fbpx

TIN TỨC

Chuyên mục

TIN XEM NHIỀU

18Nov

Tương lai của ngành Logistics trong 5-10 năm tới sẽ ra sao ?: nghiên cứu toàn diện của PWC

Trong chuỗi các bài “PwC’s Future Insight Series” được công bố từ PwC, Smartlog đã...

06Jan

Điều gì xảy ra khi chuỗi cung ứng gặp blockchain?

Cho đến nay, Smartlog đã cung cấp nhiều bài viết nói về blockchain và tiềm...

08Sep

Công nghệ thực tế ảo tăng cường (AR) trong logistics (Phần 1)

Làn sóng thay đổi lớn tiếp theo của ngành công nghiệp logistics có lẽ sẽ...

07May

ANC: “THAY ĐỔI ĐỂ TỒN TẠI, THAY ĐỔI ĐỂ PHÁT TRIỂN.”

Được thành lập từ năm 1996, Công ty TNHH ANC là một trong những công...

18Apr

IDOCEAN GIÚP NGƯỜI TIÊU DÙNG KHÔNG BAO GIỜ THIẾU NHỮNG MÓN NGON VỚI STM

Nhắc đến Idocean hẳn nhiều người vẫn còn lạ lẫm với tên thương hiệu này,...

Tối ưu hoá vận tải: đơn giản, con người : phức tạp ; hay câu chuyện đằng sau những tài xế vận tải và các giải thuật công nghệ

Khi Bob Santilli, giám đốc quản lý dự án cấp cao tại UPS, vào năm 2009 được mời đến dự buổi Career Day của cô con gái lớp năm của ông, ông phải vật lộn với việc làm cách nào để mô tả chính xác công việc của mình. Cuối cùng, ông quyết định sẽ cho cả lớp thấy một vấn đề tối ưu hóa vận tải, loại hình mà ông đang theo đuổi, và khiến chúng ấn tượng rằng công việc đó thú vị và phức tạp như thế nào. Vấn đề đặt ra là phải chọn con đường hiệu quả nhất trong số sáu điểm dừng khác nhau, trong một hành trình điển hình vùng ngoại ô. Cả lớp lên kế hoạch tuyến đường của mình theo thứ tự, sau đó bắt đầu kiểm tra chúng kỹ càng. Nhưng một cô bé đã nghĩ đến câu hỏi về hiệu quả. “Cô bé nói, mẹ cháu chẳng bao giờ đi đến cửa hàng và mua những thứ mau hỏng – cô bé không dùng từ mau hỏng (perishable) mà là tôi dùng – và để nó lại trong xe cả ngày tại nơi làm việc”, Santilli nói với tôi.

Bình luận của cô bé phản ánh một sự thật cơ bản về bài toán ẩn sau bề mặt của gần như mọi hệ thống giao thông hiện đại, từ việc tái cân bằng chia sẻ vận chuyển (bike-share) đến việc lập kế hoạch phi hành đoàn, đến các dịch vụ giao hàng bách hóa. Lập mô hình một phiên bản được đơn giản hóa của một vấn đề giao thông vận tải cho ta thấy rất nhiều thách thức (và những thách thức này có thể rất đáng kể). Nhưng lập mô hình trong thế giới thực mới là nơi tồn tại thực sự các thách thức, với những khó khăn về tính chất hàng hóa như hàng mau hỏng hay hành vi mỗi người mang phong cách riêng. Khi các nhà toán học, các chuyên gia nghiên cứu về Operations, và giám đốc điều hành của công ty thực hiện việc toán hóa và tối ưu hóa mạng lưới giao thông vận tải kết nối thế giới hiện đại của chúng ta, họ lại khám phá một số khả năng và những điểm kì lạ nhất của con người. Họ thấy rằng công việc của họ là khám phá thế giới cũng nhiều như họ thay đổi nó.

