00:00:09 Programmazione differenziabile e il suo impatto sulle supply chain.
00:01:00 Inefficienze nelle supply chain e problemi irrisolti in vari settori industriali.
00:02:06 Sfide nell’industria della moda e domanda sensibile al prezzo.
00:04:20 Difficoltà nel combinare i metodi esistenti per l’ottimizzazione congiunta.
00:05:51 Programmazione differenziabile come erede del deep learning per l’ottimizzazione congiunta.
00:08:00 Apprendimento e ottimizzazione nella gestione della supply chain.
00:09:24 Programmazione differenziabile e problemi irrisolti in vari settori industriali.
00:10:27 Previsione della domanda e utilizzo dei dati dei clienti.
00:13:24 Problemi complessi e conseguenze di secondo ordine nelle promozioni.
00:15:52 Adattarsi alle esigenze e alle aspettative dei clienti.
00:17:03 Il ruolo del deep learning e dei progressi hardware nella risoluzione di problemi complessi.
00:19:20 Ritorni decrescenti nel progresso dell’IA e la necessità di espressività.
00:21:12 Programmazione differenziabile che consente la rimozione dei silos nella gestione della supply chain.
00:23:23 Considerazioni finali.
Riassunto
In questa intervista, l’ospite Kieran Chandler e Joannes Vermorel, fondatore di Lokad, discutono il potenziale della programmazione differenziabile per l’ottimizzazione della supply chain. Vermorel spiega che i metodi tradizionali per prendere decisioni di stoccaggio, acquisto e pricing spesso sono disconnessi, risultando in inefficienze. La programmazione differenziabile può ottimizzare queste decisioni considerando contemporaneamente molti fattori. Questo approccio, ancora relativamente nuovo, può affrontare problemi irrisolti in vari settori industriali, come la previsione della domanda nel settore del retail e l’ottimizzazione in condizioni di incertezza. I progressi tecnologici hanno permesso la creazione di modelli più complessi, che consentono di affrontare problemi su larga scala. La programmazione differenziabile ha il potenziale per rivoluzionare l’ottimizzazione della supply chain, abbattendo i silos organizzativi e migliorando l’efficienza complessiva.
Riassunto Esteso
In questa intervista, Kieran Chandler, l’ospite, discute la programmazione differenziabile e il suo impatto sull’ottimizzazione della supply chain con Joannes Vermorel, fondatore di Lokad, un’azienda specializzata nell’ottimizzazione della supply chain. Esplorano problemi irrisolvibili e come queste sfide sono state affrontate in vari settori industriali.
Vermorel spiega che un problema irrisolvibile non è necessariamente un problema che non avrà mai una soluzione, ma piuttosto un problema che non ha ancora una soluzione soddisfacente. Sottolinea che, sebbene le supply chain siano funzionali, spesso operano con inefficienze significative. Queste inefficienze potrebbero non essere evidenti fino a quando non vengono esaminate attentamente e potrebbero esserci variabili che possono essere regolate per migliorare la supply chain che tradizionalmente non vengono prese in considerazione dai responsabili della supply chain, come il pricing e l’assortimento.
Chandler chiede quali siano le sfide specifiche che sono state difficili da risolvere nell’industria della supply chain. Vermorel risponde che ogni settore ha il proprio insieme di problemi mal risolti, utilizzando come esempio l’industria della moda. La moda veloce, che è molto sensibile al prezzo, dimostra che la domanda è fortemente influenzata dal pricing. Tuttavia, la maggior parte delle soluzioni di pianificazione della domanda nel settore della moda tratta la domanda come se il pricing non esistesse, creando un’enorme lacuna.
Vermorel spiega che c’è un problema irrisolto di ottimizzazione congiunta di domanda, stoccaggio e pricing, poiché questi fattori vengono spesso trattati come entità separate. In risposta alla domanda di Chandler su se i metodi esistenti possano essere combinati per risolvere questo problema, Vermorel afferma che storicamente la maggior parte delle soluzioni sviluppate non si prestava a essere mescolata tra loro. L’approccio Sales and Operations Planning (S&OP) ha cercato di affrontare questo problema a livello umano facilitando la comunicazione tra diversi dipartimenti, ma ciò non si traduce bene nell’automazione del software.
