Благодаря новаторскому инструменту PackOpt, к концу 2022 года около 90% всех посылок, отправляемых Amazon, будут состоять из оптимизированного набора коробок. Внедрение данной технологии даст компании сокращение отходов картона на 7-10% в одних лишь США, что позволит ежегодно экономить около 60 000 тонн картона.
В идеальном мире каждый заказ, полученный Amazon, отправлялся бы в точно подобранной по размеру товара коробке из картона или гофрокартона, чтобы минимизировать отходы. Однако при постоянно меняющемся каталоге, насчитывающем сотни миллионов наименований, когда несколько предметов часто отправляются в одной упаковке, такой сценарий потребует практически бесконечного количества тары разных размеров, которая должны находиться наготове в центрах выполнения заказов Amazon.
Текущее решение по минимизации отходов заключается в предоставлении каждому региональному центру исполнения заказов ограниченного набора типовых вариантов картонных коробок. Наборы варьируются в зависимости от ассортимента товаров, а центры обработки ориентированы на отправку одного или нескольких товаров, которые автоматически сортируются роботами и упаковываются сотрудниками Amazon.
Как Amazon сокращает количество упаковочных отходов
Итак, товары отправляются из центров Amazon в коробках ограниченного числа типоразмеров. При этом несколько товаров, отправляемых вместе, упаковываются в коробку, взятую из другого набора коробок, рассчитанных на более крупные и тяжелые грузы. И есть ещё один набор негабаритных коробок, который используется для отправки таких «сложных» товаров как пластиковая садовая мебель, например.
Задача, которую необходимо было решить Amazon, заключалась в следующем: каков оптимальный набор коробок для каждого конкретного регионального центра со своим ассортиментом товаров.
Её решение теперь воплощено в новаторском инструменте под названием PackOpt, который используется менеджерами Amazon по всему миру. К концу 2022 года уже около 90% всех коробок, отправляемых Amazon, будут состоять из оптимизированного PackOpt набора коробок. В Северной Америке применение технологии PackOpt привело к ежегодному сокращению отходов картона на 7-10 %, что позволяет экономить около 60 000 тонн картона в год. В развивающихся странах, таких как Сингапур, PackOpt обеспечил эффект выше более чем в два раза.
Революция в матрице
Как пишет на Amazon Science Шон О’Нил, техническую разработку PackOpt, которая помогает компании минимизировать количество воздуха (а следовательно и расходов), доставляемого клиентам, возглавил эксперт Дэвид Гасперино. «Найти идеальный набор коробок невероятно сложно, — говорит он. — Отчасти потому, что количество возможных вариантов огромно». Чтобы оценить задачу, представьте матрицу из 100 миллионов строк, которые представляют собой поставки за определенный период времени в выбранном регионе. Каждый из примерно 20 тысяч столбцов этой матрицы, представляет собой ящик-кандидат того или иного размера, который может стать частью набора коробок.
«Чтобы создать оптимальный набор коробок, необходимо выбрать подмножество столбцов для упаковки всех грузов, и эти столбцы должны привести к наименьшему общему объёму коробки, когда вы все суммируете, — объясняет Гасперино. — это сложная задача». Сложная в буквальном смысле слова. «Эта NP-сложная задача относится к теоретическому классу задач, что и известная задача коммивояжёра», — говорит Ренан Гарсия, сотрудник, который помог разработать систему оптимизации PackOpt.
Проблему вычислительной сложности команда Amazon решила путём последовательного упрощения задачи. Первым делом, алгоритм сужает диапазон разницы между размерами ящиков-кандидатов до 2 дюймов в любом из трёх измерений перед первым этапом итерационных улучшений, сокращая начальный набор ящиков-кандидатов до сотен. После того, как оптимизатор обнаружит в этом «грубом» отсеве коробок наилучших кандидатов, он берёт этот набор в качестве отправной точки и снова начинает поиск, на этот раз с шагом в 1 дюйм, и так далее в сторону более тонких размеров.
Необходимо понимать, что система при этом учитывает уже заказанные коробки и размеры готовой упаковки товаров, включая их в условия расчёта. «Теоретически, алгоритм остановится на наболее качественном из возможных подборе коробок для оптимизации объёма независимо от того, с какой коробки вы начнёте», — говорит Гарсия. Для ускорения расчётов команда использовала распараллеливание процесса на нескольких вычислительных ядрах, разбив задачу на более мелкие фрагменты. «Несколько ядер делают вычисления параллельно, исследуя альтернативные решения. И время от времени они передают друг другу наилучшие варианты, найденные в своём сегменте, — говорит Гарсия. — В результате PackOpt может за несколько минут решить то, на что когда-то могли уйти недели вычислительного времени».
