«Если вы решили не принимать решение, значит, вы все равно сделали выбор». - Нил Пирт

Решения могут быть утомительными и предвзятыми не только для отдельных лиц, но и для всей организации. Чем масштабнее решение и сложнее исходные данные, тем сильнее последствия отказа. Рассмотрим проверку миллионов налоговых деклараций. Рассмотрим авиакомпанию, которой необходимо решить, когда и где проводить техническое обслуживание между рейсами. Или рассмотрим агентство по реагированию на чрезвычайные ситуации, которое должно решить, где распределять услуги в случае стихийных бедствий. Примеры охватывают производство, здравоохранение, финансы и не только - и в каждом случае решение начинается с данных и заканчивается действием. Но каковы шаги и как машинное обучение может помочь лицам, принимающим решения, снизить усталость и предвзятость - и повысить уверенность?

В предыдущем посте я говорил об эмоциональных, политических и личных предубеждениях, которые проникают в решения - и высказал некоторые мысли о предложении оптимизации решений от IBM, которое помогает организациям принимать более обоснованные решения, устанавливая ограничения, находя узкие места, оценка сценариев что, если и предложение вариантов. Я дал представление о потоке входов и выходов на высоком уровне, но давайте углубимся.

Мы можем думать о машинном обучении как о нацеленном на понимание - например, понимание, которое помогает делать более точные прогнозы. Напротив, оптимизация решений фокусируется на таких действиях, как создание конкретных планов или графиков на основе этих прогнозов.

Прогнозирующий и предписывающий

Мы знаем, что машинное обучение может помочь в принятии сложных и наиболее эффективных решений, будь то решение о выборе карьеры, выборе бизнес-стратегии или выборе поворота налево или направо в какой-то момент пути. Но мы также знаем, что многие трудные выборы на самом деле являются комбинацией нескольких решений - решений, которые предполагают сложные взаимозависимые компромиссы. Для этого выбора важно учитывать, как решения могут влиять друг на друга, как они влияют на более широкие цели и как различные правила или ограничения ограничивают диапазон хороших решений.

Например, упомянутая выше авиакомпания будет иметь доступ к общедоступным данным о погодных условиях, закрытии аэропортов и активности воздушного движения - в дополнение к своим собственным частным данным о типах двигателей, инструментальным данным, механической экспертизе для задач технического обслуживания и укомплектованию персоналом.

Имея хорошие алгоритмы прогнозирования и достаточное количество данных, они могут предвидеть вероятность отказа каждого двигателя для каждого самолета. Это помогает им составлять план профилактического обслуживания для каждого самолета. Но что, если необходимо обслуживать два самолета одновременно, когда доступен только один технический специалист? Что делать, если два самолета запускаются на техническое обслуживание на одном и том же критическом маршруте? Специалисту по планированию технического обслуживания приходится решать конфликт вручную - но экстраполировать этот конфликт на большую международную авиакомпанию с тысячами самолетов, и ручной подход становится неприемлемым или, по крайней мере, в значительной степени неэффективным.

Здесь может сыграть роль оптимизация решений. Прогнозы отказов авиакомпании становятся входными данными для модели оптимизации решений, которая может не только рассматривать несколько прогнозов одновременно, но также учитывать обслуживание клиентов, затраты и другие компромиссы, а также доступность и квалификацию инженеров по техническому обслуживанию в зависимости от спроса. маршруты авиакомпаний, наличие сервисной базы - все в рамках одной модели. Результатом является график технического обслуживания для всего парка, который потенциально может свести к минимуму перерывы и затраты клиентов, а также исключить ручное вмешательство планировщика технического обслуживания.

Небольшое отступление: большую часть времени я уделяю клиентам, чьи данные находятся за брандмауэром. Часто это отраслевые гиганты с огромным количеством накопленных данных, которые они хотят использовать в алгоритмах машинного обучения для получения глубоких знаний об организации. Будь то записи транзакций, журналы поведения клиентов в Интернете, медицинские архивы или другая конфиденциальная информация, использование этих данных может быть похоже на владение секретным оружием.

