Исследователи Института искусственного интеллекта МФТИ разработали систему управления складскими запасами на основе обучения с подкреплением (reinforcement learning). В тестировании на исторических данных крупного дистрибьютора механизм увеличил валовую прибыль на 7% и повысил долю удовлетворённого спроса с 80% до 90%.

Управление запасами — одна из самых сложных задач логистики, особенно когда речь идёт о десятках тысяч товарных позиций и нестабильном спросе. Большинство существующих систем автозаказа, в том числе решения SAP, Oracle и RELEX, работают по схеме «прогноз + правило»: сначала прогнозируется спрос, затем применяется заранее заданная формула для расчёта заказа.

Другие новости и материалы по AI — в Telegram-канале NH | Новости технологий, AI и будущее.

Разработка МФТИ использует другой решение. RL-агент принимает решения напрямую на основе целевой бизнес-метрики — например, прибыли или уровня удовлетворённого спроса. Механизм учитывает долгосрочные последствия каждого заказа и адаптируется к изменениям спроса и логистических параметров без ручной перенастройки правил.

Для обучения разработчики создали цифровую схема бизнес-процессов склада — платформу, которая воспроизводит историю продаж и позволяет тестировать различные стратегии управления запасами. На этой модели обучается нейросеть с оригинальной архитектурой: она управляет каждой парой «товар – склад» автономно, но использует опыт, накопленный по всей номенклатуре товаров.

Обучение прототипа на выборке из 10 тысяч пар «товар – склад» занимает менее суток на стандартном серверном оборудовании.

Второй этап проекта — валидация на новых данных заказчика за 2025 год. После этого систему планируют интегрировать в существующие ERP-решения, в том числе «1С». На первом этапе она будет функционировать как рекомендательная система, а затем может перейти к целиком автоматическому управлению закупками.

По оценкам разработчиков, потенциальный экономический эффект для крупных компаний может составлять десятки миллионов рублей в год.

Техника может применяться в ритейле, автосервисе, дистрибуции промышленного оборудования и электроники — везде, где требуется управлять большим ассортиментом товаров и быстро реагировать на модификация спроса.