Prendere decisioni in condizioni di incertezza nella Supply Chain (con il Dr. Meinolf Sellmann) - Ep 162

00:00:00 Introduzione dell’intervista
00:00:42 Carriera di Meinolf Sellman e decisioni di InsideOpt
00:03:47 Disruzioni e ottimismo eccessivo nell’ottimizzazione
00:06:18 Scoperta dell’ottimizzazione stocastica di Vermorel e influenze
00:08:10 E-commerce fulfillment e previsioni della supply chain
00:09:56 Approccio ‘prevedi poi ottimizza’ e conseguenze
00:11:41 Miglioramento dei risultati operativi e costi aziendali
00:14:08 Imprevedibilità e caos nella supply chain
00:16:16 Fascino delle previsioni e decisioni razionali
00:18:43 Decisioni razionali e gioco dell’overbooking
00:21:55 Esempio di prodotto di supermercato e disponibilità della supply
00:24:27 Ottimizzazione stocastica e variabilità delle vendite stagionali
00:28:53 Impatto dei cambiamenti di prezzo e distribuzione posteriore congiunta
00:30:39 Euristiche di risoluzione dei problemi e gestione della complessità
00:33:10 Sfide con i beni deperibili e distribuzione posteriore
00:36:01 Difficoltà di ragionamento e creazione di consapevolezza della soluzione
00:38:40 Problema della torrefazione del caffè e pianificazione della produzione
00:42:20 Modellizzazione aziendale e realtà di variabili complesse
00:45:34 Preoccupazioni ignorate nell’ottimizzazione e ricerca della soluzione miracolosa
00:49:00 Consigli del CEO e comprensione dei processi aziendali
00:51:58 Capacità del magazzino e incertezza della consegna del fornitore
00:54:38 Percezione del livello di servizio e esercizio di briefing
00:57:33 Perdite finanziarie delle compagnie aeree e adozione della tecnologia
01:00:10 Vantaggi della ricerca basata sull’IA e compatibilità hardware
01:03:05 Convessità nell’ottimizzazione e utilità rispetto alla prova
01:06:06 Convergenza dell’apprendimento automatico con le tecniche di ottimizzazione
01:09:34 Caratteristiche di esecuzione e ampliamento dell’orizzonte di ricerca
01:12:22 Micro aggiustamenti e rischi operativi del magazzino
01:16:09 Trovare un buon compromesso e assicurazione contro l’incertezza
01:19:11 Aumento del profitto atteso con l’ottimizzazione stocastica
01:22:23 Esempio dell’industria aerospaziale
01:24:30 Accettazione di buone decisioni e controllo dei danni
01:25:19 Efficienza della supply chain
01:26:22 Feedback dei clienti e importanza della tecnologia
01:26:56 Fine dell’intervista

Sull’ospite

Il Dr. Meinolf Sellmann è fondatore e CTO di InsideOpt, una startup statunitense che produce software di uso generale per l’automazione della presa di decisioni in condizioni di incertezza. È stato Direttore per l’ottimizzazione della rete presso Shopify, Direttore del laboratorio per l’Apprendimento Automatico e i laboratori di Rappresentazione della Conoscenza presso il Global Research Center di General Electric, Senior Manager per il Cognitive Computing presso IBM Research, e Professore Assistente di Informatica presso la Brown University. Meinolf ha progettato sistemi come il sistema di regolamento delle operazioni della BCE, che gestisce oltre 1 trilione di euro per notte, ha pubblicato oltre 80 articoli in conferenze e riviste internazionali, detiene sei brevetti, e ha vinto oltre 22 primi premi in competizioni internazionali di programmazione.

Riassunto

In una recente intervista su LokadTV, Conor Doherty, Joannes Vermorel, e l’ospite Meinolf Sellmann hanno discusso il ruolo dell’ottimizzazione stocastica nella gestione della supply chain. Hanno sottolineato l’importanza di considerare la variabilità e l’incertezza nei processi decisionali. I metodi deterministici tradizionali spesso non sono all’altezza nelle situazioni reali, portando a piani di ottimizzazione troppo ottimisti. Sia Vermorel che Sellmann hanno criticato l’approccio “prevedi poi ottimizza”, suggerendo che le aziende possono ottenere risultati migliori tenendo conto della variabilità delle previsioni durante l’ottimizzazione. Hanno sottolineato la necessità di piani eseguibili e di un’efficacia misurabile in qualsiasi modello di ottimizzazione.

Riassunto esteso

In una recente intervista condotta da Conor Doherty, Responsabile della Comunicazione di Lokad, il Dr. Meinolf Sellmann, CTO di InsideOpt, e Joannes Vermorel, CEO di Lokad, hanno discusso le complessità della presa di decisioni in condizioni di incertezza nella gestione della supply chain. La conversazione si è incentrata sul concetto di ottimizzazione stocastica, un metodo che tiene conto della variabilità e dell’imprevedibilità intrinseche nei processi della supply chain.

Il Dr. Sellmann, un informatico e ricercatore di IA premiato, ha iniziato condividendo il suo percorso professionale attraverso IBM, GE, Shopify, e ora InsideOpt. Ha evidenziato come l’apprendimento automatico sia diventato sempre più parte del suo lavoro, e come i metodi tradizionali di ottimizzazione, che sono deterministici, spesso non siano all’altezza nelle situazioni reali. Ha sottolineato che la presa di decisioni in condizioni di incertezza è un aspetto necessario della gestione della supply chain, e questo è il focus di InsideOpt.

Utilizzando l’industria aerea come esempio, il Dr. Sellmann ha illustrato le sfide dell’ottimizzazione in condizioni di incertezza. Ha spiegato che mentre i piani di ottimizzazione possono sembrare ottimi sulla carta, spesso falliscono nella pratica a causa di circostanze impreviste. Questo porta alla realizzazione che l’ottimizzazione soffre di eccessivo ottimismo.

Vermorel ha concordato con la prospettiva del Dr. Sellmann, condividendo la sua esperienza personale nella scoperta del concetto di ottimizzazione stocastica. Ha notato come l’idea di incertezza sia spesso mancante nella letteratura tradizionale sull’ottimizzazione. Vermorel ha anche discusso l’idea di padroneggiare il futuro per rimuovere l’incertezza, un concetto che è stato attraente per quasi un secolo. Ha menzionato il tentativo dell’Unione Sovietica di prevedere e prezzare 30 milioni di prodotti cinque anni avanti, che è stato un fallimento. Nonostante ciò, l’idea è ancora attraente per gli accademici e certi tipi di management a causa del suo approccio dall’alto verso il basso.

Il Dr. Sellmann ha criticato l’approccio tradizionale “prevedi poi ottimizza”, dove un dipartimento fa una previsione e un altro usa quella previsione per l’ottimizzazione. Ha sostenuto che questo approccio ignora la variabilità nella previsione e ha suggerito che le aziende possono ottenere risultati operativi significativamente migliori prendendo in considerazione la variabilità nella previsione durante l’ottimizzazione.

Vermorel ha utilizzato l’esempio dell’overbooking aereo per illustrare la non linearità di certi problemi, dove leggere deviazioni possono rapidamente escalare in problemi significativi. Il Dr. Sellmann ha utilizzato l’esempio di un supermercato che vende burro e kit per la protezione solare per illustrare l’importanza della variabilità nella domanda. Ha sostenuto che è fondamentale avere l’intera supply chain disponibile al momento giusto, specialmente per prodotti stagionali come la protezione solare.

La conversazione ha anche toccato il divario tra il senso comune e l’uso del software nella gestione della supply chain, l’importanza di prevedere scenari potenziali per tutti i prodotti, e le complessità della pianificazione della produzione. Il Dr. Sellmann ha spiegato che mentre una perfetta accuratezza sarebbe l’ideale, non è possibile a causa delle incertezze intrinseche nelle previsioni. Invece, la cosa migliore successiva è imparare come le previsioni sbagliano e utilizzare queste informazioni per prendere decisioni migliori.

In conclusione, l’intervista ha evidenziato l’importanza dell’ottimizzazione stocastica nella gestione della supply chain. Sia il Dr. Sellmann che Vermorel hanno sottolineato la necessità di tenere conto della variabilità e dell’incertezza nelle previsioni quando si prendono decisioni, e l’importanza di non semplificare eccessivamente i modelli. Hanno suggerito che qualsiasi modello di ottimizzazione può essere pensato come una simulazione di cosa accadrebbe in determinate condizioni, ed è fondamentale assicurarsi che il piano sia eseguibile e che la sua efficacia possa essere misurata.

Trascrizione completa

Conor Doherty: Bentornato. L’incertezza e la stocasticità sono la natura stessa della supply chain. L’ospite di oggi, il Dr. Meinolf Sellman, non è estraneo a questo. È uno scienziato informatico premiato, un ricercatore di AI decorato, ed è il CTO di InsideOpt. Oggi, parlerà con Joannes e me della decision-making in condizioni di incertezza. Meinolf, sei il benvenuto a Lokad.

Meinolf Sellman: Grazie mille, Conor, e molto piacere di conoscerti, Joannes. Non vedo l’ora di discutere.

Conor Doherty: Bene, grazie mille per essere con noi. Mi scuso per l’introduzione breve. Mi piace andare dritto all’ospite, ma la conseguenza è che non rendo giustizia al background di chi stiamo parlando. Quindi, potresti per favore prima di tutto perdonarmi e poi riempire alcuni dei vuoti in termini del tuo background?

Meinolf Sellman: Certo. Penso che tu abbia coperto l’essenziale. Sono una persona di ottimizzazione nel profondo. Questo è ciò che ha guidato la mia tesi di diploma. Il sistema tedesco è molto simile a quello francese. La mia tesi di diploma consisteva nel costruire un risolutore di programmazione intera mista per un sistema di algebra del computer. Quindi, fin dai miei primi giorni di studente, sono stato su questo lato della decision-making, esplorando come possiamo usare i computer per arrivare a decisioni migliori.

Sono stato un postdoc a Cornell, un professore a Brown, poi un senior manager all’IBM, un direttore tecnologico alla GE, poi un direttore a Shopify, e ora CTO a InsideOpt. Attraverso questo percorso, si può vedere che sempre più machine learning si è insinuato nel mix.

L’ottimizzazione tradizionale è deterministica. Hai una conoscenza completa di tutto ciò che sta succedendo, stai solo cercando di trovare il miglior corso d’azione. Nel momento in cui effettivamente entri in contatto con la pratica, ti rendi conto che non è così. Devi portare sempre più tecnologia che ti permetta di fare decision-making in condizioni di incertezza, ed è proprio questo che ci entusiasma qui a InsideOpt.

