受消费者行为转变和疫情影响，电子商务继续呈爆炸式增长和转型。因此，物流和运输公司发现自己处于包裹配送革命的前沿。这新的现实情况在最后一英里配送中尤为明显，而后者现在已经成为供应链物流中成本最高的要素，占从零售到制造等各行业供应链总成本的41％以上。可以理解的是，最后一英里配送成本的飙升正在促使人们努力找出并缓解根本原因。
最后一英里配送挑战因车辆路线规划问题（VRP）而变得更加复杂。作为旅行推销员问题的泛化，VRP 问：“一支车队向一组特定客户交付时，应该采用的最佳路线集是什么？”如果仅有 10 个配送目的地，就可以进行超过 3,000,000 次的排列和行程组合。如果目的地为 15 个，可能的路线数量可能超过 1 万亿次。随着目的地数量的增加，相应的可能行程数量甚至超过最快的超级计算机的功能，而这并没有考虑到常见的运营限制，例如车队可用性、导航能力和访问限制。
转变路由服务
这些限制，加上运输和物流领域可能的调整和不断演变，使得企业建立甚至外包有效的路线优化服务变得越来越困难。
作为 NVIDIA 初创加速计划的成员，clicOH 开发了一种专有路由模型来应对这些挑战。其解决方案利用了 NVIDIA 的最新技术，从启发式和元启发式优化算法到机器学习和人工智能。此外，通过依赖 NVIDIA 库的效率，clicOH 的应用程序可以快速适应包分发密度、成本效率和交付时间优化的不同要求，从而实现最后一英里交付。
优化最后一英里配送成本
clicOH旨在使用NVIDIA库解决一系列路由挑战。例如，该公司采用了NVIDIA cuOpt来支持其与旅行推销员问题相关的工作，并确定最佳配送路线。cuOpt库与GPU以及RAPIDS和CUDA等库配合使用，以生成更快、更准确的配送路线。
此外，RAPIDS 使 clicOH 能够在无需修改代码的情况下实施无监督式机器学习算法，从而提高数据分析的效率。这些无监督式算法能够对高需求的邮政编码进行集群，以提高交付效率，并识别难以到达的区域。当与 NVIDIA cuOpt 结合使用时，这些算法可以在几分钟甚至几秒钟内处理数千条路线，从而优化交付时间，同时考虑到本地路线限制。这最终降低了交付成本。
通过在 AWS 开发环境中使用 NVIDIA GPUs，clicOH 分析了跨多个城市的数千条预先存在的路线，以绘制路线效率低下的地图。这一分析使 clicOH 能够简化其物流解决方案的开发，并增强应用程序的自适应能力。
clicOH 还开发了一个深度学习模型，以优化交付时间、最大限度地提高车队利用率，并识别因调度限制而面临交付挑战的邮政编码。通过使用 NVIDIA 加速计算优化其 AI 模型，clicOH 将集群路线规划速度提高了 20 倍，并将总体运营成本降低了 15%。
