Mọi doanh nghiệp đều đối mặt với những quyết định quá phức tạp để có thể chỉ dựa vào trực giác hay quy trình thủ công. Làm thế nào để tối ưu hóa các tuyến giao hàng nhằm giảm chi phí mà vẫn đảm bảo giao trong ngày hôm sau? Làm sao để hàng trăm robot di chuyển trên sàn nhà máy một cách tuần tự mà không va chạm? Đây là những bài toán mà các tổ chức hàng đầu đang tìm đến mathematical optimization (tối ưu hóa toán học), một lĩnh vực chuyên biệt của AI, để tìm ra câu trả lời vượt trội.
Trung tâm Đổi mới Sáng tạo AI Tạo sinh của AWS (AWS Generative AI Innovation Center) quy tụ các nhà khoa học chuyên giải quyết những bài toán phức tạp này cho khách hàng. Bằng cách kết hợp chuyên môn về AI, mô hình hóa toán học, tối ưu hóa, điện toán lượng tử và điện toán hiệu năng cao trên nền tảng dịch vụ đám mây của AWS, đội ngũ này đã mang lại những kết quả kinh doanh có thể đo lường được.
Tối ưu hóa toán học trong bối cảnh AI
Tối ưu hóa toán học là khoa học tìm ra quyết định tốt nhất có thể từ một tập hợp lớn các phương án, trong điều kiện bị ràng buộc bởi các yếu tố thực tế. Về cốt lõi, đây là prescriptive analytics (phân tích đề xuất) – không chỉ cho bạn biết điều gì đã xảy ra (mô tả) hay điều gì có thể xảy ra (dự đoán), mà còn cho bạn biết nên làm gì để đạt được mục tiêu.
Nếu machine learning (ML) là AI quy nạp – học các mẫu từ nhiều ví dụ để đưa ra dự đoán xác suất – thì tối ưu hóa toán học là AI suy diễn. Nó áp dụng các nguyên tắc toán học vào các vấn đề kinh doanh cụ thể và đưa ra các quyết định dứt khoát, có thể chứng minh là tối ưu.
Hầu hết AI trong doanh nghiệp đều dựa trên xác suất — nó học các mẫu và cho bạn một câu trả lời khả dĩ. Đối với các tác vụ nhận dạng mẫu, điều đó hiệu quả. Nhưng các quyết định vận hành với những ràng buộc cứng — tuân thủ quy định, giới hạn năng lực vật lý, khung thời gian — cần câu trả lời dứt khoát, chứ không phải là các ước tính tự tin. Tối ưu hóa tìm ra giải pháp tốt nhất về mặt toán học trong các ràng buộc đó. “Tuyến đường này có lẽ hiệu quả” trở thành “đây là tuyến đường tối ưu nhất với mọi ràng buộc trong hệ thống của bạn.”
Thay vì cạnh tranh, tối ưu hóa toán học và ML tạo thành các pipeline predict-then-optimize (dự đoán rồi tối ưu) mạnh mẽ: các mô hình ML dự báo nhu cầu hoặc dự đoán lỗi, và tối ưu hóa sử dụng những dự đoán đó để đưa ra quyết định tốt nhất. Ví dụ, mạng lưới logistics của Amazon tại châu Âu với 90 nhà kho và hơn 11.000 tuyến đường. Các mô hình ML dự đoán mô hình nhu cầu, nhưng việc quyết định khi nào xe tải nên khởi hành — trong khi vẫn thỏa mãn các ràng buộc về ca làm việc, công suất và khoảng cách — đòi hỏi phải có sự tối ưu hóa. Innovation Center đã phát triển hai phương pháp tối ưu hóa bổ sung cho nhau, giúp cải thiện độ phủ giao hàng ngày hôm sau từ +20 đến +50 điểm cơ bản, tương đương với giá trị kinh doanh hàng chục triệu đô la.
