00:00:07 Possibili casi d’uso della programmazione differenziabile nelle supply chain.
00:00:31 Applicazione della programmazione differenziabile ai negozi al dettaglio e alle prospettive dei clienti.
00:02:56 Proprietà rivoluzionarie della programmazione differenziabile nella modellazione del comportamento dei clienti.
00:06:05 Impatto della programmazione differenziabile sulle operazioni di magazzino e sulla previsione della domanda futura.
00:07:11 Smussamento delle curve di spedizione del magazzino con la programmazione differenziabile.
00:09:38 L’importanza di servire i clienti in tempo e il suo impatto sulla supply chain.
00:10:40 Il ruolo della programmazione differenziabile nella modellazione di reti complesse di supply chain.
00:13:01 Controllo di qualità e imperfezioni nei sistemi di produzione.
00:14:17 Applicazione della programmazione differenziabile per modellare le incertezze nell’industria farmaceutica.
00:16:00 Programmazione differenziabile e i suoi vantaggi nelle situazioni di dati sparsi.
00:17:41 Scadenza del brevetto come esempio di applicazione della programmazione differenziabile nell’industria farmaceutica.
00:19:57 Affrontare la complessità e affrontare i principali driver aziendali attraverso la programmazione differenziabile.
00:21:59 Bilanciare la semplicità e la complessità nei modelli basati sui requisiti aziendali.
00:22:42 Programmazione differenziabile come evoluzione dell’approccio programmatico di Lokad, vantaggi e opportunità per i clienti.
Riassunto
In questo episodio di intervista, l’host Kieran Chandler e Joannes Vermorel, fondatore di Lokad, esplorano le applicazioni e l’impatto della programmazione differenziabile nella gestione della supply chain. I modelli tradizionali di serie temporali faticano a modellare la cannibalizzazione e la sostituzione, mentre la programmazione differenziabile offre un approccio centrato sul cliente, considerando i desideri e le esigenze dei clienti per decisioni più informate. Questo approccio può portare a previsioni di domanda più accurate, gestione delle scorte e ottimizzazione dei magazzini. La programmazione differenziabile affronta sfide complesse multi-echelon e tiene conto delle imperfezioni di produzione, rendendola adatta a diverse industrie. Vermorel sottolinea che la programmazione differenziabile consente alle aziende di incorporare conoscenze di dominio nei modelli di machine learning, ottenendo soluzioni più accurate, efficienti e personalizzate per problemi specifici.
Riassunto Esteso
In questo episodio della serie di interviste sulla programmazione differenziabile, l’host Kieran Chandler e Joannes Vermorel, fondatore di Lokad, discutono dei possibili casi d’uso e delle conseguenze dell’applicazione di questa tecnologia alle supply chain, in particolare ai negozi al dettaglio. La programmazione differenziabile ha il potenziale per migliorare la gestione della supply chain affrontando vari problemi che gli approcci tradizionali basati sulle serie temporali non riescono ad affrontare in modo efficace.
Uno dei principali problemi nella gestione della supply chain è la sfida della modellazione della cannibalizzazione e della sostituzione, che sono particolarmente significative in settori come il lusso, la moda veloce e la grande distribuzione alimentare. I modelli tradizionali di serie temporali faticano a tener conto di questi fattori, spesso ricorrendo a soluzioni provvisorie che sono insoddisfacenti e lontane dall’ottimale.
La programmazione differenziabile offre un approccio innovativo a questi problemi concentrandosi sulla prospettiva del cliente, anziché solo sul prodotto. Consente ai responsabili della supply chain di considerare fattori come i desideri e le esigenze dei clienti, nonché la probabilità che scelgano o meno gli articoli dall’assortimento attuale e la disponibilità di stock. Questo approccio centrato sul cliente fornisce una comprensione più accurata e sfumata dell’ambiente al dettaglio, portando a decisioni più informate.
L’aspetto rivoluzionario della programmazione differenziabile risiede nella sua capacità di modellare le affinità dei clienti verso prodotti specifici nel catalogo. Questo processo procedurale consente ai responsabili della supply chain di considerare vari fattori, come ad esempio come la novità spinge gli acquisti dei clienti e come i clienti abituali sono improbabili a comprare lo stesso prodotto nuovamente. Queste informazioni possono portare a previsioni di domanda e gestione delle scorte più accurate.