Conor Doherty: Grazie. Ancora una volta, hai menzionato molti nomi importanti in termini del tuo background all’IBM, General Electric e Shopify. Senza violare eventuali NDA, quali dettagli o esperienze potrebbero aver influenzato maggiormente la tua prospettiva sulle previsioni e la decision-making ora che sei a InsideOpt?

Meinolf Sellman: Guarda un’industria come quella delle compagnie aeree. Tradizionalmente, spese super alte per l’ottimizzazione. È uno dei settori o una delle industrie che probabilmente ha investito prima e anche di più nel corso dei decenni nella tecnologia di ottimizzazione. E poi guarda quanto è divertente gestire una compagnia aerea. Ottengono piani fantastici, giusto? Ottengono piani di equipaggio. Devono decidere quale pilota è su quale aereo, quale assistente di volo su quale aereo, quali aerei usare per quali tratte. Devono anche decidere che tipo di tratte offrire, quali voli diretti offrire e poi come trasformarli in rotte, devono fare la gestione dei ricavi. Per tutte queste decisioni, decisioni operative, stanno usando l’ottimizzazione e su carta, quei piani sembrano fantastici. Potrebbero di solito venire se non con ottimalità dimostrabile, allora con qualche garanzia di performance.

Ma poi se gestisci una compagnia aerea, sai che stai perdendo la camicia il giorno dell’operazione perché poi le cose sono leggermente diverse. Il tempo non è quello che ti aspettavi, i controllori del traffico aereo in Francia sentono di non essere pagati abbastanza, il gate è pieno, si rompe qualche attrezzatura. Tutte quelle cose che possono andare storte. E se hai mai volato, sai che il motto delle compagnie aeree è “Se oggi è rovinato, allora oggi è rovinato. Facciamo in modo che domani non lo sia.” E così ti trattano. Non gli importa che tu arrivi dove devi andare oggi, vogliono essere di nuovo nel piano domani perché se arrivano con una brutta situazione in domani, allora anche domani sarà rovinato.

Cosa ti dice? Ti dice che l’ottimizzazione soffre di un eccesso di ottimismo che tutto andrà secondo i piani. E questo è quello che vogliamo cambiare.

Conor Doherty: Grazie. Joannes, sei d’accordo con questa visione?

Joannes Vermorel: Assolutamente. Per me, è stato molto intrigante perché ho scoperto relativamente tardi la stessa nozione di ottimizzazione stocastica. Ero molto familiare nei miei 20 anni con l’ottimizzazione regolare, sai, l’ottimizzazione convessa, ho letto interi libri su queste sorta di cose. E quindi l’ottimizzazione classica che inizia con l’algebra lineare e cose come l’algoritmo del simplesso e quant’altro, queste cose sono letteralmente insegnate non al liceo ma subito dopo.

E poi, ho studiato per alcuni anni quando ero studente, la ricerca operativa, questo è il nome tradizionale dato all’argomento. E ancora, puoi passare letteralmente centinaia di pagine di casi in cui hai fabbriche, aerei, tutti i tipi di assegnazioni di beni, macchine, persone e quant’altro. Eppure, in nessun punto discutono mai l’elefante nella stanza, cioè le cose possono andare storte. Hai solo una modellizzazione della situazione che potrebbe essere errata e poi tutte le cose che ottimizzi finiscono per essere estremamente fragili.

Il momento in cui mi sono reso conto di quanto fosse profondo il buco del coniglio è stato leggendo il libro “Antifragile” di Nassim Nicholas Taleb. È passato un bel po’ di tempo, ma poi mi sono reso conto che c’era un paradigma mancante che era davvero onnipresente. E poi ho iniziato a interessarmi molto a questo tipo di ottimizzazione. Per me, la cosa più sorprendente è quanto sia assente da interi corpi di letteratura che trattano come se questa idea di incertezza, di non conoscere perfettamente la tua funzione di perdita, sia letteralmente una dimensione mancante. C’è una dimensione mancante ed è più difficile vedere ciò che non vedi. Non è che sia sbagliato, è più come se ci fosse un’intera dimensione che manca a un campo di studi molto ampio, molto esteso, molto antico.

Conor Doherty: Beh, in realtà, se posso approfondire su questo. Quando hai menzionato l’idea di paradigmi mancanti e cose che sono completamente assenti, si contrappone bene con uno dei motivi per cui abbiamo effettivamente contattato Meinolf. La tua prospettiva su quello che potremmo chiamare pianificazione tradizionale o mainstream, previsioni, politiche di inventario rientra tipicamente in un approccio del tipo “prima prevedi, poi prendi decisioni”, che è paradossalmente molto diverso da quello che penso tutti in questa stanza sosterrebbero. Quindi prima, la passo a te, Meinolf. Potresti delineare le differenze lì, l’approccio tradizionale, e poi i paradigmi mancanti che tu e Joannes vedete?

Meinolf Sellman: Sì, quindi, come puoi immaginare, se gestisci un sistema di evasione degli ordini, hai un negozio di e-commerce e devi mettere da qualche parte nel tuo magazzino i prodotti che speriamo la gente comprerà. Il problema intrinseco che incontri è che non sai quanto verrà comprato dove. Quindi devi formulare un’aspettativa, diciamo così. Quindi devi fare una previsione o una previsione più in generale. E ci sono persone che fanno questo per te, e questo è tipicamente il tuo dipartimento di machine learning. Questi ragazzi sanno tutto su, “Oh, ci sono valori mancanti qui”. Giusto, quindi diciamo che hai avuto rotture di stock in qualche momento, il che significa che non sai realmente quanto sarebbe stato venduto perché eri a corto. Quindi, non sai realmente quanto avresti potuto vendere se ne avessi avuto di più. Si occupano di outlier, di valori mancanti, di rumore, e di tutto ciò che è incerto e da questo, fanno una previsione, una previsione.

E poi hai quel secondo dipartimento, che, come diceva molto correttamente Joannes, queste persone non si occupano generalmente di incertezza. Dicono cose come, “Oh, grande previsione. Mettiamola nel mio modello di ottimizzazione come se fosse stata data dall’Oracolo di Delfi o qualcosa del genere.” Quindi è come se avessi una conoscenza perfetta del futuro. Tratti solo questi numeri che hai lì e dici, “Oh, la mia domanda di crema solare per la prossima settimana è di 20 tubi. Quindi mettiamoli sullo scaffale”, senza guardare a nessuna variabilità che c’è.

Questo “prevedi poi ottimizza”, questo è come si chiama, è in parte dovuto al fatto che hai due dipartimenti diversi che hanno competenze molto diverse. E sarebbe molto difficile per te dire, “Oh, i machine learners ora devono imparare tutto sull’ottimizzazione”, o forse gli ottimizzatori devono imparare di più sul machine learning. Quindi questo è tipicamente ciò da cui le aziende si tirerebbero indietro. Questo è un motivo per cui esiste quella separazione.

La parte di questo è però, che se stai passando l’incertezza da un dipartimento all’altro, non scompare. Quindi solo ignorandola, stai effettivamente lasciando un sacco di soldi sul tavolo. E questa è la seconda ragione per cui le persone non guardano più da vicino a questo perché sembra loro che i machine learners abbiano fatto il loro lavoro. Tornano indietro, fanno cose come dopo aver costruito un modello, testano la loro macchina attraverso qualcosa che si chiama, ad esempio, una convalida incrociata. Quindi andresti nei dati noti e diresti, “Ehi, se avessi avuto solo questo frammento di dati e avrei dovuto fare una previsione per l’altra parte dei dati, quanto bene avrebbe funzionato?” In questo modo, puoi convincerti che otterrai previsioni molto buone dal dipartimento di machine learning.

E loro fanno questo e tu controlli e dici, “Oh, queste sono fantastiche. Hanno buone previsioni.” E poi gli ottimizzatori tornano comunque e diranno, “O ho un limite di prestazioni o ehi, ho una soluzione probabilmente ottimale qui.” Quindi non ti aspetteresti, se stai gestendo un’azienda, che ci sia spazio per miglioramenti facendo lavorare meglio insieme questi dipartimenti. E in realtà, puoi ottenere molto facilmente risultati operativi migliori del 15%, 20%, 25% se tieni effettivamente conto della variabilità nella previsione quando stai facendo l’ottimizzazione. Ma la gente non lo vede.

Quindi in parte, è strutturale che questo “prevedi e ottimizza” persista così tanto che non vuoi mescolare le competenze. L’altra parte è che non vedi che mescolando più strettamente queste cose, quanto stai effettivamente lasciando sul tavolo. Perché sembra che, “Ehi, previsione fantastica, ottimalità dimostrabile, ottimo. Il resto è solo il costo di fare affari.” E non lo è. Questo è, penso, quello che Joannes ed io siamo qui per dire al pubblico oggi. Questo non è il costo di fare affari.

Conor Doherty: Beh Joannes, è questo il costo di fare affari? Meinolf ha ragione?

Joannes Vermorel: Sì, e penso anche che ci sia un’altra dimensione. L’idea di padroneggiare, conquistare il futuro in modo da rimuovere completamente l’incertezza, è stata per quasi un secolo un’idea molto seducente. L’Unione Sovietica è crollata, ma l’idea di fare un piano quinquennale e avere tutto orchestrato non è morta con l’Unione Sovietica. Ad un certo punto, penso che avessero qualcosa come 30 milioni di prodotti che dovevano prezzare e prevedere cinque anni avanti. È stato un completo fallimento a livello pragmatico.

L’attrazione di questa idea non è morta con l’Unione Sovietica. Ha ancora un fascino, soprattutto per gli accademici. L’idea che potresti inquadrare il futuro del mondo in un modo in cui hai la tua previsione e quella sarà la verità, e poi è solo una questione di orchestrazione. Risuona anche con certi tipi di management perché ha questo approccio molto dall’alto verso il basso.

Ha questo fascino della semplicità. Ovviamente, questo è un errore perché non sei in controllo. I tuoi clienti hanno i loro programmi, possono decidere altre cose. Il tuo fornitore cerca di fare del suo meglio, ma a volte il suo meglio non è ancora molto buono. Inoltre, ci sono shock. A volte è qualcosa di molto drammatico come una guerra, a volte è qualcosa di molto stupido come una nave che rimane bloccata nel canale di Suez, e tutte le tue importazioni sono ritardate a causa di un evento stupido. Ma qualunque sia la causa, il futuro è disordinato.

