ارتقاء توزیع سوخت با هوش مصنوعی

اقتصاد معاصر – رضا احسانی، پژوهشگر اقتصادی: نگارنده، در تعطیلات انتهایی ماه صفر گذشته، از نزدیک شاهد ایجاد مشکلات متعدد در جایگاه‌های سوخت شمال کشور بود. از مشاهدات می‌توان به شرایط بغرنج توزیع سوخت در جایگاه‌ها پی برد:

• در برگشت به سمت تهران، در فاصله بین دو شهر ساحلی به فاصلۀ حدود ۶۰ کیلومتر، «بیش از نیمی» از جایگاه‌ها غیرفعال، و تعداد معدودی از آنها برقرار بود. حاصل اینکه مسافرانی که به پمپ‌بنزین رسیده و سوختشان رو به پایان بود، پشت هر جایگاه تا چندصدمتر صف کشیده بودند؛ چه اینکه اگر سوختشان تکافو می‌کرد و به پمپ بعدی هم می‌رفتند، به احتمال قوی شرایط همین بود. شرایط خانواده‌هایی که ساعت‌ها در این برزخ گرفتار بودند را تصور کنید!

• طی روز‌های پیش از آن، بصورت عادی، برای سوخت‌گیری لازم بود دست‌کم ۳ ساعت – گاهی تا ۵ ساعت و بیشتر - در صف پمپ‌بنزین وقت صرف کنید. خود نگارنده، برای احتراز از این اتلاف زمان طولانی، ساعت ۳ صبح به یکی از جایگاه‌های فرعی و محلی مراجعه کرد که همواره – در ایام دیگر – خلوت و بدون صف و بدون مشکل بود. با این شرایط، رسیدن به جایگاه کمی بیش از یک ساعت به درازا کشید. تعداد افرادی که در راه مانده بودند و با ظرف ۴ لیتری یا بیشتر مراجعه می‌کردند قابل توجه بود. در صف آن پمپ‌بنزین فرعی، در فاصله‌ای که خودرو‌ها خاموش می‌کردند و بصورت نوبه‌ای جلو می‌رفتند، افراد محلی از گرفتاری‌هایشان در این شرایط می‌گفتند، راهکار‌های گوناگون ارائه می‌کردند، و بعضاً از خجالت سیاستگذار درمی‌آمدند که ضعف تدبیرش چنین شرایطی را رقم زده بود. انصافا شرایط خوبی نبود!

و یک نکتۀ مهم: بزرگترین اشتباه پس از این مشاهده، فروکاست موضوع به همین یک «مورد خاص» است. باید بدانیم که این اتفاق پیش آمده، زنگ خطری است که به ما نشان داد نبض برنامه‌ریزی شبکه توزیع سوخت، دچار اختلال است و بخصوص در شرایط بحرانی سیاستگذار از ضعف شدید برنامه‌ریزی و توان حل مساله در این حوزه رنج می‌برد؛ که اگر چنین نبود، تدابیر به‌کارگرفته شده توسط سیاستگذار حتما اعلام می‌شد. 

بهانه‌های سیاستگذار 

ویس کرمی، مدیر شرکت ملی پخش فرآورده‌های نفتی، در واکنش به این اتفاق گفت:

"با توجه به تعطیلات طولانی‌مدتی که داشتیم، شاهد ازدحام بیش از حد جایگاه‌های سوخت و ترافیک فوق‌سنگین در مبادی ورودی و جاده‌های مواصلاتی استان‌های شمالی بودیم... مصرف بنزین در ۶ روز گذشته یعنی از شنبه ۱۰ شهریور تا پنجشنبه ۱۵ شهریور به‌شدت افزایش پیدا کرده و به ترتیب ۱۴۲، ۱۳۷، ۱۳۲، ۱۴۰، ۱۲۴ و ۱۳۶ میلیون لیتر در روز بود که میانگین مصرف روزانه بنزین در این ۶ روز هم ۱۳۵ میلیون لیتر ثبت شده است... زمان انتقال سوخت به جایگاه‌ها بیش از ۵ برابر حالت عادی بود به‌ویژه که این اتفاق در استان‌های گیلان و غرب مازندران رخ داده است... متاسفانه از قبل، ذخیره‌سازی کافی بنزین به ویژه در انبار نفت چالوس صورت نگرفته بود و افزایش ۶۰ درصدی مصرف بنزین در استان‌های شمالی در ۶ روز گذشته موجب شد تا شاهد تعطیلی مقطعی برخی از جایگاه‌های سوخت در استان گیلان و غرب مازندران باشیم. " 