Ad esempio, in un negozio di libri, un cliente che acquista un libro è molto improbabile che acquisti lo stesso titolo di nuovo alla sua prossima visita. I modelli tradizionali di serie temporali faticano a tener conto di questo comportamento, mentre la programmazione differenziabile può modellare direttamente queste decisioni di acquisto individuali. Ciò porta a una comprensione più accurata della domanda dei clienti e del ciclo di vita dei prodotti.
La programmazione differenziabile consente ai responsabili della supply chain di modellare il comportamento dei clienti che visitano regolarmente il negozio, come ad esempio quelli spinti dalla novità. Questo approccio può aiutare a prevedere quanto popolari saranno i nuovi prodotti e quando la domanda per essi diminuirà. A differenza dei modelli di serie temporali, che si basano su modi indiretti di modellare questi pattern, la programmazione differenziabile offre una soluzione più diretta e accurata.
Vermorel spiega che la programmazione differenziabile consente una modellazione più accurata del comportamento dei clienti al punto vendita. I modelli statistici tradizionali avevano difficoltà a incorporare anche informazioni di base sul comportamento dei clienti, rendendo difficile per loro imparare da zero. La programmazione differenziabile, d’altra parte, offre un modo più diretto per capire cosa sta accadendo nel negozio e può essere facilmente integrata nei modelli di apprendimento automatico.
Per quanto riguarda la gestione dei magazzini, la programmazione differenziabile può aiutare a ottimizzare e regolare il flusso dei prodotti. I magazzini spesso affrontano problemi di capacità di input/output, e sarebbe ideale se fossero possibili piccoli aggiustamenti agli orari di spedizione per evitare spedizioni in collisione e ridurre la necessità di personale temporaneo. Le tecniche di ottimizzazione tradizionali hanno faticato con questo problema perché coinvolgeva sia aspetti di apprendimento che di ottimizzazione. La programmazione differenziabile, tuttavia, può gestire il vasto numero di variabili coinvolte in questo processo, rendendo possibile ottimizzare la spedizione di milioni di SKU e affrontare sottili effetti di interazione.
A livello di produzione, la programmazione differenziabile può contribuire a affrontare sfide complesse a più livelli. Gli approcci tradizionali tendevano a concentrarsi su nodi specifici all’interno della supply chain e miravano a livelli di servizio elevati per determinati prodotti. Tuttavia, Vermorel sostiene che ciò che conta veramente è se i prodotti finiti sono disponibili per i clienti, rendendo gran parte dei passaggi intermedi nella supply chain irrilevanti. La programmazione differenziabile consente una modellazione più accurata della complessa rete di parti e assemblaggi all’interno della supply chain, il che alla fine aiuta a servire meglio e in tempo i clienti.
Inoltre, la programmazione differenziabile può contribuire a considerare le imperfezioni nel sistema di produzione, come ad esempio problemi di controllo qualità. In settori come quello farmaceutico, dove sono coinvolti organismi viventi nella produzione di farmaci avanzati, i lotti di produzione potrebbero essere persi a causa di processi biologici. La programmazione differenziabile può tener conto di queste perdite e contribuire a ottimizzare l’intero processo produttivo.
Vermorel spiega che l’industria farmaceutica affronta livelli elevati di incertezza a causa della natura dei suoi processi. Ad esempio, se si verifica un problema in un lotto di colture, è probabile che l’intero lotto venga perso, il che è diverso dall’industria automobilistica in cui solo una piccola frazione di parti potrebbe non superare il controllo qualità. I modelli tradizionali di apprendimento automatico potrebbero avere difficoltà con questo livello di incertezza, poiché potrebbero non disporre di dati storici rilevanti sufficienti per prevedere con precisione gli esiti.
La programmazione differenziabile offre un’alternativa consentendo alle aziende di incorporare direttamente le loro conoscenze di settore nel modello di apprendimento automatico. Vermorel sottolinea che la programmazione differenziabile non consiste nel fornire grandi quantità di dati a un sistema di intelligenza artificiale, ma nel sfruttare al massimo dati scarsi e preziosi. Ad esempio, nell’industria farmaceutica, l’impatto della scadenza del brevetto sul prezzo dei farmaci è un fenomeno ben noto. La programmazione differenziabile consente l’incorporazione di questa conoscenza nel modello, migliorandone l’accuratezza ed efficienza.
La versatilità della programmazione differenziabile la rende adatta a diverse industrie, ognuna con sfide uniche. Vermorel usa l’esempio del mercato dei ricambi automobilistici, dove la compatibilità tra parti di veicoli e modelli di veicoli specifici è cruciale. Ignorare questo aspetto in un modello semplicistico potrebbe portare a risultati subottimali, mentre la programmazione differenziabile può aiutare a cogliere questi importanti fattori aziendali.