Vấn đề mà Santilli đặt ra cho lớp của con gái được biết đến với tên “The travelling salesman problem – TSP” (một vấn đề kinh điển của thuật toán được sử dụng trong công nghệ máy tính, tập trung vào mục đích tối ưu hóa – optimization). Các thuật toán giải quyết vấn đề này nằm trong những quan trọng nhất và phổ biến nhất được ứng dụng trong ngành vận tải. Nói chung, TSP đặt ra câu hỏi: nếu với một danh sách các điểm dừng cho trước, cách nào là hiệu quả nhất về mặt thời gian để một nhân viên giao hàng (từ gốc là salesman nhưng có thể hiểu là người giao hàng) có thể dừng lại ở tất cả những điểm đó? Ví dụ như vào năm 1962, một quảng cáo của công ty Procter & Gamble đã đưa ra cho độc giả một thách thức như sau: Để giúp đỡ Toody và Muldoon, hai ngôi sao của chương trình truyền hình đoạt giải Emmy mang tên Car 54, Where are you?, hãy lập ra một hành trình qua 33 thành phố trên khắp Hoa Kỳ. Trong hướng dẫn ghi: “Bạn cần lên kế hoạch đường đi cho họ từ điểm này đến điểm kia, mà sẽ dẫn đến tổng số dặm đường ngắn nhất từ Chicago, Illinois rồi trở lại Chicago, Illinois.”

Một nhà toán học đã giành giải thưởng trị giá $10.000. Nhưng ban tổ chức cuộc thi chỉ có thể xác nhận rằng giải pháp của ông ta là ngắn nhất trong những giải pháp được gửi dự thi chứ không phải là con đường ngắn nhất có thể. Đó là bởi vì việc giải quyết vấn đề 33 thành phố bằng cách tính toán mỗi tuyến đường riêng rẽ sẽ đòi hỏi 28 tỉ năm bằng cách sử dụng siêu máy tính Roadrunner 129.000 lõi của Department of Energy ( là một trong những khối nhanh nhất thế giới). Vì lý do này mà William J. Cook, trong cuốn sách của mình “In Pursuit of the Traveling Salesman”, gọi vấn đề TSP “là tâm điểm của một cuộc tranh luận lớn hơn về bản chất của sự phức tạp và giới hạn của kiến thức con người.” Đặc điểm xác định TSP nằm ở chỗ sự phức tạp của nó gia tăng nhanh như thế nào. Một chuyến đi khắp 6 thành phố chỉ có 720 tuyến đường có thể, trong khi một chuyến đi khắp 20 thành phố, theo tính toán nhanh chóng của ông Cook trên chiếc Mac, có nhiều hơn 100 triệu tỉ (100 theo sau là 15 số 0!) tuyến đường có thể.

Cũng có lời giải đáp cho một số vấn đề TSP. Cook đã tự mình tạo ra một ứng dụng trên iPhone mà sẽ giải quyết 100 thành phố, sử dụng lập trình tuyến tính được tối giản và những thuật toán khác. Và cứ mỗi vài năm hoặc khoảng đó, các nhóm được trang bị cách tiếp cận lập trình và phần cứng phức tạp tăng con số thành phố lên. Ví dụ như trong năm 2006, một hành trình tối ưu đã được nhóm nghiên cứu do Cook dẫn dắt  phát triển đó là một hành trình qua 85.900 thành phố. Tất nhiên với hạn chế về mặt tính toán nêu trên, kết quả này không bao gồm việc kiểm tra riêng từng tuyến một. Ông nói: “Không có hy vọng nào để thực sự có thể liệt kê tất cả các tuyến đường giữa New York và Los Angeles.” Thay vào đó, hầu như tất cả các tính toán đã tập trung vào chứng minh rằng không có hành trình nào ngắn hơn so với cái mà nhóm của ông đã tìm thấy. Về bản chất, có một lời giải đáp, chứ không có một giải pháp. “Nói về giải pháp, chúng tôi ngụ ý nói đến thuật toán, đó là một công thức từng bước từng bước một để tạo nên một hành trình vận chuyển tối ưu cho bất kỳ ví dụ nào được đặt ra cho chúng tôi.

