HKPA - 亞馬遜持續學習與提升：最大限度減少瓦楞紙板浪費1

到2022年底，亞馬遜運送的所有紙箱包裝中，約有90%將通過優化的紙箱套件交付給客戶。而在北美，應用PackOpt技術每年可減少7%-10%的紙板浪費，總計每年可節省約6萬噸紙板。在新加坡等新興國家，PackOpt的效率更是該比例的2倍多。

雖然亞馬遜致力於為每批貨物生產尺寸合適的紙箱，但就目前而言，最大程度地減少浪費的解決方案是為每個配送中心提供一套有限的紙箱包裝的選擇。這些套件根據要履行的項目類型而有所不同。例如，一些FC專注於運送由機器人自動分類，並由亞馬遜員工打包的單個或多個商品。

在北美，可分類FC運送的單件物品（除了一些例外）通常會在有限數量的紙箱尺寸中選擇紙箱包裝，並交付給客戶。一起運輸的多個物品被包裝在一個紙箱中，該紙箱來自不同的紙箱套件，這些紙箱專為更大和更重的有效載荷而設計。另一種類型的FC，稱為不可分類，處理時需要超大紙箱的較大物品，例如庭院家具，而這些FC需要另一套紙箱包裝。

亞馬遜在過去幾年中越來越成功地解決的問題是：考慮到通常在特定亞馬遜地區、市場或FC發貨的商品，最佳的包裝套裝是什麼？這個答案現在已經體現在一個名為PackOpt的開創性基於網絡的工具中，該工具正被世界各地的亞馬遜經理所接受。

加斯佩里諾說，要找到一套完美的紙箱包裝非常困難，部分原因是紙箱包裝的可能數量是巨大的。用最簡單的術語來想像挑戰，首先想像一個100+百萬行深的矩陣，這些表示給定區域內一段時間內的出貨量。同時，矩陣上大約20,000列中的每一列都代表一個不同維度的候選框，這些框可能成為一組框的一部分。

這是一個艱鉅的挑戰，至少從字面上看。「這個問題屬於稱為NP Hard的一類理論問題：本質上，沒有人知道是否有一種真正有效的算法來解決它們，」幫助設計PackOpt優化框架（NP Hard）的首席研究科學家雷南·加西亞說與臭名昭著的「旅行推銷員問題」屬於同一類問題。

雷南·加西亞說，矩陣的龐大規模是一個挑戰。「你需要構建的矩陣太大了，你甚至無法將它存儲在內存中。」該團隊以多種方式解決了這個計算易處理性問題。首先，為了簡化問題，他們的方法在迭代改進的第一階段之前將候選框尺寸的範圍縮小到任何方向上的2英寸增量，將初始候選框集減少到數百個。

在使用優化器在這組「粗略」的框中發現最佳候選者後，它將以那些最佳前景為起點並再次搜索，這一次使用一英寸的尺寸增量，以此類推，朝著更精細的尺寸方向發展。「從理論上講，無論您從哪裡開始，該算法都會收斂到一個高質量的紙箱套件上「，雷南·加西亞說。

該團隊還採用跨多個計算核心的進程並行化將問題分解為更小的塊。「多核可以並行執行此操作，探索替代解決方案。他們每隔一段時間就會互相交流他們最好的解決方案。」其結果是：PackOpt可以在幾分鐘內解決以前需要數週計算時間的問題。

對於這次迭代，該團隊添加了一種高性能算法，該算法可以非常快速地確定如何將要一起交付的不同項目配置為適合候選框，方法類似於3D俄羅斯方塊。例如，PackOpt還知道，可折疊或可壓縮的物品（例如衣服）可以很容易地插入其他更堅固的物品周圍。

從理論上講，這意味著將更多物品裝入更合適的紙箱中。但它在實踐中有效嗎？「我們的一位同事內布·格塔內在亞馬遜包裝實驗室設計並進行了研究，以量化由於尺寸和擬合算法優化而減少包裝紙箱帶來的影響，」加斯佩里諾說，「而且我們沒有看到包裝性能有任何下降。」

但創建一個聰明的算法，並不會自動轉化為對現實世界的影響。「在解決這個優化問題和將優化的包裝實際交付到我們客戶的家門口之間，必須執行許多不同的步驟，」加斯佩里諾說，「我們需要世界各地的區域包裝負責人，他們不是科學家，能夠快速了解如何使用PackOpt並為自己看到它的經濟價值，並最終成為包裝優化的擁護者。」