È molto difficile razionalizzare questo tipo di caos. È più difficile ragionarci su. Ragionare sul futuro perfetto è semplice. Questo sarebbe il tipo di feedback che ricevevamo nei primi anni di Lokad. “Signor Vermorel, ci dia solo previsioni accurate. Mantenga un errore del 3% e basta.” E ovviamente, se fossimo stati in grado di fornire quello, allora non ci sarebbe stato alcun vero vantaggio nel combinare la previsione e l’ottimizzazione.

Ma eccoci qui, 15 anni dopo. Anche se Lokad sta andando molto bene dal punto di vista delle previsioni, per la maggior parte delle aziende, un’inesattezza del 3% è semplicemente assurda. Non siamo nemmeno vicini a quello. Non sarà mai vicino a quello a livello di SKU.

Meinolf Sellmann: Sì, suona duro confrontare la pratica industriale con l’Unione Sovietica, ma l’altro giorno ho visto un annuncio di un risolutore MIP in cui dicevano: “Usando il nostro risolutore MIP, questa compagnia aerea ha ora ottimizzato il suo piano quinquennale”. E penso di aver lasciato un commento che Khrushchev sarebbe stato così orgoglioso. È vero, ha molto fascino dire: “Posso prevedere il futuro, l’IA è fantastica, e poi ottimizzo per esso e ora sto bene.”

Joannes Vermorel: Penso che l’attrazione dell’ideologia sia forte. Penso che la gente respingerebbe, “Oh no, sono pro-mercato, non sono comunista”. Ma perdono ciò che rendeva questo tipo di ideologia così attraente. Anche se vai in accademia, troverai spesso persone che sono sostenitori di queste visioni. L’idea di avere il controllo del tuo futuro è molto attraente. L’idea di essere in grado di applicare dall’alto verso il basso una sorta di metodi scientifici e razionalizzare dall’alto con un grande piano, è completamente razionale dall’alto verso il basso. Su carta, sembra come la gestione moderna. Si scopre che non è in realtà la gestione moderna ma piuttosto la cattiva gestione moderna, ma posso sentire l’attrazione e l’apparenza di razionalità.

Ma viene con effetti collaterali che sono iatrogeni, cose che sono involontarie ma che minano fondamentalmente quei piani. Finisci con decisioni presumibilmente ottimali che si rivelano essere incredibilmente fragili, dove la minima deviazione ti esplode in faccia in modi piuttosto sorprendenti.

Meinolf Sellmann: Questo è probabilmente l’errore più comune. Le persone pensano: “Forse non posso prevedere perfettamente il futuro, ma anche se ci sono leggere deviazioni, le mie decisioni saranno probabilmente più o meno le stesse”. Questo è esattamente ciò che non è vero. Questo tipo di cambiamento continuo che ci si aspetterebbe semplicemente non esiste nella pratica. Ecco perché, anche se suona così razionale fare una previsione e poi basare una decisione su di essa, è in realtà la cosa più irrazionale che si possa fare. Dovresti aspettarti di non avere accesso a tutte le informazioni che dovresti avere.

In realtà, l’approccio razionale è fare ciò che fa Lokad, ciò per cui costruiamo il nostro software per voi insideOpt, è prendere in considerazione la variabilità che dovete aspettarvi nella vostra previsione quando state prendendo le vostre decisioni.

Joannes Vermorel: Sì, e solo un esempio per il pubblico. Se vuoi giocare il gioco dell’overbooking nelle compagnie aeree, va bene. Ci sono sempre alcuni passeggeri che non si presentano quindi puoi vendere qualche biglietto in più rispetto ai posti che hai nell’aereo. Ma il problema è che ad un certo punto sei davvero a corto di posti. Avevi solo 200 posti, ne hai venduti 220 pensando che ci saranno 20 persone che non si presentano, ma in realtà si sono presentate 205 persone. Quindi hai come cinque persone che non importa come lo fai, non entreranno nell’aereo. Sì, puoi dare loro un risarcimento e giocare tutti i tipi di giochi, ma alla fine della giornata, hai cinque persone che avranno un servizio di qualità terribile per il volo che hanno acquistato da te.

Quindi è una cosa molto non lineare dove i primi posti, sì, puoi sovraprenotare l’aereo, ma poi c’è un limite e raggiungere il limite è brutale, soprattutto per quelle persone se avevano qualcosa di davvero importante a cui partecipare. Non è assolutamente come un problema dolcemente lineare dove è solo un po’ più dello stesso. No, c’è come un taglio e poi diventa un vero problema, molto velocemente.

Conor Doherty: Per proseguire e poi unire un paio di pensieri, perché entrambi avete detto cose davvero interessanti che portano al prossimo punto. Joannes, il tuo esempio lì di overbooking e Meinolf, il tuo esempio di misurazione della domanda. Tipo, ho venduto 20 unità di crema per la pelle il mese scorso. Beh, l’hai fatto, ma eri esaurito, quindi non sai realmente quale sarebbe stata la domanda.

Quando pensi razionalmente al problema, ti porta naturalmente all’ottimizzazione stocastica, ad abbracciare quell’incertezza. Non c’è una risposta perfetta, e penso che tu abbia una frase nelle tue lezioni su YouTube, qualcosa del tipo “Sto per rovinarla ora, perché una buona soluzione ora è meglio della perfetta troppo tardi” o qualcosa del genere.

Meinolf Sellmann: Sì, è un punto diverso anche quando il tempo che hai bisogno per trovare una buona risposta gioca un ruolo nella qualità della risposta stessa. Sì, ne hai sicuramente bisogno. Ma per il tuo punto, perché la variabilità conta? Spieghiamolo con un esempio. Diciamo che stai gestendo un supermercato a Parigi e hai diversi prodotti che metti sugli scaffali. C’è il burro e ci sono i kit di protezione solare. Due prodotti molto diversi. Se hai una previsione che venderai 300 di quei kit nei prossimi 30 giorni, dovresti andare a dire che sono 10 al giorno? No. Con il burro, puoi farlo perché il burro ha una domanda costante e fondamentalmente la tua previsione è sempre attorno alla sua media e devia un po’ a sinistra e a destra. Ma con la protezione solare, è più come adesso il tempo è brutto, il tempo è brutto, il tempo è brutto, e poi arriva questo fine settimana in cui esce il sole e tutti si preparano e comprano la protezione solare praticamente per tutta l’estate. Se non hai tutta la fornitura disponibile nel supermercato in quel momento, l’hai appena perso. Non è che, perché avevi solo 10 di quei kit lì oggi, recupererai gli altri 290 domani. No, a partire da lunedì, non venderai più nessuno di quelli.

E questa è la differenza, giusto? Quindi il valore atteso può essere lo stesso, ma conta molto se la variabilità è distribuita strettamente attorno a quel valore atteso o se c’è fondamentalmente una grande discrepanza dove diresti, beh, è o niente o questo grande valore. E se non ne tieni conto quando prendi le tue decisioni, lo stai semplicemente perdendo, giusto? E stai lasciando un sacco di soldi sul tavolo se tratti i prodotti, ad esempio, in quel modo. Spero che questo esemplifichi di cosa stiamo parlando qui, giusto? I valori attesi sono valori attesi, ma quello che devi sapere è quali scenari devi effettivamente guardare. E questo è ciò che fa l’ottimizzazione stocastica. Guarda diversi potenziali futuri e cerca di trovare una decisione di compromesso oggi.

Quindi, per le cose che devi decidere oggi, dove non puoi aspettare di vedere com’è il futuro, per quelle decisioni, cerca di trovare una buona posizione di partenza in modo da poter poi agire molto bene una volta che il futuro è rivelato. Questo è ciò che è l’ottimizzazione stocastica, e questo è, a mio parere, ciò che ogni essere umano fa ogni giorno. Perché ci dimentichiamo di farlo non appena usiamo un computer per questi compiti.

Conor Doherty: Grazie, Meinolf. Joannes, come si allinea questo con la tua comprensione dell’ottimizzazione stocastica?

Joannes Vermorel: Sì, è il caso di avere, come Meinolf ha menzionato, un modello per la crema solare che è molto stagionale ma l’inizio della stagione varia con il tempo da un anno all’altro. È molto classico. Ci sono tonnellate di prodotti che rientrano in questa categoria. Un altro tipo di prodotto che è anche dove prendere un esempio di vendita al dettaglio simile sarebbe il negozio di fai-da-te dove le persone comprerebbero come quattro unità o otto unità alla volta perché sono come interruttori di luce e non vogliono avere quattro o otto interruttori di luce nel loro appartamento che sembrano tutti diversi. Quindi quando comprano, vorranno avere come quattro o otto tutti uguali nello stesso momento.

Se pensi che avere tre sullo scaffale è come non avere una mancanza di stock, questo è sbagliato. Perché in realtà, la persona entra nel negozio, dice “ne voglio quattro”, ce ne sono solo tre, quindi vanno da qualche altra parte dove possono trovare quattro unità che si trovano ad essere le stesse. Quindi la grumosità della domanda conta davvero e queste sono le sorta di cose dove all’improvviso dobbiamo guardare la struttura fine dell’erraticità conta più di qualcosa che è mediato su un lungo periodo di tempo.

E infatti, sarebbe quello che istintivamente la persona che gestisce il negozio sa. Quegli interruttori di luce, averne uno è inutile. Ho bisogno di avere o una scatola di loro tutti uguali o è meglio non averli in primo luogo perché le persone non si preoccuperebbero nemmeno di dare un’occhiata a un prodotto singolo. Un martello singolo va bene perché le persone non vengono e comprano come quattro martelli identici, ma gli interruttori di luce non lo sono. E questo è qualcosa che è molto, voglio dire non è come la matematica della scienza dei razzi quando ci pensi.

Penso che tu sia completamente corretto. Ho assistito alla stessa cosa. Le persone, in particolare i professionisti della “supply chain”, lo saprebbero nel loro intimo. Non hanno bisogno della matematica ma non appena entrano nel regno del software aziendale, all’improvviso una media mobile e un po’ di levigatura esponenziale dovrebbero coprire il caso. E dicono non preoccuparti, se la media mobile non basta, abbiamo classi ABC in cima per affinare la cosa. E sto pensando che non sta ancora aiutando. E sono d’accordo, c’è questa disconnessione dove presumibilmente, quando entriamo in questo regno del software, le persone lasciano il loro buon senso alla porta pensando che sia la macchina, è troppo complicato. Quindi, ovviamente se stanno facendo la levigatura esponenziale, c’è esponenziale nel termine, deve essere scientifico e avanzato, giusto?

