Nhà cung cấp logistics toàn cầu FM Logistic đã hợp tác với Google Cloud để triển khai AlphaEvolve, một agent AI tạo sinh, nhằm giải quyết bài toán tối ưu hóa lộ trình phức tạp trong kho bãi. Giải pháp này đã giúp tăng 10,4% hiệu suất định tuyến và giảm hơn 15.000 km di chuyển mỗi năm, cho phép công ty xử lý khối lượng đơn hàng lớn hơn mà không cần tăng cường nhân sự hay thiết bị.

Bài toán “Người bán hàng” tại kho bãi quy mô lớn

“Bài toán người bán hàng” (traveling salesman problem) đặt ra một câu hỏi tưởng chừng đơn giản: Đâu là tuyến đường ngắn nhất đi qua mọi điểm chỉ một lần? Đây là một trong những vấn đề khó nhất của khoa học máy tính, và cũng là thách thức mà các nhân viên kho của FM Logistic tại Ba Lan đối mặt hàng ngày.

Cơ sở này rộng bằng tám sân bóng đá, với hơn 17.700 vị trí lấy hàng. Trong mỗi ca làm việc, hàng chục nhân viên điều khiển xe điện di chuyển khắp nhà kho để thu gom các thùng hàng, mỗi người phải đi qua hàng chục địa điểm lưu trữ cho mỗi chuyến. Mỗi bước đi không cần thiết đều làm tăng thêm thời gian, hao mòn đội xe và gây chậm trễ trong việc hoàn thành đơn hàng.

FM Logistic, hoạt động tại hơn 14 quốc gia, đã từng tối ưu hóa lộ trình của mình. Mô hình hiện tại của họ sử dụng logic phân bổ nhanh, ưu tiên chi phí, được xây dựng để đáp ứng theo thời gian thực. Dù hoạt động tốt, mô hình này đưa ra quyết định theo từng bước, hạn chế khả năng phối hợp các tuyến đường trên toàn bộ nhà kho. Với hàng chục nhân viên làm việc trên cùng một mặt bằng qua các ca, chỉ một cải tiến nhỏ về định tuyến cũng sẽ mang lại hiệu quả kép nhanh chóng. Vì vậy, họ đã tìm đến AlphaEvolve trên Google Cloud.

AlphaEvolve: AI tự viết thuật toán tối ưu

AlphaEvolve là một agent mã hóa tiến hóa (evolutionary coding agent) có khả năng tự động tạo và tinh chỉnh các thuật toán bằng cách sử dụng các mô hình Gemini. Thay vì tính toán một lịch trình từ các quy tắc cố định, nó hoạt động như một đối tác lập trình: viết mã mới, chấm điểm và lặp lại cho đến khi tìm ra giải pháp tốt hơn so với giải pháp ban đầu.

Đội ngũ không bắt đầu từ con số không. Họ đã cung cấp cho AlphaEvolve một chương trình “hạt giống”: thuật toán hiện có của họ, vốn đưa ra quyết định định tuyến từng bước dựa trên những gì có vẻ tốt nhất tại thời điểm đó. Điều này đã cho agent một cơ sở hoạt động đã giải quyết được vấn đề, chỉ là chưa tối ưu. Từ đó, AlphaEvolve đã sử dụng Gemini để tạo ra các biến thể của đoạn mã này, đưa vào các đột biến và logic mới để xem liệu nó có thể vượt qua bản gốc do con người thiết kế hay không.

Đo lường hiệu quả và “dạy” AI

Để AlphaEvolve có thể cải tiến, nó cần một cách để đo lường hiệu suất của mỗi thuật toán. FM Logistic đã thiết kế một hàm đánh giá tùy chỉnh sử dụng một dataset đại diện gồm 60 chuyến đi (hơn một giờ dữ liệu lao động), cho phép agent thử nghiệm hàng nghìn thuật toán được tạo ra trong các điều kiện thực tế.

Việc đánh giá chấm điểm mỗi đoạn mã mới dựa trên mục tiêu chính: giảm thiểu khoảng cách di chuyển trung bình cho mỗi lần lấy hàng, đồng thời tránh các lỗi vận hành. Nhóm đã xây dựng các hình phạt cụ thể để hướng mô hình tránh xa các giải pháp không khả thi — chẳng hạn như vượt quá sức chứa của xe nâng, bỏ sót các đơn hàng đang chờ xử lý, gán cùng một hộp hai lần, vi phạm ưu tiên FIFO (nhập trước, xuất trước) cho các đơn hàng cũ hơn, hoặc vượt quá thời gian tính toán cần thiết cho hoạt động thời gian thực.

