Машинное обучение ускорило доставку товаров
Новая программа может легко подбирать оптимальный маршрут для доставки на последнюю милю в любых городах
Вы и не подозреваете, но доставка товара из интернет-магазина до вашей двери — сложная математическая задача, решить которую максимально эффективно сегодня не получается ни у одной программы. Если с доставкой из одного города в другой все довольно просто, то вот с перевозкой товара от пункта приема до вашей двери — так называемая доставка последней мили — и вызывает проблемы, ведь нужно доставить товар за меньшее время и при меньших затратах.
Хотя существуют алгоритмы, предназначенные для решения этой проблемы для нескольких сотен городов, но что делать при доставке товаров в другие мегаполисы по всему миру? Поэтому исследователи стараются разработать универсальный алгоритм, который мог бы с легкостью работать в любом городе мира. И, кажется, в новой работе ученым удалось это сделать.
Их алгоритм разбивает проблему доставки на более мелкие подзадачи для решения — скажем, 200 подзадач для маршрутизации транспортных средств между 2000 городами. Авторы дополнили этот процесс новым алгоритмом машинного обучения, который определяет наиболее важные подзадачи для решения, вместо того, чтобы решать каждую из них. Это позволяет повысить качество решения задачи при использовании на порядок меньшего количества ресурсов.
Исследователи говорят, что их подход, который они называют «обучением с делегированием», может использоваться в различных моделях, а также применять в аналогичных задачах, таких как планирование и поиск путей для роботов на складе.