Quy trình hoạt động
Innovation Center tiếp cận mọi thách thức tối ưu hóa với một quy trình bốn bước nhất quán:
- Khám phá (Discover): Hợp tác với khách hàng để xác định các cơ hội tối ưu hóa có tác động lớn, khảo sát các phương pháp hiện có và định nghĩa các mục tiêu rõ ràng.
- Mô hình hóa (Model): Xây dựng một biểu diễn toán học của bài toán kinh doanh, bao gồm mục tiêu, biến số quyết định và các ràng buộc.
- Giải quyết (Solve): Thiết kế hoặc cấu hình thuật toán phù hợp với quy mô và cấu trúc của bài toán, từ các phương pháp chính xác như lập trình ràng buộc, lập trình hỗn hợp nguyên, đến các phương pháp metaheuristics như thuật toán di truyền.
- Kiến trúc (Architect): Tận dụng các dịch vụ AWS để thiết kế cơ sở hạ tầng đám mây có khả năng mở rộng, tích hợp với các hệ thống hiện có và mang lại kết quả trong khung thời gian vận hành.
Ví dụ thực tế tại BMW Group, công ty sử dụng hàng trăm robot để bôi keo chống thấm và chống ăn mòn lên khung gầm ô tô. Việc tìm ra trình tự tối ưu cho đường đi của mỗi robot có nhiều tổ hợp khả thi hơn bất kỳ con người hay quy tắc đơn giản nào có thể đánh giá. Innovation Center đã áp dụng quy trình trên để mô hình hóa bài toán, giải quyết bằng các thuật toán tùy chỉnh và kiến trúc một giải pháp có thể tái sử dụng. Kết quả: cải thiện tới 10% thời gian chu kỳ của robot trên mỗi thân xe.
Từ bài toán riêng lẻ đến giải pháp tái sử dụng
Các giải pháp tốt nhất không chỉ mang lại kết quả một lần mà còn tạo ra phương pháp luận có thể tái sử dụng. Hai ví dụ điển hình:
- Delivery Hero: Đối mặt với thách thức logistics chặng giữa, công ty cần vận chuyển 50-150 pallet hàng tạp hóa mỗi ngày trong môi trường đô thị dày đặc. Innovation Center đã xây dựng một giải pháp định tuyến xe tự động trên AWS, cho thấy tiềm năng tiết kiệm tới 24% chi phí lập kế hoạch chặng giữa.
- Australian Red Cross Lifeblood: Việc sắp xếp lịch làm việc cho hàng nghìn y tá tại khoảng 100 trung tâm hiến máu là một bài toán tối ưu hóa tổ hợp phức tạp. Innovation Center đã xây dựng mô hình lập trình ràng buộc, chứng minh khả năng giảm chi phí lý thuyết 7% (và lên tới 46% khi tăng gấp đôi nguồn cung) bằng dữ liệu tổng hợp.
Các phương pháp đã được chứng minh trong các dự án này hiện đã được đóng gói thành các giải pháp tăng tốc cho khách hàng mới:
- Route Optimization and Dispatch Solution (ROaDS): Một framework có thể cấu hình cho việc định tuyến xe, tối ưu hóa logistics và lập kế hoạch dịch vụ tại hiện trường.
- Workforce Intelligence and Scheduling Engine (WISE): Nền tảng có thể cấu hình cho việc lập lịch và phân bổ nhân sự trong nhiều ngành công nghiệp.
Hợp tác cùng AWS Generative AI Innovation Center
Tối ưu hóa toán học biến các quyết định vận hành phức tạp thành lợi thế cạnh tranh — tăng 10% hiệu quả sản xuất, giảm 24% chi phí logistics, và mang lại hàng chục triệu đô la doanh thu gia tăng. Từ định tuyến, lập lịch đến thiết kế mạng lưới, đội ngũ của AWS mang đến chuyên môn khoa học sâu sắc để giải quyết các bài toán này. Để bắt đầu khám phá các trường hợp sử dụng tối ưu hóa cho doanh nghiệp của mình, các nhà lãnh đạo có thể liên hệ với đội ngũ tài khoản AWS của mình.
