00:00:07 Einführung und Cédric Hervets Hintergrund bei Kardinal.
00:02:07 Kardinals Ansatz zur Echtzeit-Routenoptimierung unter Einbeziehung menschlicher Eingaben.
00:03:41 Die Auswirkungen der Echtzeit-Routenoptimierung auf supply chain und Bestandsmanagement.
00:05:32 Entwicklung von Algorithmen zur Routenoptimierung und Bedeutung von Daten.
00:06:22 Entwicklung der Routenoptimierung und die Bedeutung präziser Daten.
00:08:00 Wichtige Unternehmen und Akteure in der Routenoptimierung.
00:09:58 Wie Googles Innovationen andere Unternehmen inspiriert haben.
00:10:51 Hauptdatenquellen für Kardinals Routenoptimierung.
00:12:55 Technische Herausforderungen bei Echtzeit-Online-Lösungen.
00:15:38 Nutzer, die die Kontrolle über Daten übernehmen, und deren Einfluss auf die Optimierung.
00:18:00 Herausforderungen bei der Balance zwischen Datenkontrolle und menschlicher Expertise.
00:19:30 Der Einfluss großer Unternehmen wie Amazon, Google und Microsoft auf die Abhängigkeit von Daten.
00:21:00 Die Konzentration im Kartendatenmarkt.
00:22:17 Spannende Forschungen und Entwicklungen im Bereich KI und ihre potenziellen Anwendungen.
Zusammenfassung
Im Interview spricht Kieran Chandler mit Joannes Vermorel und Cédric Hervet, den Gründern von Lokad bzw. Kardinal. Sie erörtern die Herausforderungen der Echtzeit-Routenoptimierung und die Bedeutung menschlicher Eingaben in Kombination mit fortschrittlicher Technologie. Hervet teilt außerdem seine Begeisterung für Entwicklungen im Bereich KI, darunter Reinforcement Learning, sowie die potenziellen Auswirkungen des Quantencomputings. Das Gespräch berührt die Idee, Kartendaten als Gemeingut zu betrachten, und die Abhängigkeit von großen Technologieunternehmen in Bezug auf Daten, sowie die Notwendigkeit, an der Spitze aufstrebender Technologien zu bleiben.
Erweiterte Zusammenfassung
Kieran Chandler leitet eine Diskussion mit Joannes Vermorel, dem Gründer von Lokad, einem supply chain optimization-Softwareunternehmen, und Cédric Hervet, Mitgründer und Leiter der F&E bei Kardinal, einem Softwareunternehmen für Routenoptimierung. Sie diskutieren die jüngsten Fortschritte bei Crowdsourced-Daten, Quantencomputing, Echtzeit-Routenoptimierung und die Rolle des Menschen in diesen Prozessen.
Cédric Hervet erklärt, dass sich Kardinal auf Echtzeit-Routenoptimierung mit Schwerpunkt auf Kontextbewusstsein spezialisiert hat. Traditionelle Routenplanung erfolgt in der Regel manuell, was suboptimal ist. Menschen hingegen sind in der Lage, Notfälle zu bewältigen und Entscheidungen auf der Grundlage eines globalen Spektrums von Prioritäten zu treffen. Aktuelle Routenoptimierungssoftware auf dem Markt bietet statische Lösungen, die problematisch werden, wenn unerwartete Ereignisse eintreten, wie z. B. Verkehrsstaus oder Umplanungen.
Der Ansatz von Kardinal besteht darin, die Routen kontinuierlich zu optimieren, um eine größere Kapazität zur Bewältigung auftretender Probleme zu ermöglichen. Zudem wird betont, dass der Mensch nicht aus der Gleichung entfernt werden darf, da er über Wissen und strategische Voraussicht verfügt, die in Datenbanken nicht zu finden oder abzubilden sind.
Joannes Vermorel stimmt zu, dass der Einsatz menschlicher Intelligenz in Verbindung mit moderner Rechenleistung für die supply chain-Optimierung unerlässlich ist. Lokads Strategie besteht darin, das Potenzial kluger Köpfe voll auszuschöpfen, die sich der Probleme, die sie zu lösen versuchen, sehr bewusst sind.
