אופטימיזציה של עומסי נמלים ימיים
נמלים משתמשים לעיתים קרובות בכללים פשוטים של "כל הקודם זוכה". כללים אלו נכשלים כאשר מזג האוויר משתנה או כאשר ציוד מתקלקל. הם אינם לוקחים בחשבון עלויות עיכוב גבוהות.
בניתי את AnchorFlow-AI כדי לפתור זאת. זהו מנוע סימולציה ב-Python. הוא משתמש במערכת מרובת-סוכנים (multi-agent system) לניהול רציפים, קברניטי הנחיה וסירות גרירה.
המערכת משתמשת בעיצוב Prompt-Agent-Skill. עיצוב זה מפרק משימות מורכבות לבלוקים קטנים וניתנים לשימוש חוזר:
- Triage Agent: ממיין את התור לפי עלות העיכוב וזמן ההמתנה.
- Berth Allocator: מתאים אוניות לרציפים על בסיס גודל ועומק.
- Transit Agent: בודק אם קברניטי ההנחיה וסירות הגרירה מוכנים.
- Operations Coordinator: מנהל את התהליך כולו ומטפל בהפרעות.
בחנתי זאת מול מודל תזמון סטנדרטי. הוספתי סערות אקראיות ותקלות מכניות כדי לראות כיצד המערכת מגיבה.
התוצאות:
- זמני ההמתנה של כלי השיט ירדו ב-16.4%.
- עלויות השהייה (Demurrage) ירדו ביותר מ-$480,000 USD.
- המערכת מתאוששת במהירות מהפרעות בנמל.
פרויקט זה מראה כיצד סוכנים חכמים יכולים לנהל לוגיסטיקה טוב יותר מאשר כללים סטטיים. הוא עובר מתכנון פשוט לניהול (orchestration) פעיל.
ניתן להריץ את הסימולציה הזו באופן מקומי על הלפטופ שלך באמצעות Python.
קהילת למידה אופציונלית: https://t.me/GyaanSetuAi