AI-агент логістики — цифровий співробітник

AI Агент логістики — цифровий співробітник

Логістичні компанії витрачають до 70% часу операторів на моніторинг відправлень та розбір винятків. При 100 відправленнях на день оператор вручну перевіряє статуси 5–10 разів, на що йде до 4 годин. Кожна затримка знижує лояльність клієнтів і збільшує штрафи. Ми розробили AI-агента, який автоматизує операційні завдання ланцюга постачання: планування маршрутів, трекінг відправлень, взаємодія з перевізниками, обробка винятків (затримки, пошкодження, недостачі), моніторинг KPI та генерація звітів. Оператор-людина підключається тільки до нестандартних ситуацій, що потребують переговорів. Результат — скорочення ручної праці на 55% і зростання on-time delivery до 89%.

Як AI-агент знижує навантаження на логістів?

Агент працює в три етапи: збір даних, аналіз за допомогою LLM та автоматичне виконання дій. Для трекінгу він підключається до API перевізників (DPD, СДЭК, ПЭК та ін.) кожні 2 години і звіряє фактичний статус із очікуваним. При виявленні затримки система розраховує час простою та приймає рішення: повідомити отримувача, перебронювати доставку або ескалювати менеджеру. У середньому агент обробляє виняток у 3 рази швидше за людину.

from langgraph.graph import StateGraph, END
from langchain_openai import ChatOpenAI
from typing import TypedDict, Annotated, Optional
import operator

llm = ChatOpenAI(model="gpt-4o", temperature=0)

class ShipmentState(TypedDict):
    shipment_id: str
    shipment_data: dict
    tracking_history: list[dict]
    anomalies: Annotated[list, operator.add]
    actions_taken: Annotated[list, operator.add]
    escalation_required: bool
    escalation_reason: Optional[str]

class ShipmentMonitor:

    async def check_shipment(self, shipment_id: str) -> ShipmentState:
        """Повна перевірка статусу відправлення"""

        # Отримуємо дані
        shipment = await logistics_db.get_shipment(shipment_id)
        tracking = await carrier_api.get_tracking(shipment["tracking_number"])
        expected_eta = shipment["expected_delivery"]
        current_eta = tracking.get("estimated_delivery")

        anomalies = []

        # Перевірка затримки
        if current_eta and current_eta > expected_eta:
            delay_hours = (current_eta - expected_eta).total_seconds() / 3600
            anomalies.append({
                "type": "delivery_delay",
                "severity": "high" if delay_hours > 24 else "medium",
                "details": f"Затримка {delay_hours:.0f} годин, нова дата: {current_eta}",
            })

        # Відсутність оновлень
        last_update = tracking.get("last_event_time")
        hours_since_update = (datetime.now() - last_update).total_seconds() / 3600 if last_update else 99
        if hours_since_update > 48:
            anomalies.append({
                "type": "no_tracking_update",
                "severity": "medium",
                "details": f"Немає оновлень {hours_since_update:.0f} годин",
            })

        # LLM-аналіз при аномаліях
        escalation_required = False
        escalation_reason = None

        if anomalies:
            assessment = await self.assess_anomalies(shipment, anomalies)
            escalation_required = assessment["requires_escalation"]
            escalation_reason = assessment.get("reason")

        return ShipmentState(
            shipment_id=shipment_id,
            shipment_data=shipment,
            tracking_history=tracking.get("events", []),
            anomalies=anomalies,
            actions_taken=[],
            escalation_required=escalation_required,
            escalation_reason=escalation_reason,
        )

    async def assess_anomalies(self, shipment: dict, anomalies: list) -> dict:
        """LLM оцінює необхідність ескалації"""

        response = await llm.ainvoke(f"""Оціни ситуацію з відправленням.
Відправлення: {json.dumps(shipment, ensure_ascii=False)}
Аномалії: {json.dumps(anomalies, ensure_ascii=False)}

Визнач:
1. Чи потребує ситуація негайної ескалації менеджеру?
2. Які автоматичні дії можна вжити?
3. Чи потрібно повідомляти отримувача?