Meinolf Sellmann: Ci piace scomporre i problemi. Ecco perché mi piace quel termine grumosità che hai menzionato. È deliziosamente non un termine tecnico che puoi usare. Ma va anche oltre il prodotto. Se gestisci un supermercato e aumenti i prezzi del latte, all’improvviso meno persone vengono nel tuo negozio perché non ottengono più i loro prodotti di base lì. All’improvviso, le canoe o qualsiasi altra cosa stai vendendo lì stagionalmente non vengono più vendute perché hai semplicemente molto meno traffico nel negozio. Quindi davvero quello di cui hai bisogno è una distribuzione posteriore congiunta dove stai prevedendo potenziali scenari su come tutto fluisce.

Conor Doherty: Quella descrizione lì, specificamente dei prodotti di base e poi dell’interrelazione, suona notevolmente simile alla prospettiva del cestino di cui parliamo. Entri, potresti voler comprare un martello, beh non hanno un martello, me ne vado. Entro, voglio comprare molte cose, voglio fare una lista completa della spesa, manca il latte, ok andrò da qualche altra parte dove posso ottenere il latte così come tutto il resto. Quindi la penalità per non avere il latte non è isolata alla perdita di vendita del latte, è tutto. Perché avere il latte avrebbe significato che avrei venduto il burro, il pane, la marmellata, il gelato, il bacon, qualsiasi cosa. Ma ancora, e ora questo entra nella prossima domanda che è per Meinolf, per difendere con il principio di carità chiunque potrebbe non essere d’accordo, alle persone piacciono le euristiche. Quando parlavi di scomporre i problemi, alle persone piacciono le euristiche. Quindi l’idea di una classe ABC, lisciatura esponenziale, sono cose che sono più facili da capire, sai, regole empiriche. L’ottimizzazione stocastica è più complessa di così, per essere onesti. No?

Meinolf Sellmann: Beh, suppongo che sia giusto dire che non eravamo abituati ad avere gli strumenti per affrontarlo in modo ordinato per un dipartimento, quindi mantenendo quelle separazioni di preoccupazioni tra machine learning e ottimizzazione. Non vuoi dover riaddestrare tutti nel tuo team per fare queste cose. E quindi, sarebbe stato giusto fino a, non so, forse cinque anni fa. Ma con la tecnologia di oggi, non direi necessariamente che è più complesso per le persone che devono mettere in piedi quelle soluzioni.

Conor Doherty: Bene, allora, il seguito, e ancora una volta verrò da Joannes specificamente su questa domanda, ma poi, parlando prima di precisione, come si inserisce la precisione, ciò che tradizionalmente è considerato il benchmark assoluto KPI per qualsiasi previsione, come si inserisce l’ottimizzazione stocastica? O è solo un’altra euristica che sorta di cade a pezzi quando si passa a pensare alle decisioni?

Meinolf Sellmann: Sì, quindi ovviamente se qualcuno potesse dirti quali saranno i numeri della lotteria il prossimo sabato, sarebbe fantastico. Il problema è che devi fare previsioni e queste comportano un’incertezza intrinseca. C’è, non sai tutto sul mondo per sapere cosa succederà. Quindi se sei un negozio e devi decidere che tipo di piatti di sushi metterai lì, prodotti deperibili, si applica un po’ tutto quello che Joannes ha menzionato prima riguardo alla sovraprenotazione dei posti su una compagnia aerea. Se non vendi il sushi, devi buttarlo via. E questo significa che tutto il costo di produzione, trasporto, prezzo e posizionamento è semplicemente perso se non lo vendi. Quindi non vuoi sovrastoccare quei prodotti a margine relativamente basso rispetto al costo che stai perdendo quando è deperibile.

Sai se ci sono queste cinque giovani madri che hanno deciso “Ottimo, possiamo mangiare di nuovo sushi” e stanno per fare una festa e stanno saccheggiando il tuo negozio? Non lo sai, non sai proprio che si presenteranno e compreranno 40 di quei piatti di sushi all’improvviso. E non puoi assolutamente sapere queste cose. Quindi c’è incertezza. Se avessi una previsione perfetta, sarebbe fantastico. Ma ora, vedendo che non puoi averla, fai la cosa migliore successiva e cioè stai cercando di capire come sbagliano le mie previsioni. E questo è quello che chiamiamo con una distribuzione a posteriori. Quindi stiamo dicendo, okay, guarda, sai, è questo, se metto questi piatti di sushi lì, cosa significa per il mio valore atteso che sto avendo qui, diciamo 50 piatti o così, la maggior parte dei giorni sono 50 piatti, a volte sono 48, a volte sono 42, bene. O 50 piatti significano, beh, sì, sono o 25 o 75. Grande differenza. L’accuratezza è la stessa, il valore atteso è 50, giusto? Ma gli scenari che devi guardare e le decisioni che devi derivare da lì in termini di cosa metterai sul tuo scaffale sono molto, molto diversi. Quindi è un po’ fuorviante. L’accuratezza sarebbe fantastica se potessi ottenere il 100%. Se non riesci a ottenere il 100%, devi fare la cosa migliore successiva e cioè devi prevedere e valutare come stai sbagliando.

Joannes Vermorel: Sì, e solo per tornare al commento di Meinolf sulla complessità o la complessità percepita, il mio punto di vista è che molto spesso quando ci si avvicina a una situazione, l’istinto è quello di iniziare con una soluzione. È molto difficile concepire un problema fino a quando non si ha la soluzione. È molto strano. Sai, ancora una volta, il pensiero cartesiano sarebbe consideriamo questo problema e indaghiamo la soluzione, ma assolutamente non è così che le persone, anche io, operano. È più come ho questa serie di soluzioni che posso immaginare e da quello, posso ricostruire un problema che posso risolvere. Sai, è tipicamente il contrario.

Quindi inizi con una soluzione o l’insieme di soluzioni che sei disposto a considerare e poi, in base a quello, sceglierai il problema che pensi di poter risolvere. Perché ci sono molti problemi che sarebbero fantastici ma semplicemente non riesci a risolverli. Sai, avere auto volanti, non so come fare un motore anti-gravità, quindi non passo nemmeno il tempo a considerare quale sarebbe il miglior design per un’auto volante perché è così lontano dall’essere in grado di farlo che non è nemmeno un problema che vale il mio tempo.

Quindi, tornando a quello, penso che quando andiamo all’incertezza nella previsione e poi affrontiamo, elaboriamo questa incertezza sul lato dell’ottimizzazione, quella è l’ottimizzazione stocastica. Penso che l’elemento, e sono d’accordo con te sul progresso della tecnologia, l’elemento è che richiede ingredienti tecnologici, concetti, paradigmi, alcune cose. Non sono naturalmente super difficili ma se inizialmente vivi con quelle cose che sono completamente assenti, è molto difficile immaginarle dal nulla. È proprio come fondamentalmente non sono molto difficili ma sono molto strane.

Le persone oggi danno per scontato di poter fare una chiamata con qualcuno che si trova dall’altra parte del mondo ed è un dato di fatto. Raccontalo a una persona 200 anni fa e penserebbe che è pura magia. Sai, l’idea che potresti fare una cosa del genere era semplicemente inconcepibile. Quindi le persone possono farlo oggi? Sì, abbastanza facilmente. Ma ancora una volta, conoscono la soluzione quindi pensare al problema è molto più facile.

Quindi, tornando a quello, credo che la sfida sia che fino a quando non hai la soluzione, è molto difficile ragionare su di essa. E se passi forse al tipo di prodotto che stai facendo a InsideOpt, con Seeker, è che se tutto quello che hai sono strumenti di ottimizzazione che non affrontano alcun tipo di incertezza, allora tutti i problemi di ottimizzazione che sei disposto a considerare sono, per progettazione, a causa del tuo strumento, quelli in cui hai in qualche modo eliminato, in modo paradigmatico, l’incertezza.

Questo è il mio proiettile d’argento, quindi ho bisogno di un problema che si adatti. Ed è questo. Quindi è qui che vedo la sfida più grande è a volte solo creare la consapevolezza dell’esistenza della classe di soluzioni in modo che le persone possano anche pensare alla classe di problemi. So che sono molto meta qui.

Conor Doherty: Beh, in realtà, per proseguire perché è un perfetto passaggio, forse involontario, ma ti darò comunque credito. Quando parli di principi fondamentali, partendo dal problema e poi andando alla soluzione, in una delle tue lezioni, parli del problema della torrefazione del caffè. Potresti delineare quello per favore? Perché ancora una volta, è un esempio molto vivido, molto piacevole. Definisci qual è il problema e poi spiega come potremmo risolverlo stocasticamente o utilizzando l’ottimizzazione stocastica potremmo risolvere quel problema.

Meinolf Sellmann: È in realtà un problema molto classico nell’ottimizzazione. Si chiama pianificazione della produzione. Se hai mai seguito un corso sul corso di lavoro standard a cui ti stavi riferendo, che è il proiettile d’argento per tutto nell’ottimizzazione, che è la programmazione intera mista, probabilmente hai incontrato un esempio di pianificazione della produzione.

Quindi cos’è la pianificazione della produzione? Hai risorse limitate per costruire i prodotti che vuoi fare, e hai un profitto atteso che deriva dalla realizzazione di ogni unità di ogni prodotto. Ma questi prodotti condividono queste capacità di produzione. Quindi, ad esempio, macchine che possono fare prodotti diversi, la strada per l’imballaggio, i torrefattori nel caso del caffè, a volte condividono gli ingredienti. Diversi tipi di caffè potrebbero usare lo stesso tipo di chicchi. Di solito è una miscela di chicchi che ci va dentro.

Quindi la domanda diventa, cosa produrrò su quale capacità di produzione, e a che ora? Questo è qualcosa che deve essere fatto ogni giorno per produrre il caffè. Deve esserci qualcuno lì che dice, tostiamo questi chicchi crudi qui, conserviamoli in quel silo lì perché non puoi usarli subito. Devono raffreddarsi prima di confezionarli.

E poi vai e li prendi di nuovo. Devi anche decidere quando prenderai cosa da quale silo e poi lo sposti nelle strade di imballaggio che hanno capacità limitate. Fin qui tutto bene.

