• Непрерывное улучшение

Модель устойчивой ЛПТС

---
config:
  look: handDrawn
  theme: neutral
---
flowchart TD

    subgraph B[Основной поток]
        direction LR
        B1[Поставщики<br>множественные] --> B2[Производство<br>гибкое] --> B3[Клиенты<br>сервис]
    end

    subgraph C[Единая информационная система]
        C1[Мониторинг в реальном времени]
        C2[Прогнозирование срывов]
        C3[Автоматическое перепланирование]
    end

    subgraph D[Ресурсы устойчивости]
        D1[Страховые запасы<br>критичных материалов]
        D2[Резервные производственные<br>мощности]
        D3[Альтернативные<br>логистические маршруты]
    end

    B1 & B2 & B3 --> C
    C --> D

    style B fill:#cff,stroke:#333,stroke-width:2px
    style C fill:#ffc,stroke:#333,stroke-width:2px
    style D fill:#cfc,stroke:#333,stroke-width:2px

Эмерджентные свойства логистических систем

Вспомним основы (лекция 1.8). Понятие эмерджентных свойств, примеры (пропускная способность станции, полезная вместимость склада, устойчивость цепи поставок) и выводы для управления подробно разобраны в лекции 1.8, раздел «Эмерджентные свойства логистических систем». Напомним ключевое: эмерджентные свойства проявляются только на уровне системы в целом и не присущи отдельным её элементам, поэтому оптимизация одного элемента не равна оптимизации системы.

Здесь мы развиваем эту идею применительно к цифровому моделированию. Эмерджентные свойства принципиально трудно получить «на бумаге» — они проявляются только при взаимодействии множества элементов. Именно поэтому для их изучения применяют имитационное и агентное моделирование: поведение системы «проявляется» в ходе компьютерного эксперимента как сумма локальных взаимодействий агентов (см. раздел «Агентные модели» ниже).

Искусственный интеллект в логистике

Определение и уровни ИИ

Искусственный интеллект (ИИ) — область информатики, занимающаяся созданием систем, способных выполнять задачи, требующие человеческого интеллекта: распознавание образов, обучение, принятие решений, понимание естественного языка.

Уровни развития ИИ:

Практическая логистика сегодня использует исключительно узкий ИИ: каждая модель решает свою задачу (прогноз, классификация, маршрутизация), а интеграция моделей в единую систему управления создаёт эффект «интеллектуальной» цепи поставок.

Классификация методов ИИ в логистике

---
config:
  look: handDrawn
  theme: neutral
---
flowchart TD
    A[ИИ в логистике] --> B[Машинное обучение]
    A --> C[Нейронные сети<br/>и глубокое обучение]
    A --> D[Агентные модели]
    A --> E[Экспертные системы<br/>и нечёткая логика]
    A --> F[Оптимизация<br/>с обучением]
    B --> B1[Прогноз спроса<br/>ARIMA, XGBoost]
    B --> B2[Классификация<br/>риски, брак]
    B --> B3[Кластеризация<br/>ABC, сегменты]
    C --> C1[Распознавание<br/>номеров, грузов]
    C --> C2[LSTM-прогнозы<br/>последовательностей]
    D --> D1[Агенты транспорта]
    D --> D2[Агенты склада]
    D --> D3[Переговорные агенты]
    E --> E1[Диагностика<br/>неисправностей]
    F --> F1[Динамическая<br>маршрутизация]
    style A fill:#e3f2fd,stroke:#333,stroke-width:2px

Экономический эффект ИИ в логистике (по данным обзора Абзалхановой, 2024): снижение логистических затрат на 10–20%, повышение точности прогноза на 25–35%, сокращение простоев транспорта на 15–25%.

Парадигмы машинного обучения

Машинное обучение (Machine Learning, ML) — раздел ИИ, в котором алгоритм не программируется явно, а обучается выявлять закономерности по данным.

Задачи машинного обучения в логистике

Сравнение методов машинного обучения

Пример 1. Классификация: прогноз задержки поставки

Задача: по данным о поставке (поставщик, расстояние, вид транспорта, сезон, размер партии) предсказать, будет ли поставка задержана (бинарный класс: «в срок» / «задержка»). Данные — история поставок из кейса АО «Ракета» (семестр 1, ЛР «Анализ закупок»).

