ResilOpt
ResilOpt — زنجیره تأمین مقاوم — بهینهسازی robust/stochastic شبکه تأمین در برابر اختلال تأمینکننده، تقاضا و ریسک دم توزیع.
Interactive Sample Demoبرای مدیر: نتیجه کسبوکار
شبکه کمهزینه در شرایط عادی شکننده بود؛ قطع یک تأمینکننده سطح خدمت را فرو میریخت.
۹ سناریو اختلال؛ سطح خدمت ۹۲٪+ در قطع تأمینکننده؛ قیود شانسی روی fill rate.
- ۱۵–۲۵٪ کاهش هزینه پایه
- ۹۲٪+ service تحت اختلال
- CVaR کمیسازیشده
- ۹ سناریو تنش
«کل شبکه را از تأمین API تا تقاضا در چند ثانیه stress-test میکنیم.»
مستندات عمومی
چه میکند؟
ResilOpt یکی از محصولات پورتفولیوی هوش مصنوعی آریا اِیآی است که برای تصمیمگیری عملیاتی سازمانهای ایرانی و بینالمللی طراحی شده. نسخه عمومی روی Hugging Face یک دموی نمونه است؛ نسخه تولید با یکپارچهسازی داده، SSO و audit trail استقرار مییابد.
مخاطب غیرفنی میتواند KPI قبل/بعد، کاربرد صنعت و مسیر پایلوت را ببیند؛ مخاطب فنی pipeline، متریک قابل بازتولید و لینک Space/Model/Dataset را دنبال میکند.
درخواست پایلوت از طریق فرم تماس سایت با ذکر علاقه به ResilOpt ثبت میشود تا محدوده داده، قیود و معیار موفقیت مشخص گردد.
چه کسی از آن استفاده میکند؟
مدیران عملیات، CISO، برنامهریزان تولید، لجستیک، مالی و تیمهای مهندسی که باید تصمیم را هم برای هیئتمدیره و هم برای اجرای فنی توضیح دهند.
خروجی دمو «نمونه تعاملی» است؛ آپلود زنده فایل سازمانی روی Space عمومی توصیه نمیشود.
کاربرد در صنایع
زنجیره تأمین چندلایه
مقاومت در برابر اختلال تأمینکننده، موجودی ایمنی و تخصیص سفارش. دارو، خودرو، غذا و انرژی که تکمنبعی خطرناک است.
تولید گسسته
قطعات یدکی، نگهداری پیشگیرانه و وعده تحویل قابل دفاع.
خردهفروشی چندکاناله
fulfillment، مرجوعی و سطح خدمت در فروشگاه و انبار.
نفت، گاز و معادن
شبکه تأمین robust و موجودی اضطراری تجهیزات.
دارو و غذا
cold-chain، FEFO و ریسک کمبود در شبکه توزیع.
پروژههای زیرساختی
برنامهریزی منابع مشترک بین پروژهها با عدمقطعیت.
برای مهندس: Pipeline و معماری
Network → NetworkX → deterministic LP / SAA / robust min-max / chance / DRO-CVaR → flow decisions
معماری مرجع: Network → NetworkX → deterministic LP / SAA / robust min-max / chance / DRO-CVaR → flow decisions. اجزا روی CPU قابل اجرا هستند تا دمو و استقرار اولیه بدون GPU اجباری باشد.
خروجیها شامل امتیاز/برنامه، توضیحپذیری و ردپای تصمیم برای بازبینی انسانی است. آموزش و ارزیابی از corpus مستند پروژه پیروی میکند.
برای تولید: Docker، متغیر محیطی، و اتصال به سامانه موجود (ERP، SIEM، WMS، APS) طبق معماری هر repo انجام میشود.
پشته فنی
- Python
- OR-Tools / Pyomo / HiGHS
- NumPy
- SimPy
- Gradio
- Docker
متریکهای قابل بازتولید
| بنچمارک | جزئیات | نتیجه |
|---|---|---|
| Cost vs single-source | deterministic LP | 15–25% |
| Service under shutdown | demo | 92%+ |
| Scenarios | disruptions | 9 |
| Objectives | CVaR / chance | yes |
سوالات پرتکرار
ResilOpt چیست و چه مسئلهای را حل میکند؟
بهینهسازی robust/stochastic شبکه تأمین در برابر اختلال تأمینکننده، تقاضا و ریسک دم توزیع.
آیا میتوان داده واقعی سازمان را در دمو عمومی وارد کرد؟
خیر. دمو عمومی برای نمونههای ازپیشمحاسبهشده یا داده ترکیبی است. داده production باید در استقرار on-prem یا VPC با کنترل دسترسی وارد شود.
آیا این محصول جایگزین سامانه فعلی میشود؟
نمونه اولیه (POC) برای نمایش قابلیت بهینهسازی است و جایگزین سیستم برنامهریزی تولید سازمانی نیست. متریکها روی داده ترکیبی/بنچمارک قابل بازتولید گزارش شدهاند. برای استقرار واقعی پایلوت on-prem توصیه میشود.
متریکهای صفحه از کجا آمدهاند؟
از README و eval_results هر پروژه روی Hugging Face / repo داخلی؛ اعداد بنچمارک ترکیبی را با داده سازمان خود در پایلوت بازسنجی کنید.
لینکهای Hugging Face
درخواست پایلوت
برای استقرار on-prem، یکپارچهسازی با سامانههای موجود یا fine-tune روی داده سازمان خود تماس بگیرید.