Và giải pháp đó có lẽ không bao giờ đến. Vấn đề TSP là trung tâm của bài toán đang tồn tại trong khoa học máy tính: Liệu P có bằng NP hay không. Theo tổng kết của văn phòng tin tức của MIT: “Nói chung, P là một tập hợp các vấn đề tương đối dễ dàng, NP là một tập hợp các vấn đề vô cùng khó khăn, và nếu chúng bằng nhau, thì có rất nhiều các vấn đề khoa học máy tính mà dường như là vô cùng khó khăn lại thực sự khá dễ dàng.” Viện Toán học Clay đưa ra một phần thưởng $ 1 triệu một vấn đề hóc búa đang treo lơ lửng trong chương trình thách thức Car 54: chứng minh rằng P bằng hoặc không bằng NP.

Một vị trí như của Bob Santilli, thực hiện nhiệm vụ tối ưu hóa, không phải lúc nào cũng tồn tại ở UPS. Thời gian trước kia mọi thứ từng đơn giản hơn. Đầu những năm 1980, các tài xế UPS từng có một mục tiêu đơn giản: đến cuối ngày phải giao hết tất cả các kiện hàng trong chiếc xe. Santilli cho biết: “Điều duy nhất chúng tôi gặp phải là áp lực về thời gian đối với các tài xế.”. Jeff Winters, người đứng đầu nghiên cứu Operations cho UPS nói rằng: “Tất cả mọi thứ cần giải quyết là vấn đề liên quan đến con người.”. Và nó phải là như thế. Santilli nói thêm: “Chúng tôi có sơ đồ xếp tải (carload) riêng cho từng tài xế mỗi ngày” (UPS gọi xe tải giao hàng màu nâu của họ là “car”) trên giấy. Các tuyến đường được thể hiện thông qua những điểm ghim (pushpin) trên bản đồ. Vào cuối ngày, tất cả mọi thứ được ghi lại, và quá trình lại bắt đầu.

unhappy-truckers_2

Nhưng sau đó, vào năm 1982, thế giới đã thay đổi: giao hàng trong ngày tiếp theo ra đời. Đột nhiên, có một loạt ngày càng tăng các “cam kết” về thời gian; kiện hàng phải được có mặt ở một địa chỉ lúc 10:30 sáng, cái khác lúc 13:30, một cái khác vào buổi trưa. Đồng thời cũng có những khó khăn mới thời gian lấy hàng. Nó không còn là vấn đề tối ưu việc định tuyến (routing) không thôi, mà còn là vấn đề tối ưu việc lên lịch vận chuyển. Và điều mà UPS nghi ngờ đó là họ đã không làm những việc này một cách tối ưu. Những hàng nào được đặt bên trong xe tải cũng phải phụ thuộc vào một loại thuật toán định tuyến; lần sau khi bạn nhận được một gói hàng, hãy tìm một mã ba chữ, vid dụ như “RDL.” Nó có nghĩa là “rear door left,” và như vậy tài xế phải tốn vài bước thao tác để đặt đúng vị trí gói hàng. Santilli còn tiết lộ thêm rằng khi tài xế dừng xe, anh ta “có chín giây để chọn một gói hàng và ra khỏi đó.”

Năm 1986, UPS mua lại Roadnet, một công ty logistics đã tạo được các tuyến đường tối ưu cho các doanh nghiệp chẳng hạn như các nhà phân phối bia. Chỉ có một vấn đề đó là: các tài xế làm việc cho Roadnet thường chạy dọc theo con đường giống nhau mỗi ngày hoặc đại loại vậy, với rất ít hạn chế về thời gian ùn tắt. Do đó, UPS bắt đầu một dự án được biết đến với tên gọi ORION (Onroad Integrated Optimization and Navigation), một dự án kéo dài nhiều năm và tốn nhiều triệu đô la mà các nỗ lực thuật toán chỉ mới bắt đầu có kết quả với gần 58.000 xe. Cốt lõi của ORION là TSP. Mỗi xe tải của UPS, có khoảng 130 điểm dừng mỗi ngày, cơ bản là 1 TSP đang di chuyển.

