𝗢𝗽𝘁𝗶𝗺𝗶𝘇𝗶𝗻𝗴 𝗠𝗮𝗿𝗶𝘁𝗶𝗺𝗲 𝗣𝗼𝗿𝘁 𝗖𝗼𝗻𝗴𝗲𝘀𝘁𝗶𝗼𝗻
ಬಂದರುಗಳು ಹೆಚ್ಚಾಗಿ 'ಮೊದಲು ಬಂದವರಿಗೆ ಮೊದಲ ಆದ್ಯತೆ' (first-come-first-served) ಎಂಬ ಸರಳ ನಿಯಮಗಳನ್ನು ಬಳಸುತ್ತವೆ. ಹವಾಮಾನ ಬದಲಾದಾಗ ಅಥವಾ ಉಪಕರಣಗಳು ಕೆಟ್ಟಾಗ ಈ ನಿಯಮಗಳು ವಿಫಲವಾಗುತ್ತವೆ. ಇವು ವಿಳಂಬದ ಹೆಚ್ಚಿನ ವೆಚ್ಚಗಳನ್ನು ಪರಿಗಣಿಸುವುದಿಲ್ಲ.
ಇದನ್ನು ಪರಿಹರಿಸಲು ನಾನು AnchorFlow-AI ಅನ್ನು ನಿರ್ಮಿಸಿದ್ದೇನೆ. ಇದು ಒಂದು Python ಸಿಮ್ಯುಲೇಶನ್ ಇಂಜಿನ್ ಆಗಿದೆ. ಇದು ಬರ್ತ್ಗಳು (berths), ಪೈಲಟ್ಗಳು ಮತ್ತು ಟಗ್ಬೋಟ್ಗಳನ್ನು ನಿರ್ವಹಿಸಲು ಮಲ್ಟಿ-ಏಜೆಂಟ್ ಸಿಸ್ಟಮ್ ಅನ್ನು ಬಳಸುತ್ತದೆ.
ಈ ವ್ಯವಸ್ಥೆಯು Prompt-Agent-Skill ವಿನ್ಯಾಸವನ್ನು ಬಳಸುತ್ತದೆ. ಇದು ಸಂಕೀರ್ಣ ಕಾರ್ಯಗಳನ್ನು ಸಣ್ಣ, ಮರುಬಳಕೆ ಮಾಡಬಹುದಾದ ಘಟಕಗಳಾಗಿ ವಿಂಗಡಿಸುತ್ತದೆ:
- Triage Agent: ವಿಳಂಬದ ವೆಚ್ಚ ಮತ್ತು ಕಾಯುವ ಸಮಯದ ಆಧಾರದ ಮೇಲೆ ಕ್ಯೂ ಅನ್ನು ವಿಂಗಡಿಸುತ್ತದೆ.
- Berth Allocator: ಹಡಗುಗಳ ಗಾತ್ರ ಮತ್ತು ಆಳದ ಆಧಾರದ ಮೇಲೆ ಅವುಗಳನ್ನು ಡಾಕ್ಗಳಿಗೆ ಹೊಂದಿಸುತ್ತದೆ.
- Transit Agent: ಪೈಲಟ್ಗಳು ಮತ್ತು ಟಗ್ಗಳು ಸಿದ್ಧವಾಗಿವೆಯೇ ಎಂದು ಪರಿಶೀಲಿಸುತ್ತದೆ.
- Operations Coordinator: ಇಡೀ ಪ್ರಕ್ರಿಯೆಯನ್ನು ನಿರ್ವಹಿಸುತ್ತದೆ ಮತ್ತು ಅಡಚಣೆಗಳನ್ನು ನಿಭಾಯಿಸುತ್ತದೆ.
ನಾನು ಇದನ್ನು ಪ್ರಮಾಣಿತ ಶೆಡ್ಯೂಲಿಂಗ್ ಮಾಡೆಲ್ಗೆ ಹೋಲಿಸಿ ಪರೀಕ್ಷಿಸಿದೆ. ವ್ಯವಸ್ಥೆಯು ಹೇಗೆ ಪ್ರತಿಕ್ರಿಯಿಸುತ್ತದೆ ಎಂದು ನೋಡಲು ನಾನು ಯಾದೃಚ್ಛಿಕ ಚಂಡಮಾರುತಗಳು ಮತ್ತು ಯಾಂತ್ರಿಕ ವೈಫಲ್ಯಗಳನ್ನು ಸೇರಿಸಿದೆ.
ಫಲಿತಾಂಶಗಳು:
- ಹಡಗುಗಳ ಕಾಯುವ ಸಮಯವು 16.4% ರಷ್ಟು ಕಡಿಮೆಯಾಯಿತು.
- Demurrage ವೆಚ್ಚಗಳು $480,000 USD ಕ್ಕಿಂತ ಹೆಚ್ಚು ಕಡಿಮೆಯಾದವು.
- ಬಂದರಿನ ಅಡಚಣೆಗಳಿಂದ ವ್ಯವಸ್ಥೆಯು ಶೀಘ್ರವಾಗಿ ಚೇತರಿಸಿಕೊಳ್ಳುತ್ತದೆ.
ಸ್ಥಿರ ನಿಯಮಗಳಿಗಿಂತ ಬುದ್ಧಿವಂತ ಏಜೆಂಟ್ಗಳು ಲಾಜಿಸ್ಟಿಕ್ಸ್ ಅನ್ನು ಹೇಗೆ ಉತ್ತಮವಾಗಿ ನಿರ್ವಹಿಸಬಲ್ಲವು ಎಂಬುದನ್ನು ಈ ಯೋಜನೆಯು ತೋರಿಸುತ್ತದೆ. ಇದು ಸರಳ ಯೋಜನೆಯಿಂದ ಸಕ್ರಿಯ ಸಂಘಟನೆಯತ್ತ (active orchestration) ಸಾಗುತ್ತದೆ.
ನೀವು Python ಬಳಸಿ ನಿಮ್ಮ ಲ್ಯಾಪ್ಟಾಪ್ನಲ್ಲಿ ಈ ಸಿಮ್ಯುಲೇಶನ್ ಅನ್ನು ಸ್ಥಳೀಯವಾಗಿ (locally) ರನ್ ಮಾಡಬಹುದು.
ಐಚ್ಛಿಕ ಕಲಿಕಾ ಸಮುದಾಯ: https://t.me/GyaanSetuAi