Ottimizzazione delle rotte 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 delle rotte in tempo reale con l’input umano.
00:03:41 L’impatto dell’ottimizzazione delle rotte in tempo reale sulla supply chain e sulla gestione dell’inventario.
00:05:32 Sviluppo di algoritmi di ottimizzazione delle rotte e importanza dei dati.
00:06:22 Evoluzione dell’ottimizzazione delle rotte e l’importanza di dati accurati.
00:08:00 Principali aziende e attori nell’ottimizzazione delle rotte.
00:09:58 Come le innovazioni di Google hanno ispirato altre aziende.
00:10:51 Principali fonti di dati per l’ottimizzazione delle rotte 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 loro impatto sull’ottimizzazione.
00:18:00 Sfide nel bilanciare il controllo dei dati e l’esperienza 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 Ricerca e sviluppi entusiasmanti nell’IA e le loro potenziali applicazioni.

Riassunto

In questa intervista, Kieran Chandler parla con Joannes Vermorel e Cédric Hervet, fondatori rispettivamente di Lokad e Kardinal. Discutono delle sfide dell’ottimizzazione delle rotte in tempo reale e dell’importanza dell’input umano in combinazione con la tecnologia avanzata. Hervet condivide anche la sua eccitazione per gli sviluppi nell’IA, inclusi l’apprendimento per rinforzo e le potenziali implicazioni della computazione quantistica. La conversazione tocca 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.

Riassunto Esteso

Kieran Chandler conduce una discussione con Joannes Vermorel, fondatore di Lokad, un’azienda di software per l’ottimizzazione della supply chain, e Cédric Hervet, co-fondatore e responsabile R&D di Kardinal, un’azienda di software per l’ottimizzazione delle rotte. Discutono degli ultimi progressi nei dati crowdsourced, della computazione quantistica, dell’ottimizzazione delle rotte in tempo reale e del ruolo degli esseri umani in questi processi.

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

L’approccio di Kardinal consiste nell’ottimizzare continuamente le rotte, consentendo una maggiore capacità di gestire i problemi man mano che si presentano. Sottolineano anche l’importanza di non rimuovere gli esseri umani dall’equazione, poiché possiedono conoscenze e una visione strategica che non possono essere trovate o modellate nei database.

Joannes Vermorel concorda sul fatto che utilizzare l’intelligenza umana in combinazione con la potenza di calcolo moderna sia essenziale per l’ottimizzazione della supply chain. La strategia di Lokad è quella di sfruttare al massimo persone intelligenti che sono molto consapevoli dei problemi che stanno cercando di affrontare.

La conversazione si sposta sulle differenze di scala temporale tra gli approcci di Kardinal e Lokad. Kardinal si concentra sull’ottimizzazione delle rotte in tempo reale, con decisioni che vengono rivalutate ogni minuto circa. Questo non è lo stesso delle decisioni a livello di microsecondi richieste per compiti come il pilotaggio di robot in un magazzino. D’altra parte, le decisioni di Lokad si concentrano sul giorno successivo o fino a un anno dopo.

La conversazione passa poi allo sviluppo dell’ottimizzazione delle rotte nel corso degli anni. Hervet differenzia tra i problemi di trovare la migliore rotta da un punto all’altro, per cui è progettato Google Maps, e il problema più complesso di determinare l’ordine ottimale per visitare diverse fermate. Quest’ultimo problema richiede algoritmi sofisticati e dati sul traffico accurati per fornire rotte fattibili ed efficienti. Kardinal si concentra sulla trasformazione della matematica teorica in soluzioni pratiche, garantendo che le rotte ottimizzate siano realistiche e gestibili per i conducenti.

Vermorel sottolinea Google come un’azienda che ha guidato significative 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, l’approccio serve da ispirazione per aziende come Lokad e Kardinal, mentre lavorano su soluzioni online scalabili per problemi complessi.