Se ora sapevi esattamente quanto tempo ci vuole per tostare il caffè, la vita sarebbe molto più facile. Anche se sapevi esattamente quanto tempo ci vuole per i chicchi per raffreddarsi, la vita sarebbe anche molto più facile. Il problema è che hai stime per entrambi. Quindi a seconda di quanto sono secchi i chicchi che entrano nella fabbrica di torrefazione, la tostatura è meno o più lunga per portare i chicchi alla perfezione. E questo ovviamente rovina tutto perché non puoi semplicemente lasciare il torrefattore da solo.

Se non stai tostando nulla per più di 10 minuti o giù di lì, devi spegnerlo e se lo spegni ci vuole mezz’ora per rimetterlo in funzione. Quindi all’improvviso ti trovi di fronte a queste non linearità dove dici, beh okay, quindi ora il torrefattore si è appena spento e ora buona fortuna a cercare di tostare per la prossima mezz’ora.

Ora potresti dire, beh quale danno fa se inizio a tostare la prossima cosa prima? Beh, non sai dove mettere quella roba perché i silos sono pieni e l’imballaggio non segue. Quindi per fare spazio per il prossimo prodotto che uscirebbe dal torrefattore, devi liberare quella capacità ma ciò significa creare stress su un’altra parte del sistema.

E ora sei lì e devi elaborare un piano. Voglio dire, scopri che i torrefattori sono effettivamente fermi per un certo periodo di tempo, semplicemente, perché non sanno dove conservare il prodotto, il prodotto finito ma non confezionato. E questo ovviamente è un enorme peso sui costi operativi di un’azienda del genere.

Joannes Vermorel: Penso che rifletta il fatto che bisogna stare attenti alla modellizzazione semplificata. C’è un grado di dettagli nell’attività che è molto alto e che richiede un’altra cosa. La maggior parte dei modelli pubblicati nella letteratura e la maggior parte di ciò che si ottiene nei corsi, ti danno una soluzione diretta, più o meno sofisticata, a un problema ben comportato.

Quindi hai un problema che ha una bella struttura, qualcosa che perché gli insegnanti, ho insegnato all’Università, non vuoi passare due ore a scrivere tutte le variabili. Quindi presenterai il problema in modo che abbia al massimo 10 variabili e così non passerai due ore a presentare tutti i fattori del problema. Quindi vuoi qualcosa che può avere al massimo 10 variabili, al massimo tre equazioni e finisci con esso e vai avanti.

Il che è fuorviante perché la realtà è che la realtà viene con molti dettagli e quindi, cosa ti lascia? Ti lascia che ricevere una soluzione, un modello, è inutile. Non è sufficiente. Non è sufficiente perché beh, non sai mai esattamente la tua situazione. Proverai a modellarlo poi scoprirai qualcosa e poi rivedrai la tua modellizzazione.

E forse dirai, okay questa cosa è troppo complessa da modellizzare, mi arrendo. Ma devo reintrodurre quest’altra variabile che avevo ignorato perché in effetti, è stato un errore ignorarla. Incide davvero sul mio funzionamento. E quindi il modello stesso, ancora una volta se guardiamo la prospettiva tipica dell’Accademia, è il modello è dato. Ci sarà una prova, ci saranno forme canoniche e quant’altro.

E questo è esattamente ciò che otterrai con la programmazione intera mista dove hanno una serie di problemi che possono essere risolti facilmente con forme canoniche e quant’altro. Ma la realtà è che quando stai affrontando una vera e propria supply chain, hai un problema in continua evoluzione e impari applicando lo strumento, qualunque esso sia, al problema e rivedi.

E all’improvviso ti rendi conto che ciò che conta è più che hai bisogno di qualcosa che è di nuovo più astratto, qualcosa che ti permette di passare in modo rapido ed efficiente da un’istanza del problema alla successiva istanza del problema e continuare a farlo. Il che significa ogni sorta di cose. Deve essere computazionalmente veloce, deve essere versatile in modo da poter esprimere ogni sorta di soluzione diversa. Dovrebbe essere abbastanza comodo da collegare al resto del tuo panorama applicativo.

Quindi si presenta con molte preoccupazioni extra che, ancora una volta, se guardi la tipica letteratura di ottimizzazione matematica, quelle preoccupazioni che ho appena menzionato non sono nemmeno elencate. Puoi andare dalla prima all’ultima pagina del libro e in nessun punto discuterebbero, beh, a proposito, questo metodo è super lento, impraticabile o questo approccio è così rigido che alla minima revisione del modello, dovresti buttarlo via completamente e ricominciare.

O questo approccio è così incline agli errori che sì, in teoria, potresti farlo in quel modo se sei come la NASA e hai ingegneri super brillanti e un decennio per affrontare il problema. Ma in pratica, se sei di fretta e quant’altro, non decollerà mai. Quindi ci sono molte preoccupazioni meta che sono molto, molto importanti. E ancora una volta, credo che potrebbe essere collegato al tipo di cose che stai facendo con Seeker e come stai anche pensando a questa classe di problemi.

Meinolf Sellman: Sì. E voglio dire, se guardi, sai, tornando a quello che dicevi prima, che stiamo sempre cercando una soluzione miracolosa qui, giusto? Quindi, hai assolutamente ragione, Joannes, quando le persone modellano il business, e probabilmente questo è ciò che interessa al pubblico qui, è dire, ehi, come otteniamo risultati migliori, più tangibili per il business?

Sei, in qualche misura, costretto a fare un’approssimazione della vita reale nel computer e a simulare, giusto? Voglio dire, in un modo o nell’altro, puoi pensare a qualsiasi modello di ottimizzazione come a una simulazione di, ehi, cosa succederebbe se faccio questo? E poi calcoli cosa succederebbe, giusto? È ancora qualcosa che il piano può ancora eseguire, che chiameremmo fattibile nella terminologia dell’ottimizzazione?

Quindi, rispetta tutti i vincoli laterali? Questo è eseguibile. Ma poi, in secondo luogo, anche, quanto è buono in realtà, giusto? Che la funzione obiettivo, quindi è così che misuriamo il KPI che stiamo cercando di ottimizzare, è chiamata. Lo sapresti, quindi, quindi sarebbe meglio. Ma il punto ora è, se corri in giro e l’unico strumento che conosci è un martello, ti ritroverai a mettere chiodi sopra le tue finestre per appendere le tue tende a un certo punto.

Ed è un’idea molto, molto cattiva. E questo è più o meno quello che fanno le persone del MIP quando si occupano di cose come la supply chain e l’ottimizzazione sotto incertezza in generale. Perché stanno usando uno strumento che è fatto per l’ottimizzazione deterministica e per quello, è assolutamente favoloso. Ma ti costringe a fare approssimazioni sia dal lato del determinismo versus non determinismo o incertezza, dovrei dire, perché il non determinismo ha un altro significato in quel contesto.

Di linearizzare tutto, ci sono così tante relazioni in un’azienda che non sono affatto lineari. E poi la domanda è, okay, quindi puoi in qualche modo approssimare quello? Puoi adattare una funzione lineare a pezzi alla tua funzione non lineare? Puoi binarizzare le cose? È quello che sta succedendo?

Ora, per rendere più tangibile al pubblico, se stai gestendo un’azienda, diciamo che sei l’amministratore delegato di un’azienda, certo, intendo dire che puoi semplicemente andare da Lokad e dire: “Ehi, lo compreremo da voi,” e loro si prenderanno cura di te. Ma diciamo che hai un’altra azienda che fa questo per te, o hai il tuo dipartimento che lo fa, cosa dovresti fare per ottenere operazioni migliori?

Quindi, potresti ora essere incuriosito e dire: “Oh, c’è questa tutta altra cosa e sai, un 20% in meno di costi operativi sembrava fantastico. Come faccio ad ottenerlo?” La prima cosa che devi fare è chiedere: “Qual è il nostro processo? È un processo di previsione e ottimizzazione?” Ma poi anche, “Quali libertà abbiamo preso nel modellare il vero sistema con cui stiamo effettivamente lavorando? Dove stiamo approssimando?”

E quindi, quello che dovresti seguire per entrambi in realtà, al fine di vedere qual è la discrepanza, è dire: “Okay, guarda, il tuo modello di ottimizzazione aveva una funzione obiettivo. Diceva che preferivo questa soluzione rispetto a quest’altra perché la mia funzione obiettivo, che dovrebbe approssimare il vero KPI, è migliore per questa soluzione rispetto a quell’altra. Ora dimmi, per la soluzione ottimale, qual è il mio KPI atteso?”

E poi segui quello, segui quello e confrontalo con le tue reali soluzioni e risultati del tuo sistema che stai effettivamente ottenendo. Quindi, se stai minimizzando i costi, segui i costi e guarda la differenza tra quello che il MIP pensava che i costi sarebbero stati e quali sono effettivamente i tuoi costi reali. O sai, se stai massimizzando il profitto, beh, segui quello. Ma il punto qui è questo, segui, guarda la differenza tra quello che è stato usato per prendere la decisione rispetto a quello che poi si materializza effettivamente.

E ci sono due fonti per qualsiasi discrepanza. La prima è che sei stato costretto a far rientrare il tuo sistema in un framework di modellazione che era troppo restrittivo. Questa è una cosa negativa. O l’altra è che hai semplicemente ignorato che c’è incertezza e da lì viene la discrepanza. Se vedi più di una discrepanza del 5%, devi parlare con uno di noi.

Joannes Vermorel: E aggiungerei alla tua ricetta, e concordo sul tuo processo di pensiero che hai appena delineato, aggiungerei anche qualcosa che di solito raccomando anche prima di questo processo. Quindi qualcosa che all’inizio, all’inizio, è perché c’era come il problema con gli strumenti sbagliati, ma direi anche prima di quello, c’è anche il problema di avere i concetti sbagliati, le idee sbagliate.

Solo per darti un esempio, la nozione di fattibilità che si trova nella letteratura classica sull’ottimizzazione. Le persone direbbero: “Oh, c’è una soluzione che è fattibile o non fattibile.” Okay, diamo un esempio concreto. È qualcosa che è davvero bianco e nero così?

Solo per fare un esempio, siamo in un magazzino e passiamo ordini ai fornitori regolarmente. E il magazzino ha una capacità finita per le ricezioni. Quindi in un giorno qualsiasi, diciamo che può prendere al massimo 1.000 unità. Oltre a quello, non puoi. E ci sono cose che si accumulano davanti al magazzino solo perché le persone non possono portare le scatole dentro e così via.