Quando si tratta di automazione del software, Vermorel evidenzia le difficoltà che sorgono nel tentativo di integrare sistemi separati come la pianificazione delle esigenze di materiali basata sulla domanda (DDMRP), i sistemi di gestione del magazzino (WMS) e i componenti aggiuntivi per la gestione delle informazioni sui prodotti (PIM) per il pricing. Questi sistemi spesso prendono decisioni indipendenti, portando a un approccio frammentato e a inefficienze potenziali.
Vermorel spiega che i metodi tradizionali per prendere decisioni di stoccaggio, acquisto e pricing spesso sono sconnessi, il che può portare a risultati subottimali. Suggerisce che la programmazione differenziabile possa aiutare ad ottimizzare queste decisioni considerando contemporaneamente più fattori.
La programmazione differenziabile è concettualmente simile al deep learning, ma si concentra su una combinazione di apprendimento e ottimizzazione anziché solo sul riconoscimento di pattern. Vermorel sottolinea che il deep learning ha compiuto progressi significativi nel riconoscimento delle immagini, ma ha anche portato a importanti avanzamenti nell’ottimizzazione numerica. Questi progressi hanno permesso lo sviluppo di modelli più complessi con milioni di parametri, migliorando così il processo di ottimizzazione.
Nel contesto della gestione della supply chain, la programmazione differenziabile può essere applicata sia per apprendere la domanda futura che per prendere decisioni ottimizzate in condizioni di incertezza. Ad esempio, può aiutare a determinare quante unità acquistare da un fornitore o quando scontare un prodotto specifico. Vermorel fa notare che i clienti sono spesso influenzati dall’assortimento complessivo dei prodotti, il che significa che prendere decisioni ottimizzate per singoli prodotti potrebbe non essere sufficiente.
Sebbene la programmazione differenziabile sia un approccio relativamente nuovo, Vermorel ritiene che possa essere applicata a una vasta gamma di problemi irrisolti in vari settori. Fornisce l’esempio della previsione della domanda nel settore del commercio al dettaglio, dove i programmi fedeltà e i dati dei clienti possono offrire preziose informazioni sui modelli di acquisto. Attualmente, ci sono poche soluzioni sul mercato che utilizzano questi dati e la programmazione differenziabile può potenzialmente aiutare a sfruttare queste informazioni per una migliore presa di decisioni.
Un’altra sfida che la programmazione differenziabile può affrontare è l’ottimizzazione in condizioni di incertezza. I metodi di ottimizzazione tradizionali spesso faticano con condizioni stocastiche o casuali, il che ha portato all’adozione di approcci semplificati come MRP (Material Requirements Planning) e DDMRP (Demand Driven MRP). Vermorel sostiene che questi metodi spesso sono insufficienti e che la programmazione differenziabile può offrire un modo più efficace per affrontare tali problemi.
L’intervista con Joannes Vermorel evidenzia il potenziale della programmazione differenziabile nel affrontare varie sfide nell’ottimizzazione della supply chain. Combinando apprendimento e ottimizzazione, questo approccio può aiutare le aziende a prendere decisioni più informate che tengano conto di molteplici fattori e incertezze. Sebbene la programmazione differenziabile sia ancora un campo relativamente nuovo, Vermorel ritiene che abbia un grande potenziale per migliorare la gestione della supply chain e la previsione della domanda in diversi settori.
Discutono il ruolo della programmazione differenziabile nel affrontare le sfide della supply chain e il potenziale per risolvere problemi complessi, precedentemente irrisolvibili.
Vermorel spiega che la programmazione differenziabile è uno strumento potente per affrontare le complesse sfide della supply chain. I progressi nella tecnologia hanno permesso l’ottimizzazione di modelli con milioni di parametri, mentre in passato erano possibili solo alcuni centinaia. Questo salto di capacità ha reso possibile affrontare problemi su larga scala, il che è particolarmente rilevante per le aziende con numerosi prodotti e negozi.