Поверни JSON: {{"requires_escalation": bool, "reason": "...", "auto_actions": [...], "notify_recipient": bool}}""")

        return json.loads(response.content)

Маршрутизація використовує гібридний підхід: для малих задач (до 20 точок) — LLM з chain-of-thought, для великих — алгоритмічний вирішувач з постобробкою через AI. Це дає оптимальні маршрути з урахуванням часових вікон, вантажопідйомності та заторів. Детальніше про Vehicle Routing Problem.

class RouteOptimizer:

    async def optimize_delivery_routes(
        self,
        deliveries: list[dict],    # [{id, address, time_window, weight}]
        vehicles: list[dict],      # [{id, capacity, location}]
        date: str,
    ) -> dict:
        """Оптимізує маршрути доставки (Vehicle Routing Problem)"""

        # Для малих задач — через LLM з роздумом
        if len(deliveries) <= 20:
            return await self.llm_route_optimizer(deliveries, vehicles)

        # Для великих — алгоритмічний підхід + LLM для винятків
        return await self.algorithmic_route_optimizer(deliveries, vehicles)

    async def llm_route_optimizer(self, deliveries: list, vehicles: list) -> dict:
        response = await llm.ainvoke(f"""Склади оптимальні маршрути доставки.
Доставки:
{json.dumps(deliveries, ensure_ascii=False, indent=2)}

Транспортні засоби:
{json.dumps(vehicles, ensure_ascii=False, indent=2)}

Врахуй: часові вікна, вантажопідйомність, мінімізацію загального пробігу.
Поверни JSON: {{"routes": [{{"vehicle_id": "...", "stops": [delivery_ids_in_order]}}]}}""")

        return json.loads(response.content)

Обробка винятків побудована на playbooks — попередньо визначених сценаріях для типових ситуацій: затримка, пошкодження, митна затримка, неправильна адреса. Агент виконує автоматичні дії (повідомлення, створення претензій, перебронювання) і ескалює тільки коли автоматика безсила.

class ExceptionHandler:

    EXCEPTION_PLAYBOOKS = {
        "delivery_delay": {
            "auto_actions": ["notify_recipient", "update_crm", "rebook_if_urgent"],
            "escalate_if": lambda hours: hours > 72,
        },
        "damaged_goods": {
            "auto_actions": ["create_claim", "notify_sender", "photo_request"],
            "escalate_always": True,
        },
        "customs_hold": {
            "auto_actions": ["get_customs_details", "notify_broker"],
            "escalate_if": lambda days: days > 3,
        },
        "address_not_found": {
            "auto_actions": ["contact_recipient", "check_database"],
            "escalate_if": lambda attempts: attempts > 2,
        },
    }

    async def handle_exception(self, exception: dict) -> dict:
        exception_type = exception["type"]
        playbook = self.EXCEPTION_PLAYBOOKS.get(exception_type)

        if not playbook:
            return await self.generic_exception_handler(exception)

        actions_taken = []

        # Виконуємо автоматичні дії
        for action in playbook.get("auto_actions", []):
            result = await self.execute_action(action, exception)
            actions_taken.append({"action": action, "result": result})

        # Перевіряємо чи потрібна ескалація
        escalate = playbook.get("escalate_always", False)
        if not escalate and "escalate_if" in playbook:
            escalate_fn = playbook["escalate_if"]
            # Викликаємо з потрібним параметром із даних винятку
            escalate = escalate_fn(exception.get("delay_hours") or exception.get("hold_days") or exception.get("attempts", 0))

        if escalate:
            await self.escalate_to_manager(exception, actions_taken)

        return {"actions_taken": actions_taken, "escalated": escalate}

Analytics-модуль щоденно збирає ключові метрики та генерує KPI-звіт природною мовою. У звіті — відхилення від норми та рекомендації щодо покращення.

class LogisticsAnalytics:

    async def daily_kpi_report(self) -> str:
        """Щоденний звіт по KPI логістики"""

        # Дані з БД
        metrics = await asyncio.gather(
            self.get_on_time_delivery_rate(),
            self.get_damage_rate(),
            self.get_carrier_performance(),
            self.get_cost_per_shipment(),
            self.get_exception_rate(),
        )

        report = await llm.ainvoke(f"""Створи KPI-звіт по логістиці за {datetime.now().strftime('%d.%m.%Y')}.

Метрики:
- On-time delivery: {metrics[0]['rate']:.1%} (ціль: {metrics[0]['target']:.1%})
- Damage rate: {metrics[1]['rate']:.3%}
- Top carriers by performance: {metrics[2]}
- Cost per shipment: {metrics[3]['avg']:,.0f} руб
- Exception rate: {metrics[4]['rate']:.2%}

Формат: короткий summary (3 речення), відхилення від норми, рекомендації.""")

        return report.content

Що дає гібридна маршрутизація?

Гібридний підхід дозволяє обробляти до 500 точок доставки за хвилину, поєднуючи швидкість алгоритмів та гнучкість LLM. Для стандартних маршрутів з часовими вікнами використовується алгоритмічний оптимізатор, а для нестандартних запитів (термінова доставка, зміна пріоритетів) підключається LLM з роздумом. Це скорочує середній час маршрутизації на 40% у порівнянні з чисто алгоритмічним підходом.

