Ottimizzazione dei percorsi in tempo reale (con Cédric Hervet)

00:00:07 Introduzione e background di Cédric Hervet presso Kardinal.
00:02:07 L’approccio di Kardinal all’ottimizzazione dei percorsi in tempo reale con input umano.
00:03:41 L’impatto dell’ottimizzazione dei percorsi in tempo reale sulla supply chain e la gestione dell’inventario.
00:05:32 Sviluppo di algoritmi per l’ottimizzazione dei percorsi e importanza dei dati.
00:06:22 Evoluzione dell’ottimizzazione dei percorsi e l’importanza dei dati accurati.
00:08:00 Principali aziende e attori nell’ottimizzazione dei percorsi.
00:09:58 Come le innovazioni di Google hanno ispirato altre aziende.
00:10:51 Principali fonti di dati per l’ottimizzazione dei percorsi di Kardinal.
00:12:55 Sfide tecniche delle soluzioni online in tempo reale.
00:15:38 Gli utenti acquisiscono il controllo sui dati e il suo impatto sull’ottimizzazione.
00:18:00 Le sfide nel bilanciare il controllo dei dati e l’expertise umana.
00:19:30 L’impatto di grandi aziende come Amazon, Google e Microsoft sulla dipendenza dai dati.
00:21:00 La concentrazione del mercato dei dati cartografici.
00:22:17 Ricerche ed sviluppi entusiasmanti nell’IA e le loro potenziali applicazioni.

Sommario

In questa intervista, Kieran Chandler parla con Joannes Vermorel e Cédric Hervet, fondatori rispettivamente di Lokad e Kardinal. Discutono delle sfide dell’ottimizzazione dei percorsi in tempo reale e dell’importanza dell’input umano in combinazione con tecnologie avanzate. Hervet condivide anche il suo entusiasmo per gli sviluppi nell’IA, inclusi il reinforcement learning e le potenziali implicazioni del quantum computing. La conversazione affronta l’idea dei dati cartografici come bene comune e la dipendenza dalle grandi aziende tecnologiche per i dati, nonché la necessità di rimanere all’avanguardia delle tecnologie emergenti.

Sommario Esteso

Kieran Chandler conduce una discussione con Joannes Vermorel, fondatore di Lokad, una supply chain optimization società di software, e con Cédric Hervet, cofondatore e responsabile R&D di Kardinal, una società di software per l’ottimizzazione dei percorsi. Discutono dei recenti progressi nei dati crowd-sourced, nel quantum computing, nell’ottimizzazione dei percorsi in tempo reale e del ruolo degli esseri umani in questi processi.

Cédric Hervet spiega che Kardinal è specializzata nell’ottimizzazione dei percorsi in tempo reale con un focus sulla consapevolezza del contesto. La pianificazione tradizionale dei percorsi viene solitamente eseguita manualmente, il che risulta subottimale. Tuttavia, gli esseri umani hanno la capacità di gestire le emergenze e prendere decisioni basate su una visione globale delle priorità. I software di ottimizzazione dei percorsi attualmente sul mercato forniscono soluzioni statiche, che diventano problematiche quando si verificano eventi imprevisti, come la congestione del traffico o la riprogrammazione.

L’approccio di Kardinal consiste nell’ottimizzare continuamente i percorsi, consentendo una maggiore capacità di gestire i problemi man mano che si presentano. Inoltre, sottolineano l’importanza di non escludere l’uomo dal processo, poiché questi possiede una conoscenza e una visione strategica che non possono essere trovate o modellate in database.

Joannes Vermorel concorda sul fatto che sfruttare l’intelligenza umana in combinazione con la potenza di calcolo moderna è essenziale per l’ottimizzazione della supply chain. La strategia di Lokad consiste nel valorizzare le persone intelligenti, ben consapevoli dei problemi che intendono affrontare.

La conversazione si sposta sulle differenze di scala temporale tra gli approcci di Kardinal e Lokad. Kardinal si concentra sull’ottimizzazione dei percorsi in tempo reale, con decisioni riesaminate ogni minuto circa. Non è esattamente come nel caso di decisioni a livello di microsecondi, dato che non stai pilotando robot in tempo reale nel picking in un warehouse. Al contrario, le decisioni di Lokad riguardano il giorno successivo o addirittura fino a un anno in avanti.

