تعمل أنظمة توصيل الميل الأخير في عالم نادراً ما يتوقف عن الحركة. فالطلبات تصل بينما تتحرك الشاحنات بالفعل، وظروف المرور تتغير، ونوافذ التوصيل غالباً ما تكون ضيقة. في هذه البيئة، لا يكفي نادراً خطة ثابتة — مسار تم حسابه مرة واحدة في بداية اليوم. بدلاً من ذلك، يجب على الموزعين تحديث خططهم باستمرار، عبر إدراج محطات جديدة في المسارات الحالية أو إعادة ترتيبها عند إلغاء عميل لطلبه أو تعطل مركبة ما. إن هذه الحاجة المستمرة لإعادة التحسين تخلق تحدياً حوسبياً صعباً: يجب على النظام إيجاد ترتيب جديد وصالح للمحطات في غضون ثوانٍ معدودة. فإذا استغرق الكمبيوتر وقتاً طويلاً في التفكير، ستغلق نافذة التوصيل، أو ينتظر السائق بلا جدوى. وإذا خمن الكمبيوتر مساراً جديداً ينتهك القواعد — مثل شاحنة تحمل وزناً زائداً أو تصل متأخرة — فإن الخطة بأكملها تنهار، ويجب على النظام البدء من جديد. الهدف ليس مجرد إيجاد أقصر مسار، بل إيجاد مسار قابل للتنفيذ، وبشكل فوري.

لقد طور باحثون في جامعة هوبي للتكنولوجيا الآلية نهجاً جديداً لهذه المشكلة، نهجاً يستعير استراتيجية من عالم الذكاء الاصطنال لتجعل هذه القرارات التي تُتخذ في أجزاء من الثانية أكثر موثوقية. وقد أطلقوا على نظامهم اسم (SRI-ECR-balanced). فبدلاً من محاولة حساب المسار المثالي من الصفر في كل مرة يصل فيها طلب جديد، يعمل النظام مثل محرر ماهر يصيغ بضع جمل، ويدققها بحثاً عن الأخطاء، ويحتفظ بالأجزاء الجيدة، ويصلح الأجزاء السيئة فوراً. هذه الطريقة، المعروفة باسم "التنفيذ التخميني" (speculative execution)، تسمح للنظام باقتراح عدة محطات مستقبلية في آن واحد، والتحقق من سلامتها، واستبعاد البقية قبل أن تسبب مشكلة. ومن خلال القيام بذلك، يمكن للنظام التعافي من النزاعات بسرعة أكبر بكثير من الطرق التقليدية، مما يضمن بقاء خطة التوصيل قابلة للتنفيذ حتى عندما تتغير الظروف على أرض الواقع بسرعة.

جوهر هذا الإطار الجديد هو دورة من المسودة، والتحقق، والإصلاح. فعندما يأتي طلب جديد، يقوم "مولد المسودة" باقتراح تسلسل قصير من العملاء لإضافتهم إلى مسار الشاحنة. في الماضي، ربما كانت الأنظمة تحاول إدراج عميل واحد فقط في كل مرة، وهو أمر بطيء، أو قد تحاول إدراج قائمة طويلة من العملاء دفعة واحدة، مما يؤدي غالباً إلى أخطاء. ويحقق هذا النظام الجديد توازناً: فهو يقترح مجموعة صغيرة من المحطات، ربما خمس محطات في المرة الواحدة. ثم يقوم "مُحقِّق" منفصل بفحص هذه المجموعة مقابل قواعد الطريق، مثل وزن الشاحنة والنافذة الزمنية للعميل. يقبل النظام أطول امتداد للمجموعة المقترحة الذي يتوافق مع القواعد، ويستبعد الباقي فوراً. فإذا كانت المحطات الثلاث الأولى في المجموعة المقترحة سليمة ولكن الرابعة ثقيلة جداً على الشاحنة، يحتفظ النظام بالمحطات الثلاث الأولى ويتراجع عن الرابعة. إنه لا يرمي الخطة بأكملها؛ بل يزيل فقط الجزء الذي خرق القواعد.