Das Gespräch wendet sich den Unterschieden im Zeitskala zwischen den Ansätzen von Kardinal und Lokad zu. Kardinal konzentriert sich auf die Echtzeit-Routenoptimierung, wobei Entscheidungen etwa jede Minute neu bewertet werden. Dies ist nicht dasselbe wie mikrosekundenbasierte Entscheidungen, die für Aufgaben wie das Steuern von Robotern in einem warehouse erforderlich sind. Im Gegensatz dazu richten sich Lokads Entscheidungen auf den nächsten Tag oder sogar bis zu einem Jahr im Voraus.
Anschließend geht das Gespräch auf die Entwicklung der Routenoptimierung im Laufe der Jahre über. Hervet unterscheidet zwischen dem Problem, die beste Route von einem Punkt zum anderen zu finden, wofür Google Maps konzipiert ist, und der komplexeren Frage, die optimale Reihenfolge für den Besuch mehrerer Haltestellen zu bestimmen. Letzteres Problem erfordert ausgeklügelte Algorithmen und präzise Verkehrsdaten, um realisierbare und effiziente Routen bereitzustellen. Kardinal konzentriert sich darauf, theoretische Mathematik in praktische Lösungen zu überführen und sicherzustellen, dass die optimierten Routen realistisch und für Fahrer handhabbar sind.
Vermorel hebt hervor, dass Google als Unternehmen bedeutende Innovationen im Bereich der Online-Lösungen vorangetrieben hat, insbesondere bei Suchmaschinen, indem es im Vergleich zu damaligen Wettbewerbern aktuellere Informationen bereitgestellt hat. Auch wenn Lokad und Kardinal nicht direkt Googles Algorithmen verwenden, dient dieser Ansatz als Inspiration für Unternehmen, da sie an skalierbaren Online-Lösungen für komplexe Probleme arbeiten.
Bei der Diskussion über die Einschränkungen und Nichtlinearitäten in der Routenoptimierung weist Vermorel darauf hin, dass Faktoren wie arbeitsrechtliche Vorschriften und fahrergenerische Einschränkungen die Komplexität des Problems erhöhen. Hervet fügt hinzu, dass es zwei Hauptquellen für Daten bei Kardinal gibt. Die erste stammt von Kunden, die Bestellinformationen, Einschränkungen, Fahrerverfügbarkeiten, Fahrzeuginnenkapazitäten und weitere relevante Details bereitstellen. Die zweite Quelle sind technologische Partner wie HERE Technologies, die Entfernungsdaten, Verkehrsflussmuster und Echtzeit-Updates liefern, die für die Routenoptimierung notwendig sind.
Sie diskutieren die Herausforderungen der Echtzeitdatenverarbeitung, die Bedeutung menschlicher Eingaben und die Abhängigkeit von großen Tech-Unternehmen für Daten.
Vermorel erklärt, dass die Arbeit mit Echtzeitdaten mehrere Herausforderungen mit sich bringt. Einerseits ist die Lichtgeschwindigkeit endlich, was bedeutet, dass, auch wenn Daten schnell übertragen werden können, es dennoch Sekunden dauern kann, sie zu verarbeiten, wenn mehrere Rechenzentren und Tausende von Hin- und Her-Rundreisen involviert sind. Darüber hinaus gibt es viele Faktoren, die Computersysteme verlangsamen können, wie zum Beispiel Software-Updates oder andere Hintergrundprozesse. Die Gewährleistung, dass Echtzeitsysteme weltweit effizient arbeiten, erfordert umfangreiche Fachkenntnisse.
Eine weitere Herausforderung ist die Abhängigkeit von Partnern, welche die Verfügbarkeit und Zuverlässigkeit von enterprise software Diensten beeinflussen kann. Je mehr Abhängigkeiten bestehen, desto mehr potenzielle Probleme und Ausfallzeiten können auftreten. Das bedeutet, dass die Betriebszeit des Dienstes nur so gut sein wird wie seine Abhängigkeiten, was oft zu niedrigerer Verfügbarkeit und Zuverlässigkeit führt.
Hervet hebt die Bedeutung der Beibehaltung menschlicher Inputs in den Routenoptimierungssystemen hervor. Er erzählt eine Geschichte darüber, wie ihre anfänglich algorithmusgenerierten Routen mathematisch optimal waren, doch die Fahrer in der Lage waren, Probleme zu erkennen, die der Algorithmus nicht sehen konnte. Zum Beispiel könnte ein Fahrer wissen, dass Parken zu einer bestimmten Zeit unmöglich wäre, weil Eltern ihre Kinder von der Schule abholen. Hervet betont die Notwendigkeit eines Gleichgewichts zwischen algorithmusgenerierten Routen und menschlicher Expertise, um die bestmöglichen Entscheidungen zu treffen.
