Статические правила (ABC, COI) не справляются с волатильностью спроса, сезонностью и акциями. ИИ динамически адаптирует размещение, что является ключевой точкой отказа традиционных WMS, где правила устаревают через неделю.

Градиентный бустинг + графовые алгоритмы. Для каждого SKU рассчитывается динамический рейтинг оборачиваемости с учётом сезонности, акций, остаточного срока годности.

Для чётко формализованных задач в стабильной среде задача представляет собой вариант задачи коммивояжера с динамическими ограничениями и эффективно решается классическими эвристиками (A*, генетические алгоритмы). A* с переменными весами гарантирует доказуемо оптимальный маршрут. Когда загрузка меняется быстро и непредсказуемо, система переключается на модель глубокого обучения с подкреплением (DRL), заранее обученную на цифровом двойнике склада — она за миллисекунды адаптируется к десяткам одновременных событий, где пересчёт статического графа уже неэффективен.

A* с динамическими весами + DRL-маршрутизация + мультиагентная координация + симуляция «типичного дня».

Классические модели временных рядов (ARIMA, экспоненциальное сглаживание) не способны улавливать нелинейные зависимости между тысячами SKU и внешними факторами (акции, погода, праздники). Гибридные ML-модели радикально повышают точность в условиях нестабильного спроса и сезонности.

Seq2Seq с механизмом внимания (PyTorch) — почасовой прогноз (следующие 48 часов), CatBoost — суточный прогноз (до 30 дней), SARIMA + LSTM — недельный/месячный прогноз (до 12 недель). Еженедельный AutoML-отбор лучшей модели (по минимуму RMSE/MAE на отложенной выборке) для каждого горизонта и группы SKU.

Классическое имитационное моделирование на основе заданных процессов, правил и физических ограничений во взаимодействии с ML-прогнозами из модуля 3.

Дискретно-событийное и агентное моделирование очередей заказов, расписаний работы смен, потоков событий (приёмка, пополнение, отбор), обработки брака и возвратов.

Строго формализованная задача целочисленного линейного программирования (ILP) с доказуемо оптимальным решением специализированными солверами.

Минимизация суммарных затрат на оплату труда при обязательном покрытии прогнозной нагрузки в каждый час персоналом с необходимыми компетенциями.

Статические rule-based политики и ручной учёт не справляются с масштабом современного склада. Байесовские сети и ML-модели находят сложные аномалии и скрытые закономерности в потоке событий, которые не видны классическим пороговым правилам.

BayesianItemTracker + компьютерное зрение + кросс-валидация с ГИС МТ «Честный знак».

Автоматическое распознавание объектов в реальном времени исключает ручной труд и человеческий фактор. Классическая инвентаризация требует полной или частичной остановки работ.

Динамическая выборочная инвентаризация: Байесовская модель непрерывно пересчитывает степень доверия к системному остатку в каждой ячейке. При падении доверия ниже заданного порога автоматически генерируется задание на выборочную проверку конкретной ячейки и отправляется на ТСД сотруднику. Автоматическая инвентаризация с компьютерным зрением + фотоподтверждение расхождений.

Полноценный факторный анализ с объяснением причин отставания и конкретными рекомендациями, сгенерированными LLM на основе обезличенных лучших практик лидеров кластера.

Кластеризация складов по профилю + расчёт перцентилей внутри кластера по каждой метрике + факторный анализ + LLM-рекомендации.

Интеллектуальная событийно-ориентированная модель прогнозирования времени обработки машин на основе накопленной статистики и динамическое перестроение очереди в условиях неопределенного времени прибытия транспортных средств.

Динамическое назначение ворот и формирование очереди: при регистрации прибытия ТС система пересчитывает ожидаемое время начала обработки на каждых подходящих воротах и предлагает оптимальный вариант, минимизирующий суммарное время ожидания всех участников очереди.

Полноценный доступ ко всем данным и функциям склада через диалог на естественном языке с помощью LLM вместо армии аналитиков, вручную пишущих SQL-запросы и собирающих отчёты.

LangGraph: Planner → Router → Агенты (MCP) → Aggregator → LLM. NeMo Guardrails для безопасности.