بمجرد التراجع عن المحطات غير الصالحة، يتدخل "خبير إصلاح" متخصص. هذا ليس مصلحاً عاماً؛ بل يشخص النظام بدقة ما حدث بالضبط. فإذا كانت المشكلة هي أن الشاحنة ممتلئة جداً، يعطي الخبير الأولوية لإيجاد شاحنة أخرى بمساحة أكبر. أما إذا كانت المشكلة هي أن العميل سيُفقد بسبب ضيق النافذة الزمنية، فيبحث الخبير عن مسار يمكنه الوصول في وقت أبكر. هذا النهج المستهدف أمر بالغ الأهمية. فقد وجد الباحثون أنه بدون خطوة الإصلاح المحددة والمدركة للنزاع هذه، فشل النظام في إيجاد أي مسارات صالحة في المواقف العصيبة. وعندما أُجبر النظام على استخدام طريقة إصلاح عشوائية بدلاً من طريقة الخبير، لم يتمكن من إصلاح سوى حوالي ثلث المشكلات، مما ترك العديد من الطلبات دون خدمة. ومع استخدام الموجه الخبير، نجح النظام في إصلاح كل نزاع في اختباراتهم، محافظاً على سجل مثالي للخطط القابلة للتنفيذ.

ولجعل هذه العملية سريعة بما يكفي للاستخدام في الوقت الفعلي، يستخدم النظام أيضاً شكلاً من أشكال الذاكرة يسمى "ذاكرة التخزين المؤقت لبادئة المسار" (route-prefix cache). في بيئة ديناميكية، يظل معظم مسار الشاحنة كما هو من لحظة إلى أخرى؛ حيث يتغير نهاية المسار فقط. غالباً ما تقوم الأنظمة التقليدية بإعادة حساب الرحلة بأكملها في كل مرة تجري فيها تغييراً صغيراً، مما يهدر الوقت في أجزاء من الرحلة لم تتغير. يتذكر هذا النظام الجديد الحسابات للأجزاء من المسار التي تم تأكيدها بالفعل. وعندما يحتاج إلى التحقق من محطة جديدة، فإنه يحسب الجزء الجديد فقط، ويعيد استخدام البيانات المخزنة للجزء المتبقي. هذه الحيلة البسيطة جعلت النظام أسرع بأكثر من ثلاث مرات في تقييم المسارات المحتملة. وفي اختبار على مجموعة قياسية مكونة من 100 عميل، سمح هذا التخزين المؤقت للنظام بتقييم المسارات بسرعة تزيد بمقدار 3.12 مرة عما لو كان عليه البدء من الصفر. وفي اختبار أكبر لـ 200 عميل، بلغت سرعة التسريع 3.08 مرة.

اختبر الباحثون نظامهم مقابل الأدوات الموجودة التي تستخدمها شركات اللوجستيات، بما في ذلك OR-Tools وPyVRP، وهي برامج حل قوية مصممة لإيجاد أقصر المسارات المطلقة. وأجروا عمليات محاكاة حيث وصلت طلبات جديدة باستمرار وحيث تم تضييق النوافذ الزمنية اصطناعياً لخلق حالة من الضغط. في هذه الظروف الصعبة، استغرقت البرامج التقليدية ما يقرب من كامل الثلاث ثوانٍ المسموح بها لكل قرار لإيجاد حل، وحتى حينها، كانت أحياناً تنتج مسارات أقصر قليلاً ولكنها تستغرق وقتاً أطول في الحوسبة. وفي المقابل، وجد النظام الجديد حلاً صالحاً في أقل من نصف ثانية في المتوسط. وبينما كانت المسارات التي أنتجها أطول بنسبة 7.8% تقريباً في المسافة الإجمالية مقارنة بتلك التي وجدتها البرامج القوية، إلا أن هذه المقايضة كانت متعمدة. ففي سيناريو التوصيل الواقعي، غالباً ما يكون المسار الأطول قليلاً والمتاح فوراً أكثر قيمة من المسار المثالي الذي يصل متأخراً جداً. لقد أعطى النظام الأولوية لإخراج خطة قابلة للتنفيذ بدلاً من عصر كل ميل أخير من الكفاءة.