Una delle principali sfide che la programmazione differenziabile aiuta ad affrontare è il “problema malvagio”. Questi problemi sorgono quando ci sono conseguenze di secondo ordine alle azioni, ad esempio quando le promozioni in un marchio di moda portano i clienti a fare acquisti solo durante i saldi. Attualmente, non esistono algoritmi in grado di affrontare questi problemi malvagi, ma Vermorel ritiene che l’IA di livello umano potrebbe alla fine essere in grado di affrontarli.
Il recente successo della programmazione differenziabile può essere attribuito a una combinazione di progressi hardware e software. I rapidi progressi nella potenza di elaborazione, uniti alle scoperte nell’efficienza algoritmica, hanno permesso l’ottimizzazione di modelli con centinaia di milioni di parametri. Vermorel ritiene che siamo arrivati a un punto di rendimenti decrescenti nella potenza di elaborazione e che la sfida principale ora risieda nel migliorare l’espressività e adattare problemi complessi a un framework ottimizzabile.
Per i professionisti della supply chain, la programmazione differenziabile offre la possibilità di abbattere i silos e ottimizzare problemi precedentemente isolati in modo congiunto. Ciò potrebbe portare a un enorme passo avanti in termini di efficienza, richiedendo alle aziende di ripensare le loro strutture organizzative. Man mano che le aziende iniziano ad adottare la programmazione differenziabile, possono seguire l’esempio di Amazon nel rompere questi silos e ottimizzare tra i diversi settori.
La programmazione differenziabile ha il potenziale per rivoluzionare l’ottimizzazione della supply chain affrontando problemi precedentemente irrisolvibili e abbattendo i silos organizzativi. Con i progressi nell’hardware e nel software, questo approccio offre ai professionisti della supply chain nuove opportunità per affrontare sfide complesse e migliorare l’efficienza complessiva.
Trascrizione completa
Kieran Chandler: Ehi, oggi su Lokad TV, affronteremo il nuovo argomento della programmazione differenziabile. Questo nuovo sviluppo entusiasmante è il discendente più recente del deep learning e ha sbloccato una serie di sfide che in passato si pensava fossero irrisolvibili. Oggi, impareremo un po’ di più su questo processo e capiremo come ciò abbia portato a progressi rapidi nel mondo delle supply chain. Quindi Joannes, oggi stiamo parlando di problemi irrisolvibili, cosa intendiamo con un problema irrisolvibile?
Joannes Vermorel: Quello che intendo è un problema che potrebbe non avere mai una soluzione, ma più che altro problemi che ancora non hanno una soluzione soddisfacente. È interessante perché nelle supply chain, tutti i problemi sono risolti, in un certo senso. Ovviamente, le fabbriche producono e le persone apprezzano le cose che possono comprare nei negozi, quindi la supply chain funziona effettivamente. Ma potrebbe funzionare con inefficienze significative e finché non hai davvero compreso la situazione, potresti non renderti conto di quanto sia inefficiente a vari livelli. Soprattutto quando inizi a pensare a variabili di regolazione che potresti utilizzare e che tradizionalmente non vengono utilizzate dai responsabili della supply chain in generale, come il prezzo, l’assortimento e tutte le modalità per piegare e modellare la domanda di mercato in modo da avvicinarla a ciò che offri.
Kieran Chandler: Ok, quindi quali sono le sfide con cui stiamo lottando da alcuni anni?