Nonostante la complessità della programmazione differenziabile, Vermorel sostiene che le aziende non dovrebbero esitare ad abbracciarla. Mentre modelli più semplici potrebbero funzionare, spesso lo fanno a scapito dell’accuratezza e di una comprensione approfondita del business. La programmazione differenziabile consente un approccio più personalizzato che può affrontare problemi e situazioni specifiche.
La programmazione differenziabile rappresenta un’evoluzione dell’approccio programmatico di Lokad all’ottimizzazione della supply chain. Consente alle aziende di incorporare le loro conoscenze di settore nei loro modelli di apprendimento automatico, portando a un’esecuzione più snella e a una migliore performance in termini di accuratezza. La programmazione differenziabile offre alle aziende l’opportunità di rivedere i problemi esistenti e sviluppare soluzioni scalabili che affrontino meglio le loro sfide uniche.
Trascrizione completa
Kieran Chandler: Oggi concluderemo la nostra breve serie analizzando un po’ più da vicino alcuni dei suoi possibili casi d’uso e le conseguenze di vasta portata che ciò può comportare quando viene applicato a una supply chain. Allora, Joannes, quali sono alcuni dei problemi che possiamo migliorare nel nostro approccio utilizzando la programmazione differenziabile? E iniziamo magari con i negozi al dettaglio, il punto di contatto con i clienti.
Joannes Vermorel: Al momento, praticamente tutto ciò che viene fatto nella supply chain adotta la prospettiva delle serie temporali, in cui si ha un prodotto e si osservano le vendite unitarie, la domanda di acquisto o il servizio a seconda del tipo di negozio che si gestisce. Ovviamente, un negozio nel settore aerospaziale non è la stessa cosa di un negozio di moda veloce, ma l’idea è che l’angolazione sia un po’ l’angolazione delle serie temporali per prodotto. Il problema di questa prospettiva, ad esempio, è che cose come la cannibalizzazione e la sostituzione, che sono molto forti per il lusso, la moda veloce o persino il settore della grande distribuzione alimentare, sono estremamente difficili da modellare. In molti casi, praticamente non esistono affatto. La programmazione differenziabile ti offre un’angolazione per affrontare direttamente il problema dal punto di vista del cliente, dicendo: “Beh, ho una popolazione di clienti che entrano nel mio negozio e hanno desideri e bisogni, e sceglieranno o meno cose che sono loro esposte, considerando l’assortimento attuale e la disponibilità di stock attuale nel negozio.” Questo è molto interessante perché, attraverso qualcosa come la programmazione differenziabile, possiamo operare a un livello che non è il livello di una serie temporale in cima ai riferimenti dei prodotti elencati nel negozio. Possiamo adottare il punto di vista del cliente, ed è davvero un cambiamento di gioco. La nostra esperienza con la prospettiva delle serie temporali è che, di solito, il meglio che puoi fare è semplicemente applicare del nastro adesivo ai tuoi modelli numerici in modo che non siano troppo rotti di fronte alla cannibalizzazione e alla sostituzione, ma non è molto soddisfacente. Al massimo è del nastro adesivo.
Kieran Chandler: Quindi facciamo un breve riassunto di ciò di cui abbiamo discusso negli episodi precedenti. Qual è quella proprietà che hai menzionato che cambia il gioco e rende tutto ciò possibile?
Joannes Vermorel: Con un approccio di programmazione differenziabile, è possibile modellare letteralmente il fatto che un cliente ha una specifica affinità per qualsiasi prodotto nel tuo catalogo, e puoi scrivere un processo procedurale per questo. Ad esempio, diciamo che ho dei clienti che tornano nel mio negozio, e forse questi clienti sono attratti dalla novità. Come posso modellare qualcosa di semplice come il fatto che, una volta che le persone sono entrate nel mio negozio per comprare un libro, per definizione, non compreranno lo stesso libro quando torneranno? Compreranno solo un altro titolo, non lo stesso. Da una prospettiva classica di serie temporali, è quasi impossibile considerare qualcosa di così basilare, ovvero che un cliente che torna nel tuo negozio una volta al mese non comprerà nuovamente lo stesso prodotto. Quindi, se vedi un aumento della domanda per un libro, è probabile che la domanda venga estinta dal fatto che se tutti i tuoi clienti abituali comprano questo nuovo libro popolare, allora per definizione, una volta che tornano, non lo compreranno di nuovo. Ovviamente, puoi modellare questo con una prospettiva di serie temporali utilizzando un effetto di ciclo di vita, in cui introduci un nuovo prodotto, ha un picco all’inizio del lancio, e poi la domanda diminuisce solo. Ma questa è un modo molto indiretto di modellare il problema. Un approccio molto più diretto è utilizzare una programmazione differenziabile.
