00:00:00 Introduzione degli ospiti
00:01:27 Ruolo di Warren presso Optimal Dynamics e libro
00:03:06 Sfide e previsioni nel trasporto su strada
00:04:31 Articolo di Warren e comprensione dell’incertezza
00:06:41 Il percorso di Joannes e il successo nel software
00:08:12 Accettare l’incertezza e la prospettiva accademica sulla supply chain
00:09:39 Decisioni sequenziali e difficoltà di collaborazione nell’industria
00:11:13 Previsioni probabilistiche vs deterministiche
00:13:27 Metriche per le previsioni probabilistiche e comprensione delle difficoltà
00:15:28 Importanza della copertura delle previsioni e delle previsioni accurate
00:17:09 Il percorso di Lokad con le previsioni probabilistiche e le sfide
00:19:15 Difficoltà dei problemi di incertezza e mancanza di una comunità unificata
00:21:05 Decisioni e incertezza nella programmazione matematica
00:23:03 Esperienze di laboratorio diverse e applicazioni del libro ADP
00:25:07 Necessità di un set di strumenti nella supply chain e transizione a un nuovo approccio
00:27:35 Ottimizzazione deterministica e approssimazione della funzione di costo
00:29:57 Google Maps come esempio di previsione futura
00:31:51 Previsione futura stocastica e approssimazione della funzione di valore
00:33:21 Prospettiva di Joannes sulla presa di decisioni e definizione del problema
00:35:29 Importanza dello stato corretto, della funzione di transizione e della funzione di costo
00:37:28 Considerazione della dimensionalità del problema e dei problemi su larga scala
00:39:15 Fragilità delle soluzioni e confronto tra reti di supermercati
00:41:16 Approccio alla risoluzione dei problemi e scrittura di un libro sull’analisi della supply chain
00:43:44 Semplicità nella progettazione del modello e diversi tipi di incertezza
00:45:13 Importanza di un’iterazione rapida e dei vincoli del mondo reale
00:47:51 Importanza della trattabilità computazionale e sviluppo di strumenti grafici
00:50:27 Ruolo dell’istruzione nell’ottimizzazione e sfide dell’industria
00:53:11 Lavorare con i vettori e critica all’approccio accademico
00:55:23 Il percorso di Joannes dalle previsioni alla presa di decisioni
00:58:28 Difficoltà nell’accesso ai dati e gestione delle previsioni future
01:00:32 Importanza della considerazione delle grandi interruzioni e accettazione di modelli pessimistici
01:02:45 Variabilità nella supply chain e nell’industria della moda
01:04:43 Rinnovo dei prodotti annualmente e previsione dei nuovi prodotti
01:06:27 Importanza della modellazione dell’incertezza e critica alle regole aziendali
01:08:16 L’approccio di Warren all’ottimizzazione stocastica e alla gestione dell’inventario
01:09:56 Pianificazione delle contingenze e presa di decisioni in condizioni di incertezza
01:11:39 Importanza della spedizione in tempo reale nel settore dei trasporti su strada e selezione del carico corretto
01:13:27 Sfide nella presa di decisioni in condizioni di incertezza e problemi con individui istruiti
01:15:45 Limitazioni di Excel nel gestire l’incertezza e comprensione dei CEO
01:19:30 Limitazioni dei libri sulla supply chain e importanza di strumenti user-friendly
01:21:46 Iniziative educative di Lokad e creazione di set di dati pertinenti
01:25:01 Tre domande essenziali per la risoluzione dei problemi e sviluppo di categorie decisionali
01:27:48 La sfida dell’MBA non quantitativo e le aziende che seppelliscono le decisioni sotto i flussi di lavoro
01:30:26 Il prezzo della semplicità e l’apprendimento sequenziale come strumento decisionale
01:32:33 Insegnare il concetto di puntare più in alto e le sfide delle politiche rigide
01:34:34 Difficoltà di comprensione del concetto di esplorazione e importanza dell’apprendimento attivo
01:37:41 Differenze tra il settore dei trasporti su strada e la supply chain e dimensione del business dei carichi completi
01:40:04 Titolo del libro, scopo, stile di insegnamento e cinque elementi della modellazione
01:42:39 Lodi per Optimal Dynamics, Lokad e condivisione di idee accademiche
01:43:22 Conclusioni e ringraziamenti
Informazioni sull’ospite
Warren B Powell è Professore Emerito presso l’Università di Princeton, dove ha insegnato per 39 anni, ed è attualmente Chief Innovation Officer presso Optimal Dynamics. È stato fondatore e direttore del CASTLE Lab, che si è concentrato sull’ottimizzazione stocastica con applicazioni al trasporto merci, ai sistemi energetici, alla salute, al commercio elettronico, alle finanze e alle scienze di laboratorio, supportato da oltre 50 milioni di dollari di finanziamenti da parte del governo e dell’industria. Ha sviluppato un nuovo framework universale che può essere utilizzato per modellare qualsiasi problema decisionale sequenziale, compresa l’identificazione di quattro classi di politiche che coprono ogni possibile metodo per prendere decisioni. Questo è documentato nel suo ultimo libro con John Wiley: Reinforcement Learning and Stochastic Optimization: A unified framework for sequential decisions. Ha pubblicato oltre 250 articoli, cinque libri e ha formato oltre 60 studenti laureati e post-dottorato. Nel 2021 ha ricevuto il premio Robert Herman Lifetime Achievement Award dalla Society for Transportation Science and Logistics, nel 2022 il premio Saul Gass Expository Writing Award. È membro di Informs e ha ricevuto numerosi altri premi.