Joannes Vermorel: Dipende, ogni settore ha il proprio insieme di problemi difficili e mal risolti. Prendiamo ad esempio la moda. Nella moda veloce o accessibile, la domanda è molto sensibile al prezzo. Ecco perché le persone si affrettano ai saldi perché è il momento in cui si possono trovare prezzi molto aggressivi. Ovviamente, a causa della grande popolarità dei saldi, ci sono molte persone che ritengono che valga la pena aspettare ore e andare in negozi super affollati per beneficiare di quei prezzi. Quindi, le persone vogliono abiti e cose che piacciono loro, ma li vogliono davvero a un prezzo che possono permettersi. Tuttavia, praticamente tutte le soluzioni di pianificazione della domanda che conosco per la moda, tranne Lokad, trattano la domanda come se il prezzo non esistesse, come se fosse un prezzo di catalogo e basta. Mentre è chiaro che quando si lancia un prodotto sul mercato, c’è una strategia di prezzo che viene messa in atto. Se il prodotto non vende abbastanza, si attivano sconti e promozioni per liquidare le scorte e fare spazio alla prossima collezione. Quindi ovviamente, se hai qualcosa che, in termini di organizzazione dei processi e tecnologia software per supportare tutto ciò, tratta la domanda del cliente e il prezzo come cose completamente separate, c’è ovviamente un’enorme lacuna. Ed è chiaramente un problema irrisolto che riguarda l’ottimizzazione congiunta di domanda, stoccaggio e prezzo contemporaneamente.
Kieran Chandler: Quindi come vengono affrontati questi problemi con i metodi esistenti? Voglio dire, possiamo combinare i metodi esistenti per ottenere qualcosa di soddisfacente?
Joannes Vermorel: No, la maggior parte delle ricette inventate storicamente non si prestava ad essere mescolata tra loro. È un po’ quello che S&OP ha cercato di fare, ma a livello umano. Quindi facciamo parlare le persone tra loro. Con gli esseri umani può funzionare perché possono parlare e la loro semantica può allinearsi. Ma quando parliamo di automazioni software, in cui DDMRP prende decisioni, il WMS prende decisioni di stoccaggio e poi hai un add-on sul tuo PIM (gestione delle informazioni sul prodotto) che controlla il prezzo, tutti questi sistemi non si mescolano.
Kieran Chandler: Sai, non hanno nulla che li connetta nativamente e anche se lo fanno, non è affatto chiaro. Considerando il tipo di metodi utilizzati per generare la decisione, come la decisione di stoccaggio o di acquisto da un lato e la decisione di prezzo dall’altro, c’è qualcosa che potresti costruire nel mezzo per conciliare le decisioni e ottimizzarle congiuntamente?
Joannes Vermorel: Alla base, questi sistemi sono progettati con una mentalità di divide et impera, in cui ciò che non è nell’ambito viene completamente ignorato. Ecco come si possono avere ricette che sono anche molto più semplici. La programmazione differenziabile riguarda un’ottimizzazione duale che tiene conto di molti problemi diversi e li unisce in uno solo.
La programmazione differenziabile è concettualmente correlata all’apprendimento profondo, ma non è così focalizzata sull’accuratezza delle previsioni. È più una prospettiva diversa sulle cose. I progressi recenti nell’apprendimento profondo sono stati principalmente sul lato dell’apprendimento, con enormi progressi nel riconoscimento dei modelli nelle immagini e nell’identificazione di oggetti o persone. È molto interessante e i progressi sono stati significativi.
Tuttavia, c’era anche un altro lato in cui l’apprendimento profondo ha sbloccato molti ottimi risultati, ovvero l’ottimizzazione numerica. Il motivo per cui siamo riusciti a riconoscere modelli complessi nelle immagini con maggiore precisione è perché avevamo modelli molto più complessi, con molti più parametri, nell’ordine dei milioni. Per addestrare questi modelli e costruire un modello matematico efficiente sul tuo set di dati, hai bisogno di una ricetta di ottimizzazione numerica che funzioni su larga scala, perché stiamo parlando di milioni di parametri da ottimizzare.
L’apprendimento profondo e la tecnologia dell’IA sono arrivati con una serie di progressi nell’ottimizzazione su larga scala, che hanno reso possibili molti dei progressi sul lato dell’apprendimento. La programmazione differenziabile proviene da una prospettiva diversa. Ciò che interessa è sia l’aspetto dell’apprendimento che gli strumenti numerici per l’ottimizzazione su larga scala. A volte, ciò che si desidera è una combinazione di apprendimento e ottimizzazione.
