Mengoptimalkan Kemacetan Pelabuhan Maritim
Pelabuhan sering kali menggunakan aturan sederhana first-come-first-served. Aturan ini gagal saat cuaca berubah atau peralatan rusak. Aturan tersebut tidak memperhitungkan biaya keterlambatan yang tinggi.
Saya membangun AnchorFlow-AI untuk mengatasi hal ini. Ini adalah mesin simulasi Python. Sistem ini menggunakan sistem multi-agen untuk mengelola dermaga, pandu, dan kapal tunda.
Sistem ini menggunakan desain Prompt-Agent-Skill. Desain ini memecah tugas-tugas kompleks menjadi blok-blok kecil yang dapat digunakan kembali:
- Triage Agent: Menyortir antrean berdasarkan biaya keterlambatan dan waktu tunggu.
- Berth Allocator: Mencocokkan kapal dengan dermaga berdasarkan ukuran dan kedalaman.
- Transit Agent: Memeriksa apakah pandu dan kapal tunda sudah siap.
- Operations Coordinator: Mengelola seluruh proses dan menangani gangguan.
Saya menguji ini terhadap model penjadwalan standar. Saya menambahkan badai acak dan kegagalan mekanis untuk melihat bagaimana sistem bereaksi.
Hasilnya:
- Waktu tunggu kapal turun sebesar 16,4%.
- Biaya demurrage turun lebih dari $480.000 USD.
- Sistem pulih dengan cepat dari gangguan pelabuhan.
Proyek ini menunjukkan bagaimana agen cerdas dapat menangani logistik dengan lebih baik daripada aturan statis. Ini beralih dari perencanaan sederhana ke orkestrasi aktif.
Anda dapat menjalankan simulasi ini secara lokal di laptop Anda menggunakan Python.
Komunitas pembelajaran opsional: https://t.me/GyaanSetuAi