Er ist außerdem der Ansicht, dass die Kontrolle über Daten entscheidend ist. Nutzer müssen die Möglichkeit haben, Daten zu verstehen und mit ihnen zu interagieren, um fundierte Entscheidungen zu treffen. Kardinal zielt darauf ab, die menschliche decision-making mit rechnergestützten Erkenntnissen zu ergänzen, um eine Kombination aus menschlicher Expertise und datengetriebener Optimierung zu ermöglichen.
Bei der Diskussion über die Frage, sich auf große Unternehmen wie Amazon, Google und Microsoft für Daten zu verlassen, stimmt Hervet zu, dass es möglicherweise zu viel Abhängigkeit von ihnen gibt. Er erkennt jedoch auch an, dass die Technologie sich rasant entwickelt und es weltweit nicht viele Anbieter von Kartendaten gibt.
Das Gespräch beginnt mit der Frage, ob Kartendaten ein Gemeingut sein sollten. Vermorel erkennt die Bedeutung offener Karten an und schlägt vor, dass technologische Fortschritte das Mapping näher an ein Gemeingut heranführen könnten. Allerdings weist er auch darauf hin, dass die Kartografiebranche stark konzentriert ist, mit nur wenigen Hauptakteuren. Obwohl es Wettbewerb gibt, bleibt dieser begrenzt.
Hervet spricht anschließend über seine Begeisterung für Entwicklungen in der Operations Research und artificial intelligence. Bei Kardinal arbeiten Doktoranden daran, Online-Optimierungsprobleme zu lösen und den Umfang des mathematischen Feldes zu erweitern. Sie berücksichtigen auch weitere Fortschritte in der KI, wie etwa Reinforcement Learning, das Algorithmen dazu anleitet, Entscheidungen zu treffen, ohne die beste Option explizit zu definieren. Hervet merkt an, dass dieser Ansatz philosophisch von Kardinals aktuellen Methoden abweicht, die darin bestehen, einen Lösungsraum zu definieren und Lösungen innerhalb dieses Raumes zu bewerten.
Obwohl Reinforcement Learning in verschiedenen Anwendungen vielversprechend ist, gibt Hervet zu, dass es bei der Bewältigung der Vielzahl von Einschränkungen, mit denen sie bei Kardinal konfrontiert sind, Grenzen hat. Dennoch beobachten sie weiterhin dessen Fortschritte, da es in Zukunft möglicherweise besser für Echtzeit-Entscheidungsfindung geeignet sein könnte.
Das Gespräch wendet sich anschließend den potenziellen Implikationen des Quantencomputings zu. Hervet erwähnt Googles jüngste Behauptung, die Quantenüberlegenheit erreicht zu haben, was bedeutet, dass Quantencomputer Probleme in deutlich kürzerer Zeit lösen können als klassische Computer. Quantenalgorithmen könnten eingesetzt werden, um komplexe Probleme wie das Problem des Handlungsreisenden zu lösen, das im Zentrum von Kardinals Arbeit steht.
Obwohl Quantencomputing noch eine langfristige Perspektive darstellt, erkennt Hervet sein Potenzial an, die Problemlösung zu demokratisieren, indem es schwierige Probleme leichter lösbar macht. Sollte dies eintreten, müssten Unternehmen wie Kardinal an der Spitze der Technologie bleiben, um ihren Kunden zu besseren Leistungen zu verhelfen.
Vollständiges Transkript
Kieran Chandler: Diese Woche bei Lokad TV freuen wir uns, Cédric Hervet begrüßen zu dürfen, der mit uns darüber sprechen wird, wie die Zunahme von Quantencomputing und die Fähigkeit, Routen in Echtzeit zu optimieren, dazu geführt hat, dass Zustellunternehmen ihre Arbeitsweise verändert haben. Also, Cedric, vielen Dank, dass du heute dabei bist.