3D-тетрис как модель экономии
Разработка системы PackOpt стартовала в 2018 году. Год спустя усовершенствованная версия была способна определять оптимальный набор коробок для отправлений, содержащих несколько товаров в одной коробке. Для этой итерации команда добавила алгоритм, который быстро определяет, как различные предметы, доставляемые вместе, могут быть сконфигурированы, чтобы поместиться в коробке-кандидате.
Просто представьте себе 3D-тетрис. Но PackOpt может больше — программа учитывает, что например, что такие предметы, как, например, одежда, могут быть легко сложены и помещены вместе с другими.
Алгоритмы PackOpt учитывают почти три десятка различных параметров, и их настройка была бы не самой дружелюбной для пользователей задачей. Следующим этапом стала разработка удобного веб-интерфейса. Разработчики объясняют: «Нам нужно было, чтобы региональные руководители по всему миру, быстро поняли, как использовать PackOpt, увидели в нём экономическую ценность для себя и в конечном итоге стали чемпионами по оптимизации упаковки».
В сотрудничестве с AWS ProServe был разработан простой пользовательский интерфейс, требующий для подбора оптимального варианта упаковки ввода всего двух парамтеров: исторических данных об отгрузках в данном регионе и размеров коробок в текущем наборе. Остальное взяла на себя самообучающаяся система ИИ. PackOpt моделирует насколько хорошо продукция помещается в текущие короба, учитывает наряду с другими показателями коэффициент использования коробок, общий объём и вес упаковки, и сравнивает их с оптимизированным набором. Если выявлено значительное улучшение, то сразу же принимается аргумент в пользу использования данного набора с помощью коробок более подходящих размеров. PackOpt также помогает определить, приведет ли увеличение количества коробок в данном наборе к значительному повышению эффективности, и автоматически отслеживает экономию после того, как команды утверждают свой выбор.
Чтобы помочь заинтересованным сторонам количественно оценивать влияние оптимизированных комплектов коробок, была разработана функция отслеживания экономии. Если экономические показатели начнут снижаться, это может служить сигналом для управленцев о необходимости новой оптимизации и заказа новых вариантов коробок.
Международное признание и расширение областей применения концепции
PackOpt был хорошо принят в центрах выполнения заказов по всему миру. После того как эффективность работы этого инструмента была проверена на практике в Северной Америке, первым проявили интерес и разработали свой собственный пакет оптимизированных коробок японцы. Ассортимент продукции, проходящей через японские распределительные Amazon, во многом отличается от товаров, которые заказывают в Америке, поэтому местному отделению потребовались свои комплекты комплекты коробок. А в Индии покупательское поведение клиентов и приобретаемые ими товары сильно различаются уже от штата к штату, поэтому менеджеры Amazon India также используют свои индивидуальные комплекты упаковки для каждого центра выполнения заказов.
«В компании такого масштаба, как Amazon, даже небольшая, на первый взгляд, оптимизация по сокращению количества материалов оказывает большое влияние не только с точки зрения воздействия на климат, но и на снижение затраты», говорит Алекс Хартфорд, руководитель направления оптимизации упаковки. Помимо того, что в разных регионах продаются разные товары, в отдельных странах от года к году может меняться до трети каталога Amazon, что означает, что профили упаковки также постоянно меняются. Таким образом, PackOpt помимо задач оптимизации выполняет также миссию постоянного мониторинга.
Как показала практика, решение задачи оптимального подбора коробок не только повысило экономическую эффективность компании, но и послужило основой для дальнейших разработок в сфере оптимизации. Amazon уже начал применять концепции, лежащие в основе PackOpt, в смежных областях. Например, в сотрудничестве с коллегами из Last Mile Transportation он перепроектирует транспортных роботов Amazon Robotics. Команда разработала систему поиска для решения этой задачи (продукты в упаковках, упаковки в контейнерах и контейнеры в капсулах), которая позволяет создавать конструкции, требующие на 33% меньше капсул, что позволяет более эффективно использовать драгоценное пространство. «Возможности оптимизации существуют во всей нашей цепочке поставок, — говорит Хартфорд. — Для нас важно изучить все части нашей сети, чтобы увидеть, где мы можем применить разработанные нами алгоритмы оптимизации».
