Ми розробляємо та впроваджуємо графові нейронні мережі (GNN) для оптимізації ланцюгів постачань — від прогнозування попиту до динамічного управління запасами. Коли в графі постачальників, заводів та складів відбувається збій, він поширюється каскадно. Класичні методи дослідження операцій (LP, MIP) втрачають структурні патерни та погано переносяться на нові топології. GNN автоматично витягує ці патерни та адаптується до змін мережі. Зв'яжіться з нами, щоб оцінити ваш кейс.
Що не вирішується класичними методами
Disruption propagation. Коли постачальник рівня 2 (tier-2) падає, лінійна модель не бачить каскадний ефект через tier-1 на кінцевий вузол. GNN бачить: інформація про disruption поширюється через граф за O(depth) кроків message passing.
Demand forecasting в гетерогенній мережі. SKU в одному регіоні корелює з SKU в іншому через спільні сезонні та подієві фактори. Стандартний univariate ARIMA або навіть LightGBM на SKU-рівні не захоплює ці кросс-нодові залежності.
Dynamic routing. Оптимальний маршрут залежить від поточного стану всієї мережі — завантаження складів, доступності транспорту, затримок. Heuristic routing не адаптується до реального часу.
Як GNN моделює поширення збоїв?
Архітектура будується на гетерогенному графі: вузли типів Supplier, Plant, DC (distribution center), Store/Customer, ребра transports, supplies, distributes. Використовуємо Heterogeneous Graph Transformer (HGT) з PyTorch Geometric — він розрізняє типи вузлів та ребер через type-specific attention heads. Кожен вузол має feature vector: історичні inventory levels, capacity, lead time, cost, geographic coordinates. Ребра — historical reliability, transport time, cost per unit.
Чому STGNN ефективніше за класичні методи прогнозу?
Формулювання: передбачити попит у кожному вузлі на горизонті T кроків, враховуючи просторові залежності (граф постачань) та часову динаміку. Архітектура: STGNN = GCN для просторових залежностей + Temporal Convolution Network (TCN) або Transformer для часових. Альтернатива — Graph WaveNet (комбінує adaptive adjacency matrix + dilated TCN). На реальному датасеті (роздрібна мережа, 1200 SKU, 85 магазинів) Graph WaveNet дав MAPE = 8.3% проти 12.1% у незалежних LightGBM на SKU-рівні. Особливо помітний приріст — на промо-періодах з cross-store spillover ефектами. Економія на тестових проектах досягала 25% операційних витрат.
Як RL+GNN управляє запасами динамічно?
Задача inventory optimization в multi-echelon мережі — класичний приклад, де RL обходить OR-підходи при нестаціонарному середовищі. Формулюємо як MDP: state = поточні inventory levels по всіх вузлах + demand signals; action = order quantities по всіх ребрах; reward = -(stockout cost + holding cost + transportation cost). GNN-based policy network: state граф → GNN encoder → node/edge-level action head. Навчання через PPO в симуляторі ланцюга (custom середовище на базі OR-Gym або AnyLogic).
Проблема: reward shaping критичний. Без правильного балансу штрафів за stockout vs. overstock агент швидко сходиться до локального мінімуму. Логарифмічна penalty за overstock + asymmetric stockout cost вирішують це краще лінійних ваг. На тестовому оточенні (8-вузлова 3-echelon мережа, 52 тижні симуляції) RL+GNN знизив total supply chain cost на 17% vs. базовий (s,S)-policy при покращенні service level з 94.2% до 97.1%.Graph WaveNet paper
Disruption prediction
Окрема задача — передбачити затримку або відмову конкретного постачальника/транспортного плеча за 2–4 тижні. Фічі: external signals (weather API, port congestion indices, geopolitical risk scores через GDELT), внутрішні дані (історичні on-time rates, lead time volatility). GNN тут агрегує сигнали з сусідніх вузлів: затримки у tier-2 постачальника — ранній сигнал для tier-1. Binary classification: AUC-ROC 0.79–0.83 на задачі передбачення disruption > 5 днів. Отримайте консультацію по вашому кейсу.
Стек
| Компонент | Інструменти |
|---|---|
| GNN | PyTorch Geometric, DGL |
| STGNN | Graph WaveNet, DCRNN |
| RL симулятор | OR-Gym, кастомний Gym env |
| RL навчання | Stable-Baselines3, RLlib |
| OR-solver | Google OR-Tools, Gurobi |
| Pipeline | Apache Airflow, dbt |
| Feature store | Feast, Redis |
Процес роботи
| Етап | Тривалість | Результат |
|---|---|---|
| Граф-аудит | 1–2 тижні | Інвентаризація вузлів, ребер, джерел даних |
| Feature engineering | 2–3 тижні | Історичні часові ряди, external signals |
| STGNN для forecasting | 3–4 тижні | Baseline MAPE, порівняння з ARIMA/LightGBM |
| RL-симулятор | 2–3 тижні | Калібрування cost parameters під бізнес-логіку |
| Shadow deployment | 2–4 тижні | Паралельний прогін vs. поточна політика |
Що входить в роботу
- Граф-аудит поточної мережі та джерел даних.
- Feature engineering: підготовка часових рядів та зовнішніх сигналів.
- Побудова STGNN-моделі прогнозу попиту.
- Розробка RL-симулятора для multi-echelon inventory.
- Shadow deployment з A/B-тестуванням.
- Документація моделі та API.
- Навчання команди замовника (1–2 дні).
- Підтримка протягом 1 місяця після запуску.
Наш досвід та гарантії
Ми займаємося ML-оптимізацією ланцюгів постачань понад 5 років, виконали 15+ проектів для рітейлу та логістики. Гарантуємо прозору модель та інтеграцію в існуючу інфраструктуру. Сертифіковані спеціалісти з PyTorch та MLOps. Оцінимо ваш кейс на безкоштовній консультації — зв'яжіться з нами, і ми підберемо оптимальну архітектуру під ваш бюджет та терміни.