Cédric Hervet: Vielen Dank für die freundliche Begrüßung. Kardinal ist ein Unternehmen, das sich auf die Routenoptimierung in Echtzeit mit einem hohen Maß an Kontextsensitivität spezialisiert hat. Üblicherweise werden Routen manuell von Menschen optimiert, sodass sie Zeitpläne für ihre Fahrer oder Techniker erstellen. Dies ist eindeutig suboptimal, aber andererseits haben Menschen eine große Fähigkeit, mit Notfällen, unvorhergesehenen Ereignissen und Problemen umzugehen. Sie können den globalen Umfang ihrer Prioritäten erfassen und Entscheidungen treffen. Algorithmen sind dafür jedoch nicht vollständig ausgestattet, insbesondere Optimierungsalgorithmen. Es gibt Softwareprogramme auf dem Markt, die Routenoptimierung anbieten, aber sie tun dies auf eine sehr statische Weise. Sie erhalten Daten, verarbeiten sie irgendwie und liefern eine optimierte Lösung für Zeitpläne. Doch dies ist problematisch, da das erste auftretende Ereignis die Qualität der Routen zerstört. Sobald die LKWs unterwegs sind, treten Probleme wie Verkehrsstaus, verspätete oder fehlende Kunden und Terminverschiebungen auf. All diese Ereignisse können die Performance beeinträchtigen. Bei Kardinal sind wir der Überzeugung, dass der richtige Weg zur Optimierung von Routen darin besteht, niemals aufzuhören, sie zu optimieren. Auf diese Weise hat man eine größere Fähigkeit, Probleme zu bewältigen, sobald sie auftreten. Ein weiterer Schlüsselaspekt unserer Arbeit ist, dass wir großen Wert darauf legen, den Menschen nicht aus dem Prozess zu entfernen, da sie ihren Job kennen und Dinge wissen, die in keiner Datenbank zu finden oder modelliert werden können. Es ist wichtig, sie im Prozess zu belassen, weil sie eine strategische Vision ihrer gesamten Tätigkeit haben.
Kieran Chandler: Diese Idee, das menschliche Gehirn zu nutzen und das Beste daraus zu machen, insbesondere in diesen Notfall Szenarien, ist wirklich interessant. Ich denke, dem stimmst du wahrscheinlich auch zu, Joannes, dass das bestmögliche Ausnutzen des menschlichen Gehirns als Ergänzung zur Optimierung dient?
Joannes Vermorel: Absolut, die Idee, das Beste aus klugen Menschen herauszuholen, die sich der Probleme, die sie in ihrer supply chain angehen wollen, sehr bewusst sind, und das Beste aus der modernen Rechenleistung zu nutzen, ist auf hohem Niveau auch die Strategie von Lokad.
Kieran Chandler: Klasse. Heute sprechen wir ein wenig über Echtzeit-Routenoptimierung. Warum ist das aus supply chain-Perspektive für dich von Interesse?
Joannes Vermorel: Offensichtlich, wenn wir über supply chain optimization nachdenken, denken wir nicht exakt im gleichen Zeitmaßstab. Wenn ich vergleiche, was Kardinal und Lokad, beide Anbieter von enterprise software, tun: Kardinal betreibt Routenoptimierung, also Entscheidungen, die etwa jede Minute neu bewertet werden können. Es ist nicht exakt wie in Mikrosekunden, da man keine Echtzeitroboter in einem Lager steuert, die kommissionieren. Es muss zügig gehen, aber nicht auf Mikrosekundenebene. Im Gegenteil, Lokad konzentriert sich auf Entscheidungen für morgen oder bis zu einem Jahr im Voraus, also auf diesen Zeitraum. Die Tatsache, dass Lokad optimize supply chains impliziert typischerweise, dass Entscheidungen über längere Zeiträume getroffen werden.
Kieran Chandler: Wir sprechen über die Neuausrichtung der Bestände zwischen Standorten, wie zum Beispiel Geschäften oder Lagern. Dies hängt stark von der Agilität von Werkzeugen wie der Routenoptimierung ab, wie sie von Unternehmen wie Kardinal bereitgestellt werden. Je agiler deine Routen sind, desto einfacher ist es, Bestände zwischen Geschäften auszugleichen, was die Kosten für die Optimierung senkt. Wie hat sich die Routenoptimierung in den letzten paar Jahren entwickelt, insbesondere angesichts unserer zunehmenden Abhängigkeit von Smartphones und GPS-Systemen?
Cédric Hervet: Die Routenoptimierung hat zwei Hauptprobleme. Das erste besteht darin, von einem Punkt zum anderen zu gelangen und den richtigen Weg zu finden, wofür Werkzeuge wie Google Maps entwickelt wurden. Das zweite, schwierigere Problem besteht darin, n Haltepunkte zu besuchen und die Reihenfolge festzulegen, in der all diese Stopps unter Berücksichtigung von Faktoren wie Verkehr besucht werden. Unser Fokus liegt auf diesem zweiten Problem. Um es effizient zu lösen, benötigt man intelligentere Algorithmen, als einfach alle möglichen Kombinationen aufzuzählen, wobei hier die Mathematik ins Spiel kommt.
