louispaulb f4138cdd75 Roster AI (planification) + prise de rendez-vous client

Solveur OR-Tools (services/roster-solver) : couverture, compétences,
équité, coût chargé, cadence/efficacité, capacité-par-job ; contraintes
dures/souples façon Timefold.

Hub (lib/roster.js) : génération via solveur, publication par réécriture
de semaine (anti-doublons), demande (effectif ou nb de jobs), cadence/coût/
compétences par tech, pause, congés (Tech Availability + approbation),
booking (slots roster-aware / fit 3-dispos / confirm) + portail public /book.
Réessai sur serialization failures frappe_pg ; appels ERP séquentiels.

Ops : page Planification (grille compacte « J8 », multi-shift, drag-select
+ undo/redo, modèles de semaine, éditeur cadence&coût, congés, SMS opt-in),
page Rendez-vous (répartiteur), jobColor tech en pause → tickets rouges.

Co-Authored-By: Claude Opus 4.8 (1M context) <noreply@anthropic.com>

2026-06-03 16:42:44 -04:00

2.7 KiB

Raw Blame History

Roster AI — solveur d'horaires (OR-Tools CP-SAT)

Microservice d'optimisation sous contraintes (« façon Timefold », mais Python sans JVM) qui génère des horaires de techniciens. Agnostique du backend : il ne connaît ni Frappe ni ERPNext — on lui passe des techs + dispos + besoins de couverture, il rend des assignations optimales.

Place dans l'architecture

[Ops « Planification »]  →  [targo-hub lib/roster.js]  →  [roster-solver /solve]
                                      │  lit techs/jobs (Dispatch Technician/Job, ERPNext)
                                      └→ écrit les assignations validées

Le hub rassemble les entrées (techs, compétences, dispos, congés, besoins par jour/zone), appelle /solve, puis écrit les assignations retenues.

API

GET /health
POST /solve → corps :

{
  "horizon": { "start": "2026-06-08", "days": 7 },
  "shift_templates": [
    { "id": "jour", "name": "Jour 8h-16h", "hours": 8 }
  ],
  "technicians": [
    { "id": "T001", "name": "Marc", "skills": ["fibre"],
      "max_hours_week": 40, "max_days": 5, "cost_per_h": 38,
      "zone_home": "Montréal", "preferred_off": ["sam","dim"],
      "unavailable": ["2026-06-10"] }   // dates de congé/pause
  ],
  "coverage": [
    { "date": "2026-06-08", "shift": "jour", "zone": "Montréal",
      "required": 2, "required_skills": ["fibre"] }
  ],
  "weights": { "uncovered": 1000, "fairness": 5, "cost": 1, "preference": 8, "continuity": 4 },
  "max_seconds": 10
}

Réponse : assignments[], coverage_report[] (requis vs assigné vs shortfall), tech_hours{}, spread_hours, total_shortfall, explanations[], status.

Modèle de contraintes

Dures (faisabilité) :

1 shift max par tech par jour
compétences : un tech ne compte pour un poste que s'il a toutes les compétences requises
disponibilité : pas d'assignation un jour de congé/pause (unavailable)
max_hours_week, max_days

Souples (objectif pondéré, minimisé) :

uncovered — postes non couverts (priorité écrasante → on voit les manques au lieu d'échouer)
fairness — écart d'heures max-min entre techs
cost — coût horaire total
preference — pénalité de travail un jour « préféré off »
continuity — bonus si la zone du poste = zone d'attache du tech (moins de déplacement)

Couverture en soft = le solveur rend toujours le meilleur horaire possible même en sous-effectif, et rapporte les manques (ta demande « dispo vs requis »).

Dév

python -m venv .venv && . .venv/bin/activate
pip install -r requirements.txt
python test_solver.py        # démo + vérifs sur sample_request.json
uvicorn app:app --port 8090  # serveur

2.7 KiB Raw Blame History

Roster AI — solveur d'horaires (OR-Tools CP-SAT)

Place dans l'architecture

API

Modèle de contraintes

Dév

2.7 KiB

Raw Blame History