Kansainvälisesti toimiva, kaupan ja logistiikan optimointiratkaisuihin erikoistunut ohjelmistoyritys lähti kehittämään isoon järjestelmään uutta, monimutkaista moduulia: optimointimoottoria, jonka on tarkoitus ratkaista logistiikkaketjun ongelmia suuren kokoluokan toimijoille aina tuotannosta kauppaan asti.
Tällaiseen ongelmaan ei ollut valmiita ratkaisuja tarjolla, joten ohjelmistokehityksen rinnalla työ vaati paljon tutkimusta ja jatkuvaa kokeilua. Qalmarin asiantuntija oli mukana alusta lähtien, samalla kun koko kehitystiimi siirtyi vaiheittain täysin AI-vetoiseen kehitystapaan.
Lähtötilanne
Globaalilla toimijalla on vahva tausta kaupan alan optimointiratkaisuissa, ja seuraava askel oli laajentaa osaamista tuotannon ja kaupan väliseen logistiikkaketjuun.
Tähän tarvittiin kokonaan uusi optimointimoottori, mitoitettuna alusta lähtien globaalin mittakaavan vaatimuksiin. Sen piti pystyä käsittelemään suuren kokoluokan logistiikkaketjuja, eli kysynnän, tuotantokapasiteetin, välivarastojen ja kuljetusreittien yhdistämistä yhdeksi optimoinniksi.
Kun projekti käynnistyi alkuvuonna 2025, tekijöitä oli vain kourallinen, eikä tekoälypohjaisia kehitystyökaluja ollut vielä juuri lainkaan käytössä. Talosta löytyi runsaasti optimointiosaamista yleisesti, mutta juuri tähän uuteen kokonaisuuteen tarvittiin lisää käsiä ja näkemystä.
Mitä teimme?
Menetelmät & teknologiat
Kehitysnopeus
väh. 2x nopeampi
Lähestymistapa
tutkiva kehitys
Kehitystapa
kokonaan AI:lla
Qalmarin rooli
Qalmarin asiantuntija tuli mukaan projektin ydintiimiin sen alkuvaiheessa ja toimi yhtenä ratkaisun pääkehittäjistä. Hän kehitti muun muassa merkittävän osan optimointimoottorin ydinlogiikasta, joka laskee kysynnän, tuotantokapasiteetin ja jakelureitit yhteen optimaaliseksi ratkaisuksi.
Tämän kaltaisessa projektissa ratkaisevaa on toimialaosaaminen, optimoinnin ja algoritmien osaaminen ja tekoälyn järkevä käyttö, jotka kaikki nojaavat toimiviin prosesseihin. Juuri tätä yhdistelmää Qalmarin asiantuntija toi projektiin mukanaan.
Ratkaisu
Tutkimuksellinen kehitystapa
Monimutkaisiin optimointiongelmiin ei ole valmiita ratkaisuja tarjolla. Tavallisessa ohjelmistokehityksessä vaatimukset ovat usein selkeitä ja lopputulos tunnetaan etukäteen, mutta optimointimoottorin kohdalla tiedettiin vain suunnilleen, mitä halutaan saavuttaa, ei sitä minkälainen ratkaisun täytyy olla, jotta se toimii. Työ oli tutkimuksellista suunnittelua ja eteni kokeilemalla. Samat asiantuntijat tekivät sekä prototyypit että tuotantokoodin, jolloin niistä opittu siirtyi suoraan tuotteeseen ilman välikäsiä.
Täysin AI-vetoinen kehitys
Kehitystapa muuttui matkan varrella perusteellisesti. Projektin alussa koodattiin käsin, tekoälyn toimiessa lähinnä apuvälineenä. Kun organisaatiotasolla tehtiin päätös siirtyä täysin AI-vetoiseen kehitykseen, uudet ominaisuudet alettiin tehdä tekoälyn avulla suunnittelusta toteutukseen asti. Prototyyppejä saattoi nyt testata käytännössä nopeasti, kun sama työ olisi aiemmin voinut viedä kuukausia. Tämä teki mahdolliseksi myös ratkaisun perusrakenteen ja lähtöoletusten miettimisen kokonaan uudelleen.
Human-in-the-loop -periaate
Tämä kaikki oli mahdollista, koska perusasiat, kuten dokumentaatio, jaetut työkalut ja avoin pääsy tietoon organisaation sisällä, olivat kunnossa jo ennen tekoälyn mukaantuloa. Sama logiikka pätee tekoälyagenttiin kuin uuteen tiimiläiseen: jos projektiin on helppo perehtyä, myös tekoäly osaa toimia siinä järkevästi. Käytännön kehitystyössä toteutettiin niin sanottua human-in-the-loop -periaatetta, jolloin ihminen piti langat käsissään suunnittelussa, katselmoinnissa ja testauksessa, ja koodikatselmointiin osallistui sekä automaattinen tekoälybotti että ihminen.
Lopputulos & hyödyt
Tekoäly antoi tiimille mahdollisuuden testata useita rohkeita ratkaisuvaihtoehtoja rinnakkain sen sijaan että olisi pitäydytty ensimmäisessä toimivassa. Tämä on konkreettinen esimerkki siitä, että myös vaativimpia ongelmia voidaan lähestyä rohkeammin, kun tekoäly on osa tutkimus- ja kehitystyötä.
Ohjelmiston toimintaa ja suorituskykyä voidaan nyt tarkastella useammasta näkökulmasta kuin ennen, koska tekoäly on mukana myös koodin katselmoinnissa ja verifioinnissa. Tämän myötä myös laatu ja luotettavuus ovat parantuneet.
Uusia ominaisuuksia saadaan nyt tuotua osaksi tuotetta aiempaa sujuvammin, mikä näkyy suoraan siinä, miten asiakkaiden toiveisiin ja tarpeisiin pystytään vastaamaan.
Karkean arvion mukaan pelkkä koodaustyön vauhti vähintään kaksinkertaistui, ja joissain tehtävissä nopeus oli jopa kymmenkertainen manuaaliseen tekemiseen verrattuna. Tämä ei kuitenkaan tarkoita, että koko kehitysprosessi olisi yhtä paljon nopeutunut, sillä osa ajasta siirtyi koodaamisesta speksaamiseen ja katselmointiin.
Lopputuloksena syntyi kokonaan uusi, kompleksinen optimointimoottori, joka on kehitetty alusta saakka ratkomaan logistiikkaketjujen ongelmia globaalissa mittakaavassa ja on nyt edennyt koeponnistukseen suuren kokoluokan logistiikka- ja kaupan alan toimijoiden kanssa.