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import classification_report, confusion_matrix

# Загрузка истории поставок (из ЛР семестра 1)
df = pd.read_csv("deliveries.csv")
# Признаки: поставщик, расстояние, транспорт, месяц, размер партии
X = pd.get_dummies(df[["supplier", "distance_km", "transport",
                       "month", "lot_size"]], drop_first=True)
y = df["is_late"]  # 1 = задержка, 0 = в срок

# Разделение: 80% обучение, 20% тест
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42, stratify=y)

# Обучение модели
model = RandomForestClassifier(n_estimators=200, max_depth=6,
                               random_state=42)
model.fit(X_train, y_train)

# Оценка качества
y_pred = model.predict(X_test)
print(classification_report(y_test, y_pred))
print(confusion_matrix(y_test, y_pred))

# Важность признаков — какие факторы сильнее всего влияют на задержку
importance = pd.Series(model.feature_importances_, index=X.columns)
print(importance.sort_values(ascending=False).head(5))

Интерпретация результата: если модель показывает высокую важность признака supplier_X, закупщик получает объективное основание пересмотреть рейтинг поставщика (связь с ЛР семестра 1 «Рейтинг поставщиков») и заложить увеличенный страховой запас именно по его позициям.

Пример 2. Метод k ближайших соседей (ручной расчёт)

Метод k-ближайших соседей (k-Nearest Neighbours, kNN) — простейший алгоритм классификации: объект относится к тому классу, который преобладает среди его k ближайших соседей в пространстве признаков.

Задача. Определить, будет ли задержана новая поставка с признаками (расстояние = 3,0 тыс. км; размер партии = 2,0 т). История пяти предыдущих поставок:

Шаг 1. Евклидовы расстояния до новой точки $x = (3{,}0;\ 2{,}0)$:

• $d_A = \sqrt{(3{,}0-2{,}5)^2 + (2{,}0-1{,}5)^2} = \sqrt{0{,}25 + 0{,}25} = 0{,}707$
• $d_B = \sqrt{(3{,}0-3{,}5)^2 + (2{,}0-2{,}5)^2} = \sqrt{0{,}25 + 0{,}25} = 0{,}707$
• $d_C = \sqrt{(3{,}0-1{,}0)^2 + (2{,}0-3{,}0)^2} = \sqrt{4 + 1} = 2{,}236$
• $d_D = \sqrt{(3{,}0-4{,}0)^2 + (2{,}0-1{,}0)^2} = \sqrt{1 + 1} = 1{,}414$
• $d_E = \sqrt{(3{,}0-3{,}0)^2 + (2{,}0-3{,}5)^2} = 1{,}5$

Шаг 2. Три ближайших соседа (k = 3): A (0,707; в срок), B (0,707; задержка), D (1,414; задержка).

Шаг 3. Голосование: «в срок» — 1 голос, «задержка» — 2 голоса → прогноз: задержка.

Вывод: несмотря на то, что ближайший сосед A был доставлен в срок, большинство соседей имели задержку — новой поставке требуется повышенный контроль и страховой запас. При k = 1 прогноз был бы «в срок» (ближайший сосед A) — это демонстрирует чувствительность метода к выбору k: малое k → шум, большое k → сглаживание локальных закономерностей.

Оценка качества классификации: матрица ошибок

Результаты классификации сводятся в матрицу ошибок (confusion matrix). Пример: модель прогноза задержек проверена на 200 поставках:

Метрики качества:

• Accuracy (доля верных): $\frac{TP + TN}{Всего} = \frac{42 + 144}{200} = 0{,}93$ (93%);
• Precision (точность): $\frac{TP}{TP + FP} = \frac{42}{50} = 0{,}84$ — из всех предсказанных задержек 84% реально задержались;
• Recall (полнота): $\frac{TP}{TP + FN} = \frac{42}{48} = 0{,}875$ — модель поймала 87,5% реальных задержек;
• F1-мера (гармоническое среднее): $\frac{2 \cdot 0{,}84 \cdot 0{,}875}{0{,}84 + 0{,}875} = 0{,}857$.

Важно для логистики: при прогнозировании рисков приоритетна полнота (recall) — пропустить реальную задержку (FN) дороже, чем поднять ложную тревогу (FP). Для регрессионных задач (прогноз спроса) применяются метрики MAE/RMSE/MAPE из лекции 2.6.