Die Fähigkeit, dieses Problem zu modellieren und Algorithmen zu entwickeln, gibt es bereits seit den 1960er Jahren. Die tatsächliche Implementierung dieser Algorithmen hängt jedoch stark von der Verfügbarkeit genauer Daten ab, wie z.B. Verkehrsdaten. Wenn die an den Algorithmus übergebenen Daten falsch oder ungenau sind, wird er untragbare Routen erzeugen. Bei Kardinal liegt unser Fokus darauf, Routen bereitzustellen, die für Fahrer praktikabel und realisierbar sind.
Kieran Chandler: Apropos Datenverfügbarkeit, wer sind die Hauptakteure, die das Wachstum und die Expertise in der Routenoptimierung vorangetrieben haben?
Joannes Vermorel: Es hat eine intensive Entwicklung von Online-Lösungen für verschiedene Probleme gegeben. Historisch gesehen war ein Unternehmen, das in diesem Bereich einen signifikanten Einfluss hatte, Google. Vor Google aktualisierten Suchmaschinen wie Yahoo und AltaVista ihre Indizes einmal pro Quartal, was zu veralteten Suchergebnissen führte. Google war in vielerlei Hinsicht innovativ, unter anderem durch seine Fähigkeit, aktuellere Suchergebnisse zu liefern.
Kieran Chandler: Also, Joannes, kannst du uns etwas über den Übergang erzählen, den du von einem Suchmaschinenoptimierungsunternehmen zu einem supply chain Optimierungsunternehmen vollzogen hast?
Joannes Vermorel: Ursprünglich haben wir mit Online-Lösungen begonnen, um die besten Ergebnisse für Suchanfragen zu liefern. Allerdings ist die Realität, dass ständig neue Seiten in den Index aufgenommen werden, und anfangs haben wir nur einen wöchentlichen Refresh durchgeführt. Aber das war bereits 20-mal schneller als bei den meisten unserer Konkurrenten. Es gab also einen Übergang zu einem Problem, bei dem wir stets unter sich ändernden Bedingungen aktuelle Ergebnisse liefern wollten. Low Cad und Kardinal nutzen nicht speziell für Suchmaschinen entwickelte Google-Algorithmen, aber sie waren für uns eine Inspirationsquelle, um zu sehen, was man im großen Maßstab machen kann, mit dem Beweis, dass es tatsächlich funktioniert.
Cédric Hervet: Und viele andere Akteure begannen, ähnliche Dinge bei unterschiedlichen Problemtypen zu tun. Ich glaube, es gab eine neue Welle von Menschen, die darüber nachdachten, wie man eine Online-Version eines Problems schaffen könnte, die viel intelligenter ist und sich auch stark von dem unterscheidet, was Kardinal derzeit macht, im Vergleich zu dem, was in den 50er Jahren gemacht wurde. All diese Einschränkungen und Nichtlinearitäten machen es schwierig, Optimierung darzustellen. Man hat nichtlineare Einschränkungen, wie etwa, dass Ihr Fahrer vielleicht nicht länger als X Stunden fahren kann, weil es eine arbeitsrechtliche Regelung gibt, die dies vorschreibt.
Kieran Chandler: Cédric, kannst du uns etwas über die Daten erzählen, die für Kardinal von Interesse sind, und woher ihr sie bezieht?
Cédric Hervet: Sicher. Es gibt zwei Hauptquellen für Daten. Die erste Quelle ist offensichtlich unsere Kunden, die uns die Aufträge liefern, die wir optimieren müssen. Sie geben uns die genaueste Beschreibung ihrer Aktivitäten, wie zum Beispiel gesetzliche Vorgaben bezüglich der Arbeitszeiten der Fahrer, die Verfügbarkeit der Fahrer, wo sie starten, wo sie den Service in Anspruch nehmen, welche Art von Fahrzeug sie fahren, welche Art von Kapazität benötigt wird und ob sie Gefahrgut transportieren oder spezifische technische Eingriffe durchführen können, die besondere Fähigkeiten erfordern. All diese Daten definieren Einschränkungen bezüglich ihrer Aktivitäten, und wir müssen sie verstehen. Die zweite Quelle sind die Daten, die vom Kunden selbst stammen und die Aufträge beschreiben, wie beispielsweise Pakete, die geliefert werden sollen, oder Einsätze wie die Reparatur von IT-Geräten. Wir verlassen uns auf technologische Partner wie HERE Technology, unseren Partner, von dem wir die Distanzdaten erhalten, die wir benötigen, um zu verstehen, wie lange es dauert, von einer Haltestelle zur nächsten zu gelangen und wie sich der Verkehr im Laufe der Zeit ändert. Außerdem müssen wir Echtzeit-Verkehrsupdates erhalten, um uns entsprechend anpassen zu können. HERE stellt uns diese Daten zur Verfügung, und wir nutzen unsere Algorithmen, um aktualisierte Lösungen bereitzustellen.