كما استكشف البحث كيفية سلوك النظام تحت مستويات مختلفة من المخاطر. وقارنوا بين نهج "متوازن"، يزن بعناية مخاطر إضافة محطة جديدة، ونهج "عدواني" يحاول إضافة أكبر عدد ممكن من المحطات قبل التحقق. تسبب النهج العدواني في ارتكاب النظام للعديد من الأخطاء التي توجب التراجع عنها، مما أدى إلى إبطائه بشكل كبير. أما النهج المتوازن، الذي يعاقب التحركات المحفوفة بالمخاطر قبل اقتراحها، فقد قلل من عدد الأخطاء وأبقى النظام يتحرك بسلاسة. وأكد هذا أن النظام يعمل بشكل أفضل عندما يتوقع بحذر، مقترحاً خطوات للأمام مع التحقق منها بصرامة قبل الالتزام بها.

لم يدّع الباحثون أن نظامهم هو الأفضل في إيجاد أقصر مسار ممكن في عالم ثابت حيث لا يشكل الوقت عاملاً. وقد ذكروا صراحة أنه بالنسبة للمشكلات التي يكون هدفها الوحيد هو تقليل المسافة وامتلاك الكمبيوتر عدة ثوانٍ للتفكير، فإن البرامج التقليدية لا تزال هي الفائزة. تكمن قيمة هذا الإطار الجديد تحديداً في العالم الديناميكي المضغرب بالوقت. في هذه السيناريوهات، تكون القدرة على التعافي من النزاع فوراً والحفاظ على خطة صالحة أكثر أهمة من التحسين الطفيف في المسافة. لقد أثبت النظام جدارته من خلال خدمة 100% من العملاء في أكثر الاختبارات إجهاداً، مع صفر طلبات مرفوضة، مع الحفاظ على وقت استجابة منخفض بما يكفي ليكون مفيداً لمركز توزيع مباشر.

وحتى عندما أدخل الباحثون ضوضاء عشوائية لمحاكاة تأخيرات المرور غير المتوقعة، صمد النظام. فقد استمر في خدمة جميع العملاء وإصلاح النزاعات بنجاح، مما أظهر أن الطريقة قوية بما يكفي للتعامل مع عدم اليقين في العالم الحقيقي. كما اختبروا النظام على جزء من بيانات توصيل حقيقية من شركة لوجستية كبرى، باستخدام إحداثيات تسليم فعلية. عمل النظام بنجاح على هذه البيانات الواقعية، حيث خدم جميع المحطات الثمانين في مجموعة الاختبار. ومع ذلك، كان الباحثون حذرين في الإشارة إلى حدود تصميمهم الحالي؛ فعندما اختبروا سيناريو أكبر بكثير يضم 400 عميل، لم يتمكن النظام من إيجاد حل مثالي ضمن المهلة الزمنية، حيث خدم حوالي ثلاثة أرباع الطلبات فقط. وهذا يشير إلى أنه بينما يعمل هذا النهج جيداً مع الأساطيل متوسطة الحجم، فإن العمليات الأكبر ستتطلب استراتيجيات إضافية لتقسيم المشكلة إلى أجزاء أصغر.

في نهاية المطاف، يوضح هذا العمل تحولاً في كيفية تفكيرنا في حل مشكلات التوجيه. فبدلاً من النظر إلى الكمبيوتر كآلة حاسبة يجب أن تجد الإجابة الوحيدة الأفضل، عامل الباحثون الكمبيوتر كصانع قرار يجب أن يجد إجابة جيدة بسرعة. ومن خلال اعتماد الأنماط التخمينية المستخدمة في الذكاء الاصطناعي الحديث — المسودة، والتحقق، والتخزين المؤقت — يمكن للنظام التنقل في عدم اليقين للتوصيل الديناميكي بسرعة وموثوقية. وتشير النتائج إلى أنه بالنسبة للعديد من التحديات اللوجستية في العالم الحقيقي، فإن القدرة على التكيف فوراً هي المقياس الحقيقي لنظام ناجح، حتى لو كان ذلك يعني أن المسارات ليست مثالية رياضياً. لا يعد النظام بالقضاء على جميع التأخيرات أو إيجاد أقصر مسار في كل مرة، لكنه يعد بأنه عندما يصل طلب جديد، ستكون الخطة جاهزة في الحال تقريباً، مما يبقي عجلات شبكة التوصيل في دوران مستمر.