La conversazione si sposta poi allo sviluppo dell’ottimizzazione dei percorsi nel corso degli anni. Hervet distingue tra il problema di trovare il percorso migliore da un punto all’altro, per il quale è concepito Google Maps, e la questione più complessa di determinare l’ordine ottimale per visitare più tappe. Quest’ultimo problema richiede algoritmi sofisticati e dati sul traffico accurati per fornire percorsi fattibili ed efficienti. Kardinal si concentra nel trasformare la matematica teorica in soluzioni pratiche, garantendo che i percorsi ottimizzati siano realistici e gestibili per i conducenti.

Vermorel evidenzia Google come un’azienda che ha guidato importanti innovazioni nelle soluzioni online, in particolare nei motori di ricerca, fornendo informazioni più aggiornate rispetto ai concorrenti dell’epoca. Pur non utilizzando direttamente gli algoritmi di Google, questo approccio funge da ispirazione per aziende come Lokad e Kardinal, che lavorano su soluzioni online scalabili per problemi complessi.

Discutendo delle limitazioni e delle non linearità nell’ottimizzazione dei percorsi, Vermorel osserva che fattori come le normative sul lavoro e i vincoli specifici dei conducenti aggiungono complessità al problema. Hervet aggiunge che ci sono due fonti principali di dati per Kardinal. La prima proviene dai clienti, che forniscono informazioni sugli ordini, vincoli, disponibilità dei conducenti, capacità dei veicoli e altri dettagli rilevanti. La seconda fonte proviene da partner tecnologici come HERE Technologies, che forniscono dati sulle distanze, modelli di traffico e aggiornamenti in tempo reale necessari per l’ottimizzazione dei percorsi.

Discutono delle sfide dell’elaborazione dei dati in tempo reale, dell’importanza dell’input umano e della dipendenza dalle grandi aziende tecnologiche per i dati.

Vermorel spiega che lavorare con dati in tempo reale presenta molteplici sfide. Da un lato, la velocità della luce è finita, il che significa che, anche se i dati possono essere trasmessi rapidamente, possono comunque impiegare secondi per essere elaborati quando sono coinvolti molteplici data center e migliaia di viaggi di andata e ritorno. Inoltre, ci sono molti fattori che possono rallentare i sistemi informatici, come aggiornamenti software o altri processi in background. Garantire che i sistemi in tempo reale operino in modo efficiente su scala globale richiede una notevole competenza.

Un’altra sfida è la dipendenza dai partner, che può influire sulla disponibilità e l’affidabilità dei servizi di enterprise software. Più ci sono dipendenze, maggiori sono i potenziali problemi e i tempi di inattività. Ciò significa che il tempo di attività del servizio sarà buono solo quanto le sue dipendenze, risultando spesso in una disponibilità e affidabilità inferiori.

Hervet sottolinea l’importanza di mantenere l’input umano nei sistemi di ottimizzazione dei percorsi. Racconta una storia su come i percorsi generati inizialmente dall’algoritmo fossero matematicamente ottimali, ma i conducenti riuscivano a individuare problemi che l’algoritmo non riusciva a percepire. Ad esempio, un conducente potrebbe sapere che il parcheggio sarebbe stato impossibile in un determinato momento a causa dei genitori che vanno a prendere i figli a scuola. Hervet enfatizza la necessità di un equilibrio tra i percorsi generati dall’algoritmo e l’esperienza umana per prendere le decisioni migliori possibili.

Crede inoltre che avere il controllo sui dati sia fondamentale. Gli utenti devono essere in grado di comprendere e interagire con i dati per prendere decisioni informate. Kardinal mira ad integrare il decision-making umano con approfondimenti computazionali, permettendo una combinazione di esperienza umana e ottimizzazione basata sui dati.

Discutendo della questione della dipendenza da grandi aziende come Amazon, Google e Microsoft per i dati, Hervet concorda sul fatto che potrebbe esserci una dipendenza eccessiva da parte loro. Tuttavia, riconosce anche che la tecnologia si evolve rapidamente e non esistono molti fornitori di dati cartografici a livello mondiale.