Результати впровадження: скорочення ручної праці на 55%

Порівняння часу обробки винятків:

Ці цифри — з нашого практичного кейсу з дистриб'ютором FMCG, який обробляє 500 відправлень на день. Наші фахівці мають значний досвід в інтеграції AI-рішень у логістику, використовують перевірені стеки (LangGraph, OpenAI GPT-4o, ChromaDB) та дають гарантію на кожен етап.

Етапи впровадження

1. Аудит поточних процесів та інтеграцій — 1 тиждень.
2. Підключення до API перевізників та складів — 1–2 тижні.
3. Розробка трекінг-модуля та playbooks винятків — 2–3 тижні.
4. Налаштування маршрутизації та KPI-аналітики — 2–3 тижні.
5. Тестування на історичних даних та pilot-запуск — 1–2 тижні.
6. Повноцінний запуск та навчання операторів — 1 тиждень.

Підсумковий термін: 8–12 тижнів залежно від кількості перевізників та складності винятків.

Що входить у результат?

• Працюючий AI-агент у вашій інфраструктурі (on-prem або хмара).
• Інтеграція з 3–5 перевізниками (розширюється за запитом).
• Playbook для 5+ типів винятків (з можливістю доналаштування).
• Щоденний KPI-звіт українською мовою.
• Документація та навчання команди операторів.
• Підтримка протягом 30 днів після запуску.

Ми гарантуємо зниження ручної обробки винятків мінімум на 50%. Окупність рішення — від 6 місяців при обсязі від 200 відправлень на день.

Для оцінки придатності AI-агента у ваших процесах зв'яжіться з нами. Отримайте консультацію щодо впровадження — ми проаналізуємо ваші логістичні процеси та запропонуємо оптимальне рішення під ключ.

Практичний розбір LLM: fine-tuning, RAG, агенти, деплой

Модель GPT‑4 або Claude 3.5 Sonnet через публічне API — не рішення, а просто інструмент. Коли приходить вимога «зробити як ChatGPT, але на наших даних», за нею стоїть реальна інженерна задача: від налаштування промптів до навчання 70B‑моделі на власній інфраструктурі. LLM розробка під ключ — це складний стек, і ми займаємося цим понад 5 років. За цей час реалізовано понад 20 проєктів у галузі генеративного AI: від RAG‑систем для юридичних департаментів до кастомних агентів для техпідтримки. Де саме знаходиться ваша задача — залежить від даних, latency‑вимог, бюджету та того, наскільки критична конфіденційність.

Типова ситуація: клієнт уже спробував ChatGPT, але результати нестабільні — то відповідає точно, то галюцинує. Або потрібна інтеграція в корпоративний портал з дотриманням політик безпеки. Розберемо кожен шар стеку в деталях — від RAG до production‑деплою.

Чому RAG‑системи ламаються і як це виправити?

RAG (Retrieval‑Augmented Generation) виглядає просто: знайшли релевантні документи, поклали в контекст, модель відповіла. На практиці збоїть у кількох місцях.

Chunking без перекриття. Класична помилка: chunk_size=512, overlap=0. Якщо відповідь лежить на межі двох чанків, retrieval не знайде жодного з достатньою впевненістю. Рішення: overlap 15–25% від chunk_size, а краще sentence‑aware splitting через spaCy або NLTK, а не наївне розбиття за символами.

Поганий embedder. Текст‑embedding‑ada‑002 — хороший для загального випадку, але на юридичних або медичних текстах програє спеціалізованим моделям: E5‑large‑v2, BGE‑M3 або fine‑tuned sentence‑transformers на доменних даних. Різниця в Recall@5 може становити 15–25%.

Відсутність re‑ranking. Векторний пошук оптимізований за швидкістю, не за релевантністю. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) після первинного retrieval піднімає точність топ‑3 при прийнятній затримці (+50–150 ms). Це часто важливіше за покращення embedding‑моделі.

Гібридний пошук. Тільки dense вектори погано працюють на точних запитах: імена, артикули, коди. BM25 (sparse) добре знаходить точні збіги, але не розуміє семантику. Гібрид через RRF (Reciprocal Rank Fusion) — оптимальний компроміс. Qdrant, Weaviate та pgvector 0.7+ підтримують гібридний пошук нативно.

Коли варто fine‑tune, а не промпт‑інжиніринг?