Discutendo dei vincoli e delle non linearità nell’ottimizzazione delle rotte, Vermorel fa notare che fattori come le normative sull’occupazione e i vincoli specifici dei conducenti aggiungono complessità al problema. Hervet aggiunge che ci sono due principali fonti 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 dai partner tecnologici come HERE Technologies, che fornisce dati sulla distanza, modelli di traffico e aggiornamenti in tempo reale necessari per l’ottimizzazione delle rotte.

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. Innanzitutto, 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 più data center e migliaia di viaggi di andata e ritorno. Inoltre, ci sono molti fattori che possono rallentare i sistemi informatici, come gli aggiornamenti del software o altri processi in background. Garantire che i sistemi in tempo reale funzionino efficientemente su scala globale richiede competenze significative.

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

Hervet sottolinea l’importanza di mantenere l’input umano nei sistemi di ottimizzazione delle rotte. Condivide una storia su come le rotte generate inizialmente dall’algoritmo fossero matematicamente ottimali, ma i conducenti fossero in grado di individuare problemi che l’algoritmo non poteva vedere. Ad esempio, un conducente potrebbe sapere che il parcheggio sarebbe impossibile durante un determinato periodo a causa dei genitori che prendono i loro figli a scuola. Hervet sottolinea la necessità di un equilibrio tra le rotte generate dall’algoritmo e l’esperienza umana per prendere le migliori decisioni possibili.

Crede anche che avere il controllo sui dati sia cruciale. Gli utenti devono essere in grado di comprendere e interagire con i dati per prendere decisioni informate. Kardinal mira ad aumentare la presa di decisioni umana con intuizioni computazionali, consentendo una combinazione di competenze umane e ottimizzazione basata sui dati.

Parlando del problema di fare affidamento su grandi aziende come Amazon, Google e Microsoft per i dati, Hervet concorda sul fatto che potrebbe esserci troppa dipendenza da loro. Tuttavia, riconosce anche che la tecnologia è in rapido movimento e non ci sono molti fornitori di dati cartografici a livello mondiale.

La conversazione inizia con una domanda su se i dati cartografici dovrebbero essere un bene comune. Vermorel riconosce l’importanza delle mappe aperte e suggerisce che gli sviluppi tecnologici potrebbero avvicinare la mappatura a diventare un bene comune. Tuttavia, sottolinea anche che l’industria della mappatura è altamente concentrata, con solo pochi attori chiave. Sebbene esista la concorrenza, rimane limitata.

Hervet parla quindi della sua eccitazione per gli sviluppi nella ricerca operativa e nell’intelligenza artificiale. Presso Kardinal, hanno studenti di dottorato che lavorano alla risoluzione di problemi di ottimizzazione online, ampliando il campo matematico. Considerano anche altri progressi nell’IA, come l’apprendimento per rinforzo, 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 di soluzione e la classificazione delle soluzioni all’interno di tale spazio.

Sebbene l’apprendimento per rinforzo abbia mostrato promesse in varie applicazioni, Hervet ammette che ha limitazioni nel trattare con la gamma di vincoli che affrontano presso Kardinal. Tuttavia, continuano a monitorarne i progressi, poiché potrebbe diventare più adatto per la presa di decisioni in tempo reale in futuro.

La conversazione si sposta quindi sulle possibili implicazioni della computazione quantistica. Hervet menziona la recente affermazione di Google di aver raggiunto la supremazia quantistica, il che significa che i computer quantistici possono risolvere problemi in tempi significativamente inferiori rispetto ai computer classici. Gli algoritmi quantistici potrebbero essere utilizzati per risolvere problemi complessi come il problema del commesso viaggiatore, che è centrale per il lavoro di Kardinal.

Sebbene la computazione quantistica sia ancora una prospettiva a lungo termine, Hervet riconosce il suo potenziale nel democratizzare la risoluzione dei problemi rendendo più facile risolvere problemi difficili. Se ciò accadesse, aziende come Kardinal dovrebbero rimanere all’avanguardia della tecnologia per aiutare i loro clienti a ottenere migliori risultati.

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 della computazione quantistica e la capacità di ottimizzare le rotte in tempo reale abbiano portato le aziende di consegna a cambiare il modo in cui operano effettivamente. Quindi, Cedric, grazie mille per essere qui oggi.