Kết quả ấn tượng

Logic định tuyến mới đã mang lại những lợi ích tức thì và có thể đo lường được so với mức cơ sở tốt nhất trước đó:

• Cải thiện 10,4% hiệu quả định tuyến so với giải pháp tốt nhất trước đây.
• Giảm hơn 15.000 km di chuyển trong kho mỗi năm khi vận hành ở quy mô tối đa.

Hiệu quả này giúp FM Logistic có khả năng xử lý khối lượng đơn hàng lớn hơn với cùng một đội ngũ và thiết bị, mà không cần tăng thêm nhân sự hay mở rộng đội xe.

“Thông qua quan hệ đối tác với Google Cloud và việc triển khai AlphaEvolve và Gemini, chúng tôi đã tối ưu hóa hơn nữa phương pháp định tuyến cho các hoạt động có nhịp độ nhanh. Mức cải thiện 10,4% đã đạt được trên một nền tảng vốn đã được tối ưu hóa cao, nơi những lợi ích sâu hơn thường khó có được. Điều này trực tiếp chuyển thành việc hoàn thành đơn hàng nhanh hơn, cải thiện điều kiện làm việc cho đội ngũ của chúng tôi và giảm hao mòn cho đội xe.”
– Rodolphe Bey, Group CIO tại FM Logistic

Thuật toán chiến thắng hoạt động ra sao?

Bằng cách chạy một loạt các thử nghiệm, mỗi thử nghiệm tạo ra hàng trăm chương trình ứng cử viên, AlphaEvolve đã phát triển một thuật toán mới vượt trội hơn thuật toán tốt nhất do con người thiết kế trước đó. Kết quả là một bộ quy tắc rõ ràng, con người có thể đọc được mà các đội ngũ kho bãi có thể xem xét và điều chỉnh khi nhu cầu thay đổi.

Ba cải tiến cốt lõi bao gồm:

1. Điểm bắt đầu dựa trên mật độ (Lựa chọn điểm neo): Hệ thống trước đây chọn một nhiệm vụ bắt đầu dựa trên vị trí duy nhất có nhiều nhiệm vụ trùng lặp nhất. Thuật toán mới có cái nhìn rộng hơn, xác định các cụm mặt hàng ở gần nhau và sử dụng những khu vực dày đặc đó làm “điểm neo bắt đầu” để xây dựng các tuyến đường.
2. Lọc hai bước với mô phỏng khoảng cách: Để duy trì tốc độ thời gian thực, thuật toán sử dụng quy trình hai giai đoạn. Đầu tiên, một bộ lọc nhanh sẽ loại bỏ các đơn hàng không phù hợp với logic của tuyến đường. Thứ hai, một mô phỏng khoảng cách chính xác chỉ chạy trên các ứng cử viên tốt nhất còn lại để tìm ra con đường hiệu quả nhất, mà không làm chậm hoạt động của kho.
3. Xây dựng tuyến đường linh hoạt: Nếu thuật toán không thể lấp đầy xe tải một cách hiệu quả xung quanh một điểm xuất phát cụ thể, nó sẽ không ép buộc một tuyến đường tồi. Nó trả các đơn hàng đó về nhóm chính để chúng có thể được nhận bởi một tuyến đường phù hợp hơn sau này, cải thiện hiệu quả trên toàn bộ nhà kho.

Hướng đi tiếp theo

Dự án thí điểm tại Ba Lan (hiện đã đi vào vận hành chính thức) đã chứng minh những gì AI tiến hóa có thể làm cho việc định tuyến phức tạp ở quy mô kho bãi. FM Logistic hiện đang khám phá các phần mở rộng — áp dụng thuật toán cho các cơ sở thương mại điện tử có khối lượng lớn khác, nghiên cứu cách AlphaEvolve có thể giúp tối ưu hóa vận tải đường bộ cho các lô hàng nhỏ lẻ, và điều tra việc sắp xếp sản phẩm trong kho do AI điều khiển để cắt giảm thêm khoảng cách di chuyển.