La conversazione inizia con una domanda sul fatto se i dati cartografici debbano essere un bene comune. Vermorel riconosce l’importanza delle mappe aperte e suggerisce che i progressi tecnologici potrebbero avvicinare la cartografia al concetto di bene comune. Tuttavia, sottolinea anche che l’industria cartografica è fortemente concentrata, con pochi attori chiave. Pur essendoci concorrenza, essa rimane limitata.

Hervet poi discute del suo entusiasmo per gli sviluppi nella ricerca operativa e intelligenza artificiale. Presso Kardinal, hanno dottorandi che lavorano sulla risoluzione di problemi di ottimizzazione online, ampliando l’ambito della matematica. Considerano inoltre altri progressi nell’IA, come il reinforcement learning, che insegna agli algoritmi a prendere decisioni senza definire esplicitamente la scelta migliore. Hervet osserva che questo approccio è filosoficamente diverso dai metodi attuali di Kardinal, che prevedono la definizione di uno spazio soluzione e la classificazione delle soluzioni all’interno di quello spazio.

Pur avendo mostrato potenzialità in varie applicazioni, il reinforcement learning ha dei limiti quando si tratta dell’ampia gamma di vincoli che devono affrontare in Kardinal. Tuttavia, continuano a monitorarne i progressi, poiché potrebbe diventare più adatto per il processo decisionale in tempo reale in futuro.

La conversazione poi si sposta sulle potenziali implicazioni del quantum computing. Hervet menziona la recente affermazione di Google di aver raggiunto la quantum supremacy, il che significa che i computer quantistici possono risolvere problemi in tempi significativamente più brevi rispetto ai computer classici. Gli algoritmi quantistici potrebbero essere utilizzati per risolvere problemi complessi come il problema del commesso viaggiatore, che è centrale nel lavoro di Kardinal.

Sebbene il quantum computing sia ancora una prospettiva a lungo termine, Hervet riconosce il suo potenziale nel democratizzare la risoluzione dei problemi rendendo più semplici i problemi difficili da risolvere. Se ciò dovesse accadere, aziende come Kardinal dovrebbero rimanere all’avanguardia della tecnologia per aiutare i loro clienti a ottenere prestazioni migliori.

Trascrizione Completa

Kieran Chandler: Questa settimana su Lokad TV, siamo lieti di avere con noi Cédric Hervet, che discuterà con noi di come l’aumento del quantum computing e la capacità di ottimizzare i percorsi in tempo reale abbiano portato le aziende di consegna a cambiare il loro modo di operare. Quindi, Cédric, grazie mille per essere qui con noi oggi.

Cédric Hervet: Grazie per avermi accolto. Kardinal è un’azienda specializzata nell’ottimizzazione dei percorsi in tempo reale con un elevato grado di consapevolezza del contesto. Solitamente, i percorsi vengono ottimizzati manualmente dagli umani, che pianificano gli orari per i loro autisti o tecnici. Questo è chiaramente subottimale, ma d’altra parte, gli esseri umani hanno una grande capacità di gestire le emergenze, gli imprevisti e i problemi. Possono immaginare l’ampiezza delle loro priorità e prendere decisioni. Tuttavia, gli algoritmi non sono completamente attrezzati per questo, specialmente gli algoritmi di ottimizzazione. Esistono programmi software sul mercato che forniscono l’ottimizzazione dei percorsi, ma lo fanno in maniera molto statica. Prendono i dati, li mescolano in qualche modo e forniscono una soluzione ottimizzata per gli orari. Ma questo è problematico perché il primo evento che si presenta rovinerà la qualità dei percorsi. Una volta che i camion sono in strada, ci sono problemi come la congestione del traffico, clienti in ritardo o assenti, e la riprogrammazione degli appuntamenti. Tutti questi eventi possono danneggiare le prestazioni. In Kardinal, crediamo che il modo giusto per ottimizzare i percorsi sia di non smettere mai di ottimizzarli. In questo modo, si ha una maggiore capacità di gestire i problemi man mano che si presentano. Un altro aspetto chiave del nostro operato è che ci concentriamo fortemente sul non escludere l’essere umano dal processo, perché conoscono il loro lavoro e sanno cose che non possono essere trovate o modellate in nessun database. È importante non escluderli dal processo perché possiedono una visione strategica della loro attività complessiva.