Il problema è, diciamo che stai passando ordini di acquisto a fornitori d’oltremare. Non controlli esattamente le date di consegna. Sai che se organizzi le cose, in media, dovresti attenerti ai tuoi vincoli. Ma ancora, potresti essere sfortunato e poi c’era un ordine che è stato posticipato, un altro che è arrivato un po’ più velocemente, e poi bam, finisci con un lunedì in cui finisci con 2.000 unità che arrivano nello stesso giorno. Ma quegli ordini erano stati acquistati con un mese di anticipo.

Quindi qui, vedi che questa è una soluzione in cui per ogni decisione che prendi, c’è una probabilità che finirai in una situazione non fattibile. Non è completamente sotto il tuo controllo. Quindi è ancora, sono il tipo di cose in cui dico che i concetti sbagliati sono quelli in cui è molto pericoloso è che quando analizzi la situazione con concetti un po’ obsoleti o troppo rigidi o inappropriati, il problema è che non riesci nemmeno a entrare nell’umore intellettuale che ti permette di apprezzare cosa ti porterà effettivamente il miglior strumento.

Quindi sei bloccato con fattibile, non fattibile. Beh, una volta che capisci che in realtà la fattibilità non dipende interamente da te, ovviamente ci sono cose che si scontreranno. Quindi se ordini fornitori dalla stessa area, lo stesso giorno, stessa quantità con gli stessi porti e così via, la probabilità che tutto arrivi alla tua porta lo stesso giorno esatto sono piuttosto alte. Quindi ti diffonderesti, ma anche lì hai una sorta di rischio.

E questo succede in molti, molti contesti. E questo è un esempio. Quindi qui vediamo che ciò che è dato per scontato, la fattibilità, una soluzione fattibile, una soluzione non fattibile, non è esattamente così. Questo è, vedi, il concetto è un po’ fuori.

Un altro modo sarebbe il livello di servizio. Le persone penserebbero in termini di livello di servizio, sì, ma è davvero ciò che le persone percepiscono? È tipicamente dove mi impegno con la discussione sulla qualità del servizio. E la qualità del servizio può includere la possibilità di cannibalizzazione di sostituti o addirittura la volontà delle persone di posticipare. E improvvisamente finiamo con qualcosa che è molto diverso.

E quando vai dritto al problema con i concetti che avevi da questo mondo in cui l’incertezza non esiste, dove il tuo ottimizzatore è sempre classico, quindi non stocastico, allora il mio punto di vista è che molto probabilmente, il tipo di percorso che proponi sembrerà incomprensibile. Quindi è per questo che di solito incoraggio i miei potenziali clienti a fare una pausa e davvero fare un esercizio di briefing e iniziare a guardare il mondo attraverso lenti diverse e prendersi il tempo per considerare queste cose con questo tipo di sensazione viscerale prima di tuffarsi nelle tecnicità che possono essere molto distrattive perché sono un po’ tecniche, più è un software, più è un po’ di matematica, più è ecc, ecc. E questo può essere una grande distrazione, specialmente se hai fornitori concorrenti che stanno buttando un sacco di sciocchezze nel mix come, “Oh, vuoi fare tutto questo? Sai cosa, ho la risposta per te, LLMs. E sai cosa, avevi questa incertezza ma abbiamo LLMs, Large Language Models. Sarà, sai, quelle previsioni, non crederai a quanto saranno buone. E l’ottimizzazione con LLMs, è così buona.”

È vero? Ovviamente, quando le persone pensano: “Okay, sto solo…” Sì, perché almeno a Lokad, quando parliamo con i potenziali clienti, il problema è che non parliamo mai da soli con il potenziale cliente. Ci sono come mezza dozzina di altri fornitori che stanno anche proponendo le loro cose e spesso stanno proponendo un sacco di sciocchezze. E quindi i potenziali clienti sono semplicemente sopraffatti da tutte queste cose luccicanti e queste affermazioni stravaganti.

Conor Doherty: Mi viene in mente che entrambi avete appena delineato uno dei principali problemi nel convincere le persone ad aderire all’ottimizzazione stocastica e a qualsiasi altro tipo di tecnologia a scatola nera. Potrebbe essere la previsione probabilistica o qualsiasi cosa che coinvolga la matematica, in pratica, c’è una barriera all’ingresso fino a un certo punto. E quindi, Meinolf, per tornare a te, nella tua esperienza, come cerchi di, perché sei molto bravo nell’insegnare, come fai esattamente a far sentire le persone a loro agio nell’abbracciare il tipo di incertezza di cui abbiamo parlato per un’ora?

Meinolf Sellman: Potrebbe esserci una disconnessione cognitiva in questo momento con il pubblico dove dicono tipo: “Okay, quindi ci avete detto che le compagnie aeree stanno perdendo la camicia il giorno dell’operazione, ma per qualche motivo, sono state adottatrici di questa tecnologia per decenni. Perché diavolo non stanno usando le cose di cui parlano Lokad e InsideOpt?” E la ragione è esattamente quella a cui stai alludendo.

Se voleste fare l’ottimizzazione stocastica per qualcosa come una compagnia aerea, aumentereste la dimensione del problema fino a un punto in cui non siete più in grado di risolverlo. Le persone che lavorano nell’industria aerea e fanno l’ottimizzazione per essa sono molto esperte e sanno, ovviamente, dell’ottimizzazione stocastica e di quella tradizionale, ma è sempre stata basata su MIP.

Non voglio diventare troppo tecnico qui, ma essenzialmente quando stai cercando qualcosa, ci sono due modi in cui puoi cercare. Uno di loro è dire: “Oh, ho trovato qualcosa che è già buono. Vediamo se posso migliorare questo.” E l’altro modo è dire: “Non troverò mai qualcosa qui.” MIP funziona dicendo: “Oh, non devo guardare qui. Non può essere qui,” e poi guarda da qualche altra parte.

Ora, se il tuo spazio di ricerca è vasto, e se questa cosa che ti dice: “Non devi guardare qui,” non funziona molto bene, quindi è un po’ come: “Sì, non sembra, ma non posso escluderlo neanche,” allora continui a cercare ovunque, e diventa molto più efficace andare a guardare dove è già piacevole, diciamo così.

Quindi, se stai cercando di fare l’ottimizzazione stocastica con la programmazione intera mista, che funziona un po’ in questo modo in cui stai dicendo: “Oh, so che non ci può essere nulla lì,” i tuoi cosiddetti limiti duali non saranno mai abbastanza buoni per tagliare la base di ricerca fino a un punto in cui puoi effettivamente permetterti di fare la ricerca. E qui la gente è rimasta bloccata per 20-25 anni.

E ora, c’è questo nuovo modo di fare le cose, che è essenzialmente una ricerca basata sull’IA, che dice: “Guarda, non mi importa se otterrò una sorta di limite di qualità per la soluzione che otterrò, ma invece, ti assicuro, passerò tutto il mio tempo cercando di trovare la migliore soluzione possibile nel tempo che ho per fare il lavoro.” È molto pragmatico e pratico, e ora esiste.

In quel contesto, ti liberi improvvisamente anche di tutte le altre catene con cui dovevi fare i conti in precedenza, come il fatto che devi linearizzare e binarizzare tutto. Tutte queste cose sono sparite. Puoi fare l’ottimizzazione non differenziabile, non convessa con uno strumento come InsideOpt Seeker, e modellare questi problemi in realtà non è più un problema.

Ci sono un paio di altri vantaggi che ne derivano, come la parallelizzazione della programmazione intera mista. Questo approccio di ramificazione e limitazione è molto difficile da fare. I miglioramenti di velocità che ottieni sono limitati. Sei fortunato se ottieni un aumento di velocità di cinque volte su una macchina ragionevolmente grande. Questa ricerca basata sull’IA beneficia davvero dal lanciare 40-100 core su un problema.

E quindi, questo va di pari passo con lo sviluppo dell’hardware, che questa potrebbe effettivamente essere la tecnologia migliore da utilizzare. Ma la linea di fondo è che, utilizzando un modo diverso di cercare in questi vasti spazi, stai permettendo agli utenti di modellare molto più comodamente il sistema reale rispetto a una qualche approssimazione grezza di esso.

E allo stesso tempo, gestire cose come l’ottimizzazione multi-obiettivo. Raramente è solo un KPI che conta, ce ne sono molti. Gestire cose come, “Oh, voglio principalmente che questa regola venga rispettata qui, ma va bene se ogni tanto viene disattesa.” Quindi, va bene se c’è uno scenario in cui quella visibilità non si mantiene. Puoi modellare questo molto facilmente.

E ovviamente, puoi fare ottimizzazione stocastica, non solo nel senso che stai ottimizzando i rendimenti attesi, ma puoi addirittura ottimizzare attivamente, limitare, minimizzare il rischio che stai correndo con le tue soluzioni. E questo è il cambiamento di paradigma. Questo è ciò che penso guidi Lokad e InsideOpt, per dire, “Ehi, guarda, c’è un nuovo paradigma completamente nuovo che possiamo seguire, che ci permette di fare tutte queste cose che erano semplicemente impensabili per i tre decenni passati.”

Conor Doherty: Joannes, stessa domanda.

Joannes Vermorel: Grazie. Sì, e vorrei anche sottolineare, all’inizio degli anni 2000 quando ho iniziato il mio dottorato, che non ho mai finito, la cosa interessante è che la convinzione della comunità di apprendimento automatico e della comunità di ottimizzazione sui problemi fondamentali dell’ottimizzazione si è rivelata completamente sbagliata.

Quando ero al mio dottorato, la convinzione era la maledizione della dimensionalità. Se hai un problema super ad alta dimensionalità, non puoi ottimizzare. E ora, con i modelli di deep learning, stiamo affrontando modelli che hanno miliardi o addirittura trilioni di parametri. Quindi, a quanto pare, sì, possiamo ottimizzare i problemi, nessun problema.

Poi, pensavano, se non è convesso, non puoi fare nulla. Si scopre che no, in realtà puoi fare molte cose anche se non è convesso. E infatti, non abbiamo alcuna prova, ma se hai qualcosa che è, secondo altri criteri, abbastanza buona e utile, non importa davvero che non puoi dimostrare che è l’ottimale, finché hai altri modi per ragionare sulla soluzione e che diresti, beh, non posso ragionare sull’ottimalità, ma posso comunque ragionare sul fatto che è un’ottima soluzione anche se non ho la prova matematica.