Kieran Chandler: Cédric, du hast das wachsende Wachstum von Online-Lösungen erwähnt. Aus technischer Sicht, welche Herausforderungen bringt das in Bezug darauf mit sich, in Echtzeit arbeiten zu können?
Cédric Hervet: Echtzeit bringt viele Komplikationen mit sich. Zunächst einmal gibt es so etwas wie Echtzeit nicht, da die Lichtgeschwindigkeit endlich ist. Auch wenn sie unglaublich schnell ist, benötigt sie dennoch Zeit. Das Problem entsteht, wenn man verteilte Computersysteme hat und zwischen mehreren Rechenzentren hin- und herwechseln muss. Wenn man Tausende von Rundreisen durchführt, dauert es Sekunden, bis Ergebnisse vorliegen.
Kieran Chandler: Systeme in Echtzeit zu realisieren, kann eine ziemliche Herausforderung sein, wenn man global operiert. Was sind einige der Schwierigkeiten, mit denen ihr konfrontiert werdet?
Joannes Vermorel: Nun, es gibt viele Dinge, die verhindern können, dass man ein gutes Echtzeitsystem hat. Zum Beispiel scheinen unsere Rechner im Durchschnitt super schnell zu sein, aber es gibt Zeiten, in denen sie aufgrund von Updates oder anderen Gründen hängen bleiben. Die Realität ist also, dass Computer im schlimmsten Fall tatsächlich ziemlich langsam sein können. Zudem ist die Geschwindigkeit des Systems typischerweise so schnell wie die langsamste Komponente. Das bedeutet, wenn man viele Maschinen hat, kann die langsamste sehr langsam sein. Echtzeit an sich ist eine Reihe von Herausforderungen, die sehr komplex sind. Eine weitere Komplikation besteht darin, dass durch die Abhängigkeit von Partnern der Dienst sehr verfügbar und zuverlässig sein muss, selbst wenn die Partner dies nicht sind. Je mehr Abhängigkeiten man hat, desto mehr potenzielle Probleme gibt es bei Ausfallzeiten. Euer Dienst ist nur so gut wie seine Abhängigkeiten, was bedeutet, dass mit jedem Glied in der Kette die Verfügbarkeit, die Betriebszeit und alles andere abnimmt. Echtzeit ist also eine ziemliche Herausforderung.
Cédric Hervet: Ja, ich stimme zu. Und wir treten nun in eine Ära ein, in der wir diese Daten tatsächlich kontrollieren können. Zum Beispiel kann man mit Waze jetzt angeben, wenn irgendwo eine Radarfalle ist. Glaubst du, dass das einen positiven Einfluss hat? Die Tatsache, dass wir diese Datenstücke jetzt kontrollieren können, ist offensichtlich sehr wichtig, um diese Kapazität zu haben, besonders im Kontext dessen, was ich zuvor beschrieben habe. Bei Kardinal legen wir großen Wert darauf, die Menschen im System zu behalten, denn sobald sie die Kontrolle darüber verlieren und alles zu automatisiert ist, können sie nicht wirklich überprüfen, ob der Algorithmus etwas bewirkt. Sie verlieren so viel Verständnis dafür, was geschieht, dass sie ihre Expertise nicht mehr einbringen können. Und sie haben immer eine Expertise. Ich habe eine kurze Geschichte: Als wir anfingen, das zu tun, was wir heute tun, versuchten wir, die Routen der Fahrer in Frage zu stellen, und wir schlugen unsere eigenen optimierten Touren vor. Sie hatten stets ein Beispiel für etwas parat, das der Algorithmus nicht sehen konnte. Ein lustiges Beispiel ist, dass wir diese wunderschön optimierte Route hatten, die offensichtlich der perfekte Weg war, all diese Haltestellen anzufahren. Aber als der Fahrer dies sah, konzentrierte