Generatywna AI w optymalizacji tras intermodalnych — zastosowania w logistyce 3PL

Transport intermodalny — łączący kolej, drogę, morze i powietrze — jest fundamentem globalnych łańcuchów dostaw, ale jednocześnie jednym z najtrudniejszych obszarów optymalizacji. Planowanie trasy wymaga jednoczesnego uwzględnienia rozkładów jazdy, dostępności terminali, ograniczeń infrastrukturalnych i dynamicznych zakłóceń: warunków pogodowych, zmian regulacyjnych, zagrożeń geopolitycznych.

Artykuł Mariusza Kmiecika (Politechnika Śląska), opublikowany w Scientific Papers of Silesian University of Technology (DOI: 10.29119/1641-3466.2025.237.13), podejmuje praktyczne pytanie: czy duże modele językowe (LLM) — takie jak GPT-4o i Gemini Advanced — mogą realnie wspierać planowanie tras intermodalnych przez operatorów 3PL? I który z nich robi to skuteczniej?

Metodologia — podejście eksperymentalne z walidacją krzyżową

Badanie zastosowało podejście eksperymentalne: oba modele generatywne zostały zasilone danymi o rzeczywistych terminalach intermodalnych i połączeniach kolejowych w Europie, a następnie poproszone o zaplanowanie tras między Warszawą (Polska) a Madrytem (Hiszpania) według dwóch różnych kryteriów optymalizacyjnych:

• minimalizacja liczby przeładunków — kluczowe z punktu widzenia kosztów operacyjnych,
• minimalizacja dystansu — mające na celu redukcję czasu transportu i emisji CO₂.

Istotną nowością metodologiczną było synergiczne zastosowanie obu modeli: każdy LLM nie tylko generował własne rozwiązania, ale też oceniał i optymalizował wyniki wygenerowane przez drugi model. Taki układ pozwolił na wzajemną walidację i identyfikację słabych stron poszczególnych podejść.

Wyniki — GPT-4o kontra Gemini Advanced

GPT-4o generował trasy bazując na precyzyjnych obliczeniach odległości geodezyjnych i realnych danych o terminalach, co przekładało się na operacyjnie wykonalne propozycje. Gemini Advanced skupiał się na optymalizacji na poziomie miast, co upraszczało analizę — ale niekiedy prowadziło do wskazania połączeń nieistniejących w rzeczywistej sieci intermodalnej.

Ocena krzyżowa wykazała, że Gemini Advanced zaakceptował rozwiązanie GPT-4o jako lepsze, przyznając, że własne podejście optymalizacyjne wymaga udoskonalenia. GPT-4o natomiast przeprowadził bardziej zniuansowaną analizę porównawczą, identyfikując silne i słabe strony obu modeli.

Trzy kluczowe ograniczenia — co LLM-y nadal nie potrafią

1. Brak integracji z danymi operacyjnymi w czasie rzeczywistym. Modele operują na dostarczonych zbiorach danych — nie mogą dynamicznie uwzględniać zmian rozkładów ani zamknięć terminali. Każda zmiana wymaga ręcznego zasilenia modelu aktualnymi danymi.
2. Konieczność walidacji wyników. Część tras proponowanych przez modele (szczególnie Gemini Advanced) okazała się niewykonalna z powodu braku rzeczywistych połączeń w sieci. Wyniki LLM nie mogą być stosowane bez weryfikacji przez eksperta lub system TMS.
3. Problem czarnej skrzynki. AI generuje rozwiązania, nie wyjaśniając, które czynniki wpłynęły na konkretną decyzję. W środowiskach wymagających audytowalności — logistyka farmaceutyczna, transport towarów niebezpiecznych — jest to poważne ograniczenie.

Implikacje praktyczne dla operatorów 3PL

Wyniki badania niosą konkretne wnioski dla firm świadczących usługi logistyki kontraktowej:

• Dynamiczna adaptacja tras: systemy oparte na LLM mogą dostosowywać trasy do zmieniających się warunków, skracając czas dostaw i redukując liczbę przeładunków — pod warunkiem integracji z aktualnymi danymi operacyjnymi.
• Wsparcie decyzji kierownictwa: LLM mogą analizować scenariusze i rekomendować optymalne trasy, wskazując potencjalne ryzyka, takie jak opóźnienia przy przeciążonych terminalach.
• Automatyzacja planowania transportu: modele AI mogą uzupełniać klasyczne algorytmy optymalizacyjne, dostarczając analizę w czasie zbliżonym do rzeczywistego.

Autorzy podkreślają, że wdrożenie tych technologii powinno być zawsze wsparte solidnymi mechanizmami walidacji. ChatGPT-4o i Gemini Advanced to narzędzia wsparcia decyzji — nie autonomiczne systemy zarządzania transportem.