Cédric Hervet: Grazie per avermi accolto. Kardinal è un’azienda specializzata nell’ottimizzazione delle rotte in tempo reale con una grande consapevolezza del contesto. Di solito, le rotte vengono ottimizzate manualmente dagli esseri umani, quindi 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 emergenze, eventi imprevisti e problemi. Possono immaginare la portata globale delle loro priorità e prendere decisioni. Tuttavia, gli algoritmi non sono completamente attrezzati per questo, soprattutto gli algoritmi di ottimizzazione. Ci sono programmi software sul mercato che forniscono l’ottimizzazione delle rotte, ma lo fanno in modo molto statico. Ottengono i dati, li mescolano in qualche modo e forniscono una soluzione ottimizzata per gli orari. Ma questo è problematico perché il primo evento incontrato distruggerà la qualità delle rotte. Una volta che i camion sono in strada, ci sono problemi come la congestione del traffico, clienti in ritardo o assenti e la riorganizzazione degli appuntamenti. Tutti questi eventi possono danneggiare le prestazioni. Presso Kardinal, crediamo che il modo giusto per ottimizzare le rotte sia quello di non smettere mai di ottimizzarle. In questo modo, si ha una maggiore capacità di gestire i problemi man mano che si presentano. Un altro aspetto chiave di ciò che facciamo è che abbiamo un forte focus nel non rimuovere gli esseri umani dall’equazione perché conoscono il loro lavoro e sanno cose che non possono essere trovate o modellate in alcun database. È importante non rimuoverli dal processo perché hanno una visione strategica della loro attività complessiva.

Kieran Chandler: Quest’idea di utilizzare un cervello umano e sfruttarlo al massimo, soprattutto in quelle situazioni di emergenza, è davvero interessante. Penso che anche tu sia d’accordo, Joannes, nel fare il miglior uso del cervello umano in termini di ottimizzazione?

Joannes Vermorel: Assolutamente, l’idea di sfruttare al massimo persone intelligenti che sono molto consapevoli dei problemi che stanno cercando di affrontare con la loro catena di approvvigionamento e utilizzare il meglio di ciò che la moderna potenza di calcolo può offrire è, a un livello molto alto, anche la strategia di Lokad.

Kieran Chandler: Ottimo. Oggi stiamo parlando un po’ di ottimizzazione delle rotte in tempo reale. Perché è interessante da un punto di vista della catena di approvvigionamento?

Joannes Vermorel: Ovviamente, Lokad, quando pensiamo all’ottimizzazione della catena di approvvigionamento, non pensiamo esattamente alla stessa scala temporale. Se confronto ciò che Kardinal e Lokad, entrambi fornitori di software aziendali, stanno facendo: Kardinal sta facendo l’ottimizzazione delle rotte, quindi decisioni che possono essere riesaminate ogni minuto circa. Non è esattamente come i microsecondi, poiché non stai pilotando robot in tempo reale che fanno il picking in un magazzino. Deve essere rapido, ma non a livello di microsecondi. Al contrario, Lokad si concentra sulle decisioni per domani o fino a un anno dopo, quindi questo è l’intervallo di tempo. Il fatto che Lokad possa ottimizzare le catene di approvvigionamento di solito comporta prendere decisioni per periodi di tempo più lunghi.

Kieran Chandler: Stiamo discutendo del riequilibrio delle scorte tra sedi, come negozi o magazzini. Questo dipende molto dalla flessibilità degli strumenti come l’ottimizzazione delle rotte, fornita da aziende come Kardinal. Più flessibilità hai con le tue rotte, più facile è riequilibrare le scorte tra i negozi, riducendo così il costo dell’ottimizzazione. Come si è sviluppata l’ottimizzazione delle rotte negli ultimi anni, soprattutto data la nostra crescente dipendenza dagli smartphone e dai sistemi GPS?

