Upgrade to Pro — share decks privately, control downloads, hide ads and more …

Agentic AI Era におけるサプライチェーン最適化

Avatar for MIKIO KUBO MIKIO KUBO
September 01, 2025

Agentic AI Era におけるサプライチェーン最適化

Agentic AI時代の サプライチェーン最適化

Mikio Kubo

MOAI Lab. CTO
東京海洋大学

Avatar for MIKIO KUBO

MIKIO KUBO

September 01, 2025
Tweet

More Decks by MIKIO KUBO

Other Decks in Research

Transcript

  1. どの最適化問題を使うべき? AGI4OPT(ヒヤリング=>最適化問題) User Text Classification Agent SC Network Design Vehicle

    Routing Production Scheduling Inventory Policy SC Risk Optimization Unit Commitment Power Flow Ship Scheduling Generic Supply Chain 100+ Opt. Problems Hearing Agent 質問 典型問題 新規問題 Modeling +Coding Agent Code Execusion Agent https://www.moai-lab.jp/products/agi4opt 試験運用中 Error Msg. Opt. Sol.
  2. 関連研究を調査済み 問題タイプ別にSOTA解法の準備とライブラリ化 ベンチマーク問題例でのテストと評価 SOTA解法の融合による最先端手法の開発 典型的なサプライチェーンの問題に対して: ヒヤリング 典型問題 カスタムモデル + 開発

    + 評価 導入 ヒヤリング モデル作成 PoC 評価 モデルを一から作成 特定の解法で一から作成 動かない 条件不足 メトリクスが悪い 数理最適化で定式化 + Solver AIアプローチ(アルゴリズムを設計) 通常の最適化プロジェクト 我々の最適化プロジェクト
  3. 配送計画 デポ 顧客(需要点) ルート  総費用最小化  ルート内の顧客需要量がトラックの 積載重量(容量)の上限以下 

    一日の稼働時間の上限を超えない  時間枠を満たす  入庫可能トラックの制限  + その他の(現場ごとの)制約 数千の論文あり
  4. 典型問題の例 (配送最適化) +時間枠 + 容量制約 Benchmark (<1h) 顧客数 1万 誤差

    1%未満 問題タイプ SOTA Hybrid GA +積み込み・積み降ろし +休憩 顧客数 3万 誤差 3%未満 Tabu Search 付加制約が強い ルート内顧客数が少ない 顧客数 300 厳密解法 Branch and Price 時刻依存の移動時間 ソフト時間枠 顧客数 1000 誤差1% Iterated Local Search バリエーションが多い
  5. ロジスティクス・ネットワーク設計モデル 輸送料率 輸送時間 地点間距離 原料供給地点       供給量上下限  

        供給費用 工場     固定費用     変動費用 生産ラ イ ン     固定費用     稼働時間( 資源) 上下限     生産変動費用     生産量上下限 倉庫     固定費用     変動費用     床面積上下限 顧客群     需要量     倉庫・ 工場への最大距離 パラ メ ータ     年間保管比率     保管スペース 率 容量 重量 単価 在庫回転率 積み付け高さ 品切れ損出 ×3 部品展開図 通常はMIPで 定式化して最適化 安全在庫の取り扱い が異なる 規模の経済は凹関数 区分的線形関数で近似
  6. 典型問題の例 (ネットワーク設計) 2段階・容量制約なし Benchmark (<1h) 顧客数 30万 誤差 1%未満 問題タイプ

    SOTA Primal Dual Heuristics 2段階・容量制約あり 顧客数 1万 誤差 3%未満 Lagrange Relax. + Deep Learing Opt. n段階 + 多品目 顧客数 1000 厳密解法 MIP solver BOM 在庫 生産・輸送との融合 顧客数 1000 誤差1% SCML (Supply Chain Modeling Language) 2段階・連続配置 顧客数 1万 誤差5% Iterated Weizfeld
  7. 典型問題の例 (在庫最適化) 1段階 非定常需要 Benchmark (<1h) 定常を仮定したモデルと 比べて大幅な在庫削減 問題タイプ SOTA

    Dynamic Ordering Policy End-to-End Learning 多段階 サービス率所与 木構造 地点数 3000 厳密解法 Dynamic Programming 地点数 数万 誤差1%未満 Tabu Search 多段階 サービス率最適化 地点数 1000 誤差5% 地点数 200 誤差3% 無限小摂動解析+並列 深層強化学習 多段階 サービス率所与
  8. 典型問題の例 (スケジューリング最適化) 多モードジョブショップ +再生可能(不能)資源 Benchmark (<1h) タスク数 1万 誤差 5

    % 問題タイプ SOTA 制約プログラミング (CP) スロット割当 厳密解法 混合整数最適化(MIP) メタCP +状態 + 一般化資源制約 タスク数 10万 誤差 7 % メタヒューリスティクス ロットサイズ決定 誤差 3% 専用定式化 + Math-heuristics ロットスケジューリング 誤差 10% Agentic Hybrid
  9. 調達 ロジスティクス・ネットワーク最適化 ストラテジック タクティカル オペレーショナル サプライ・チェイン・リスク管理 ロットサイズ最適化 スケジューリング最適化 需要予測 配送最適化

    安全在庫配置 在庫最適化 シフト最適化 収益管理 基本分析 毎日からリアルタイム 月から週次 年から月次 Agentic AIによる全体最適化 (Agentic IBP)
  10. ネットワーク設計エージェント ネットワーク設計エージェント 最適ネットワーク サブエージェント 最適化ツール (solve_lnd, solve_generic_lnd, solve_sndp) 可視化ツール (show_optimized_network,

    plot_scm) クラスタリング サブエージェント 顧客、製品、倉庫 工場、需要、生産 などの各データ … 可視化 サブエージェント クラスタリングツール (capacitated_k_median, k_means, weizfeld ) k-medianクラスタリング サービスネットワーク設計 結果要約・解釈 サブエージェント リスク分析・シナリオ生成 サブエージェント
  11. Production Scheduling Lot Sizing Logistics/Service Network Design Vehicle Routing Supply

    Chain Risk Optimization Stage BOM Dynamic Pricing Safety Stock Allocation Inventory Policy Optimization Shift Scheduling resource upper bound flow volume resource requirement ifeasibility info. lot flow cost network configuration risk allert safety stock lead time service level infeasibility info. assignment of products to plants perishable inventory demand データの受け渡しとメモリ管理 過去のデータ(ログ)をメモリに保管 => 経験をもとに学習
  12. まとめ • 様々な典型問題に対するSOTA解法の準備とベンチマーキング • ヒヤリングから最適化ツールを生成するサービス(AGI4OPT) • 最適化関数をツールとして登録したAgentによるサプライチェーンオー ケストレーション(Agentic IBP) •

    サプライチェーン以外の実務的な典型問題 ✓ Security Constrained 起動停止問題 ✓ 潮流最適化 (Power Flow) 問題 ✓ 在庫を考慮した船舶スケジューリング(MIRP: Maritime Inventory Routing) 問 題 ✓ (高次元)パッキング問題