Kieran Chandler: Il tuo software ti consente di modellare accuratamente ciò che sta accadendo nel negozio in un modo molto più diretto rispetto a quanto era possibile in precedenza. Puoi spiegare come questo cambia il modo in cui vengono utilizzati i modelli statistici nell’ottimizzazione della supply chain?
Joannes Vermorel: Con la programmazione differenziabile, diventa più facile inserire informazioni di base sul comportamento del cliente nei modelli statistici. Ciò significa che i modelli non devono imparare tutto da zero senza alcuna conoscenza del business, cosa che prima era difficile.
Kieran Chandler: In che modo la programmazione differenziabile aiuta nell’aspetto del magazzino della supply chain? Riguarda principalmente la previsione della domanda futura?
Joannes Vermorel: La programmazione differenziabile può anche aiutare con le sfide a livello di magazzino, come ad esempio regolare il flusso delle spedizioni. I magazzini spesso affrontano problemi di capacità di input-output, e una soluzione è organizzare intelligentemente le spedizioni per evitare collisioni e ridurre la pressione sulle piattaforme logistiche. Apportando piccoli aggiustamenti al programma di spedizione, le operazioni possono essere più fluide, più facili e meno costose da gestire, riducendo la necessità di personale temporaneo e la complessità operativa ad essa associata.
Kieran Chandler: È stato difficile raggiungere questo livello di ottimizzazione con le tecniche esistenti?
Joannes Vermorel: Con le tecniche esistenti, era difficile combinare apprendimento e ottimizzazione. Quando hai migliaia di prodotti e centinaia di clienti, ti ritrovi con milioni di variabili da ottimizzare, e i metodi di ottimizzazione tradizionali non possono gestire questa complessità. La programmazione differenziabile consente una migliore ottimizzazione in queste situazioni, anche con molte interazioni sottili, come la necessità di spedire più prodotti a un negozio se è più vicino a esaurire il stock.
Kieran Chandler: Hai un ciclo di feedback tra ciò che decidi, ciò che prevedi e con una prospettiva più tradizionale, potevamo fare questo tipo di ottimizzazione, ma era molto più tedioso perché dovevamo fare un’analisi per fasi. Fondamentalmente, era molto difficile considerare tutti quei cicli di feedback che esistono nel sistema. Ok, e se facciamo un passo indietro finale in quella supply chain e guardiamo le cose ora da un livello di produzione, come ci aiuta la programmazione differenziabile con queste sfide multi-echelon?
Joannes Vermorel: Il punto è ancora più acuto quando si passa al campo dell’ottimizzazione multi-echelon. La maggior parte di ciò che accade su ogni singolo nodo è, in un certo senso, insignificante nel senso che è un artefatto. Non ti interessa la disponibilità di stock in punti casuali nella tua complessa rete di parti e assemblaggi che diventano i prodotti finiti. L’unico punto del grafico che conta davvero è se stai servendo il tuo cliente in tempo, che è solo una domanda rilevante per i prodotti finiti.
E tutto il grafo di dipendenza che hai dietro? Il fatto che cosa sta accadendo ad ogni passaggio intermedio, questo complesso grafo di dipendenze in cui hai la tua distinta base che genera questo grafico, è fondamentalmente irrilevante. È un artefatto che conta solo dal punto di vista di se stai, alla fine del processo, servendo i tuoi clienti.
A proposito, tornando alle mie critiche a DDMRP un paio di settimane fa. Se puoi adottare uno schema di punteggio binario su questo grafico e dire che per certi nodi, vuoi raggiungere un alto livello di servizio, non importa avere un alto livello di servizio per un prodotto se ai tuoi clienti non importa perché non stanno acquistando quel prodotto. L’unica cosa che gli interessa è se i prodotti finiti che stai vendendo sono disponibili o no.