Nella supply chain, non si desidera tanto apprendere quale sarà la domanda futura, quanto prendere la decisione corretta ottimizzata in condizioni future incerte, come ad esempio quante unità acquistare se il fornitore offre un certo prezzo. Una volta acquisite le unità, quando dovresti decidere di scontare un prodotto specifico? Si tratta sia di apprendere la domanda futura che di ottimizzare le variabili in cui hai molta libertà.
Nel caso della moda, per un prodotto, un prezzo e una scorta, la realtà è che i clienti non vengono in un negozio per un solo prodotto. Hanno bisogni, desideri e aspirazioni e alla fine guardano l’assortimento. Se inizi a pensare alle decisioni per un prodotto alla volta, stai perdendo il punto. Ecco perché tutti quei marchi hanno bisogno di collezioni, perché devono avere un’ampia gamma di prodotti per avere senso per i clienti.
Kieran Chandler: Dove funziona molto bene questo approccio nel mondo reale? Quali sono le sfide classiche che riesce a risolvere molto bene?
Joannes Vermorel: Lo stack tecnologico è piuttosto nuovo e con la programmazione differenziabile, non direi che c’è una routine ben consolidata in cui funziona molto bene. Quello che sto dicendo è che ci sono così tante opportunità da esplorare in questo ambito.
Kieran Chandler: Ci sono molti problemi che si riscontrano in vari settori. In una discussione precedente, abbiamo parlato dei limiti del MRP e di come il DDMRP sia fondamentalmente un sistema MRP abbastanza difettoso. Ma qual è il problema irrisolto in questo settore?
Joannes Vermorel: Il problema irrisolto è l’ottimizzazione in condizioni di incertezza. Quando si esegue un’ottimizzazione come la risoluzione di un puzzle con un futuro statico e immobile e si applicano tutti i vincoli, queste cose sono state risolte dagli anni ‘80. Tuttavia, quando si introduce un alto grado di casualità, è un problema completamente diverso. Tutti gli ottimizzatori numerici che abbiamo crollano e per questo motivo le persone si affidano a ricette super semplici con punti di disaccoppiamento e articoli disaccoppiati. L’MRP è una conseguenza della mancanza di strumenti adeguati per affrontare effettivamente il problema.
Kieran Chandler: Puoi darci un altro esempio in cui le industrie non capiscono fondamentalmente il punto?
Joannes Vermorel: Certamente. Quando si pensa in termini di previsione della domanda, ogni singola unità venduta è collegata a un cliente. Oggi, grazie ai programmi fedeltà, quasi ogni catena di vendita al dettaglio e piattaforma di e-commerce può identificare i propri clienti e sapere esattamente chi ha acquistato cosa in quale momento, in quali condizioni e quali prodotti erano presenti. Sanno che la scelta di un cliente era limitata a ciò che era disponibile in quel momento. Ci sono molte informazioni qui, come l’assortimento al momento della decisione di acquisto e l’identità dei clienti che hanno una storia di acquisti. Tuttavia, vedo che sul mercato ci sono quasi nessuna soluzione che utilizza questi dati. È una chiara disconnessione e un enorme potenziale che non viene affatto sfruttato.
Kieran Chandler: Quali sono le vere sfide nelle supply chain che la programmazione differenziabile non riesce nemmeno a toccare?
Joannes Vermorel: Ci sono problemi complessi che probabilmente non saranno risolti prima dell’avvento di una forte intelligenza artificiale o di un’intelligenza di livello umano. Questi problemi complessi riguardano la riflessione sulle conseguenze di secondo ordine delle proprie azioni. Ad esempio, quando si fanno promozioni per un marchio di moda, si stanno facendo due cose: liquidando il proprio stock, che è positivo e può essere ottimizzato con la programmazione differenziabile; ma è anche necessario pensare alle conseguenze delle proprie azioni fin dall’inizio quando si effettua un ordine.