Hứa hẹn của ORION đã và đang rõ ràng, rằng: với mỗi dặm đường tiết kiệm được trên mỗi tài xế mỗi năm, UPS tiết kiệm $ 30 triệu. Một điều rõ ràng rằng toán học là cần thiết để mang đến một số giải pháp nào đó, ngay cả khi gần đúng, cho TSP. Nhưng khi cố gắng áp dụng toán học này vào thế giới thực của hoạt động giao hàng và tài xế, các nhà quản lý UPS cần phải hiểu rằng vận tải cũng là về con người và về các hạn chế đặc biệt mà họ đặt ra, đồng thời cũng là về tối ưu hóa tuyến đường và thời gian. Theo Jeff Winters cho tôi biết: “Nhìn bề ngoài, có vẻ rất dễ để tìm ra một tuyến đường tối ưu và đưa nó cho tài xế, vậy là xong. Chúng tôi đã nghĩ rằng sẽ phải mất một năm.” Vậy mà đó đã là một thập kỷ trước.

Một điều rằng, con người thường phi lý và hay làm theo thói quen. Khi những thói quen đó bị gián đoạn, những điều thú vị xảy ra. Ví dụ như sau sự cố sập cầu I-35 ở Minnesota, không có gì ngạc nhiên số lượng du khách qua song đã giảm; nhưng ngay cả sau khi cây cầu được phục hồi, nhà nghiên cứu David Levinson đã ghi nhận rằng, mức độ lưu thông qua cầu không bao giờ đặt đến gần mức trước đó nữa. Thói quen có thể đặc biệt gây phiền hà cho việc hoạch định các tuyến đường đi lại cho người dân, như xe buýt công cộng, như đã nói trong một bài báo có tựa đề “You Can Lead Travelers to the Bus Stop, But You Can’t Make Them Ride” của Akshay Vij và Joan Walker, Đại học California. “Mô hình nhu cầu đi lại truyền thống cho rằng các cá nhân tự nhận thức được đầy đủ các lựa chọn thay thế họ có thể dùng và sự lựa chọn có ý thức đó được thực hiện dựa trên một sự đánh đổi giữa chi phí và lợi ích nhận thấy được.” Nhưng điều đó không nhất thiết phải như vậy.

Con người cũng có cảm xúc, và một tài xế không vui cũng có thể biến thành vấn đề. Mô hình định tuyến hiện đại đã đưa điều này vào – liệu một tài xế có “vui” hay không, điều mà thật sự bản than anh ta cũng có lẽ không biết. Ví dụ, một công ty vận tải lớn từ chối nêu tên đã tiến hành “phân tích tiên đoán” việc liệu một tài xế có nhiều nguy cơ gây tai nạn hơn không. Không chỉ công ty lấy thông tin về cách cách tài xế điều khiển xe – chạy quá tốc độ, phanh gấp, thay đổi làn đường nhanh chóng mà còn về những gì xảy ra trong đời sống của người tài xế. “Chúng tôi thực sự đã đưa vào trong mô hình một số chỉ tiêu có thể đại diện cho sự bất mãn”, một nhân viên đã quen thuộc với các chương trình cho biết.

Đó có thể là một sự thay đổi trong tiền lương, một sự kiện trong cuộc sống như một cái chết trong gia đình hoặc ly hôn, hoặc một sự việc nhỏ như thời gian làm buổi sáng của tài xế bị thay đổi đột ngột. Mô hình phân tích xem xét tất cả mọi thứ mà họ có thể nghĩ đến, và sau đó đưa ra các yếu tố có vẻ tương quan với nguy cơ gây tai nạn. Những tài xế có nguy cơ cao nhất sẽ được đánh dấu. Sau đó, có những chương trình đảm bảo rằng người quản lý tài xế sẽ nói chuyện với những người tài xế đó.