Kieran Chandler: Questa idea di utilizzare il cervello umano e sfruttarne al massimo le potenzialità, in particolare in quegli scenari di emergenza, è davvero interessante. Penso che sia qualcosa su cui saresti probabilmente d’accordo anche tu, Joannes, sfruttando al meglio il cervello umano come complemento all’ottimizzazione?

Joannes Vermorel: Assolutamente, l’idea di sfruttare al massimo persone intelligenti, ben consapevoli dei problemi che cercano di risolvere nella supply chain, e utilizzare il meglio che la potenza di calcolo moderna ha da offrire è, a un livello molto elevato, anche la strategia di Lokad.

Kieran Chandler: Ottimo. Oggi parliamo un po’ dell’ottimizzazione dei percorsi in tempo reale. Perché questo tema è di interesse per voi dal punto di vista della supply chain?

Joannes Vermorel: Ovviamente, quando si parla di ottimizzazione della supply chain, non si pensa esattamente alla stessa scala temporale. Se confronto ciò che fanno Kardinal e Lokad, entrambe aziende fornitrici di software enterprise: Kardinal si occupa di ottimizzazione dei percorsi, con decisioni che possono essere riesaminate ogni minuto circa. Non è esattamente come nel caso di decisioni a livello di microsecondi, dato che non stai pilotando robot in tempo reale nel picking in un warehouse. Deve essere rapido, ma non al livello dei microsecondi. Al contrario, Lokad si concentra su decisioni per il giorno successivo o fino a un anno avanti, quindi quella è la fascia temporale. Il fatto che Lokad possa ottimizzare supply chains tipicamente comporta decisioni per periodi di tempo più lunghi.

Kieran Chandler: Stiamo parlando di riequilibrio dell’inventario tra sedi, come negozi o magazzini. Questo dipende fortemente dall’agilità di strumenti come l’ottimizzazione dei percorsi, fornita da aziende come Kardinal. Più agilità hai con i tuoi percorsi, più è facile riequilibrare lo stock tra i negozi, riducendo i costi di ottimizzazione. Come si è sviluppata l’ottimizzazione dei percorsi negli ultimi anni, soprattutto dato il crescente affidamento su smartphone e sistemi GPS?

Cédric Hervet: L’ottimizzazione dei percorsi si articola in due problemi principali. Il primo consiste nel passare da un punto all’altro trovando la strada giusta, per il quale sono progettati strumenti come Google Maps. Il secondo, problema più complesso, riguarda la presenza di n tappe da visitare e la determinazione dell’ordine in cui visitarli, tenendo conto di fattori come il traffico. Il nostro focus è su questo secondo problema. Per risolverlo in modo efficiente, sono necessari algoritmi più intelligenti rispetto alla semplice enumerazione di tutte le possibili combinazioni, ed è qui che entra in gioco la matematica.

La capacità di modellare questo problema e sviluppare algoritmi esiste dagli anni ‘60. Tuttavia, l’implementazione effettiva di questi algoritmi dipende fortemente dalla disponibilità di dati accurati, come i dati sul traffico. Se i dati forniti all’algoritmo sono errati o imprecisi, produrrà percorsi non fattibili. Da Kardinal, il nostro obiettivo è fornire percorsi che siano fattibili e pratici per i conducenti.

Kieran Chandler: Parlando della disponibilità dei dati, chi sono gli attori chiave che hanno guidato la crescita e l’expertise nell’ottimizzazione dei percorsi?

Joannes Vermorel: C’è stato uno sviluppo intenso nelle soluzioni online per vari problemi. Storicamente, una delle aziende che ha avuto un impatto significativo in questo settore è stata Google. Prima di Google, motori di ricerca come Yahoo e AltaVista aggiornavano i loro indici una volta per trimestre, con il risultato di fornire risultati di ricerca obsoleti. Google è stata innovativa in molti modi, tra cui la sua capacità di fornire risultati di ricerca più aggiornati.

Kieran Chandler: Allora, Joannes, puoi parlarci della transizione che hai fatto passando da un’azienda di search engine optimization a una supply chain optimization company?