Cédric Hervet: L’ottimizzazione delle rotte ha due problemi principali. Il primo è andare da un punto all’altro e trovare la strada giusta, che è ciò per cui sono stati creati strumenti come Google Maps. Il secondo problema, più difficile, è avere n fermate da visitare e determinare l’ordine in cui si visiteranno tutte queste fermate, 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 molto 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 parte di Kardinal, il nostro obiettivo è fornire percorsi fattibili e pratici da seguire per i conducenti.

Kieran Chandler: Parlando della disponibilità dei dati, chi sono i principali attori che hanno favorito la crescita e l’esperienza nell’ottimizzazione delle rotte?

Joannes Vermorel: Ci sono state intense sviluppo di soluzioni online per vari problemi. Storicamente, un’azienda che ha avuto un impatto significativo in questo settore è stata Google. Prima di Google, i motori di ricerca come Yahoo e AltaVista aggiornavano i loro indici una volta al trimestre, con risultati di ricerca obsoleti. Google è stato innovativo in molti modi, incluso nella sua capacità di fornire risultati di ricerca più aggiornati.

Kieran Chandler: Quindi, Joannes, puoi parlarci della transizione che hai fatto da un’azienda di ottimizzazione dei motori di ricerca a un’azienda di ottimizzazione della catena di approvvigionamento?

Joannes Vermorel: Inizialmente abbiamo iniziato 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 risultati sempre aggiornati in condizioni mutevoli. Low Cad e Kardinal non utilizzano algoritmi di Google specificamente progettati per i motori di ricerca, ma è stata una fonte di ispirazione per noi, per vedere cosa puoi fare su larga scala con la prova che può effettivamente funzionare.

Cédric Hervet: E molti altri attori hanno iniziato a fare cose simili su diversi tipi di problemi. Penso che ci sia stata una nuova ondata di persone che stavano pensando a come avere la versione online di un problema che è molto più intelligente e anche molto diverso da quello che Kardinal sta facendo ora rispetto a quello che le persone facevano negli anni ‘50. Tutti questi vincoli e non linearità rendono difficile rappresentare l’ottimizzazione. Hai vincoli non lineari, come il fatto che forse il tuo autista non può guidare più di X ore perché c’è una regolamentazione sull’occupazione che lo impedisce.

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

Cédric Hervet: Certamente. Ci sono due fonti principali di dati. La prima è ovviamente dai nostri clienti, che ci forniscono gli ordini che dobbiamo ottimizzare. Ci danno la descrizione più accurata della loro attività, come i vincoli legali per le ore di lavoro dei conducenti, la disponibilità dei conducenti, da dove iniziano, dove prendono il servizio, che tipo di veicolo stanno guidando, che tipo di capacità è necessaria e se possono trasportare merci pericolose o effettuare interventi tecnici specifici che richiedono un particolare set di competenze. Tutti questi dati definiscono i vincoli sulla loro attività e dobbiamo capirli. La seconda fonte sono i dati provenienti dal cliente, che descrivono gli ordini stessi, come i pacchetti da consegnare o gli interventi come la riparazione di 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 capire quanto tempo ci vuole per andare da una fermata all’altra e come il traffico cambia nel tempo. Abbiamo anche bisogno di ottenere 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 crescita crescente delle soluzioni online. Da un punto di vista tecnico, quali sfide comporta in termini di capacità di lavorare in tempo reale?

Cédric Hervet: Il tempo reale introduce molte complicazioni. In primo luogo, non esiste una cosa del genere come il tempo reale perché la velocità della luce è finita. Anche se è incredibilmente veloce, ci vuole comunque tempo. Il problema sorge quando si hanno sistemi informatici distribuiti e si deve andare avanti e indietro da più centri dati. Se si fanno migliaia di viaggi di andata e ritorno, ci vogliono secondi per ottenere i risultati.