Kieran Chandler: Fornisci le prime unità al tuo fornitore, ok, bene. Ma poi, quali sono le conseguenze di secondo ordine? Il fatto che quando si fanno promozioni, quando si fanno vendite, si sta effettivamente addestrando la propria base di clienti a fare acquisti solo nel proprio negozio, nelle proprie catene o nel proprio e-commerce solo quando c’è una promozione. E potrebbe esserci un cambiamento che si è verificato per oltre un decennio, in cui si passa da persone che acquistano molto felicemente tutto il tempo a clienti che ora acquistano solo in occasione delle vendite.
Joannes Vermorel: È come una profezia che si autoavvera, ed è chiaramente così adesso. Ecco perché si chiama “problema complesso”. Puoi controllare la pagina di Wikipedia. Fondamentalmente, il componente è che non stiamo trattando con automi. I tuoi clienti non sono automatizzati; sono intelligenti e si adattano. Quindi fondamentalmente, devi pensare al fatto che quando fai qualcosa, le persone penseranno e si adatteranno a ciò che stai facendo. Ecco cosa intendo con queste conseguenze di secondo ordine.
Quando le persone sanno che stai per fare qualcosa, hanno delle aspettative e basano le loro azioni su ciò che pensano di te. È una ricorsione ed è qualcosa di molto umano che gli esseri umani sono in realtà abbastanza bravi a fare. Sono tutte queste conseguenze complesse.
Ad esempio, diciamo che sei un produttore di automobili. Migliori la supply chain per la distribuzione di parti di automobili e per la tua rete di officine. La tua officina diventa così brava che in realtà alieni i tuoi partner storici nel mercato. Quindi fai un’ottimizzazione da un lato e poi sconvolgi importanti partner che erano i tuoi partner storici. Dovresti rinunciare all’ottimizzazione della tua supply chain solo per mantenere felici i tuoi partner? Forse sì, forse no. Di nuovo, questo è un tipo di problema complesso che è completamente al di là delle capacità di qualsiasi algoritmo che conosco, anche le cose più avanzate di intelligenza artificiale che si leggono sulla stampa non si avvicinano minimamente a toccare questo tipo di problema complesso.
Kieran Chandler: Sembra che questi problemi complessi siano probabilmente un problema per la programmazione differenziabile di domani e Skynet, non Terminator. Quindi perché adesso è il momento di tornare a guardare alcuni di questi problemi insolubili? Cosa è cambiato nel mondo della tecnologia che ha reso possibile per la programmazione differenziabile fare questo progresso?
Joannes Vermorel: Quello che è cambiato è che siamo passati da una tecnologia in cui potevamo ottimizzare modelli con letteralmente qualche centinaio di parametri a modelli che possono avere cento milioni di parametri. Questo è ciò che si ottiene con le moderne tecniche di deep learning, soprattutto per scopi di ottimizzazione nei contesti di programmazione profonda e differenziabile. Questo è un cambiamento epocale perché la sfida con molti dei clienti di cui stiamo discutendo è che, a meno che non siano aziende davvero piccole, hanno problemi che sono di una certa scala. Anche se non sono Walmart, non appena hai circa 50 negozi, devi risolvere problemi su larga scala. Se hai 10.000 prodotti per negozio, stiamo parlando di mezzo milione di SKU, quindi sono come mezzo milione di variabili per le decisioni di prezzo e di stock ogni giorno.
Ciò che è cambiato è quando siamo passati dalla capacità di ottimizzare problemi con qualche centinaio di variabili a milioni. Improvvisamente, sono diventati visibili la risoluzione di tonnellate di problemi che erano semplicemente invisibili in precedenza. Interessante è che, con il deep learning, si è trattato di una combinazione di progressi hardware e progressi software. L’intelligenza artificiale sta ancora progredendo rapidamente, e le CPU migliori con più core e più potenza di elaborazione grezza stanno ancora progredendo relativamente velocemente. Ma oltre a questo, ciò che è ancora più veloce sono una serie di scoperte in cui avevi hardware che ti dava 10 unità di potenza di elaborazione tra due anni.