Joannes Vermorel: Inizialmente siamo partiti con soluzioni online per fornire i migliori risultati per le query. Tuttavia, la realtà è che nuove pagine vengono costantemente aggiunte all’indice, e inizialmente facevamo solo un aggiornamento settimanale. Ma era già 20 volte più veloce della maggior parte della nostra concorrenza. Quindi, c’è stata una transizione verso un problema in cui volevamo avere risultati sempre aggiornati in condizioni mutevoli. Low Cad e Kardinal non usano algoritmi di Google specificamente progettati per i motori di ricerca, ma sono stati per noi fonte d’ispirazione, per vedere cosa si può fare su larga scala con la prova che in realtà può funzionare.

Cédric Hervet: E molti altri attori hanno iniziato a fare cose simili su differenti tipi di problemi. Penso che ci sia stata una nuova ondata di persone che hanno pensato a come avere la versione online di un problema che sia molto più intelligente e anche molto diversa da quello che Kardinal sta facendo attualmente rispetto a ciò che facevano negli anni ‘50. Tutti quei vincoli e le non linearità rendono l’ottimizzazione difficile da rappresentare. Hai vincoli non lineari, come il fatto che forse il tuo conducente non può guidare per più di X ore perché esiste una normativa sul lavoro che lo prevede.

Kieran Chandler: Cédric, puoi parlarci dei dati che sono effettivamente di interesse per Kardinal e da dove li ottieni?

Cédric Hervet: Certo. Ci sono due principali fonti di dati. La prima, ovviamente, proviene dai nostri clienti, che ci forniscono gli ordini che dobbiamo ottimizzare. Ci danno la descrizione più accurata della loro attività, come i vincoli legali sulle ore di lavoro dei conducenti, la disponibilità dei conducenti, dove partono, dove ricevono il servizio, che tipo di veicolo guidano, quale capacità è necessaria e se possono trasportare merci pericolose o eseguire interventi tecnici specifici che richiedono particolari competenze. Tutti questi dati definiscono vincoli sulla loro attività, e noi dobbiamo comprenderli. La seconda fonte sono i dati provenienti dal cliente, che descrivono gli ordini stessi, come pacchi da consegnare o interventi, ad esempio, per riparare attrezzature informatiche. Ci affidiamo a partner tecnologici come HERE Technology, che è il nostro partner per ottenere i dati sulla distanza di cui abbiamo bisogno per comprendere quanto tempo ci vuole per passare da una fermata all’altra e come varia il traffico nel tempo. Abbiamo anche bisogno di aggiornamenti sul traffico in tempo reale per adattarci secondo necessità. HERE ci fornisce questi dati, e utilizziamo i nostri algoritmi per fornire soluzioni aggiornate.

Kieran Chandler: Cédric, hai menzionato la crescente diffusione delle soluzioni online. Dal punto di vista tecnico, quali sfide introduce questo in termini di capacità di lavorare in tempo reale?

Cédric Hervet: Il tempo reale introduce molte complicazioni. In primo luogo, non esiste il tempo reale in senso stretto, perché la velocità della luce è finita. Anche se è incredibilmente veloce, ci vuole comunque tempo. Il problema sorge quando hai sistemi informatici distribuiti e devi effettuare continui scambi di dati tra più data center. Se fai migliaia di richieste di andata e ritorno, ci vogliono secondi per ottenere i risultati.

Kieran Chandler: Raggiungere sistemi in tempo reale può essere davvero impegnativo quando si opera a livello globale. Quali sono alcune delle difficoltà che incontri?

Joannes Vermorel: Beh, ci sono molte cose che possono impedirti di avere un buon sistema in tempo reale. Ad esempio, i nostri computer possono sembrare super veloci in media, ma ci sono momenti in cui si bloccano a causa di aggiornamenti o altri motivi. Quindi, la realtà è che i computer possono essere piuttosto lenti nel peggiore dei casi. Inoltre, la velocità del tuo sistema sarà tipicamente quella del componente più lento che hai. Ciò significa che se hai molte macchine, quella più lenta può essere molto lenta. Il tempo reale è in sé un insieme di sfide molto complesse. Un’altra complicazione è che introdurre dipendenze dai partner significa che devi rendere il tuo servizio molto disponibile e affidabile, anche se i tuoi partner non lo sono. Più dipendenze hai, maggiori sono i potenziali problemi di inattività. Il tuo servizio è solo buono quanto sono buone le tue dipendenze, il che significa che ogni volta che scendi lungo la catena, ottieni qualcosa con minore disponibilità, minore uptime e minori performance in generale. Quindi, il tempo reale è davvero una sfida.