Kieran Chandler: Riuscire a realizzare sistemi in tempo reale può essere piuttosto sfidante 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 altre ragioni. Quindi, la realtà è che i computer possono essere piuttosto lenti nel caso peggiore. Inoltre, la velocità del tuo sistema sarà tipicamente quella del più lento che hai. Ciò significa che se hai molte macchine, la più lenta può essere molto lenta. Il tempo reale è di per 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, più potenziali problemi ci sono per i tempi di inattività. Il tuo servizio è buono solo quanto le tue dipendenze, il che significa che ogni volta che scendi nella catena, ottieni qualcosa con una disponibilità inferiore, un uptime inferiore e tutto il resto inferiore. Quindi, il tempo reale è una sfida piuttosto grande.

Cédric Hervet: Sì, sono d’accordo. E stiamo entrando in un’era in cui possiamo effettivamente controllare quei dati. Ad esempio, con Waze, ora puoi segnalare se c’è una telecamera di velocità della polizia da qualche parte. Pensi che abbia un impatto positivo? Il fatto che ora possiamo controllare questi dati è ovviamente molto importante per avere quella capacità, specialmente nel contesto che stavo descrivendo prima. Da Kardinal, prestiamo molta attenzione a mantenere gli esseri umani a bordo del sistema perché una volta che perdono il controllo su di esso e tutto è troppo automatizzato, non possono verificare realmente che l’algoritmo stia facendo qualcosa. Perdono così tanto la comprensione di ciò che sta accadendo che non possono davvero fornire la loro competenza. E hanno sempre una competenza. Ho questa breve storia di quando abbiamo iniziato a fare ciò che stiamo facendo, stavamo cercando di mettere in discussione i percorsi dei conducenti e stavamo proponendo i nostri tour ottimizzati. Avevano sempre un esempio di qualcosa che l’algoritmo non poteva vedere. Un esempio divertente è che avevamo questo percorso molto ottimizzato, che era ovviamente il modo perfetto per visitare tutte quelle fermate. Ma quando il conducente ha visto questo, non si stava concentrando sull’aspetto generale del percorso, che era un po’ migliore di quello che avrebbe comunque fatto. Si stava concentrando davvero su alcune fermate specifiche. Ci diceva: “Ok, quindi mi stai dicendo che consegnerò questa persona qui alle 16:45 e qui c’è una scuola e so che ogni genitore si parcheggerà in quella strada e non riuscirò a parcheggiare io stesso per fare solo quella consegna”. Questo è ovviamente matematicamente ottimale, ma so che questa consegna in questo momento specifico significa che sono solo 15 minuti, ma è impossibile consegnare qualcuno in questi 15 minuti. E questo è davvero qualcosa. Per coloro che lavorano con i dati, il costo di sapere in anticipo per evitare quello spazio, sistemarsi 50 minuti in anticipo anticipando quel fatto è molto costoso per noi. È inutile perché abbiamo qualcuno nel camion che lo sa. L’interazione chiave che stiamo cercando di implementare con loro è ok. Sai cose che non sapremo mai e non cercheremo mai di sapere perché ci costa troppo, quindi dammi solo quel contributo. Ok, puoi mettere in discussione gli algoritmi anche quando sei in strada. E quello 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 dell’utente e i dati per prendere decisioni informate?

Joannes Vermorel: I clienti non sono l’unica fonte di dati. L’input dell’utente è anche 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 puoi prendere una decisione informata. Sarai davvero il padrone del tuo dominio perché probabilmente sai cose che noi non sappiamo. Per rispondere davvero alla tua domanda, è essenziale avere il controllo sui dati perché i dati, di per sé, sono inutili se non hai qualcosa che ti dice cosa significano realmente questi dati. Ma una volta che puoi fornire una comprensione di ciò che i dati significano e quali sono le decisioni che stai fornendo, gli esseri umani non vengono rimossi, ma vengono potenziati. Possono prendere decisioni migliori perché hanno informazioni sull’impatto dei nostri calcoli e con le altre cose che hanno in mente, possono prendere la decisione migliore possibile. Questo è ciò che stiamo cercando di raggiungere: la giusta combinazione tra i due.

Cédric Hervet: Un altro esempio di questo 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 gli incendi venivano mostrate come libere e in realtà venivano indirizzate a passare da lì. Avere un modo per adattarlo e tenere conto di fattori fuori contesto è essenziale quando si fa ciò che stiamo facendo.