Nói cách khác, vấn đề TSP trở nên phức tạp hơn một cách đáng kể khi bạn thực sự phải suy nghĩ về cảm xúc của các nhân viên giao hàng. Và, không chỉ bạn phải biết khi nào anh ta không vui, mà bạn cũng cần phải biết liệu mô hình của bạn có thể khiến cho anh ta không vui hay không. Warren Powell, Giám đốc Phòng thí nghiệm Castle tại Phòng nghiên cứu Operations và Financial Engineering của Đại học Princeton, đã tối ưu hóa các công ty vận chuyển từ Netjets đến Burlington Northern. Ông nhớ lại cách ông đã làm, tại công ty Yellow Freight, “chúng tôi đã làm nhiều việc với các tài xế, người ta nói rằng chúng tôi không thể làm được.” Có những quy tắc công đoàn, có thực tiễn của ngành. Các xe tải có thể được để ở bất cứ đâu, còn tài xế thì muốn về nhà vào ban đêm. “Tôi nói chúng tôi sẽ cần đề ra 2.000 quy tắc. Xe tải thì rất đơn giản; chỉ có con người mới phức tạp. ”

Tại UPS, một chương trình có thể đưa ra một tuyến đường tuyệt vời, nhưng nếu nó vi phạm các quy tắc Teamsters Union, thì cũng coi như không có giá trị. Ví dụ như, khung thời gian cần phải được xây dựng cho tài tế nghỉ giải lao và ăn trưa. Và trong khi những văn bản chứng thực của tài xế được ghi nhận lại mà tôi thấy ở UPS phần lớn đều tích cực khi họ mô tả về ORION, một sự thật thú vị rằng bản hợp đồng mới đây nhất giữa các công ty và công đoàn bao gồm một điều khoản mà không có bất kỳ tài xế nào “bị sa thải mà chỉ dựa trên thông tin nhận được từ GPS hoặc bất kỳ hệ thống thế hệ sau GPS.”

Đột phá lớn nhất của Powell trong việc xem xét vai trò của con người trong các thuật toán, đó là con người có thể làm tốt hơn. “Nói về Yellow, chúng tôi đã cố gắng giải quyết những vấn đề lớn mang tính chất quyết định. Chúng tôi thậm chí còn chưa đến gần với kết quả. Tôi sẽ ngồi và nhìn vào các trung tâm phân phối và suy nghĩ, họ đang làm việc đó như thế nào?.” Đó là khi ông nhận thấy: Họ không cố gắng xử lý lịch cho cả tuần trong cùng một lúc. Họ làm từng chút một. Ông nói: “Con người chúng ta đều có những cách hài hước khi giải quyết vấn đề mà không ai có thể lý giải”. Những người nghiên cứu Operations chỉ nhún vai và gọi nó là một “cách tiếp cận nghiệm suy” (tự suy ngẫm và học hỏi thông qua sự khám phá và trải nghiệm của bản thân – heuristic approach).

Khả năng bẩm sinh này của con người cũng đã chứng tỏ hiệu quả trong lớp học của con gái ông Santilli. Các học sinh lớp năm đã gần như nhận diện đúng vấn đề. Như James MacGregor và Thomas Ormerod ghi nhận, “Giải quyết vấn đề TSP hóa ra cũng tương tự với những gì hệ thống ý thức của chúng ta hoạt động theo cách tự nhiên khi ta được đưa cho một loạt các điểm và nối chúng lại .” Hai người này cũng ghi nhận rằng, kỳ lạ thay, sử dụng phương pháp tiếp cận dựa trên kinh nghiệm này, các đối tượng trong thí nghiệm “đặc biệt làm tốt trong việc tìm kiếm các tuyến đường tối ưu.” Ở các thí nghiệm khác, khi đối tượng được đưa cho hình ảnh của các tuyến đường tối ưu, họ thấy hài lòng hơn về mặt thẩm mỹ của chúng so với các tuyến đường dưới mức tối ưu.