Промпт‑інжиніринг вирішує ~70% завдань адаптації LLM під домен. Решта 30% вимагають донавчання. Три ознаки: модель ігнорує специфічний формат виведення навіть при детальному описі в промпті; задача вимагає глибокого знання спеціалізованої лексики (медицина, право); потрібно значно знизити витрати на токени, замінивши велику модель меншою спеціалізованою.

LoRA та QLoRA — стандарт для SFT. LoRA додає trainable low‑rank матриці до attention‑шарів. Типова конфігурація для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — параметрів, що навчаються, ~0.8%, навчання на одній A100 40GB. QLoRA додає 4‑бітну квантизацію (NF4) і дозволяє fine‑tune 70B модель на двох A100 40GB, хоча швидкість падає вдвічі порівняно з bf16.

DPO замість RLHF. Direct Preference Optimization вимагає лише пари (chosen, rejected), а не скалярні reward‑сигнали. DPOTrainer з бібліотеки trl (Hugging Face) реалізує це кількома десятками рядків.

Типова помилка. Датасет з 500 прикладів, 5 епох, validation loss 0.8 — здається норм. Але на тесті модель деградувала на загальних інструкціях. Причина: catastrophic forgetting. Рішення — додати 10–20% загальних instruction‑following прикладів (Alpaca, FLAN) у навчальну вибірку, щоб не зруйнувати вихідні здібності.

Як обрати базову модель: 8B чи 70B?

Для більшості задач fine‑tuning 8B моделі достатньо. 70B потрібен, коли потрібне глибоке міркування або baseline 8B не досягає потрібної якості навіть після донавчання. Вартість інференсу Llama‑3 8B через vLLM на A100 значно нижча, ніж у GPT‑4, що робить його економічно вигідним.

Що дає PagedAttention в production?

vLLM — перший вибір для serving open‑source моделей. PagedAttention — ключове технічне рішення: KV‑cache керується як virtual memory в ОС, без фрагментації. Це дає throughput у 2–4 рази вище порівняно з наївним HuggingFace Transformers inference. Документація vLLM підтверджує: continuous batching та PagedAttention — стандарт для високонавантажених LLM‑сервісів.

Типові числа на A100 80GB для Llama‑3 8B (bf16): 400–600 req/s, P50 latency 200–400ms, P99 latency 600–900ms при concurrency 64. Для 70B на двох A100 з tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизація AWQ або GPTQ знижує споживання пам'яті в 2 рази при втраті якості в межах 1–3%.

Мультиагентні системи

Агенти — LLM з доступом до інструментів: пошук, виконання коду, запити до API, робота з БД. Основні патерни:

• ReAct (Reason + Act): модель розмірковує → обирає інструмент → спостерігає результат → знову розмірковує. LangChain та LlamaIndex реалізують з коробки.
• Multi‑agent orchestration: кілька спеціалізованих агентів з координатором зверху. Приклад: coordinator → researcher (пошук + summarization) → coder (генерація та виконання коду) → critic (перевірка). Інструменти: AutoGen (Microsoft), CrewAI, кастомна реалізація на LangGraph.

В продакшені агентні системи недетерміновані. Обов'язкові guardrails, ліміти кроків, логування кожного кроку, human‑in‑the‑loop для критичних дій.

Як ми гарантуємо якість LLM рішення?

Ми використовуємо RAGAS для автоматичної оцінки відповідей: faithfulness, answer relevancy, context precision. Система трекінгу експериментів на базі MLflow фіксує всі метрики, датасети та конфіги. Це дозволяє порівнювати різні гіпотези та доводити покращення з цифрами. Гарантію стабільної роботи забезпечує continuous integration з тестами на специфічних сценаріях (prompt injection, edge‑cases).

Як почати LLM розробку: наступні кроки

Ми передаємо:

• Технічну документацію (model card, конфіги, інструкції з розгортання)
• Доступ до інфраструктури (репозиторій з кодом, навчені ваги)
• 1 місяць підтримки після деплою (консультації, виправлення багів)
• Навчання команди замовника (2–3 заняття з експлуатації системи)

Терміни: базовий RAG‑прототип — 1–2 тижні. Fine‑tuning з даними замовника — 3–6 тижнів (з урахуванням підготовки даних). Production‑система з моніторингом та перенавчанням — 2–4 місяці.

Вартість розраховується індивідуально і залежить від обсягу даних, складності моделі та вимог до інфраструктури. Хочете оцінити свій проєкт? Зв'яжіться з нами — ми підготуємо попереднє резюме за 1–2 робочі дні. Або замовте консультацію фахівця з вибору підходу: RAG, fine‑tuning або гібрид — розповімо, що підійде саме вам.