Пример 3. Кластеризация поставщиков

Кластеризация — задача обучения без учителя: объекты делятся на группы так, чтобы внутри групп они были похожи, а между группами — различны. В логистике кластеризация автоматизирует и расширяет ABC-XYZ-анализ (лекция 1.6), работая сразу по многим признакам.

import pandas as pd
from sklearn.preprocessing import StandardScaler
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt

# Признаки поставщиков: надёжность, цена, срок, вариативность задержек
df = pd.read_csv("suppliers.csv")
features = ["on_time_rate", "price_index",
            "lead_time_days", "delay_std"]
X = StandardScaler().fit_transform(df[features])

# Выбор числа кластеров по методу «локтя»
inertia = [KMeans(n_clusters=k, random_state=42)
           .fit(X).inertia_ for k in range(2, 8)]
plt.plot(range(2, 8), inertia, "o-")
plt.xlabel("k"); plt.ylabel("Инерция"); plt.show()

# Финальная кластеризация
kmeans = KMeans(n_clusters=4, random_state=42, n_init=10)
df["cluster"] = kmeans.fit_predict(X)

# Профили кластеров — интерпретация групп
print(df.groupby("cluster")[features].mean().round(2))

Интерпретация кластеров (пример):

Нейронные сети и глубокое обучение

Искусственная нейронная сеть (ИНС) — вычислительная модель, вдохновлённая биологическими нейронными системами: слой нейронов, каждый из которых вычисляет взвешенную сумму входов с нелинейной функцией активации.

Ограничения нейросетей в логистике предприятия:

• Требуют больших объёмов качественных данных (тысячи наблюдений);
• Плохо интерпретируемы («чёрный ящик») — критично при принятии решений с высокой ответственностью (государственный контракт);
• Риск переобучения: модель «запоминает» шум истории вместо закономерностей;
• Деградация при структурных сдвигах (санкции, смена поставщиков) — требуется регулярное переобучение.

Жизненный цикл ML-проекта

---
config:
  look: handDrawn
  theme: neutral
---
flowchart LR
    A[1. Постановка<br/>бизнес-задачи] --> B[2. Сбор данных<br/>ERP, WMS, TMS, IoT]
    B --> C[3. Предобработка<br/>очистка, признаки]
    C --> D[4. Обучение<br/>выбор модели]
    D --> E[5. Валидация<br/>метрики, кросс-валидация]
    E -->|метрики ниже цели| C
    E --> F[6. Внедрение<br/>интеграция в процессы]
    F --> G[7. Мониторинг<br/>деградация, дрейф данных]
    G -->|переобучение| D
    style E fill:#fff9c4,stroke:#333,stroke-width:3px

Ключевые этапы и типичные ошибки:

1. Постановка задачи — ошибка: строить модель «вообще», без целевой метрики бизнеса (например, «снизить долю срывов отгрузок с 5% до 2%»).
2. Сбор данных — ошибка: использовать данные за период структурного сдвига без маркировки.
3. Предобработка — до 70% времени проекта: пропуски, выбросы, кодирование категорий, масштабирование признаков.
4. Обучение — начинать с простой базовой модели (baseline): если сложная модель не превосходит её, она не нужна.
5. Валидация — оценка только на тестовой выборке, которую модель не видела; для рядов — разбиение по времени, а не случайно.
6. Внедрение — модель должна работать в контуре принятия решений (например, автоматически корректировать точку заказа в ERP).
7. Мониторинг — контроль дрейфа данных: если MAPE растёт квартал к кварталу, модель переобучают или заменяют.

Агентные модели в имитационном моделировании логистических систем

Понятие агента и мультиагентной системы

Агент — активный объект модели, который обладает собственным состоянием, воспринимает окружение, принимает решения по заданным правилам и действует, влияя на среду и других агентов.

Мультиагентная система (МАС) — совокупность взаимодействующих агентов, совместное поведение которой порождает свойства, не сводимые к поведению отдельных агентов (эмерджентность).

Признаки агента:

• Автономность — действует без прямого внешнего управления;
• Реактивность — отвечает на изменения среды;
• Проактивность — преследует собственные цели (например, «доставить груз в срок с минимальным пробегом»);
• Социальность — взаимодействует с другими агентами (обмен сообщениями, переговоры, конкуренция за ресурсы).

Сравнение подходов к имитационному моделированию

Практическая рекомендация: в современных инструментах (AnyLogic) три подхода комбинируются — агентный уровень задаёт поведение транспорта и заказов, событийный — обработку на складе, системно-динамический — рыночный спрос.