E c’era come tutta questa serie di cose dove anche l’idea di, per molto tempo, l’unico modo che avevo, quando guardavo l’ottimizzazione stocastica, la gente diceva, “Oh, quello era quello che stavi menzionando riguardo all’aumento della dimensione. Diciamo okay, quindi stai per delineare mille scenari e scrivere quei mille scenari come una sola situazione che vuoi ottimizzare in una volta.”

È solo un’espansione macro. Prendi semplicemente il tuo problema, espandi questo problema in mille istanze, e questo ti dà un problema che è mille volte più grande. E poi dici, “Okay, ora sono tornato al punto di partenza. Posso effettivamente ottimizzare questo.” Ma facendo ciò, avevi già, con i vecchi paradigmi di ramificazione e limitazione, una terribile scalabilità.

Quindi se il tuo primo passo è espandere il tuo problema di un fattore di 1.000, sarà assolutamente drammaticamente lento. E quello che ha sorpreso, credo, ad esempio, la comunità di apprendimento profondo è stata l’incredibile efficienza della discesa del gradiente stocastico, dove puoi semplicemente osservare le situazioni e appena spostare un po’ i parametri ogni volta che osservi qualcosa.

E c’erano un sacco di intuizioni. E la cosa interessante che ho visto negli ultimi due decenni è che l’apprendimento automatico e l’ottimizzazione sono progrediti fianco a fianco, per lo più distruggendo le credenze precedenti. È stato un processo molto interessante.

La maggior parte dei progressi nell’apprendimento profondo è arrivata attraverso migliori strumenti di ottimizzazione, un migliore utilizzo dell’algebra lineare e delle GPU, tipi speciali di hardware per computer, e l’ottimizzazione matematica. Sempre più si utilizzano cose provenienti da tecniche di apprendimento automatico dove non si vuole cercare a caso.

Ci sono posti in cui dici, “Beh, queste cose qui, non posso dimostrare nulla, ma sembra davvero brutto.” Quindi, e sembra proprio brutto, tutto questo quartiere è come super schifo, quindi devo guardare altrove. E anche, altre considerazioni come, “Ho già passato molto tempo in questa zona cercando, quindi forse anche se è una buona zona in generale, ho già passato così tanto tempo lì, allora forse dovrei cercare da qualche altra parte.”

E questa è una sorta di tecnica di ottimizzazione, ma che è molto, direi, orientata all’apprendimento automatico nel modo di pensare. E la mia opinione è che forse tra 20 anni, potrebbe esserci un dominio che si è fuso, che è come l’ottimizzazione dell’apprendimento automatico, e non si differenziano realmente i due.

È una delle cose che ho avuto nel mio radar per due decenni, e ogni anno che passa, vedo questa convergenza graduale. Ed è molto intrigante perché sento che ci sono concetti che mancano ancora.

Meinolf Sellman: Sì, e mi concentrerò su una cosa che hai detto lì. L’apprendimento automatico è fantastico quando hai giochi ripetuti. È come contare le carte nel blackjack. Non puoi garantire che vincerai, c’è ancora la possibilità che la previsione sarà errata, ma se giochi quel gioco ripetutamente, hai improvvisamente un grande vantaggio.

Ed è per questo che ho detto prima, “Guarda, traccia i tuoi risultati operativi, il tuo profitto, il tuo costo, o qualsiasi cosa tu stia facendo per un certo periodo di tempo.” Perché in un qualsiasi giorno, la soluzione che hai eseguito può essere errata. È un po’ come qualcuno che dice, “Oh, sto per lanciare questo dado, e se esce un quattro, allora perdi e devi pagarmi un dollaro per giocare. Ma se è qualcosa diverso da un quattro, ti darò un milione di dollari.” E poi gli dai il dollaro e lanci il dado ed è un quattro. Era la decisione giusta da prendere, giusto? Perché se giochi quel gioco ripetutamente con quella strategia di accettare quel gioco perché il valore atteso è, ovviamente, così alto e la perdita in ogni caso è molto gestibile, guadagni improvvisamente un vero vantaggio. E questo è un po’ il nome del gioco quando usi l’apprendimento automatico nell’ottimizzazione. Questo è esattamente questo paradigma di ricerca basata sull’IA. Lo chiamiamo ricerca iperreattiva. Non so come lo chiamate voi alla Lokad, ma è esattamente questa idea, giusto?

Posso, per i tuoi problemi, quindi questo è un po’ ciò che guida InsideOpt Seeker. Questo è ciò che il risolutore farà per te una volta che sai qual è il tuo modello e quali problemi stai risolvendo. E cosa, ora ogni giorno, hai questi problemi operativi che devi decidere. Cosa sto per arrostire oggi? Quanto inventario sto per spostare oggi e dove? E hai quelle istanze che devi fare nel corso di molte diverse settimane e giorni di produzione.

Poi vai e chiedi al risolutore, “Ehi, sai, guarda le tue strategie su come stai effettivamente cercando in questo spazio. Avresti potuto trovare soluzioni migliori se avessi cercato in modo diverso?” E poi guarderà esattamente le caratteristiche di runtime come quella che hai menzionato, Joannes, come, “Oh, quanto tempo è passato da quando ho guardato in un altro posto?” Quindi sembra che ho cercato a fondo questa intera idea qui. Vediamo se posso fare qualcos’altro.

E altri simili, giusto? E quelle caratteristiche di runtime influenzano poi altre decisioni come quante cose sono disposto a modificare allo stesso tempo, giusto? Dovrei effettivamente fare un’indagine? Quindi se è solo molto recente che sono arrivato in qualche spazio di ricerca, potrebbe essere un’idea molto, molto buona essere molto avido, per dire, “Ehi, qualsiasi mossa di miglioramento la prenderò subito per trovare una buona soluzione in quello spazio.”

Ma poi dopo un po’, sei stato lì per un po’, poi dici, “Beh, devo allargare un po’ i miei orizzonti qui perché potrei effettivamente essere bloccato in qualcosa che è solo localmente ottimale, ma globalmente ci sarebbe, avrei potuto impostare altre variabili molto meglio in modo che nel complesso avrei potuto fare qualcosa di meglio qui.” E questo è un po’ il cambiamento di paradigma adesso, giusto? Quindi si allontana da tutto questo pensiero di, “Puoi rilevare rapidamente che non c’è nulla qui?” a “Posso imparare a cercare meglio?” E questa è la rivoluzione.

Joannes Vermorel: Per saltare sulla ricerca AI. Sì, assolutamente. E specialmente con il tipo di problema che Lokad sta risolvendo per i nostri clienti, la maggior parte delle supply chain può essere affrontata in modo estensivamente avido, non tutto il tempo, ma estensivamente. E ci sono alcune ragioni darwiniane per questo. Se avessi situazioni di supply chain che erano davvero, direi, antitetiche a un approccio avido, sono state purgate, eliminate già perché le aziende non avevano il lusso di avere strumenti di ottimizzazione super sofisticati.

Quindi avevano bisogno, e molto spesso era letteralmente una considerazione di progettazione, che è, “Posso impostare la mia supply chain e i miei processi in modo tale da poter muovermi direzionalmente nella giusta direzione e comunque stare bene?” Quindi quella era tipicamente la guida principale a livello di progettazione. E poi infatti, quando entri nei dettagli, ti rendi conto che sì, intendo, puoi rimanere bloccato in alcuni brutti posti anche se direzionalmente stai ancora bene.

Quindi tipicamente, sì, Lokad si baserebbe ampiamente sulla prospettiva avida, andando fino in fondo con i gradienti quando li hai. E poi, infatti, fai il locale una volta che sei nella fase finale in cui vuoi fare i micro aggiustamenti e forse diventare un po’ più resiliente. Quindi se puoi fare qualche aggiustamento che non ti costa molto ma può darti molto più margine nelle operazioni, sarebbe solo per renderlo più concreto per il pubblico.

Diciamo, per esempio, che gestisci un magazzino. Pensi che ci sia come una possibilità dello 0,1% che tu sia a corto di cartone da imballaggio per spedire le tue cose. Può sembrare un evento a bassa probabilità, ma d’altra parte, sembra molto stupido una volta ogni pochi anni chiudere il magazzino solo perché sei a corto di cartone che è super economico. Quindi diresti, “Okay, è così poco che sì, teniamo un paio di mesi di cartoni extra.”

Perché sono piegati, non occupano quasi nessuno spazio, sono super economici. Quindi questo è il tipo di cose dove un po’ di ottimizzazione extra direbbe, la gente direbbe, “Oh, abbiamo un lead time di tre giorni per quei cartoni. Ne abbiamo già uno in stock per un mese.” La gente direbbe, “Oh, è abbastanza. Non ne abbiamo.” E poi fai la simulazione e dici, “Sai cosa? Hai ancora questo rischio dello 0,1%. È piuttosto stupido. Dovresti averne come tre mesi.”

E dire, “Okay, è molto economico, ma sembra davvero tanto.” Ma dire, “Beh, è super economico. Non occupa molto spazio. E perché rischiarlo?” Sai, questo è il tipo di cose che sono leggermente controintuitive dove ti rendi conto che è, sì, questa cosa succede solo una volta ogni pochi anni. Ma poi ci sono un sacco di cose che succedono una volta ogni pochi anni.

Ed è qui che avere una bella ottimizzazione che ti permette di coprire quelle cose che sono così infrequenti che per la mente umana, sembra che fosse un’altra vita. Voglio dire, le persone ruotano. Raramente rimangono due decenni nello stesso lavoro. Quindi probabilmente qualcosa che succede una volta ogni tre anni, il responsabile del magazzino non l’ha mai visto. I team, la maggior parte delle persone non ricorda nemmeno di aver visto la cosa.

Quindi c’è un limite a quello che puoi percepire quando è come sotto la soglia di percezione perché è troppo infrequente. Eppure è estremo. Ci sono così tante cose diverse che quando le metti insieme, ti rendi conto che no, voglio dire, è lo 0,1% più un’altra cosa che è a 0 più un’altra cosa. E ne aggiungi decine e decine e decine, e alla fine della giornata, finisci con qualcosa dove è come ogni mese c’è uno di quei problemi che avrebbe potuto essere prevenuto se stavi davvero tenendo conto del rischio.

Ma è un po’ controintuitivo perché è un po’ più di spesa in tutti i tipi di posti. Perché l’extra? Beh, l’extra è perché, beh, raramente ma quasi certamente, ti metti nei guai se non lo fai.