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

Joannes Vermorel: Direi probabilmente sì, ma anche il fatto che la tecnologia si sta muovendo molto velocemente. Se guardi i dati delle mappe, non ci sono molti fornitori in tutto il mondo. La domanda è se i dati delle mappe dovrebbero essere un bene comune. Ci sono persone che stanno cercando di farlo con mappe aperte e simili. La realtà è che quando hai una tecnologia che si muove molto velocemente, è difficile per molte aziende competere. Di solito, quando le persone dicono “il vincitore prende tutto”, ciò che dimenticano nella tecnologia è che spesso le cose ruotano rapidamente. Quindi sì, al momento non ci sono molti attori sul mercato delle mappe, ma vedo molti cambiamenti in cui le cose che erano considerate molto difficili da accedere si stanno avvicinando sempre di più a beni comuni con mappe aperte e simili. Ci vorrà molto tempo, ma quello che sospetto è che nella maggior parte dei casi, queste cose diventano beni di consumo e il problema si sposterà su qualcos’altro completamente. Quindi, in definitiva, al momento, fintanto che c’è una certa competizione alfa, credo che ci sia una certa concorrenza. Per le mappe, ci sono probabilmente quattro o cinque attori, e questo è sufficiente, ma è comunque un mercato abbastanza concentrato.

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

Cédric Hervet: Beh, innanzitutto ci sono le cose che stiamo facendo a Kardinal.

Kieran Chandler: Quindi, Joannes, quali sono gli ultimi progressi nell’ottimizzazione che ti entusiasmano di più?

Joannes Vermorel: Siamo studenti di dottorato che lavorano alla risoluzione della versione online dell’ottimizzazione, ampliando il campo dell’operations research come campo matematico per gestire i problemi nel modo corretto. Abbiamo anche visto altre cose accadere nella comunità dell’IA nel suo complesso. Il reinforcement learning è un approccio diverso da quello che stiamo facendo con l’operations research. Insegna agli algoritmi a conoscere la migliore decisione senza dir loro esplicitamente quale decisione possibile sia giusta, il che è molto diverso dal punto di vista filosofico da quello che facciamo a Kardinal. Diciamo all’algoritmo l’ambito globale delle possibili soluzioni a un problema e quale soluzione è migliore di un’altra, in modo da poterci concentrare sulla ricerca della soluzione all’interno di un’area chiusa di soluzioni possibili. Il reinforcement learning offre un altro modo di farlo ed è probabilmente molto adatto per la presa di decisioni in tempo reale.

Cédric Hervet: Il limite di questo approccio oggi è che non può gestire la varietà di vincoli con cui ci confrontiamo con le nostre tecniche. Ma chissà, siamo stati molto sorpresi da ciò che il reinforcement learning è riuscito a fare in Pingo o anche nei videogiochi. Ora possono battere giocatori molto forti. Questo è qualcosa che stiamo seguendo ed è davvero prospettico. Ma abbiamo visto Google annunciare che c’è la supremazia quantistica, il che significa che i computer quantistici risolvono problemi in tempi brevi che non sono disponibili per i computer normali. Hanno dovuto enumerare tutte le soluzioni, e sappiamo che ci sono algoritmi quantistici adatti per risolvere il problema del commesso viaggiatore, ad esempio, che è uno dei nostri problemi principali. Possono risolverlo in pochi secondi, mentre ci vogliono migliaia di anni per i singoli computer solo per enumerare. Questo è qualcosa che dobbiamo seguire. Ovviamente, questo è molto a lungo termine, e con i nostri algoritmi che sono intelligenti nella loro concezione, possiamo già eguagliare la velocità degli algoritmi quantistici. Ma la computazione quantistica offre una sorta di democratizzazione che rende tutti questi problemi che sono difficili per natura facili da risolvere, il che è abbastanza interessante per noi. Se i nostri problemi diventano facili da risolvere domani, dovremo essere all’avanguardia nel gestire questa tecnologia per aiutare i nostri clienti a ottenere risultati molto migliori rispetto ad oggi.

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