Структура интеллектуального агента

Агент реализуется циклом «восприятие → решение → действие»:

---
config:
  look: handDrawn
  theme: neutral
---
flowchart LR
    E[Среда<br/>склад, дорога, рынок] -->|события, состояние| P[Восприятие<br/>сенсоры, данные]
    P --> M[Модель мира<br/>знания агента]
    M --> D[Принятие решения<br/>правила / ML-модель]
    D --> A[Действие<br/>перемещение, заявка, торг]
    A --> E
    style D fill:#fff9c4,stroke:#333,stroke-width:3px

В простейших агентах блок «принятие решения» — набор правил if-then; в интеллектуальных агентах — оптимизационная или ML-модель (например, предсказание ETA нейросетью или выбор маршрута обучением с подкреплением).

Пример агентной модели склада в Python

Ниже — упрощённая агентная модель участка отгрузки: агенты-погрузчики конкурируют за заявки, выбирают ближайшую и обрабатывают её. Модель показывает, как из простых локальных правил возникает глобальная производительность склада (эмерджентное свойство).

import random

class Order:
    """Заявка на обработку (агент-пассив)."""
    def __init__(self, oid, x, y, volume):
        self.id, self.x, self.y = oid, x, y
        self.volume = volume          # трудоёмкость, мин
        self.done = False

class Forklift:
    """Агент-погрузчик: восприятие -> решение -> действие."""
    def __init__(self, fid, x=0, y=0, speed=1.0):
        self.id, self.x, self.y = fid, x, y
        self.speed = speed
        self.busy_until = 0
        self.handled = 0

    def step(self, t, orders):
        if t < self.busy_until:
            return  # занят — действие не требуется
        # Восприятие: свободные заявки
        free = [o for o in orders if not o.done]
        if not free:
            return
        # Решение: ближайшая заявка (жадное правило)
        target = min(free, key=lambda o:
                     (o.x - self.x)**2 + (o.y - self.y)**2)
        # Действие: перемещение и обработка
        dist = ((target.x - self.x)**2 + (target.y - self.y)**2) ** 0.5
        arrive = t + dist / self.speed
        finish = arrive + target.volume
        self.x, self.y = target.x, target.y
        self.busy_until = finish
        target.done = True
        self.handled += 1

# Эксперимент: 100 заявок, 3 погрузчика, 480 минут смены
random.seed(42)
orders = [Order(i, random.randint(0, 40), random.randint(0, 20),
                random.randint(3, 10)) for i in range(100)]
fleet = [Forklift(f, 0, 0) for f in range(3)]

for t in range(480):
    for f in fleet:
        f.step(t, orders)

print("Обработано заявок:", sum(f.handled for f in fleet), "из 100")
print("Загрузка по агентам:", [f.handled for f in fleet])

Что показывает эксперимент: при изменении числа агентов (погрузчиков), их скорости или правила выбора заявки (жадное → приоритетное → с ML-прогнозом трудоёмкости) меняется глобальный показатель — число обработанных заявок за смену. Именно так в агентных моделях исследуют эмерджентные свойства: «сколько погрузчиков нужно, чтобы закрыть 95% заявок за смену?».

Применение агентных моделей в логистике

Связь с курсом: агентный уровень дополняет имитационную модель сквозной цепи поставок, построенную в ЛР семестра 2 (лекция 2.5): события — заявки и поставки; агенты — транспорт, погрузчики, поставщики с собственным поведением; стресс-сценарии (срыв поставки) реализуются изменением поведения соответствующего агента.

Сравнение «традиционного» и «цифрового» подходов

Сравнительная характеристика

Эффект цифровой трансформации

Итоговая интеграция знаний

Семестр 1 (традиционный):

• Понимание базовых принципов логистики
• Управление запасами (EOQ, ABC-XYZ)
• Транспортная задача (метод потенциалов)
• SWOT-анализ, финансовая устойчивость

Семестр 2 (цифровой):

• Цифровые технологии (IoT, блокчейн, AI)
• Прогнозирование (временные ряды, машинное обучение)
• Оптимизация (Python, OR-Tools)
• Интеграция, устойчивые цепи поставок

Компетенции выпускника:

• Применение классических методов логистики
• Владение цифровыми инструментами оптимизации
• Способность проектировать устойчивые ЛПТС
• Готовность к цифровой трансформации предприятий

Применение на машиностроительном предприятии

Искусственный интеллект на машиностроительном предприятии, выполняющем государственные контракты (кейс курса — АО «Ракета», см. лекцию 1.1), применяется с существенными ограничениями, продиктованными требованиями к информационной безопасности и надёжности, — но именно поэтому сценарии внедрения требуют тщательного отбора.