Cédric Hervet: Sì, sono d’accordo. E ora stiamo entrando in un’era in cui possiamo effettivamente avere il controllo di quei dati. Per esempio, con Waze, ora puoi segnalare se c’è un autovelox da parte della polizia da qualche parte. Pensi che questo abbia un impatto positivo? Il fatto che ora possiamo controllare questi dati è ovviamente molto importante per avere quella capacità, soprattutto nel contesto che ho descritto prima. Da Kardinal, prestiamo molta attenzione a mantenere gli esseri umani a bordo del sistema, perché una volta che perdono il controllo, e tutto diventa troppo automatizzato, non possono veramente verificare che l’algoritmo stia facendo qualcosa. Perdono così tanta comprensione di ciò che sta accadendo da non poter offrire davvero la loro esperienza. E hanno sempre un’esperienza. Ho questa breve storia: quando abbiamo iniziato a fare ciò che facciamo, cercavamo di mettere in discussione i percorsi dei conducenti e proponevamo i nostri itinerari ottimizzati. Avevano sempre un esempio di qualcosa che l’algoritmo non riusciva a vedere. Un esempio divertente è che avevamo questo percorso ottimizzato molto bello, che era ovviamente il modo perfetto per visitare tutte quelle fermate. Ma quando il conducente lo ha visto, non si concentrava sull’aspetto generale del percorso, che era in un certo senso migliore di quello che avrebbe fatto comunque. Si concentrava davvero su alcune fermate specifiche. Ci ha detto: “Ok, quindi mi stai dicendo che consegnerò questa persona qui alle 16:45, e qui c’è una scuola, e so che ogni genitore parcheggerà in quella strada, e non potrò parcheggiare io per fare quella consegna.” Questo è ovviamente matematicamente ottimale, ma so che questa consegna a quell’ora specifica significa che sono solo 15 minuti, ma è impossibile consegnare qualcuno in 15 minuti. E questo è davvero qualcosa. Per chi lavora con i dati, il costo di sapere ciò in anticipo per evitare quello spazio, sistemare con 50 minuti di anticipo anticipando quel fatto, è per noi molto costoso. È inutile, perché abbiamo qualcuno sul camion che lo sa. L’interazione chiave che stiamo cercando di implementare con loro è: va bene, tu conosci cose che noi non sapremo mai, e non cercheremo mai veramente di sapere, perché costa troppo per noi, quindi dacci semplicemente quell’input. Ok, puoi mettere in discussione gli algoritmi anche quando sei in strada. E ciò che stiamo cercando di fare è che possono accadere molti eventi. Possono essere problemi da…

Kieran Chandler: Potresti spiegare ai nostri ascoltatori come combini l’input degli utenti e i dati per prendere decisioni informate?

Joannes Vermorel: I clienti non sono l’unica fonte di dati. L’input degli utenti è anch’esso un evento per noi, e se pensi che qualcosa sia davvero migliore, puoi scegliere di fare diversamente. Quello che suggeriamo è solo una raccomandazione, e tu puoi prendere una decisione informata. Sarai davvero il padrone del tuo dominio perché probabilmente conosci cose che noi non sappiamo. Per rispondere davvero alla tua domanda, è essenziale avere il controllo sui dati, perché i dati, in sé, sono privi di senso se non hai qualcosa che ti dica cosa significano effettivamente. Ma una volta che puoi fornire una visione di ciò che i dati significano e quali decisioni stai proponendo, gli esseri umani non vengono sostituiti, ma vengono potenziati. Possono prendere decisioni migliori perché hanno informazioni sull’impatto dei nostri calcoli, e con le altre cose che considerano, possono prendere la decisione migliore possibile. Questo è ciò che stiamo cercando di ottenere - la giusta combinazione tra i due.

Cédric Hervet: Un altro esempio di ciò sono gli incendi boschivi negli Stati Uniti. Quando le persone inserivano i loro percorsi per cercare di sfuggire a questi incendi, ovviamente le strade dove c’erano incendi venivano mostrate come libere, e in realtà le indirizzavano a prendere quella direzione. Avere un modo per aggiustare ciò e tenere conto di fattori fuori contesto è essenziale quando si fa quello che facciamo.

