Obliczenia optymalizacji tras dostaw, które dotychczas zajmowały tydzień, platforma OmniSTAR firmy OneRail wykonuje teraz w zaledwie dwa dni — a te trwające 20 minut skraca do niecałych dwóch minut. To nie jest kosmetyczna poprawa wydajności: to zmiana, która po raz pierwszy pozwala uruchamiać zaawansowaną optymalizację logistyczną w czasie rzeczywistym, podczas gdy zamówienie jest jeszcze w trakcie przypisywania. Dla branży, w której marże na dostawach ostatniej mili są chronycznie pod presją, różnica między decyzją podjętą w ciągu dwóch minut a decyzją podjętą następnego dnia może oznaczać dosłownie inny poziom rentowności całego modelu dystrybucji.
Czym jest platforma OmniSTAR i co ją odróżnia od dotychczasowych rozwiązań?
OmniSTAR to platforma optymalizacji dostaw opracowana przez firmę OneRail, która łączy silnik decyzyjny Nvidia cuOpt z biblioteką przetwarzania danych cuDF oraz własną bazą danych OneRail dotyczącą cen i historii wydajności dostaw. System ocenia dostępne opcje realizacji zamówienia — w tym floty własne sieci handlowych, kurierów, operatorów paczkowych i inne tryby dostaw — a następnie automatycznie wybiera wariant o najniższym koszcie spełniający wymagany poziom usługi.
Dotychczas wielu detalistów i dystrybutorów polegało na statycznych regułach lub ręcznym planowaniu tras. Takie podejście było wystarczające w świecie wolniejszych łańcuchów dostaw, ale w środowisku, gdzie liczy się dostawa tego samego dnia lub w ciągu kilku godzin, reguły zapisane tygodnie temu nie nadążają za zmienną rzeczywistością. OmniSTAR próbuje wypełnić tę lukę, przenosząc ciężar decyzji na system uczący się na bieżących danych operacyjnych.
Infrastruktura obliczeniowa Nvidia oparta na akceleratorach GPU umożliwia skrócenie czasu obliczeń nawet dziesięciokrotnie w porównaniu z rozwiązaniami opartymi wyłącznie na procesorach CPU. Dzięki temu optymalizacja może działać w obrębie żywych operacji dostawczych — nie jako narzędzie do planowania nocnego, lecz jako element działający w pętli decyzyjnej w czasie rzeczywistym.
Jak działa silnik cuOpt od Nvidii?
Nvidia cuOpt to otwarta biblioteka optymalizacji tras pojazdów (Vehicle Routing Problem, VRP) akcelerowana przez GPU, zaprojektowana do rozwiązywania złożonych matematycznych problemów optymalizacyjnych w logistyce. Silnik uwzględnia zmienne takie jak koszty pojazdów, ich ładowność, czasy przejazdu, okna czasowe dostaw, lokalizacje startowe oraz dodatkowe ograniczenia operacyjne.
Modele kosztów w cuOpt mogą operować na odległości, czasie, koszcie pieniężnym lub ważonej kombinacji wszystkich tych miar. W praktyce OmniSTAR stosuje cuOpt zarówno do wyznaczania tras, jak i do porównywania trybów realizacji zamówień — co oznacza, że system w jednym kroku obliczeniowym może zdecydować nie tylko dokąd jechać, ale też czy w ogóle wysyłać własny pojazd, czy zlecić dostawę zewnętrznemu kurierowi.
Biblioteka cuDF odpowiada za warstwę przetwarzania danych — umożliwia szybką manipulację dużymi zbiorami tabelarycznych danych operacyjnych bezpośrednio na GPU, bez konieczności przenoszenia ich na CPU. Połączenie obu komponentów Nvidii z danymi historycznymi OneRail tworzy potok obliczeniowy, który według producenta redukuje czas kluczowych kalkulacji z 20 minut do poniżej 2 minut.
Redakcja IWD Partner: Interesujące jest to, że problem optymalizacji tras pojazdów jest znany matematykom od dziesięcioleci i nadal należy do klasy NP-trudnych — czyli takich, gdzie dokładne rozwiązanie dla dużych instancji jest obliczeniowo nieosiągalne w rozsądnym czasie. Nvidia cuOpt nie łamie tej bariery teoretycznej, lecz przesuwa granicę praktycznej wykonalności: to, co było „zbyt wolne dla biznesu”, staje się „wystarczająco szybkie”. Pytanie, które pozostaje otwarte, brzmi: czy 10-krotne przyspieszenie obliczeń wystarczy, gdy skala logistyki e-commerce rośnie w tempie przekraczającym możliwości nawet najlepszych heurystyk GPU?