Сценарии внедрения ИИ в АО «Ракета»

Ограничения применения ИИ на промышленном предприятии

Принцип внедрения ИИ на промышленном предприятии: машина предлагает — человек принимает. Модель прогнозирует риск задержки, но решение об увеличении запаса или смене поставщика принимает закупщик с учётом неформализуемых факторов (репутация, история взаимоотношений, требования приёмки представителем заказчика).

Связь с лабораторной работой

Материал лекции является теоретической основой лабораторной работы «Защита проекта семестра 2» — итоговой интеграции всех цифровых модулей курса в единую имитационную модель ЛПТС АО «Ракета».

Что включить в итоговый проект (чек-лист):

1. Сквозная модель цепи: закупки → склад → производство → склад ГП → отгрузка (SimPy/AnyLogic) — из ЛР 2.5.
2. ML-модули: прогноз потребления материалов (SARIMA, из ЛР 2.6) и классификация рисков поставок (из этой лекции).
3. Оптимизационный модуль: транспортная задача распределения материалов между переделами (OR-Tools, из ЛР 2.7).
4. Стресс-сценарии: срыв поставки ключевого материала на 14 дней; рост спроса на 30%; отказ оборудования — с количественной оценкой последствий.
5. Сравнение с семестром 1: таблица «традиционный расчёт (Excel) vs цифровой (Python)» по точности, времени, устойчивости.
6. Рекомендации: какие элементы устойчивости (страховые запасы, альтернативные поставщики, резервные мощности) дают максимальный эффект на единицу затрат.

Критерии оценки защиты: полнота интеграции модулей, корректность расчётов (верификация ручными методами), качество стресс-анализа, обоснованность рекомендаций, понимание ограничений моделей (где ML применим, а где нужен эксперт).

Ключевые выводы по лекции

1. Стратегия развития транспортной системы РФ до 2030 г. включает развитие инфраструктуры, цифровизацию, снижение логистических затрат.
2. Железнодорожный транспорт критичен для логистики промышленных предприятий благодаря грузоподъёмности, надёжности, экономичности.
3. Технологии умной логистики: автономный транспорт, цифровые транспортные коридоры.
4. Риски в цепи поставок управляются через избежание, снижение, передачу, принятие.
5. Аутсорсинг логистики даёт снижение затрат и гибкость, но требует управления рисками; на промышленных предприятиях ограничен требованиями конфиденциальности.
6. Устойчивая ЛПТС основана на принципах надёжности, гибкости, видимости, эффективности.
7. Эмерджентные свойства возникают из взаимодействия элементов и не предсказуемы из отдельных компонентов; их изучают имитационным моделированием.
8. ИИ в логистике — это узкий ИИ: ML (прогноз, классификация, кластеризация), нейросети (зрение, последовательности), агентные модели, оптимизация с обучением; эффект — снижение затрат на 10–20%.
9. Машинное обучение требует данных, валидации и мониторинга: жизненный цикл ML-проекта — от постановки бизнес-задачи до контроля деградации модели.
10. Агентные модели описывают поведение активных объектов (транспорт, погрузчики, поставщики) и лучше всего подходят для изучения эмерджентных свойств и стресс-сценариев.
11. Специфика промышленного предприятия: защищённый корпоративный контур, объяснимость моделей, приоритет recall, принцип «машина предлагает — человек принимает».
12. Цифровой подход обеспечивает значительные преимущества перед традиционным по всем ключевым показателям; итоговая защита проекта интегрирует все модули курса.

Контрольные вопросы

1. Какие цели поставлены в Стратегии развития транспортной системы РФ до 2030 г.?
2. Какова роль железнодорожного транспорта в логистике промышленных предприятий?
3. Какие технологии относятся к «умной логистике»?
4. Какие методы минимизации рисков в цепи поставок вы знаете?
5. Какие преимущества и риски имеет аутсорсинг логистических функций?