er sich nicht auf den allgemeinen Aspekt der Route, der irgendwie besser war als das, was er ohnehin gemacht hätte. Er konzentrierte sich vielmehr auf einige spezifische Haltestellen. Er sagte zu uns: “Okay, du sagst mir, dass ich diese Person hier um 16:45 Uhr beliefern soll, und hier ist eine Schule, und ich weiß, dass jeder Elternteil in dieser Straße parken wird, und ich werde nicht in der Lage sein, einfach zum Ausliefern zu parken.” Das ist zwar mathematisch optimal, aber ich weiß, dass diese Lieferung zu dieser spezifischen Zeit bedeutet, dass es nur 15 Minuten sind, und es ist unmöglich, jemanden in diesen 15 Minuten zu beliefern. Und das ist wirklich etwas. Für diejenigen, die mit Daten arbeiten, ist es sehr kostspielig für uns, im Voraus zu wissen, dass wir diesen Bereich vermeiden müssen, 50 Minuten im Voraus zu korrigieren, um diesen Fakt zu antizipieren. Es hat keinen Sinn, weil wir jemanden im LKW haben, der das weiß. Die zentrale Interaktion, die wir mit ihnen zu implementieren versuchen, lautet: Okay, du weißt Dinge, die wir niemals wissen werden und auch nie wirklich versuchen werden zu erfahren, weil es uns zu hohe Kosten verursachen würde, also gib uns einfach diese Information. Okay, du kannst die Algorithmen auch herausfordern, selbst wenn du unterwegs bist. Und was wir zu erreichen versuchen, ist, dass viele Ereignisse eintreten können. Es kann Probleme geben von den…
Kieran Chandler: Könntest du unseren Zuhörern erklären, wie ihr Benutzereingaben und Daten kombiniert, um fundierte Entscheidungen zu treffen?
Joannes Vermorel: Kunden sind nicht die einzige Datenquelle. Die Eingaben der Nutzer sind für uns ebenfalls ein Ereignis, und wenn du findest, dass etwas wirklich besser ist, kannst du dich für etwas anderes entscheiden. Was wir vorschlagen, ist lediglich eine Empfehlung, und du kannst eine fundierte Entscheidung treffen. Du wirst wirklich der Herrscher deines Bereichs sein, weil du wahrscheinlich Dinge weißt, die wir nicht wissen. Um deine Frage wirklich zu beantworten, ist es entscheidend, die Kontrolle über die Daten zu haben, denn Daten sind an sich sinnlos, wenn es nichts gibt, das dir erklärt, was diese Daten tatsächlich bedeuten. Aber sobald man Einblick in die Bedeutung der Daten und in die von euch getroffenen Entscheidungen geben kann, werden Menschen nicht ersetzt, sondern ergänzt. Sie können bessere Entscheidungen treffen, weil sie Informationen über die Auswirkungen unserer Berechnungen haben und zusammen mit den anderen Faktoren, die sie berücksichtigen, die bestmögliche Entscheidung treffen können. Das ist es, was wir zu erreichen versuchen – die richtige Kombination zwischen beiden.
Cédric Hervet: Ein weiteres Beispiel dafür sind die Waldbrände in den USA. Als die Leute ihre Routen eingaben, um diesen Waldbränden zu entkommen, wurden ihnen offensichtlich Straßen, auf denen es Brände gab, als frei angezeigt, und sie wurden tatsächlich in diese Richtung geleitet. Einen Weg zu haben, dies anzupassen und Faktoren aus dem Zusammenhang heraus zu berücksichtigen, ist essenziell, wenn man das tut, was wir tun.
Kieran Chandler: Würdest du aus datentechnischer Sicht sagen, dass wir zu sehr von großen Unternehmen wie Amazon, Google und Microsoft abhängig sind?
Joannes Vermorel: Ich würde sagen, wahrscheinlich ja, aber auch, dass sich die Technologie wirklich rasant entwickelt. Wenn man sich Kartendaten ansieht, gibt es weltweit nicht allzu viele Anbieter. Die Frage ist, ob Kartendaten ein Gemeingut sein sollten. Es gibt einige, die versuchen, dies mit offenen Karten und dergleichen umzusetzen. Die Realität ist, dass es bei super schnelllebiger Technologie für viele Unternehmen schwer ist zu konkurrieren. Üblicherweise, wenn man von “winner takes all” spricht, vergessen die Leute in der Technologie, dass sich Dinge häufig schnell ändern. Also ja, derzeit gibt es nicht allzu viele Akteure auf dem Kartendatenmarkt, aber ich sehe viele Veränderungen, bei denen Dinge, die als sehr schwer zugänglich galten, nun mehr zu Gemeingütern werden – mit offenen Karten und dergleichen. Es wird lange dauern, aber ich vermute, dass diese Dinge die meiste Zeit zu Commodities werden und sich das Problem dann ganz anderswo verlagert. Zusammengefasst: Wahrscheinlich gibt es derzeit – solange es einen gewissen Alpha-Wettbewerb gibt – doch etwas Konkurrenz. Für Karten gibt es wahrscheinlich so vier oder fünf Anbieter, und das zählt, aber in der Tat ist es immer noch ein relativ konzentrierter Markt.
Kieran Chandler: Und wenn wir heute nicht schon alles zusammenfassen, du bist sehr in Forschung und Entwicklung involviert. Welche konkreten Aspekte aus der Forschung und Entwicklung begeistern dich in den nächsten Jahren?
Cédric Hervet: Nun, zunächst einmal gibt es das, was wir bei Kardinal tun.
Kieran Chandler: Also, Joannes, welche jüngsten Fortschritte in der Optimierung begeistern dich am meisten?
Joannes Vermorel: Wir sind Doktoranden, die an der Lösung der Online-Version der Optimierung arbeiten, und erweitern damit den Anwendungsbereich der Operations Research als mathematisches Feld, um Probleme auf adäquate Weise zu bewältigen. Wir haben auch andere Entwicklungen in der KI-Community insgesamt beobachtet. Reinforcement Learning ist ein anderer Ansatz als das, was wir mit Operations Research tun. Es lehrt Algorithmen, die beste Entscheidung zu erkennen, ohne ihnen explizit mitzuteilen, welche mögliche Entscheidung richtig ist, was philosophisch sehr unterschiedlich zu dem ist, was wir bei Kardinal machen. Wir übermitteln dem Algorithmus den globalen Rahmen möglicher Lösungen für ein Problem und welche Lösung besser ist als eine andere, sodass wir uns darauf konzentrieren können, die Lösung innerhalb eines geschlossenen Rahmens möglicher Lösungen zu finden. Reinforcement Learning bietet einen anderen Weg und ist vermutlich sehr gut für Echtzeit-Entscheidungen geeignet.
Cédric Hervet: Die Einschränkung dieses Ansatzes heute besteht darin, dass er die Vielzahl an Einschränkungen, die mit unseren Techniken einhergehen, nicht bewältigen kann. Aber wer weiß, wir waren sehr überrascht darüber, was Reinforcement Learning in Pingo oder sogar in Videospielen leisten konnte. Jetzt können sie sehr starke Spieler schlagen. Das ist etwas, dem wir folgen, und es ist wirklich vielversprechend. Aber wir haben gesehen, dass Google bekannt gegeben hat, dass es Quantenüberlegenheit gibt, was bedeutet, dass Quantencomputer Probleme in kurzer Zeit lösen, die für herkömmliche Computer unzugänglich sind. Sie mussten alle Lösungen enumerieren, und wir wissen, dass es Quantenalgorithmen gibt, die zum Beispiel für das Traveling Salesman Problem geeignet sind, eines unserer Kernprobleme. Sie können es in Sekunden lösen, während es für einzelne Computer Tausende von Jahren dauert, nur um alle Lösungen zu enumerieren. Das ist etwas, dem wir folgen müssen. Offensichtlich ist dies sehr langfristig, und mit unseren Algorithmen, die in ihrer Konzeption clever sind, können wir bereits die Geschwindigkeit von quantenrätselhaften Algorithmen erreichen. Aber Quantencomputing führt zu einer Art Demokratisierung, die all diese von Natur aus schwierigen Probleme leicht lösbar macht, was für uns recht interessant ist. Wenn unsere Probleme morgen leicht zu lösen sind, müssen wir an der Front dieser Technologie stehen, um unseren Kunden zu helfen, wesentlich besser als heute zu performen.
Kieran Chandler: Brilliant. Nun, vielen Dank für deine Zeit heute. Es ist wirklich interessant. Vielen herzlichen Dank. Also, etwas für diese Woche. Vielen Dank fürs Einschalten und bis zum nächsten Mal. Tschüss fürs Erste.