راه حل سریع

برای رسیدن به راه‌حل، ابتدا باید پرسش‌های درست مطرح کنیم. با ابتنا به مبانی نظری و ریشه‌های منطقی «هوش مصنوعی» طرح سه دسته پرسش در این زمینه، و پاسخ صحیح به آنها، از رخ دادن اتفاقات مشابه جلوگیری خواهد کرد:

۱. این قبیل قفل‌شدن‌های ترافیکی چه عللی دارد؟ چه مولفه‌ها و رویداد‌هایی بر ایجاد آنها موثر است؟ احصا و به‌دست آوردن چه داده‌هایی می‌تواند به ما کمک کند برای جلوگیری از چنین چالش‌هایی برنامه‌ریزی کنیم.

۲. «متغیر‌های تصمیم» ما چیست؟ یعنی می‌خواهیم چه نکاتی و مطلوبیت‌هایی را مدیریت کنیم و به آنها برسیم؟

۳. تابع هدف تصمیم ما چگونه است؟ چه وزن‌هایی به متغیر‌های تصمیممان اختصاص بدهیم؟ متغیر‌ها را چگونه با هم مرتبط کنیم؟ و به همین ترتیب.

پیش از اینکه به این سه دسته پرسش بپردازیم ذکر دو نکته بسیار حائزاهمیت است:

الف) خواهیم دید، گونه‌گونی و بسامد داده‌های مؤثر و عِلی بر رویداد ترافیک شمال، آنچنان مهیب و گسترده است که هیچ جمع بشری توان تجزیه و تحلیل آنها را ندارد. اکنون ادبیات هوش مصنوعی در این زمینه رواج دارد و در دسترس است.

ب) این را از نگارنده بپذیرید و اندکی در این باب تامل بفرمایید که در روزگار علوم شناختی و هوش مصنوعی، تعریف «مدیر باسواد و بی‌سواد» تغییرات بنیادین داشته است؛ و حتما و بدون شک، فهم منطقی و قدرت مدیر در استفاده از هوش مصنوعی در بهینه‌سازی الگو‌های تصمیم‌گیری، یکی از مولفه‌های کلیدی این تغییر است. مدیر یک بنگاه بزرگ لجستیکی، مدیر یک بنگاه تجاری، فرمانده یک میدان رزمی، رئیس یک دانشگاه، مدیرعامل یک پالایشگاه، مدیر یک معدن مس، مدیر یک لیگ فوتبال، مدیر یک شرکت پخش دارویی، و توزیع‌کننده فرآورده‌های پالایشی، همگی مشمول همین گزاره هستند.

اما بپردازیم به پرسش‌ها:

۱. ابتدا ببینیم با داشتن چه داده‌هایی می‌توانیم بروز ترافیک (بحران) را از پیش شناسایی کنیم. به نظر شما چند نوع داده می‌توان مستقل از هم به این شناخت ما کمک کند؟ پاسخ این است که: احتمالاً چند هزار نوع! ببینیم:

• داده‌های دما، بر این موضوع موثر است. درواقع سرما و گرما می‌تواند – مستقل از مولفه‌های دیگر – به بروز بحران بینجامد.
• داده‌های بارشی و اقلیمی
• کیفیت آسفالت هر بخش از جاده‌ها
• داده‌های تقویمی (تعطیلات و ...)
• داده‌های سوابق تاریخی
• شهر‌ها و روستا‌های میان‌راهی
• نقاط حساس مسدود شدن یا کندشدن سرعت در مسیر‌ها (چراغ قرمز، رستوران‌ها، پلیس، خرابی جاده و ...)
• داده‌های انسانی و رفتارشناسی، که خود شامل موارد بسیار گوناگون است (خشم، برانگیختگی، نکات خانوادگی، تعداد نفرات، ترکیب نفرات مسافرت کننده، میزان ثروتمند بودن مسافران، زمان طی شده از ابتدای مسیر، ارتباط با وعده‌های غذایی و...)
• داده‌های خودرو‌ها
• داده‌های شغلی افراد بومی و مسافران
• شرایط مزارع اطراف (مثلا در این سفر، به کرات، کمباین‌هایی که برای برداشت برنج در جاده‌ها ترافیک ایجاد می‌کردند، مشاده می‌شد)
• شرایط فراملی و ...