Обзор основных тем курса

В ходе курса мы изучили следующие ключевые темы:

1. Основные понятия логистики:
   • потоки и запасы;
   • виды запасов и их назначение;
   • системы управления запасами.
2. Логистика распределения (дистрибуция):
   • функции и виды каналов распределения;
   • формы доведения товара до потребителя;
   • выбор каналов распределения и оценка эффективности товародвижения.
3. Логистический сервис:
   • сущность, виды и особенности логистического сервиса;
   • цели и задачи обслуживания клиента;
   • качество потребительского сервиса и критерии его измерения.
4. Обратная (реверсивная, возвратная) логистика:
   • содержание и задачи обратной логистики;
   • управление обратными потоками;
   • формирование цепей обратной логистики.
5. Интеграция логистики:
   • проблема фрагментарной логистики;
   • интеграция внутренней и внешней логистики;
   • стратегии развития и управление интеграцией логистики.
6. Прогнозирование в логистике:
   • проблемы и сущность прогнозирования;
   • основные способы прогнозирования;
   • методы экспертных оценок, анализ временных рядов, машинное обучение.
7. Решение транспортной задачи в логистике:
   • математическая модель оптимизации перевозок груза;
   • метод минимального элемента и метод потенциалов;
   • инструменты решения (Excel, Python).

Ключевые тезисы курса

1. Тезис: логистика распределения играет ключевую роль в обеспечении эффективной доставки товаров от производителя к потребителю.

Пример: Компания, занимающаяся производством техники, использует распределительные центры в разных регионах, чтобы сократить время доставки товаров до розничных магазинов. В транспортной практике крупные железнодорожные операторы используют дистрибуционные сети для оптимизации доставки контейнеров от портов до внутренних потребителей.

2. Тезис: интегрированная логистика способствует повышению эффективности всей цепочки поставок.

Пример: Использование системы SCM (Supply Chain Management) позволяет интегрировать ключевые бизнес-процессы всех поставщиков. В транспортной отрасли интеграция логистических систем позволяет железнодорожным компаниям координировать перевозки с морскими и автомобильными перевозчиками.

3. Тезис: обратная логистика необходима для управления возвратами и вторичным использованием товаров.

Пример: В транспортной сфере обратная логистика особенно важна при управлении возвратом подвижного состава, контейнеров и другого транспортного оборудования. Контейнеры после доставки груза возвращаются на специализированные станции для подготовки к следующим перевозкам.

4. Тезис: прогнозирование играет важную роль в логистике, позволяя предвидеть изменения и адаптировать логистические процессы.

Пример: Железнодорожные компании используют прогнозные модели для определения потребности в подвижном составе, планирования ремонтов и оптимизации графиков движения поездов в зависимости от сезонных колебаний спроса на перевозки.

5. Тезис: решение транспортной задачи в логистике помогает оптимизировать перевозки и снизить затраты.

Пример: В транспортной практике решение транспортной задачи применяется для оптимизации порожних прогонов подвижного состава, выбора оптимальных маршрутов доставки и распределения грузовых потоков между различными видами транспорта.

6. Тезис: понимание транспортной системы (поток, запас, структура, технология и управление) позволяет эффективно управлять ей.

Пример: При планировании развития транспортной инфраструктуры необходимо учитывать не только текущие потоки грузов, но и прогнозируемые изменения в экономике региона.

7. Тезис: логистический подход расширяет границы производственного.

Пример: В автомобильной промышленности логистический подход позволил создать эффективные системы снабжения, где поставщики комплектующих осуществляют доставку деталей точно в срок (Just-in-Time) непосредственно на сборочные линии.

8. Тезис: искусственный интеллект и агентные модели переводят управление ЛПТС от реактивного к предиктивному.

Пример: ML-прогноз задержек поставок позволяет увеличить страховой запас до наступления сбоя, а агентная имитация — оценить последствия срыва поставки ключевого материала без риска для реального производства.

Заключение

Мы рассмотрели ключевые аспекты логистических производственно-транспортных систем, которые составляют основу современной транспортной логистики. Понимание этих концепций позволит вам эффективно решать практические задачи в вашей будущей профессиональной деятельности.

Все эти знания формируют целостное представление о логистике как науке управления материальными, информационными и финансовыми потоками. В современных условиях, когда транспортные компании сталкиваются с необходимостью повышения эффективности и конкурентоспособности, знания в области логистики становятся критически важными.

Желаю вам успехов в дальнейшем обучении и профессиональной деятельности!

Рекомендуемая литература

Основная:

1. Абзалханова А. Искусственный интеллект в логистике: примеры применения. — 2024.

Дополнительная:

1. Методы машинного обучения в прогнозировании спроса. — 2024.

Полный каталог и содержание источников — в обзоре литературы.