La programmazione differenziabile ti aiuta a modellare in modo molto più accurato ciò che sta accadendo in questa rete. Hai alcuni passaggi che possono avere tempi probabilistici o meno. Potresti avere passaggi in cui hai una certa frazione del flusso che non supera il controllo di qualità. Ovviamente, se hai una catena di approvvigionamento perfetta, avrai un controllo di qualità al 100%. Quindi, se devi fornire 100 articoli, avrai 100 prodotti finiti che fluiscono dopo il passaggio di lavorazione. Ma a volte, hai il controllo di qualità, e il tuo sistema di produzione è imperfetto, e potresti perdere alcune quantità.
Ad esempio, nel settore farmaceutico, quando hanno processi biologici molto avanzati, potresti perdere un lotto di produzione perché è una coltura di cellule per produrre farmaci più avanzati. Nonostante decenni di sforzi, quando lavori con organismi viventi che producono i composti chimici che vuoi estrarre e far parte del tuo farmaco, è molto difficile avere un processo completamente affidabile al 100%. Non è come la lavorazione nell’industria automobilistica.
Kieran Chandler: Quindi, è qui che entra in gioco l’idea di modellare quei risultati che non sono completamente deterministici?
Joannes Vermorel: Sì, ma anche il fatto che puoi avere informazioni molto specifiche sul tipo di problemi che puoi avere. Ad esempio, nell’industria farmaceutica, se hai un problema, è molto probabile che perderai l’intero lotto di colture che hai nella pianta. Non sarà come la lavorazione nell’industria automobilistica in cui una parte su diecimila non supera il controllo di qualità. Se sei nel settore farmaceutico e hai colture che generano determinati tipi di composti chimici, potresti perdere l’intero lotto se c’è un problema.
Kieran Chandler: Questo cambia completamente il tipo di incertezza, e puoi cercare di apprenderlo dai dati, ma è difficile perché potresti non avere 20 anni di dati rilevanti. Stai rendendo il problema più difficile di quanto dovrebbe essere perché vorresti essere in grado di esprimere questo tipo di intuizione, la realtà fisica della tua attività, direttamente nel modello. Quindi l’approccio probabilistico è molto buono, ma il mio punto è, che ne dici di avere un approccio come la programmazione differenziabile in cui puoi strutturare i problemi che stai cercando di apprendere in modo da indirizzare direttamente i tuoi algoritmi di apprendimento automatico verso il tipo di incertezza molto specifica che ti aspetti di trovare perché conosci molte cose sulla tua rete? E può essere rivoluzionario perché improvvisamente hai bisogno di molti meno dati per essere super efficiente.
Joannes Vermorel: Assolutamente. La vera virtù risiede in questa idea di programmazione. Vuoi, non è un’intelligenza artificiale a cui potresti solo lanciare dati e dire impara; è un po’ l’opposto di questo. Sta dicendo che i dati sono sparsi e voglio essere molto preciso, ma devo sfruttare al massimo i dati che ho. Questo non è come Google che cerca di analizzare un miliardo di pagine web; non abbiamo dati infiniti. I dati sono sparsi; ci sono dati erratici ed è molto prezioso perché non abbiamo così tanti punti dati. Quindi abbiamo davvero bisogno di sfruttarli al massimo. Ad esempio, se vogliamo tornare alla farmaceutica e fare previsioni strategiche molto interessanti, c’è tutta la questione della scadenza del brevetto.
La scadenza del brevetto sta guidando le grandi aziende farmaceutiche. Hai un prodotto, un farmaco brevettato, e poi quando il brevetto scade, c’è il rischio che i concorrenti entrino nel tuo mercato a un prezzo più basso e competano con te, costringendoti a abbassare anche tu i prezzi, il che può ridurre significativamente il tuo margine. Questa cosa della scadenza del brevetto è completamente ovvia per chiunque sia familiare con il settore farmaceutico, e ha guidato l’innovazione e l’attività delle grandi aziende farmaceutiche per decenni. Se ti aspetti che un algoritmo di apprendimento automatico riscopra da solo questo meccanismo di scadenza del brevetto, è un po’ folle. Al contrario, la programmazione differenziabile è come uno strumento per gli scienziati della supply chain per dire, beh, so che ho questa cosa della scadenza del brevetto. Quello che non so esattamente è quale è la probabilità che i concorrenti entrino nell’arena e competano con noi con il prezzo. E quello che non so esattamente è come questa cosa si svilupperà per noi se improvvisamente dobbiamo avere le quantità che vendiamo solo perché altri concorrenti entrano e manteniamo tutti gli stessi costi fissi.