Jak uczenie maszynowe wspiera decyzje logistyczne w OneRail?
OneRail stosuje modele uczenia maszynowego (machine learning) do przewidywania kilku kluczowych zmiennych operacyjnych: szacowanego czasu obsługi punktu dostawy, ryzyka opóźnienia, prawdopodobieństwa skutecznej dostawy przy pierwszej próbie oraz oczekiwanych przedziałów cenowych dla poszczególnych trybów realizacji. Te predykcje zasilają następnie systemy optymalizacyjne, które określają sposób wykonania zamówienia.
Rozróżnienie między warstwą predykcyjną a warstwą optymalizacyjną jest tu kluczowe. Przegląd literatury opublikowany w 2024 roku w European Journal of Operational Research wskazał predykcję czasów przejazdu i optymalizację tras w czasie rzeczywistym jako dwa odrębne obszary badań nad trasowaniem zależnym od czasu (time-dependent routing). OmniSTAR łączy oba podejścia: modele ML dostarczają prognozy jako dane wejściowe, a cuOpt przetwarza je w konkretne decyzje operacyjne.
Kluczową cechą architektury jest to, że optymalizacja może być uruchamiana wielokrotnie — gdy pojawia się nowe zamówienie, gdy zmienia się dostępność kurierów lub gdy aktualizują się dane o ruchu drogowym. Takie podejście do dynamicznego trasowania pojazdów (Dynamic Vehicle Routing) odróżnia OmniSTAR od systemów opartych na planach generowanych raz na dobę.
Dlaczego optymalizacja ostatniej mili ma znaczenie?
Logistyka ostatniej mili (last-mile delivery) to ostatni odcinek łańcucha dostaw — od centrum dystrybucji do drzwi odbiorcy — i zarazem jego najdroższy element. Według różnych szacunków branżowych stanowi ona od 40 do 53 procent całkowitego kosztu dostawy paczki. Przy rosnącym wolumenie zamówień e-commerce każdy procent oszczędności na tym etapie przekłada się bezpośrednio na wyniki finansowe dystrybutorów i sieci handlowych.
Bill Catania z OneRail stwierdził w wywiadzie dla CNBC w 2025 roku: „Jeśli nie masz możliwości podejmowania błyskawicznych decyzji, oddajesz marżę. Realizacja ostatniej mili jest kosztowna.” Słowa te trafnie opisują mechanizm, który OmniSTAR próbuje zaadresować: w środowisku, gdzie dostępnych jest kilka równoległych opcji dostawy, brak automatycznej analizy kosztowej w czasie rzeczywistym oznacza systematyczne wybieranie droższych wariantów z powodu braku lepszej informacji.
Automatyzacja wyboru trybu dostawy ma też wymiar praktyczny dla mniejszych detalistów, którzy nie dysponują własnymi zespołami analityków logistycznych. System działający autonomicznie, oparty na danych historycznych i aktualnych cenach kurierów, może wyrównywać przewagę konkurencyjną między dużymi operatorami a regionalnymi graczami rynkowymi.
| Parametr obliczeń | Czas przed OmniSTAR | Czas z OmniSTAR (Nvidia cuOpt) |
|---|---|---|
| Standardowe obliczenia tras | 20 minut | Poniżej 2 minut |
| Złożone obliczenia (duże sieci) | ~7 dni | ~2 dni |
| Przyspieszenie obliczeń | — | Do 10× szybciej |
Powiązane pojęcia z AI i uczenia maszynowego
- Vehicle Routing Problem (VRP) — klasa matematycznych problemów optymalizacyjnych polegających na wyznaczeniu optymalnych tras dla floty pojazdów realizujących dostawy do wielu punktów przy określonych ograniczeniach.
- cuOpt — otwarta biblioteka Nvidii akcelerowana przez GPU, służąca do rozwiązywania problemów trasowania pojazdów i innych zadań optymalizacji matematycznej w czasie zbliżonym do rzeczywistego.
- Dynamic Vehicle Routing — podejście do planowania tras, w którym decyzje są przeliczane na bieżąco w odpowiedzi na zmieniające się dane wejściowe, takie jak nowe zamówienia czy aktualizacje ruchu drogowego.
- cuDF — biblioteka Nvidii do przetwarzania ramek danych bezpośrednio na GPU, będąca GPU-akcelerowanym odpowiednikiem popularnej biblioteki pandas dla Pythona.
- Last-mile delivery optimisation — obszar logistyki i badań operacyjnych skupiony na minimalizacji kosztów i czasu dostawy na ostatnim odcinku łańcucha dostaw, od magazynu do odbiorcy końcowego.
Na podstawie materiałów źródłowych.