Но, как показывает пример с авиакомпанией, использования этих данных для прогнозов недостаточно. Чтобы принимать более обоснованные решения, требуется предписывающая аналитика.

Цели + прогнозы + правила + данные = решения

Чтобы генерировать решения, такие как планы и расписания, модели оптимизации и механизмы оптимизатора учитывают бизнес-цели и то, как на эти цели могут повлиять различные решения. Для этого модели также принимают в качестве входных прогнозов, бизнес-правила и другие бизнес-данные, необходимые для описания целей и правил.

Еще один хороший пример того, как прогнозирующая и предписывающая технологии дополняют друг друга, - это глобальный производитель шин, который хотел получить конкурентное преимущество за счет устранения неэффективности своего производства в 10 000 различных продуктов. Используя технологию прогнозирования, компания могла предвидеть спрос на эти 10 000 продуктов в своей сети поставок. Затем это было использовано в качестве входных данных для IBM Оптимизация решений, которая одновременно учитывала до десяти миллионов ограничений для всех заводов и продуктов - и автоматически генерировала производственный план для всех продуктов во всех местах с указанием мест, где могли возникнуть узкие места.

В этом примере модель оптимизации решений также учитывала многие бизнес-цели и правила (также называемые ограничениями), такие как спрос, доступные ресурсы, затраты, урожайность, производственные рецепты, операционные ограничения и предпочтения клиентов.

Другими словами, механизм оптимизации генерирует решения, используя одну или несколько математических моделей, чтобы объединить анализ машинного обучения текущей ситуации и возможных будущих состояний (данные и прогнозы) с набором целей и выбором возможных решений, влияющих на них. цели. Оптимизация может рассматривать миллионы вариантов одновременно, чтобы предоставлять планы и графики намного быстрее, чем традиционные подходы к планированию - обычно со значительным улучшением ключевых показателей эффективности (KPI).

Настройка бизнес-правил и ограничений не происходит автоматически и обычно требует вмешательства человека, но достижения в области обработки естественного языка могут позволить неспециалистам создавать, тестировать и визуализировать правила, включающие, например, доход, объем запасов, графики, ограничения на рабочую силу и т. Д. или любое количество дополнительных воздействий на бизнес. При объединении машинного обучения, оптимизации и механизмов правил модели принятия решений могут со временем усложняться за счет предложения дополнительных правил или адаптации существующих правил.

Как видно из рисунка ниже, входные данные процесса оптимизации представляют собой комбинацию прогнозов, созданных с помощью технологии машинного обучения (например, прогнозы спроса), других данных (таких как доступность ресурсов, затраты, урожайность и рецепты) и описание правила или ограничения, ограничивающие решения (например, мощности или предпочтения клиентов), а также бизнес-цели, которые необходимо оптимизировать (например, затраты, доход или обслуживание клиентов).

Все эти факторы вводятся в одну или несколько моделей оптимизации, которые анализируются механизмами оптимизатора. Результатом процесса обычно является рекомендуемый набор действий, планов или графиков, предназначенных для оптимизации определенных целей.

Процесс оптимизации обычно происходит в организации непрерывно и часто в форме анализа «что, если». Что делать, если прогноз спроса на 10% выше? Что делать, если прогноз спроса на 10% ниже? Чтобы пойти еще дальше, мы переходим к технологии оптимизации в условиях неопределенности, которая может дать ответ на вопросы «что, если» в рамках единой модели. (Но это тема другого поста.)

Этот пост лишь поверхностно показывает, в каком направлении, по нашему мнению, будет идти оптимизация решений в ближайшие месяцы и годы. По мере того, как мы углубляемся, возвращайтесь к другим сообщениям, а пока узнайте больше о Центре оптимизации решений IBM.