易於使用對於推動該工具的大眾化至關重要。「PackOpt的算法有大約25個不同的參數，它們本質上都是科學的，」加西亞說，「我們不希望用戶擔心這種事情，所以我們在幕後抽象了這些參數。」

加斯佩里諾及其團隊還與AWS ProServe顧問合作設計和構建了一個簡化的Web應用程序，以普及PackOpt的使用。由此產生的用戶界面很簡單，本質上需要兩個指標——旨在優化其紙箱的區域的歷史運輸數據，以及當前套件中紙箱的尺寸。

「PackOpt然後將模擬您的產品在您當前的紙箱中的適合程度，提供總的紙板重量、紙箱利用率和包裝體積，以及許多其他指標，並將這些指標與優化的紙箱套件進行比較，」幫助開發PackOpt網絡工具的支持工程師克里斯·柯林斯說。

如果發現有顯著的改進，就會有一個直接的商業和可持續性案例，可以用更合適尺寸的紙箱優化該套件。PackOpt還可以確定在給定套件中增加紙箱選項的數量是否會顯著提高效率，並在團隊部署套件後自動跟踪節省。

「開發節省跟踪功能，是為了幫助利益相關者以可擴展的方式量化他們優化的紙箱套件的影響，」柯林斯解釋說，「此功能還可用於幫助利益相關者掌握優化包裝套件的核心問題，因為他們知道如果節省的指標開始下降，它可能會向團隊發出信號，需要重新優化當前的包裝選擇。」

PackOpt揭示的另一個關鍵指標是每次裝運的空載量。柯林斯說：「可以理解的是，亞馬遜客戶收到的訂單與商品本身相比，紙箱裡的空間浪費太多了，這是一個熱門話題，這是可以理解的。PackOpt 通過真正降低此類出貨量來幫助改善我們的客戶體驗。」

PackOpt已被世界各地的履行中心所接受。在證明該工具在北美的運營有效性後，亞馬遜日本首先表現出濃厚的興趣並開發了自己的紙箱套件。「通過我們日本FC的產品與通過北美的產品不同，因此這兩個地區的紙箱套件沒有理由應該相同，」加斯佩里諾指出。

該工具的使用在區域層面迅速傳播到世界各地。但這就是PackOpt的強大功能和靈活性，它越來越多地被亞馬遜利益相關者以更細粒度的方式使用。科林斯說，「例如，在印度，客戶的購買行為和購買的商品在全國范圍內差異很大，因此亞馬遜印度的經理們使用PackOpt為每個履行中心定制了定制的紙箱套件。」

「包裝優化是亞馬遜對氣候承諾和代表客戶減少浪費的承諾的關鍵部分，」包裝優化業務負責人亞歷克斯·哈特福德說，「在亞馬遜這樣規模的公司中，即使在材料減少方面看似很小的優化也會對碳排放產生重大影響，而且還會對亞馬遜降低成本結構和推動亞馬遜飛輪的能力產生重大影響。」

除了不同的亞馬遜地區銷售不同的產品外，一個給定地區的亞馬遜目錄中多達三分之一的商品可能會從一年到下一年發生變化，這意味著產品配置文件永遠在變化。此外，新的包裝類型，例如可回收的填充信封或塑料袋，也會影響最佳的紙箱包裝。因此，PackOpt的監控任務正在進行中。

它的創造者設想這項技術如何有效地傳播到更廣泛的亞馬遜。「亞馬遜本身就是一個嵌套包裝問題，對吧？」加西亞說，「你把需要交付的物品置於紙箱內，然後你把紙箱放在手提袋裡，再把手提袋放在卡車裡……我們有各種形狀和大小的存儲設施，我們需要優化所有這些的尺寸。」

事實上，仁南已經開始將底層的PackOpt概念應用到整個亞馬遜的相關應用中。例如，他與Last Mile Transportation的同事合作，為分揀中心的包裝重新設計Amazon Robotics貨架。該團隊開發了一個本地搜索框架來解決這種更具挑戰性的嵌套包裝變體，它生成的設計需要的貨架減少33%，並導致更有效地利用寶貴的設施空間。