Kieran Chandler: Magari avrai 20 unità tra tre anni o forse sarà tra 3 anni, ok, è un bel progresso esponenziale di un periodo di, diciamo, tre anni o qualcosa del genere. Ma se ogni sei mesi hai scoperte software o matematiche che raddoppiano l’efficienza dell’algoritmo che hai, allora il tuo progresso è nettamente più rapido. Ed è esattamente quello che è successo con il deep learning. C’è stato un progresso costante dell’hardware, ma è stato completamente amplificato da una serie di scoperte che erano più sul lato algoritmico e matematico, dove letteralmente avevi il doppio della potenza di calcolo con lo stesso hardware. L’accelerazione è avvenuta nell’ultimo decennio, e il risultato è che siamo passati da modelli con qualche centinaio di variabili a centinaia di milioni in un decennio. Voglio dire, non esattamente, ma questo ti dà una sorta di quadro. Quindi, questo è ciò che è cambiato, direi che una grande parte è solo essere in grado di farlo su larga scala con agilità e a basso costo. Questa crescita continuerà o è qualcosa che sta crescendo tanto quanto deve?
Joannes Vermorel: A questo punto, penso che abbiamo raggiunto il punto di rendimenti decrescenti. La maggior parte dei problemi che affrontiamo ora non è dovuta a una carenza di potenza di calcolo; abbiamo una potenza di calcolo in eccesso. Non abbiamo problemi in cui diciamo, se la potenza di calcolo fosse dieci volte più economica, potremmo farlo. È molto raro, e quando abbiamo metodi in cui potremmo investire molto più potenza di calcolo per ottenere un piccolo miglioramento, è tipicamente estremamente marginale. Puoi ottenere un’accuratezza extra dello 0,2 percento investendo dieci volte più CPU, ma non vale la pena. È meglio ripensare l’intera cosa. Credo che la sfida principale ora risieda nel tipo di espressività, nel modo in cui si fanno entrare quei problemi in un framework. La programmazione differenziabile non è l’opposto; sta cercando di puntare alla massima espressività in modo che molte cose che finora erano problemi aperti, accadano semplicemente nel campo delle cose che puoi fare con la programmazione differenziabile.
Kieran Chandler: Iniziamo quindi a mettere insieme le cose, e per quanto riguarda la programmazione differenziabile, cosa significa per il professionista della supply chain? Quali sono i benefici che probabilmente vedranno da questo, e come cambierà il loro approccio attuale?
Joannes Vermorel: La programmazione differenziabile rappresenterà un enorme passo avanti nel superare i silos. Abbiamo realizzato un episodio, penso che sia stato 20 episodi fa, su tutti quei silos in cui avevamo silos verticali e orizzontali. La realtà è che dicevo che dovremmo semplicemente eliminare quei silos, ma la realtà è che forse le persone potrebbero obiettare a questo. Sì, ha senso perché ovviamente ci sono inefficienze inespresse che potrebbero essere semplicemente eliminate e ottimizzate se siamo in grado di farlo, ma la tecnologia non è ancora pronta. Quindi, per ora, siamo bloccati con i nostri silos solo a causa di una mancanza di alternative. Credo che la programmazione differenziabile apra concretamente la porta a pensare al prezzo congiunto più assortimento o all’elaborazione dell’assortimento o alla determinazione del prezzo dell’assortimento o all’acquisto più prezzo. Puoi vedere tutti i tipi di problemi che abbiamo risolto in isolamento, e ora puoi dire, oh, li risolveremo insieme. Ciò richiederà anche di reinventare come queste aziende sono organizzate perché quei vecchi silos non sopravviveranno a questo nuovo mondo quando le aziende inizieranno a seguire il modo di fare di Amazon, abbattendo quei silos e ottimizzando in modo trasversale quei domini.
Kieran Chandler: Fantastico, grazie per il tuo tempo oggi. Questo è tutto per questa settimana. Grazie mille per averci seguito,