Tất nhiên, ngay cả con người cũng không muốn hiểu hành vi của người khác. Powell đã cho tôi xem một sơ đồ mẫu mà có khi ông sẽ trình làng cho hàng chục nhà điều hành vận tải đường bộ. “Tôi có một tải cần chở. Tôi có một anh tài xế ở cách xa gần 100km. Tất cả những gì tôi phải làm là cử anh đi làm và thế là xong. Tôi lại có một tài xế khác, một khi anh ta dỡ hàng xong, sẽ chỉ cách có khoảng 50km, nhưng phải trong khoảng giữa trưa.” Bạn có thực hiện phương án chắc chắn không, ngay cả khi nó tốn chặng đường dài hơn? Hay bạn sẽ mạo hiểm với chuyến ngắn hơn, nhưng có thể bị trễ? Khi Powell yêu cầu giơ tay lựa chọn, các câu trả lời thường trộn lẫn. “Tài xế B tiết kiệm cho tôi quảng đường nhưng anh chưa đến được, và điều gì xảy ra nếu anh ta không đến?”, Powell nói, giọng anh thì thầm bí ẩn. “Những người khác nhau sẽ trả lời khác nhau. Họ sẽ nói: “Tôi hiểu tài xế đó, anh ta sẽ làm được.” Chào mừng bạn đến với thế giới thực của việc ra quyết định của các nhà quản lý.” (Thực tế quyết định của họ lại dựa trên cảm tính hơn là các số liệu!)

Cuối cùng, cách tiếp cận tốt nhất hóa ra là xây dựng mô hình dựa trên những gì mọi người đã làm. Thật tò mò là khi Powell tham khảo ý kiến với công ty vận tải Schneider một thập kỷ trước đây, ông ấy đã không mô hình hóa một tầm nhìn lý tưởng nào đó về chia sẻ hiệu quả (kiểu như uber) mà biết đâu Schneider có thể trở thành. Về cơ bản, ông ấy đã mô hình hóa Schneider như bản thân nó vốn có. Ted Gifford, một chuyên gia nghiên cứu Operations lâu năm tại Schneider nói: “Mục tiêu của chúng tôi không phải là để có được giải pháp tốt nhất. Mục tiêu của chúng tôi là cố gắng mô phỏng những gì các nhà lập kế hoạch trên thực tế đã thực sự làm.” Khi tôi nói với Gifford rằng ông đang cố gắng để hiểu thế giới thực, theo một cách toán học, ông đồng tình, nhưng cho biết thêm: “Dùng từ ‘hiểu’ là quá mạnh- chúng tôi rất vui khi có được các kết quả tích cực.”

Tại UPS cũng vậy, đưa hành vi của con người vào mô hình định lượng là điểm mấu chốt. Jeff Winters của UPS nói: “Trong quy tắc kinh doanh ngày xưa, chúng tôi quy trách nhiệm cho tài xế về cách họ tuân theo tuyến đường chặt chẽ như thế nào. Thậm chí tệ hơn, dù không được cung cấp bảng hướng dẫn, tài xế – đã được huấn luyện và tư vấn – vẫn bị phạt do sai sót hoặc chậm trễ, được gọi chung là “phá vỡ tuyến đường.” Theo ông, đây là một “quy tắc ngớ ngẩn”, một di sản của tư duy được thừa hưởng từ nguồn gốc ban đầu là công ty chỉ cung cấp dịch vụ giao hàng mặt đất. Winters nói: “Điều đúng đắn phải làm là xây dựng tuyến đường của bạn chỉ với đường hàng không, rồi sau đó tập trung vào loại bỏ những lãng phí của khu vực dịch vụ mặt đất của bạn. Điều này khiến chúng ta nghĩ về kinh doanh theo hướng hoàn toàn khác.”