Meinolf Sellman: Sì, e questa è effettivamente la trappola in cui cadi quando hai effettivamente una soluzione ottimale dimostrabile. Sembra che, “Okay, quindi guarda, sai, questa è la mia soluzione ottimale dimostrabile, e ho buone previsioni.” Ma ora se le previsioni sono leggermente sbagliate, quella soluzione ottimale dimostrabile, perché ha spremuto l’ultimo centesimo dalla soluzione, è estremamente fragile. E a destra e a sinistra di quella previsione, le prestazioni calano e sono pessime.

E vuoi una tecnologia che ti permetta di dire, “Guarda, sì, il tuo profitto atteso è di 80 centesimi in meno, ma ora il tuo rischio di dover chiudere il magazzino è ridotto del 75%. Buon affare, giusto?” È un buon affare da fare. E questi sono esattamente il tipo di scambi che vuoi che la tecnologia trovi per te perché è molto, molto difficile per te dire, “Okay, guarda, sai, lascia che io limiti uno e ottimizzi l’altro,” perché poi cadi in un’altra trappola di trade-off.

Vuoi essere in grado di dire, “Guarda, ho tutte queste preoccupazioni. Cerca di trovare un buon compromesso. Trovami l’assicurazione più economica contro un evento tale e quale.” E questo è un po’, sai, forse chiude il cerchio su come abbiamo iniziato su quanto può essere difficile avvolgere la tua testa attorno alla decision-making e all’incertezza.

Ma questa è in sostanza ciò che è. L’errata concezione è che se avessi una soluzione che è ottimale per un futuro previsto, probabilmente funzionerà anche ragionevolmente bene per i futuri che sono solo leggere derivazioni di esso. E questo non è semplicemente vero. Devi cercare attivamente un ottimo piano operativo di compromesso che funzioni contro una grande massa di probabilità di futuri che possono effettivamente colpire. E lo vuoi in modo tale che effettivamente bilanci il tuo rischio e i tuoi rendimenti attesi in modo ragionevole.

Conor Doherty: Correggimi dove sbaglio, ma l’obiettivo finale dell’ottimizzazione stocastica sarebbe trovare, immagino, il compromesso ottimale o la decisione ottimale che bilancia tutti i vincoli e tutti i compromessi che devi fare. E questa non è la decisione perfetta, ma sarebbe il miglior compromesso per soddisfare tutte le decisioni o tutti i problemi separati, giusto?

Meinolf Sellman: Corretto. Potremmo farlo matematicamente, ma non voglio indirizzare le persone su quel sentiero. Il punto è questo: se avessi saputo esattamente cosa stava per succedere, molto spesso c’è una soluzione migliore che avresti potuto eseguire. Ma in assenza di conoscere perfettamente il futuro, e intendo perfettamente, non solo, sai, al 99,9% perfettamente, in assenza di ciò, devi eseguire un compromesso che è essenzialmente buono per tutte le diverse cose che potrebbero accadere.

E questo è esattamente ciò che l’ottimizzazione stocastica fa per te. E in questo modo, rimuove la fragilità. Potremmo dire che è un’ottimizzazione robusta, ma è un termine tecnico, quindi non possiamo effettivamente usarlo. Ma è questo il significato, giusto? Vuoi rimuovere la fragilità, vuoi rimuovere la fragilità nelle tue operazioni. Avere risultati molto affidabili, continui, ripetuti. Questo è ciò che l’ottimizzazione stocastica ti darà. E allo stesso tempo, i tuoi profitti attesi effettivamente aumenteranno oltre ciò che pensavi fosse possibile.

Perché se ti limiti alla performance della cross-validation e poi all’ottimalità dimostrabile, stai completamente perdendo il punto. C’è quello che pensi sia il costo di non conoscere perfettamente il futuro, è il costo di assumere nell’ottimizzazione, è il costo di assumere che conoscevi perfettamente il futuro. Questo è ciò che lo rende fragile, è che stai assumendo che quella previsione fosse corretta al 100%. E questo è come funziona la tecnologia di ottimizzazione tradizionale, e devi abbandonarla e iniziare a lavorare con la tecnologia moderna per raccogliere quel 20%, facilmente il 20% in costi operativi che puoi ridurre per le tue operazioni.

Conor Doherty: Beh, grazie. Penso che stiamo un po’ concludendo. Joannes, ti darò un ultimo commento e poi lo passerò a Meinolf per chiudere. C’è qualcosa che vuoi aggiungere?

Joannes Vermorel: Voglio dire, sì, la cosa intrigante è che la migliore “supply chain”, come appare, è quella in cui l’azienda continua a funzionare dolcemente, dove non c’è, direi, una decisione assolutamente critica e disastrosa che viene presa e che fa saltare tutto.

E questo è ciò che le persone si aspetterebbero, sai, come il piano di “supply chain” più brillante di sempre sarebbe identificare questo unico prodotto che è stato completamente ignorato dal mercato e dire, sai cosa, dobbiamo puntare tutto su questo unico prodotto che era super di nicchia e bam, vendere un milione di unità mentre nessuno stava nemmeno prestando attenzione. Dico che questo è magico. No, voglio dire, forse ci sono imprenditori tipo Steve Jobs che possono fare ciò, ma è quasi impossibile.

Quindi l’idea che tu possa prevedere il futuro, identificare il pepita d’oro, l’opportunità tipo bitcoin, e puntare tutto su quello e fare una fortuna, è molto ridicola. Come appare, direi, un’eccellente gestione della “supply chain” è che sta funzionando dolcemente. Hai decisioni consapevoli del rischio in modo che quando è male, è effettivamente molto moderatamente male. Quando è buono, è la maggior parte del tempo molto buono, quindi è molto solidamente redditizio. Quando è male, è un po’ limitato e non è orribile.

E quando rivedi una decisione, sai, torni indietro nel tempo e la guardi, sì, se avessi saputo, avrei fatto diversamente. Ma se faccio l’esercizio onesto di cercare di tornare al tipo di cose che sapevo all’epoca, dici, sì, era una sorta di ragionevole presa in considerazione all’epoca. E non confondere, non lasciare che il senno di poi inquini il tuo giudizio su questo, perché è molto negativo.

E sapevo, per esempio, che alcuni dei nostri clienti, non lo fanno più, ma l’aerospaziale, per esempio, dopo ogni singolo incidente AOG (aereo a terra), quindi c’è come una parte che manca e l’aereo non può più volare, avrebbero fatto come un’intera indagine post-mortem. Ma la realtà era, quando hai come 300.000 SKU che devi tenere in magazzino per mantenere l’aereo in volo tutto il tempo, voglio dire, avere parti che sono esaurite, specialmente quando hai alcune parti che sono mezzo milione di dollari e oltre in termini di prezzo per unità, è abbastanza ok non averle sempre prontamente disponibili.

Quindi quello che abbiamo indagato era che, per esempio, per questi AOG, erano esattamente come previsto secondo la struttura del rischio delle loro scorte. Quindi non c’era motivo di fare alcun tipo di indagine. E questo sarebbe il mio pensiero conclusivo, è che probabilmente il punto di vendita più difficile per l’ottimizzazione stocastica è che è abbastanza poco impressionante. Sai, è solo qualcosa che, sai, funziona dolcemente. I problemi sono molto meno gravi, i successi sono leggermente non così estremi ma molto più frequenti.

Ma ancora, cosa ricordi? Ricordi una squadra di calcio che vince costantemente, il 60-70% delle loro partite negli ultimi 30 anni? O ricordi questa squadra che continua a perdere tutte le partite ma in fila, vincono 10 partite contro le squadre più prestigiose? Quindi ovviamente, ricorderesti questa striscia assolutamente estrema di successi e diresti, oh, questo era incredibile. E ti dimenticheresti completamente del sorta di percorso noioso dove è solo eccellente in media, ma è solo la media, quindi non te lo ricordi.

Vedi, questa è la mia sorta di vibrazione. E penso che faccia parte dell’accettare che quello che otterrai dall’ottimizzazione stocastica sono decisioni dolci, non impressionanti, che si rivelano essere abbastanza buone in media. Quando sono cattive, sono leggermente cattive, niente, sai, non stai per perdere la camicia. C’è, c’è molto controllo dei danni in corso.

E quindi, voglio dire, la cosa divertente è che noi di Lokad, quando parliamo con i nostri clienti, molto spesso, hanno, quando siamo in produzione da qualche anno, avrebbero effettivamente poco da dire. Sai, il peggio, voglio dire, non il peggio, ma il miglior tipo di complimento dall’altro lato è, sai cosa, sei così senza eventi che stiamo un po’ deprioritizzando la “supply chain” nella nostra lista di preoccupazioni. Sei proprio come avere accesso all’acqua corrente, sai, è senza eventi, quindi non devi prestare molta attenzione, funziona più o meno. E va bene, sai, non siamo così bravi, sai, ovviamente, le “supply chain” non sono così senza eventi come l’approvvigionamento d’acqua, non ancora, ma c’è questa sorta di vibrazione.

Conor Doherty: Beh, grazie Joannes. Meinolf, come è consuetudine, diamo la parola finale all’ospite. Quindi, la parola è tua, e poi chiuderemo, per favore.

Meinolf Sellman: Sì, beh, grazie ancora per avermi invitato, Conor e Joannes. Voglio solo secondare quello che diceva Joannes, spesso scopriamo che i nostri team operativi sono sorpresi e i loro clienti non sono sorpresi. E questo è esattamente quello che vuoi. I team operativi sono sorpresi che all’improvviso le cose possano funzionare così bene, dove prima era sempre, sai, una volta alla settimana avevi una giornata infernale, e all’improvviso, sono come due mesi e dici, questo funziona e sai, niente pazzie, niente.

Ma ciò che è più importante è che i loro clienti non sono più sorpresi perché sono improvvisamente senza un servizio o qualcosa del genere. E questo è per quello che esiste la tua attività, ed è per questo che dovresti utilizzare questo tipo di tecnologia per gestire le tue operazioni perché non vuoi sorprendere negativamente i tuoi clienti. E poi puoi bere una margarita molto noiosa su una bella isola e goderti i tuoi rendimenti medi che vengono con una varianza molto bassa.

Conor Doherty: Beh, signori, non ho altre domande. Joannes, grazie mille per il tuo tempo. Meinolf, un vero piacere, e grazie per essere stato con noi. E grazie a tutti per aver guardato. Speriamo di vedervi la prossima volta.