Kieran Chandler: Diresti, da un punto di vista dei dati, che siamo troppo dipendenti da alcune delle grandi aziende come Amazon, Google e Microsoft?

Joannes Vermorel: Direi probabilmente di sì, ma anche il fatto che la tecnologia si muove davvero molto velocemente. Se guardi i dati delle mappe, non ci sono così tanti fornitori nel mondo. La domanda è se i dati delle mappe debbano essere un bene comune. Ci sono alcune persone che stanno cercando di fare questo con le mappe aperte e simili. La realtà è che, quando hai una tecnologia che si muove super velocemente, è difficile per molte aziende competere. Di solito, quando si dice “il vincitore prende tutto”, quello che si dimentica della tecnologia è che spesso le cose ruotano rapidamente. Quindi sì, al momento ci sono forse solo quattro o cinque attori nel mercato delle mappe, e questo vale, anche se in realtà è ancora un mercato relativamente concentrato.

Kieran Chandler: E se non stiamo quasi concludendo per oggi, sei molto coinvolto nella ricerca e sviluppo. Quali sono le cose reali, da un punto di vista della ricerca e sviluppo, che ti entusiasmano per i prossimi anni?

Cédric Hervet: Beh, innanzitutto, c’è quello che stiamo facendo da Kardinal.

Kieran Chandler: Allora, Joannes, quali recenti progressi nell’ottimizzazione ti entusiasmano di più?

Joannes Vermorel: Siamo dottorandi che lavorano per risolvere la versione online dell’ottimizzazione, ampliando l’ambito della ricerca operativa come campo matematico per gestire i problemi nel modo appropriato. Abbiamo anche visto accadere altre cose nella comunità dell’IA nel suo complesso. Il reinforcement learning è un approccio diverso da quello che stiamo facendo con la ricerca operativa. Insegna agli algoritmi a conoscere la decisione migliore senza dir loro esplicitamente quale decisione possibile sia corretta, il che è filosoficamente molto diverso da quello che facciamo da Kardinal. Diciamo all’algoritmo l’ambito globale delle soluzioni possibili a un problema e quale soluzione è migliore di un’altra, così possiamo concentrarci nel trovare la soluzione all’interno di un ventaglio chiuso di possibili soluzioni. Il reinforcement learning offre un altro modo di fare e probabilmente è molto adatto per prendere decisioni in tempo reale.

Cédric Hervet: La limitazione di questo approccio oggi è che non riesce a gestire la varietà di vincoli che incontriamo con le nostre tecniche. Ma chissà, siamo stati molto sorpresi da ciò che il reinforcement learning è riuscito a fare in Pingo o addirittura nei videogiochi. Ora, infatti, può battere giocatori molto forti. Questa è una cosa che stiamo seguendo, ed è davvero prospettica. Ma abbiamo visto Google annunciare di aver raggiunto la supremazia quantistica, il che significa che i computer quantistici risolvono problemi in tempi brevi che non sono disponibili per i computer ordinari. Hanno dovuto enumerare tutte le soluzioni, e sappiamo che esistono algoritmi quantistici adatti a risolvere il problema del commesso viaggiatore, per esempio, che è uno dei nostri problemi principali. Lo risolvono in pochi secondi, mentre ci vorrebbero migliaia di anni per i computer singoli solo per enumerare. Questa è una cosa che dobbiamo seguire. Ovviamente, questo è molto a lungo termine, e con i nostri algoritmi, essendo intelligenti nella loro concezione, possiamo già eguagliare la velocità degli algoritmi quantistici di enigmi. Ma il calcolo quantistico offre una sorta di democratizzazione nel rendere tutti questi problemi, che sono difficili per natura, facili da risolvere, il che è qualcosa di molto interessante per noi. Se i nostri problemi diventeranno facili da risolvere domani, dovremo essere in prima linea nella gestione di questa tecnologia per aiutare i nostri clienti a ottenere prestazioni molto migliori rispetto ad oggi.

Kieran Chandler: Brillante. Beh, grazie comunque per il tuo tempo oggi. È davvero interessante. Grazie mille. Quindi, qualcosa per questa settimana. Grazie mille per averci seguito, e ci rivedremo la prossima volta. Ciao per ora.