Vậy nên tối ưu hóa vận tải đã khó, hiểu được làm thế nào để thực hiện nó còn khó hơn. Santilli nói: “Một trong những điều khó khăn nhất để dạy cho một nhóm phân tích toán học là sự khác biệt giữa một giải pháp khả thi và một giải pháp thực hiện được. Khả thi (feasible) chỉ có nghĩa là nó đáp ứng tất cả những hạn chế về mặt toán học. Nhưng thực hiện được (implementable) là điều mà con người có thể làm được.”

Nhưng tối ưu hóa hãy còn là một con đường dài. Việc lập mô hình đã trở nên phức tạp hơn, một sự phát triển mà Powell đã vạch ra trong tác phẩm của đời mình, một cuốn sách mang tên Approximate Dynamic Programming: Solving the Curses of Dimensionality. “Bạn vào một lớp học toán, và các vấn đề đều dễ như chơi. Nhưng bạn biết gì không, phải mất khoảng 20 năm để tôi có thể đi đến một tấm bảng trắng và nói rằng tôi thực sự có thể viết ra vấn đề. ” Lập bản đồ (mapping) đã được cải thiện đáng kể. Một vài thập kỷ trước, dịch vụ bản đồ mà UPS mua chỉ đơn giản là gọi đến các doanh nghiệp và xác nhận lại liệu thực sự họ có đang ở nơi mà dữ liệu UPS cho thấy họ ở đó không. Những bản đồ GPS thời kỳ đầu cũng bị lỗi. Ranga Nuggehalli, nhà khoa học then chốt của UPS nói: “Khi chúng tôi có một số kết quả tệ lúc đầu, chúng tôi không biết có phải do các thuật toán rất tệ hay là do dữ liệu của chúng tôi rất tệ.” Và câu trả lời là do dữ liệu.

Kể từ đó, việc thu thập dữ liệu cần thiết để theo dõi (tracking) đã được phát triển lên. Thiết bị thu thập thông tin giao hàng của UPS hay gọi tắt là DIAD (Delivery Information Acquisition Device) , một loại máy tính cầm tay màu nâu khi mà bạn vẫn thường ký tên của mình mỗi khi nhận hàng, tạo ra một kiến trúc dữ liệu là nền tảng của chiến lược tối ưu hóa của họ.

Và kết quả cuối cùng là một sự cải tiến chậm nhưng vững chắc. Powell và Santilli chỉ ra những thành công của mình. Powell nói: “Công ty Yellow Freight từng có khoảng 700 “điểm cuối” (end of line), dùng để phân loại các trạm nơi mà hàng hóa được chuyển giao cho khách hàng cuối cùng. Powell đã phát triển một mô hình mang thông điệp dựa trên lý trí: Xe tải chạy xa hơn với quá nhiều trạm để đến được với khách hàng. Ngày nay, Yellow Freight có 400 “điểm cuối”. Đó mới là con số chính xác”. Đối với UPS, Santilli lưu ý rằng một tài xế ở Gettysburg, Pa. Hiện đang lái xe ít hơn gần 40km mỗi ngày, từ một tuyến đường ban đầu của hơn 240km xuống còn 200km, với cùng số điểm dừng.

Chúng ta đang trở nên thông minh hơn trong việc thay đổi mọi thứ. Nhưng có một điểm ít rõ ràng hơn đó là chúng ta bắt đầu nắm được làm như thế nào để đưa các yếu tố con người vào trong mô hình vận chuyển. Cũng như chúng ta đang bắt đầu hiểu các thuật toán, thuật toán cũng bắt đầu hiểu chúng ta.

—–

Nguồn: tác giả Tom Vanderbilt, bài báo tiêu đề “Unhappy Truckers and Other Algorithmic Problems”, đăng trên trang  Nautil.us tháng 07/2013

%d bloggers like this: