Echtzeit-Routenoptimierung (mit Cédric Hervet)

00:00:07 Einführung und Hintergrund von Cédric Hervet bei Kardinal.
00:02:07 Kardinals Ansatz zur Echtzeit-Routenoptimierung mit menschlichem Input.
00:03:41 Die Auswirkungen der Echtzeit-Routenoptimierung auf die Supply Chain und das Bestandsmanagement.
00:05:32 Entwicklung von Routenoptimierungsalgorithmen und Bedeutung von Daten.
00:06:22 Entwicklung der Routenoptimierung und die Bedeutung genauer Daten.
00:08:00 Schlüsselunternehmen und Akteure in der Routenoptimierung.
00:09:58 Wie Googles Innovationen andere Unternehmen inspiriert haben.
00:10:51 Hauptquellen für Daten zur Routenoptimierung von Kardinal.
00:12:55 Technische Herausforderungen von Echtzeit-Online-Lösungen.
00:15:38 Nutzer gewinnen Kontrolle über Daten und deren Auswirkungen auf die Optimierung.
00:18:00 Herausforderungen bei der Balance zwischen Datenkontrolle und menschlicher Expertise.
00:19:30 Die Auswirkungen großer Unternehmen wie Amazon, Google und Microsoft auf die Datenabhängigkeit.
00:21:00 Die Konzentration des Kartenmarktes.
00:22:17 Spannende Forschung und Entwicklungen in der KI und deren potenzielle Anwendungen.

Zusammenfassung

In diesem Interview spricht Kieran Chandler mit Joannes Vermorel und Cédric Hervet, den Gründern von Lokad und Kardinal, über die Herausforderungen der Echtzeit-Routenoptimierung und die Bedeutung menschlichen Inputs in Verbindung mit fortschrittlicher Technologie. Hervet teilt auch seine Begeisterung für Entwicklungen in der KI, einschließlich des verstärkten Lernens und der potenziellen Auswirkungen der Quantencomputertechnologie. Das Gespräch berührt auch die Idee von Kartendaten als Gemeingut und die Abhängigkeit von großen Technologieunternehmen für Daten sowie die Notwendigkeit, bei aufkommenden Technologien an vorderster Front zu bleiben.

Erweiterte Zusammenfassung

Kieran Chandler moderiert eine Diskussion mit Joannes Vermorel, dem Gründer von Lokad, einem Unternehmen für Supply Chain Optimization Software, und Cédric Hervet, Mitbegründer und Leiter der Forschung und Entwicklung bei Kardinal, einem Unternehmen für Routenoptimierungssoftware. Sie diskutieren die jüngsten Fortschritte bei crowdsourceten Daten, Quantencomputing, Echtzeit-Routenoptimierung und die Rolle von Menschen in diesen Prozessen.

Cédric Hervet erklärt, dass sich Kardinal auf Echtzeit-Routenoptimierung mit Fokus auf Kontextbewusstsein spezialisiert hat. Die traditionelle Routenplanung erfolgt in der Regel manuell, was suboptimal ist. Menschen haben jedoch die Fähigkeit, Notfälle zu bewältigen und Entscheidungen auf der Grundlage einer globalen Prioritätensetzung zu treffen. Die derzeit auf dem Markt erhältliche Routenoptimierungssoftware bietet statische Lösungen, die bei unerwarteten Ereignissen wie Verkehrsstaus oder Terminänderungen problematisch werden.

Kardinals Ansatz besteht darin, Routen kontinuierlich zu optimieren, um eine größere Kapazität zur Bewältigung von Problemen zu ermöglichen, wenn sie auftreten. Sie betonen auch, dass Menschen nicht aus der Gleichung entfernt werden sollten, da sie Wissen und strategische Vision besitzen, das in Datenbanken nicht gefunden oder modelliert werden kann.

Joannes Vermorel stimmt zu, dass die Nutzung menschlicher Intelligenz in Verbindung mit moderner Rechenleistung für die Optimierung der Supply Chain unerlässlich ist. Lokads Strategie besteht darin, das Beste aus klugen Menschen zu machen, die sich der Probleme, die sie lösen wollen, sehr bewusst sind.

Das Gespräch dreht sich um die Unterschiede im Zeitrahmen zwischen den Ansätzen von Kardinal und Lokad. Kardinal konzentriert sich auf die Echtzeit-Routenoptimierung, bei der Entscheidungen alle paar Minuten neu bewertet werden. Dies ist nicht dasselbe wie Entscheidungen auf Mikrosekundenebene, die für Aufgaben wie die Steuerung von Robotern in einem Lager erforderlich sind. Lokads Entscheidungen hingegen konzentrieren sich auf den nächsten Tag oder bis zu einem Jahr im Voraus.

Das Gespräch geht dann über die Entwicklung der Routenoptimierung im Laufe der Jahre. Hervet unterscheidet zwischen dem Problem, die beste Route von einem Punkt zum anderen zu finden, wofür Google Maps entwickelt wurde, und dem komplexeren Problem, die optimale Reihenfolge für den Besuch mehrerer Haltepunkte zu bestimmen. Letzteres erfordert ausgefeilte Algorithmen und genaue Verkehrsdaten, um machbare und effiziente Routen bereitzustellen. Kardinal konzentriert sich darauf, theoretische Mathematik in praktische Lösungen umzusetzen und sicherzustellen, dass die optimierten Routen realistisch und für Fahrer handhabbar sind.

Vermorel hebt Google als Unternehmen hervor, das bedeutende Innovationen in Online-Lösungen vorangetrieben hat, insbesondere bei Suchmaschinen, indem es im Vergleich zu Wettbewerbern zu dieser Zeit aktuellere Informationen bereitstellt. Obwohl sie nicht direkt die Algorithmen von Google verwenden, dient der Ansatz als Inspiration für Unternehmen wie Lokad und Kardinal, da sie an skalierbaren, Online-Lösungen für komplexe Probleme arbeiten.

Bei der Diskussion über die Einschränkungen und Nichtlinearitäten bei der Routenoptimierung weist Vermorel darauf hin, dass Faktoren wie Arbeitsvorschriften und fahrerspezifische Einschränkungen die Komplexität des Problems erhöhen. Hervet fügt hinzu, dass es zwei Hauptdatenquellen für Kardinal gibt. Die erste stammt von Kunden, die Bestellinformationen, Einschränkungen, Fahrerverfügbarkeit, Fahrzeugkapazitäten und andere relevante Details liefern. Die zweite Quelle sind technologische Partner wie HERE Technologies, die Entfernungsdaten, Verkehrsmuster und Echtzeit-Updates für die Routenoptimierung bereitstellen.

Sie diskutieren die Herausforderungen der Echtzeit-Datenverarbeitung, die Bedeutung menschlicher Eingaben und die Abhängigkeit von großen Technologieunternehmen für Daten.

Vermorel erklärt, dass die Arbeit mit Echtzeitdaten mehrere Herausforderungen mit sich bringt. Zum einen ist die Lichtgeschwindigkeit endlich, was bedeutet, dass Daten zwar schnell übertragen werden können, aber dennoch Sekunden dauern können, um verarbeitet zu werden, wenn es mehrere Rechenzentren und Tausende von Rundreisen gibt. Darüber hinaus gibt es viele Faktoren, die Computersysteme verlangsamen können, wie z.B. Software-Updates oder andere Hintergrundprozesse. Damit Echtzeitsysteme global effizient funktionieren, ist umfangreiches Fachwissen erforderlich.

Eine weitere Herausforderung besteht in der Abhängigkeit von Partnern, die die Verfügbarkeit und Zuverlässigkeit von Unternehmenssoftware beeinflussen kann. Je mehr Abhängigkeiten es gibt, desto mehr potenzielle Probleme und Ausfallzeiten können auftreten. Dies bedeutet, dass die Verfügbarkeit und Zuverlässigkeit des Dienstes nur so gut ist wie seine Abhängigkeiten, was oft zu einer geringeren Verfügbarkeit und Zuverlässigkeit führt.

Hervet betont die Bedeutung der Einbeziehung menschlicher Eingaben in Routenoptimierungssysteme. Er erzählt eine Geschichte darüber, wie ihre anfänglich algorithmisch generierten Routen mathematisch optimal waren, aber die Fahrer Probleme identifizieren konnten, die der Algorithmus nicht erkennen konnte. Zum Beispiel könnte ein Fahrer wissen, dass das Parken zu einer bestimmten Zeit aufgrund von Eltern, die ihre Kinder von der Schule abholen, unmöglich wäre. Hervet betont die Notwendigkeit eines Gleichgewichts zwischen algorithmisch generierten Routen und menschlicher Expertise, um die bestmöglichen Entscheidungen zu treffen.

Er glaubt auch, dass die Kontrolle über Daten entscheidend ist. Benutzer müssen in der Lage sein, Daten zu verstehen und mit ihnen zu interagieren, um fundierte Entscheidungen treffen zu können. Kardinal zielt darauf ab, menschliche Entscheidungsfindung mit berechnungsgestützten Erkenntnissen zu ergänzen, um eine Kombination aus menschlicher Expertise und datengetriebener Optimierung zu ermöglichen.

Bei der Diskussion über die Abhängigkeit von großen Unternehmen wie Amazon, Google und Microsoft für Daten stimmt Hervet zu, dass es möglicherweise zu viel Abhängigkeit von ihnen gibt. Er erkennt jedoch auch an, dass die Technologie schnelllebig ist 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 von offenen Karten an und schlägt vor, dass technologische Fortschritte das Mapping näher an ein Gemeingut heranführen könnten. Er weist jedoch auch darauf hin, dass die Kartografiebranche stark konzentriert ist und nur wenige Schlüsselakteure hat. Obwohl Wettbewerb existiert, ist er begrenzt.

Hervet spricht dann von seiner Begeisterung für Entwicklungen in der Operationsforschung und künstlichen Intelligenz. Bei Kardinal arbeiten Doktoranden daran, Online-Optimierungsprobleme zu lösen und den Umfang des mathematischen Fachgebiets zu erweitern. Sie betrachten auch andere Fortschritte in der KI, wie zum Beispiel das verstärkte Lernen, bei dem Algorithmen Entscheidungen treffen, ohne die beste Wahl explizit zu definieren. Hervet merkt an, dass dieser Ansatz philosophisch anders ist als die aktuellen Methoden von Kardinal, bei denen ein Lösungsraum definiert und Lösungen innerhalb dieses Raums bewertet werden.

Obwohl das verstärkte Lernen 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. Sie beobachten jedoch weiterhin ihren Fortschritt, da es in Zukunft für Echtzeit-Entscheidungsfindung besser geeignet sein könnte.

Das Gespräch wendet sich dann den potenziellen Auswirkungen der Quantencomputertechnologie zu. Hervet erwähnt Googles jüngste Behauptung, die Quantenüberlegenheit erreicht zu haben, was bedeutet, dass Quantencomputer Probleme in deutlich weniger Zeit als klassische Computer lösen können. Quantenalgorithmen könnten verwendet werden, um komplexe Probleme wie das Traveling Salesman Problem zu lösen, das für die Arbeit von Kardinal zentral ist.

Während Quantencomputing noch eine langfristige Perspektive ist, erkennt Hervet sein Potenzial an, Problemlösung zu demokratisieren, indem schwierige Probleme einfacher zu lösen sind. Wenn dies geschieht, müssten Unternehmen wie Kardinal an vorderster Front der Technologie bleiben, um ihren Kunden zu helfen, besser zu performen.

Vollständiges Transkript

Kieran Chandler: Diese Woche bei Lokad TV freuen wir uns, Cédric Hervet bei uns zu haben, der mit uns darüber sprechen wird, wie die Zunahme der Quantencomputertechnologie und die Möglichkeit der Echtzeit-Routenoptimierung dazu geführt haben, dass Lieferunternehmen ihre Betriebsweise ändern. Also, Cedric, vielen Dank, dass Sie heute bei uns sind.

Cédric Hervet: Vielen Dank für die Einladung. Kardinal ist ein Unternehmen, das sich auf Echtzeit-Routenoptimierung mit einem hohen Maß an Kontextbewusstsein spezialisiert hat. Normalerweise werden Routen manuell von Menschen optimiert, sodass sie Zeitpläne für ihre Fahrer oder Techniker erstellen. Das ist offensichtlich 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 jedoch nicht vollständig dafür ausgestattet, insbesondere Optimierungsalgorithmen. Es gibt Softwareprogramme auf dem Markt, die Routenoptimierung bieten, aber sie tun dies auf eine sehr statische Weise. Sie erhalten Daten, mischen sie irgendwie und bieten eine optimierte Lösung für Zeitpläne an. Aber das ist problematisch, weil das erste auftretende Ereignis die Qualität der Routen zerstören wird. Sobald die Lastwagen unterwegs sind, gibt es Probleme wie Verkehrsstaus, verspätete oder abwesende Kunden und Terminverschiebungen. All diese Ereignisse können die Leistung beeinträchtigen. Bei Kardinal glauben wir, dass der richtige Weg, Routen zu optimieren, darin besteht, niemals aufzuhören, sie zu optimieren. Auf diese Weise haben Sie eine größere Kapazität, Probleme zu bewältigen, wenn sie auftreten. Ein weiterer wichtiger Aspekt unserer Arbeit ist, dass wir uns stark darauf konzentrieren, Menschen nicht aus der Gleichung zu entfernen, weil sie ihren Job kennen und Dinge wissen, die in keiner Datenbank gefunden oder modelliert werden können. Es ist wichtig, sie nicht aus dem Prozess zu entfernen, 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 Notfallsituationen, ist wirklich interessant. Ich denke, Sie würden dem wahrscheinlich auch zustimmen, Joannes, das Beste aus dem menschlichen Gehirn zu machen, um eine Ergänzung zur Optimierung zu sein?

Joannes Vermorel: Absolut, die Idee, das Beste aus klugen Menschen zu machen, die sich der Probleme bewusst sind, die sie mit ihrer Lieferkette lösen wollen, und das Beste zu nutzen, was moderne Rechenleistung zu bieten hat, ist auf einer sehr hohen Ebene auch die Strategie von Lokad.

Kieran Chandler: Großartig. Heute sprechen wir ein wenig über die Echtzeit-Routenoptimierung. Warum ist das aus Sicht der Lieferkette interessant für Sie?

Joannes Vermorel: Offensichtlich denken wir bei Lokad, wenn wir an die Optimierung der Lieferkette denken, nicht genau im gleichen Zeitrahmen. Wenn ich das vergleiche, was Kardinal und Lokad, beide Anbieter von Unternehmenssoftware, tun: Kardinal macht Routenoptimierung, also Entscheidungen, die alle paar Minuten neu bewertet werden können. Es ist nicht genau wie Mikrosekunden, da Sie keine Echtzeit-Roboter steuern, die in einem Lager Kommissionierung durchführen. Es muss schnell sein, aber nicht auf Mikrosekundenebene. Im Gegensatz dazu konzentriert sich Lokad auf Entscheidungen für morgen oder bis zu einem Jahr im Voraus, also in diesem Zeitrahmen. Die Tatsache, dass Lokad typischerweise Lieferketten optimieren kann, beinhaltet Entscheidungen für längere Zeiträume.

Kieran Chandler: Wir diskutieren die Neuausrichtung des Bestands zwischen Standorten wie Geschäften oder Lagern. Dies hängt stark von der Agilität von Tools wie der Routenoptimierung ab, wie sie von Unternehmen wie Kardinal bereitgestellt wird. Je agiler Ihre Routen sind, desto einfacher ist es, den Bestand zwischen den Geschäften neu auszugleichen, was die Kosten für die Optimierung senkt. Wie hat sich die Routenoptimierung in den letzten Jahren entwickelt, insbesondere vor dem Hintergrund 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 die richtige Straße zu finden, wofür Tools wie Google Maps entwickelt wurden. Das zweite, schwierigere Problem besteht darin, n Stopps zu besuchen und die Reihenfolge zu bestimmen, in der Sie all diese Stopps besuchen werden, unter Berücksichtigung von Faktoren wie Verkehr. Unser Fokus liegt auf diesem zweiten Problem. Um es effizient zu lösen, benötigen Sie intelligentere Algorithmen als nur das Aufzählen aller möglichen Kombinationen, und hier kommt die Mathematik ins Spiel.

Die Fähigkeit, dieses Problem zu modellieren und Algorithmen zu entwickeln, besteht seit den 1960er Jahren. Die tatsächliche Implementierung dieser Algorithmen hängt jedoch stark von der Verfügbarkeit genauer Daten ab, wie z.B. Verkehrsdaten. Wenn die dem Algorithmus gegebenen Daten falsch oder ungenau sind, werden nicht realisierbare Routen erstellt. Bei Kardinal konzentrieren wir uns darauf, Routen bereitzustellen, die für Fahrer machbar und praktisch sind.

Kieran Chandler: Sprechen wir von der Verfügbarkeit von Daten, wer sind die Hauptakteure, die das Wachstum und die Expertise in der Routenoptimierung vorangetrieben haben?

Joannes Vermorel: Es gab eine intensive Entwicklung von Online-Lösungen für verschiedene Probleme. Historisch gesehen war ein Unternehmen, das in diesem Bereich einen bedeutenden Einfluss hatte, Google. Vor Google haben Suchmaschinen wie Yahoo und AltaVista ihre Indizes einmal pro Quartal aktualisiert, was zu veralteten Suchergebnissen führte. Google war in vielerlei Hinsicht innovativ, einschließlich seiner Fähigkeit, aktuellere Suchergebnisse bereitzustellen.

Kieran Chandler: Also, Joannes, können Sie uns von der Transition erzählen, die Sie von einem Unternehmen für Suchmaschinenoptimierung zu einem Unternehmen für Lieferkettenoptimierung gemacht haben?

Joannes Vermorel: Wir haben zunächst mit Online-Lösungen begonnen, um die besten Ergebnisse für Suchanfragen zu liefern. Die Realität ist jedoch, dass ständig neue Seiten zum Index hinzugefügt werden, und anfangs haben wir nur eine wöchentliche Aktualisierung durchgeführt. Aber das war bereits 20-mal schneller als die meisten unserer Konkurrenten. Es gab also eine Transition zu einem Problem, bei dem wir immer aktuelle Ergebnisse unter sich ändernden Bedingungen wollten. Lokad und Kardinal verwenden keine speziell für Suchmaschinen entwickelten Google-Algorithmen, aber es war eine Inspirationsquelle für uns, um zu sehen, was Sie im großen Maßstab tun können, mit dem Beweis, dass es tatsächlich funktionieren kann.

Cédric Hervet: Und viele andere Akteure begannen, ähnliche Dinge für verschiedene Arten von Problemen zu tun. Ich denke, es gab eine neue Welle von Menschen, die darüber nachdachten, wie man die Online-Version eines Problems haben kann, das viel intelligenter ist und auch sehr unterschiedlich von dem, was Kardinal im Vergleich zu dem tut, was die Leute in den 50er Jahren gemacht haben. All diese Einschränkungen und Nichtlinearitäten machen die Optimierung schwer darstellbar. Sie haben nichtlineare Einschränkungen, wie zum Beispiel die Tatsache, dass Ihr Fahrer vielleicht nicht mehr als X Stunden fahren kann, weil es eine Beschäftigungsregelung gibt, die das vorschreibt.

Kieran Chandler: Cédric, können Sie uns etwas über die Daten erzählen, die für Kardinal tatsächlich von Interesse sind und woher Sie sie bekommen?

Cédric Hervet: Sicher. Es gibt zwei Hauptquellen für Daten. Die erste ist natürlich von unseren Kunden, die uns die Aufträge geben, die wir optimieren müssen. Sie geben uns die genaueste Beschreibung ihrer Aktivität, wie z.B. rechtliche Einschränkungen für die Arbeitszeiten der Fahrer, die Verfügbarkeit der Fahrer, wo sie starten, wo sie den Service in Anspruch nehmen, welche Art von Fahrzeug sie fahren, welche Kapazität benötigt wird und ob sie gefährliche Güter transportieren oder spezielle technische Eingriffe durchführen können, die besondere Fähigkeiten erfordern. All diese Daten definieren Einschränkungen für ihre Aktivität, und wir müssen sie verstehen. Die zweite Quelle sind die Daten, die vom Kunden kommen und die die Aufträge selbst beschreiben, wie z.B. zu liefernde Pakete oder Eingriffe wie die Reparatur von IT-Ausrüstung. Wir verlassen uns auf technologische Partner wie HERE Technology, die unser Partner für die Beschaffung der Entfernungsinformationen ist, die wir benötigen, um zu verstehen, wie lange es dauert, von einem Stopp zum anderen zu gelangen, und wie sich der Verkehr im Laufe der Zeit ändert. Wir müssen auch Echtzeit-Verkehrsaktualisierungen erhalten, um bei Bedarf anzupassen. HERE liefert uns diese Daten, und wir verwenden unsere Algorithmen, um aktualisierte Lösungen bereitzustellen.

Kieran Chandler: Cédric, Sie haben das zunehmende Wachstum von Online-Lösungen erwähnt. Aus technischer Sicht, welche Herausforderungen bringt das mit sich, um in Echtzeit arbeiten zu können?

Cédric Hervet: Echtzeit bringt viele Komplikationen mit sich. Erstens gibt es so etwas wie Echtzeit nicht, weil die Lichtgeschwindigkeit endlich ist. Auch wenn sie unglaublich schnell ist, dauert es immer noch eine gewisse Zeit. Das Problem entsteht, wenn Sie verteilte Computersysteme haben und zwischen mehreren Rechenzentren hin und her gehen müssen. Wenn Sie Tausende von Rundreisen machen, dauert es Sekunden, um Ergebnisse zu erhalten.

Kieran Chandler: Die Realisierung von Echtzeitsystemen kann ziemlich herausfordernd sein, wenn man global tätig ist. Mit welchen Schwierigkeiten haben Sie zu kämpfen?

Joannes Vermorel: Nun, es gibt viele Dinge, die verhindern können, dass Sie ein gutes Echtzeitsystem haben. Zum Beispiel können unsere Computer im Durchschnitt super schnell erscheinen, aber es gibt Zeiten, in denen sie wegen Updates oder aus anderen Gründen stecken bleiben. Die Realität ist also, dass Computer im schlimmsten Fall ziemlich langsam sein können. Außerdem wird die Geschwindigkeit Ihres Systems in der Regel durch das Langsamste bestimmt, das Sie haben. Das bedeutet, dass, wenn Sie viele Maschinen haben, die langsamste sehr langsam sein kann. Echtzeit ist an sich eine Reihe von Herausforderungen, die sehr kompliziert sind. Eine weitere Komplikation besteht darin, dass die Einführung von Abhängigkeiten von Partnern bedeutet, dass Sie Ihren Service sehr verfügbar und zuverlässig machen müssen, auch wenn Ihre Partner es nicht sind. Je mehr Abhängigkeiten Sie haben, desto mehr potenzielle Probleme gibt es für Ausfallzeiten. Ihr Service ist nur so gut wie Ihre Abhängigkeiten, was bedeutet, dass Sie jedes Mal, wenn Sie die Kette nach unten bewegen, etwas mit geringerer Verfügbarkeit, geringerer Betriebszeit und geringerem allem bekommen. Echtzeit ist also eine ziemliche Herausforderung.

Cédric Hervet: Ja, da stimme ich zu. Und wir betreten jetzt eine Ära, in der wir tatsächlich die Kontrolle über diese Daten haben können. Zum Beispiel können Sie mit Waze jetzt angeben, ob es irgendwo eine Polizei-Radarfalle gibt. Denken Sie, dass das eine positive Auswirkung hat? Die Tatsache, dass wir jetzt diese Daten kontrollieren können, ist offensichtlich sehr wichtig, um diese Fähigkeit zu haben, insbesondere im Kontext, den ich zuvor beschrieben habe. Bei Kardinal achten wir sehr darauf, 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 tut. Sie verlieren so viel Verständnis dafür, was passiert, dass sie ihre Expertise nicht wirklich einbringen können. Und sie haben immer eine Expertise. Ich habe diese kurze Geschichte, als wir angefangen haben, das zu tun, was wir tun, haben wir versucht, die Routen der Fahrer herauszufordern und unsere eigenen optimierten Touren vorzuschlagen. Sie hatten immer ein Beispiel für etwas, das der Algorithmus nicht sehen konnte. Ein lustiges Beispiel ist, dass wir diese sehr schön optimierte Route hatten, die offensichtlich der perfekte Weg war, um all diese Stopps zu besuchen. Aber als der Fahrer das sah, konzentrierte er sich nicht auf den allgemeinen Aspekt der Route, der irgendwie besser war als das, was er sowieso getan hätte. Er konzentrierte sich wirklich auf bestimmte Stopps. Er sagte uns: “Okay, du sagst mir also, dass ich diese Person hier um 16:45 Uhr abliefern werde, und hier ist eine Schule, und ich weiß, dass jeder Elternteil in dieser Straße parken wird, und ich werde mich nicht selbst parken können, um diese Lieferung zu machen.” Das ist offensichtlich mathematisch optimal, aber ich weiß, dass es unmöglich ist, jemanden in diesen 15 Minuten zu liefern. Und das ist wirklich etwas. Für diejenigen, die mit Daten arbeiten, ist es sehr kostspielig für uns, im Voraus zu wissen, um diesen Raum zu vermeiden, sich 50 Minuten im Voraus darauf einzustellen. Es ist sinnlos, weil wir jemanden im LKW haben, der das weiß. Die Schlüsselinteraktion, die wir mit ihnen implementieren möchten, ist in Ordnung. Sie wissen Dinge, die wir nie wissen werden, und wir werden wirklich nie versuchen, das zu wissen, weil es für uns zu hohe Kosten verursacht, also geben Sie uns einfach diese Eingabe. Okay, Sie können die Algorithmen auch während der Fahrt herausfordern. Und was wir versuchen zu tun, ist, dass viele Ereignisse passieren können. Es können Probleme von den…

Kieran Chandler: Können Sie unseren Zuhörern erklären, wie Sie Benutzereingaben und Daten kombinieren, um fundierte Entscheidungen zu treffen?

Joannes Vermorel: Kunden sind nicht die einzige Datenquelle. Die Benutzereingabe ist auch ein Ereignis für uns, und wenn Sie denken, dass etwas wirklich besser ist, können Sie sich dafür entscheiden, es anders zu machen. Was wir vorschlagen, ist nur eine Empfehlung, und Sie können eine fundierte Entscheidung treffen. Sie werden wirklich der Meister Ihres Bereichs sein, weil Sie wahrscheinlich Dinge wissen, die wir nicht wissen. Um Ihre Frage wirklich zu beantworten, ist es wichtig, die Kontrolle über die Daten zu haben, denn Daten an sich sind sinnlos, wenn Sie nicht etwas haben, das Ihnen sagt, was diese Daten tatsächlich bedeuten. Aber sobald Sie Einblick geben können, was die Daten bedeuten und welche Entscheidungen Sie treffen, werden Menschen nicht entfernt, sondern erweitert. Sie können bessere Entscheidungen treffen, weil sie Informationen über die Auswirkungen unserer Berechnungen haben und mit den anderen Dingen, die sie im Kopf haben, die bestmögliche Entscheidung treffen können. Das ist es, was wir erreichen wollen - die richtige Kombination zwischen beiden.

Cédric Hervet: Ein weiteres Beispiel dafür sind die Waldbrände in den USA. Als die Menschen ihre Routen eingegeben haben, um diesen Waldbränden zu entkommen, wurden ihnen natürlich die Straßen, auf denen Brände waren, als frei angezeigt, und sie wurden tatsächlich dorthin geleitet. Es ist wichtig, eine Möglichkeit zu haben, das anzupassen und Faktoren außerhalb des Kontextes zu berücksichtigen, wenn man das tut, was wir tun.

Kieran Chandler: Würden Sie sagen, dass wir aus datentechnischer Sicht zu sehr von großen Unternehmen wie Amazon, Google und Microsoft abhängig sind?

Joannes Vermorel: Ich würde wahrscheinlich ja sagen, aber auch die Tatsache, dass die Technologie sehr schnelllebig ist. Wenn man sich Kartendaten ansieht, gibt es weltweit nicht so viele Anbieter. Die Frage ist, ob Kartendaten ein Gemeingut sein sollten. Es gibt Leute, die das mit offenen Karten und so weiter versuchen. Die Realität ist, dass es schwierig ist für viele Unternehmen, mit einer Technologie, die sich sehr schnell bewegt, zu konkurrieren. Normalerweise, wenn Leute sagen “Der Gewinner bekommt alles”, vergessen sie in der Technologie oft, dass sich die Dinge häufig schnell ändern. Ja, es gibt derzeit nicht so viele Akteure auf dem Markt für Karten, aber ich sehe viele Veränderungen, bei denen Dinge, die als sehr schwer zugänglich galten, jetzt näher daran sind, wie Gemeingüter mit offenen Karten und so weiter zu sein. Es wird lange dauern, aber ich vermute, dass diese Dinge in den meisten Fällen zu Waren werden und das Problem sich vollständig auf etwas anderes verlagert hat. Also, das Fazit ist wahrscheinlich, dass es derzeit, solange es etwas Alpha-Wettbewerb gibt, meiner Meinung nach Wettbewerb gibt. Bei Karten gibt es wahrscheinlich vier oder fünf Anbieter, und das qualifiziert sich, aber ja, es ist immer noch ein ziemlich konzentrierter Markt.

Kieran Chandler: Und wenn wir heute nicht alles abschließen, sind Sie sehr in Forschung und Entwicklung involviert. Was begeistert Sie aus Sicht der Forschung und Entwicklung in den nächsten Jahren am meisten?

Cédric Hervet: Nun, zunächst einmal das, was wir bei Kardinal tun.

Kieran Chandler: Also, Joannes, welche aktuellen Fortschritte in der Optimierung begeistern Sie am meisten?

Joannes Vermorel: Wir sind Doktoranden, die daran arbeiten, die Online-Version der Optimierung zu lösen und den Anwendungsbereich des Operations Research als mathematisches Fach zu erweitern, um Probleme auf angemessene Weise zu behandeln. Wir haben auch andere Dinge in der KI-Gemeinschaft als Ganzes gesehen. Verstärkendes Lernen ist ein anderer Ansatz als das, was wir mit Operations Research machen. Es lehrt Algorithmen, die beste Entscheidung zu kennen, ohne ihnen explizit zu sagen, welche mögliche Entscheidung richtig ist, was philosophisch sehr unterschiedlich ist von dem, was wir bei Kardinal tun. Wir geben dem Algorithmus den globalen Umfang möglicher Lösungen für ein Problem und welche Lösung besser ist als eine andere, damit wir uns darauf konzentrieren können, die Lösung innerhalb eines geschlossenen Rahmens möglicher Lösungen zu finden. Verstärkendes Lernen bietet eine andere Möglichkeit, dies zu tun, und ist wahrscheinlich sehr gut geeignet für Echtzeit-Entscheidungsfindung.

Cédric Hervet: Die Einschränkung dieses Ansatzes heute besteht darin, dass er die Vielfalt der Einschränkungen, mit denen wir es in unseren Techniken zu tun haben, nicht bewältigen kann. Aber wer weiß, wir wurden von dem überrascht, was verstärkendes Lernen in Pingo oder sogar Videospielen tun konnte. Jetzt können sie sehr starke Spieler schlagen. Das ist etwas, dem wir folgen, und es ist wirklich aussichtsreich. Aber wir haben gesehen, dass Google angekündigt hat, dass es eine Quantenüberlegenheit gibt, was bedeutet, dass Quantencomputer Probleme in kurzer Zeit lösen können, die für normale Computer nicht verfügbar sind. Sie mussten alle Lösungen aufzählen, und wir wissen, dass es quantenbasierte Algorithmen gibt, die geeignet sind, das Problem des Handlungsreisenden zu lösen, zum Beispiel, das eines unserer Kernprobleme ist. Sie können es in Sekunden lösen, während es für einzelne Computer Tausende von Jahren dauert, nur um aufzuzählen. Das ist etwas, dem wir folgen müssen. Natürlich ist das sehr langfristig, und mit unseren Algorithmen, die in ihrer Konzeption intelligent sind, können wir bereits mit der Geschwindigkeit von Quantenrätselalgorithmen mithalten. Aber Quantencomputing ermöglicht eine Art Demokratisierung, indem es all diese Probleme, die von Natur aus schwer sind, leicht lösbar macht, was für uns sehr interessant ist. Wenn unsere Probleme morgen leicht lösbar werden, müssen wir an vorderster Front stehen, um diese Technologie zu beherrschen und unseren Kunden zu helfen, sich viel besser als heute zu entwickeln.

Kieran Chandler: Großartig. Nun, vielen Dank für Ihre Zeit heute. Es ist wirklich interessant. Vielen Dank. Also, etwas für diese Woche. Vielen Dank fürs Zuschauen, und wir sehen uns nächstes Mal. Bis bald.