Se mantengo la stessa capacità produttiva, allora ho molti costi che sono completamente fissi e non dipendono dalla quantità che produco, e quindi, se ho concorrenti che entrano nel mercato, l’effetto sui miei margini può essere completamente non lineare. Quindi hai ragione; si tratta completamente di essere in grado di modellare le chiavi di lettura che sono specifiche da un settore all’altro settore programmandole nel modello di apprendimento automatico.
Kieran Chandler: E il problema che molte persone potrebbero avere con la programmazione differenziabile è che è piuttosto complessa in alcune parti. A volte stiamo usando un martello per rompere una noce, e ci sono tecniche più semplicistiche che potremmo comunque utilizzare?
Joannes Vermorel: Puoi sempre utilizzare tecniche più semplicistiche, ma penso che la domanda chiave che i clienti dovrebbero porsi sia: se gestisci una supply chain complessa, puoi davvero decidere di ignorare la complessità del settore in cui operi? Ad esempio, se vendi parti per automobili su una piattaforma di e-commerce e stai servendo i proprietari di auto…
Kieran Chandler: Puoi davvero ignorare i problemi che hai, come le compatibilità meccaniche tra veicoli e parti? Il fatto è che le persone che vengono a comprare pezzi di auto sul tuo sito web, i veri clienti non sono quelle persone, sono le loro auto. Quindi il veicolo è il cliente finale di quei pezzi, e hai al centro della domanda un problema di compatibilità meccanica. Se hai molte parti che sono perfetti sostituti perché sono tutte meccanicamente compatibili con qualche veicolo, è un aspetto super importante del tuo business. Quello che sto dicendo è che questo è un esempio in cui devi abbracciare questo perché è davvero il cuore del tuo business. Un approccio semplicistico che ignora semplicemente la sfida della compatibilità tra parti e veicoli, che è completamente cruciale quando si pensa al mercato dell’aftermarket automobilistico, può funzionare ma a scapito di essere incredibilmente rudimentale dal punto di vista aziendale.
Joannes Vermorel: Sto dicendo che in termini di martello, non dovresti usare tecnologie sofisticate solo per il gusto di farlo. Quello che sto dicendo è che se stai usando qualcosa che ignora semplicemente il principale driver del tuo business, allora qualsiasi modello che hai è incredibilmente semplicistico, e non aspettarti che una soluzione numerica sofisticata o qualsiasi altra cosa risolva effettivamente il problema aziendale che hai se la tua ricetta numerica inizia ignorando completamente questo aspetto aziendale. Il mio punto è che dovresti essere il più semplice possibile, ma non più semplice di quanto richiesto effettivamente dal tuo business.
Kieran Chandler: Se iniziamo a concludere oggi, in precedenza da Lokad, avevamo un approccio molto programmato. Qual è il grande cambiamento che la programmazione differenziabile ci sta dando, e come possono le aziende adattarsi per trarne vantaggio?
Joannes Vermorel: La programmazione differenziabile è in effetti più o meno la stessa di questo approccio programmato che è stato il motore di Lokad per molto tempo. Ora è qualcosa in cui questo approccio programmato entra nel cuore della nostra tecnologia di machine learning. Non era solo il cuore della nostra piattaforma di Big Data con meccanismi per elaborare grandi quantità di dati, ma anche semplici filtri, aggregazioni e tipici pre-processing, pulizia dei dati, e così via. Questo era già completamente programmato, ma il nucleo del machine learning era leggermente rigido. Con il deep learning, eravamo già molto più flessibili rispetto alla generazione precedente, ma è una nuova fase. Per i nostri clienti, credo che sia l’opportunità di rivedere molti problemi e situazioni in cui, in passato, avevamo fatto molto “nastro adesivo”. Quando non hai qualcosa di flessibile, cerchi di risolvere il problema con trucchi intelligenti, ma non sono naturalmente scalabili come vorremmo. Potrebbero essere un po’ grezzi e approssimare l’analisi aziendale in modi subottimali. Qui, è un’opportunità per rivedere tutto ciò e fare praticamente la stessa cosa, ma in modo più snello in termini di esecuzione e più performante in termini di accuratezza quando si contano gli errori in euro o dollari, dal punto di vista aziendale.
Kieran Chandler: Ottimo, grazie per il tuo tempo oggi. Questo è tutto per la nostra mini-serie sulla programmazione differenziabile. Torneremo la prossima settimana con un nuovo episodio su un nuovo argomento, ma fino ad allora, grazie per averci seguito. Arrivederci.