از هریک از این دسته داده‌ها، ممکن است ده‌ها و شاید بعضا صد‌ها نوع داده مفید و مستقل برای تصمیم عاقلانه و بهینه به‌دست می‌آید. برای تقریب به ذهن به این مثال توجه بفرمایید:

یک فروشگاه زنجیره‌ای ژاپنی، برای بررسی مطلوبیت برخورد کارکنان خود با مشتریان از هوش مصنوعی استفاده کرده است. مولفه‌هایی مانند کیفیت خوشامدگویی، لبخند، همراهی با مشتری، شاخص‌های توده بدنی، میزان تحصیلات، میزان تحرک و ... در این برنامه مورد بررسی قرار گرفته است. اما نکته جالب، تعدد و گوناگونی داده‌هاست: حدود ۴۵۰ مولفه در این زمینه مورد ارزیابی قرار می‌گیرد. به این ترتیب می‌توان حدس زد که با کمی بررسی عمیق و دقیق، تعداد مولفه‌هایی که تابع تصمیم ما در «شرایط ترافیک شمال کشور» را شکل می‌دهند، می‌تواند هزاران مورد باشد. خب، بررسی برهم‌کنش، و ارتباط دو به دو، سه به سه، چهار به چهار و ... این داده‌ها از انسان ساخته است؟!

۲. پرسش دوم ما هم کلیدی است: متغیر‌های تصمیم ما چیست؟ آیا می‌خواهیم با برنامه‌ریزی هزینه‌های مردم حداقل شود؟ می‌خواهیم از ترافیک جلوگیری کنیم؟ می‌خواهیم پر بودن مخازن اصلی سوخت در شهر‌ها در هیچ زمانی از ۴۰ درصد کمتر نباشد؟ می‌خواهیم مخازن پمپ‌بنزین‌ها هیچگاه از ۵۰ درصد کمتر پر نباشد؟ می‌خواهیم مخازن پمپ‌بنزین‌ها فقط به احتمال یک‌درصد یا کمتر خالی بماند؟ یا به احتمال ۱۰ درصد؟ می‌خواهیم زمان عزیمت یا ظرفیت یا سرعت مخازن حمل سوخت را برنامه‌ریزی کنیم؟ می‌خواهیم شبکه مخازن را در شرایط پویا (با تغییرات آنلاین آن هزاران داده) درلحظه بهینه نگاه داریم؟ می‌خواهیم دقیقا روی چه متغیر‌هایی تصمیمی بگیریم؟

۳. پرسش سوم، تعیین تابع هدف تصمیم و محدودیت‌هاست. در این بخش بررسی می‌کنیم که وزن و اهمیت هریک از متغیر‌های تصمیم چه اندازه است؟ کدامیک و چه اندازه برای ما مهم است؟ برهم‌کنش متغیر‌های تصمیم چگونه است؟ و محدودیت‌های ما چه ابعادی دارد؟

مدیران شرکت ملی پالایش و پخش مشخصا دو انتخاب دارند:

- یا مثل شرایط حاضر، توزیع را به «احساس» مدیران و برنامه‌ریزان، و نهایتا برنامه‌ریزی سنتی بسپارند، که نتیجه‌اش همین است که می‌بینیم.
- یا با دیدی عمیق‌تر، باید منطق تصمیم را تعریف کرد، داده‌ها را احصا کرد و برنامه‌ریزی و تصمیم بهینه را به هوش مصنوعی سپرد.

هشدارها

الف) هوش مصنوعی تنها یک ابزار و اپراتور است. مدیر باید بر «منطق» حاکم بر هوش مصنوعی طراحی‌شده اشراف داشته باشد تا انتخابی درست و هوشمند رقم بخورد. عدم وجود چنین اشرافی می‌تواند فاجعه‌آفرین باشد.

ب) سپردن به هوش مصنوعی، یک آفت بزرگ دیگر هم دارد: هک شدن و بروز اختلالات از خارج سیستم.