Riassunto
In un recente intervista a LokadTV, Conor Doherty, Joannes Vermorel e l’ospite Warren Powell hanno discusso delle previsioni probabilistiche e della presa di decisioni nelle supply chain. Warren Powell, professore emerito di Princeton e Chief Innovation Officer presso Optimal Dynamics, ha condiviso il suo percorso professionale e le sue intuizioni sulla pianificazione in condizioni di incertezza. Joannes Vermorel, CEO di Lokad, ha parlato del suo passaggio dai metodi deterministici alle previsioni probabilistiche, criticando la mancanza di applicazioni reali nell’ambito accademico. Entrambi hanno concordato sulla superiorità delle previsioni probabilistiche, nonostante la loro complessità e le difficoltà delle aziende nell’applicarle. La conversazione ha evidenziato la necessità di una prospettiva più ampia e di un approccio unificato per affrontare l’incertezza nella presa di decisioni.
Riassunto esteso
In un recente intervista condotta da Conor Doherty, responsabile delle comunicazioni presso Lokad, Warren Powell, professore emerito dell’Università di Princeton e Chief Innovation Officer presso Optimal Dynamics, e Joannes Vermorel, CEO e fondatore di Lokad, hanno partecipato a una discussione stimolante sulle previsioni probabilistiche e sulla presa di decisioni sequenziali nelle supply chain in presenza di incertezza.
Warren Powell, un esperto nel campo della presa di decisioni in settori complessi, ha iniziato condividendo il suo percorso professionale. Il suo lavoro è iniziato con la deregolamentazione del trasporto merci negli Stati Uniti, che lo ha portato a concentrarsi sulla pianificazione in condizioni di incertezza. Ha anche parlato del suo ruolo presso Optimal Dynamics, una startup con cui collabora, dove guida i suoi ex studenti di dottorato e riflette su nuove direzioni per l’azienda.
La conversazione si è poi spostata sul libro di Powell, “Reinforcement Learning and Stochastic Optimization”, che approfondisce il campo delle previsioni distribuzionali o probabilistiche. Powell ha condiviso un aneddoto su un’azienda che voleva capire il valore di offrire uno sconto a un trasportatore se fosse riuscita a prevedere i futuri carichi. Questo ha suscitato il suo interesse per l’argomento e lo ha portato ad esplorare le sfide delle previsioni nel trasporto su strada a carico completo a causa della sua natura stocastica.
Joannes Vermorel, d’altra parte, ha condiviso il suo passaggio dai metodi deterministici alle previsioni probabilistiche. Ha parlato della sua consapevolezza che i metodi deterministici non funzionavano e della necessità di abbracciare l’incertezza nei problemi di supply chain. Ha anche criticato la comunità accademica per la mancanza di applicazioni reali e per la sua focalizzazione sulla dimostrazione di teoremi e sull’esecuzione di lavori numerici.
La discussione si è poi concentrata sulla differenza tra previsioni deterministiche e previsioni probabilistiche. Powell ha spiegato che mentre le previsioni deterministiche forniscono un singolo numero su cui agire, non tiene conto della variabilità del mondo reale. Ha sostenuto che le previsioni distribuzionali, che forniscono una gamma di possibili risultati, sono superiori, anche se le aziende spesso faticano a capire e applicare questo concetto.
Vermorel ha concordato con Powell, aggiungendo che le previsioni probabilistiche richiedono metriche più complesse e una comprensione più approfondita delle distribuzioni di probabilità. Ha paragonato le previsioni deterministiche a guardare una piccola sezione dettagliata di una scrivania attraverso un microscopio, mentre le previsioni probabilistiche forniscono una visione più ampia e completa.
La conversazione si è conclusa con Vermorel che ha condiviso la sua esperienza nell’implementazione delle previsioni probabilistiche presso Lokad. Ha osservato che ci sono voluti diversi anni per capire come ottimizzare le decisioni basate su queste previsioni. Ha anche discusso della mancanza di una comunità o paradigma unificato per affrontare l’incertezza nel processo decisionale. Powell ha concordato, descrivendo il campo delle decisioni e dell’incertezza come una “giungla” a causa della varietà di diverse comunità, lingue e sistemi di notazione. Ha condiviso le sue diverse esperienze in vari settori, dal trasporto merci ai sistemi energetici, e come queste esperienze lo hanno portato a comprendere i limiti di certi approcci e la necessità di una prospettiva più ampia.
Trascrizione completa
Conor Doherty: Bentornati. Identificare ed valutare decisioni valide per la supply chain è difficile, soprattutto se si utilizzano ancora metriche tradizionali. Warren Powell, l’ospite di oggi, ha trascorso 40 anni analizzando il processo decisionale in vari campi complessi. Inoltre, ha scritto cinque libri, circa 250 articoli ed è un professore emerito di Princeton. Quindi, Warren, innanzitutto, bentornato da Lokad. In secondo luogo, per chiunque abbia perso la tua prima apparizione, potresti per favore presentarti di nuovo e dare a tutti un’idea di cosa hai fatto di recente?
Warren Powell: Beh, grazie per avermi invitato di nuovo. Ho avuto una carriera interessante. La mia carriera è iniziata quando il trasporto merci negli Stati Uniti è stato deregolamentato, e così mi sono trovato coinvolto in questa industria chiamata trasporto su strada. Una delle prime questioni di cui si è parlato è stata l’incertezza e come pianificare in presenza di incertezza, e questo ha praticamente definito la mia carriera. Ho lavorato su diverse applicazioni.
Ho concluso la mia carriera aiutando la mia startup, Optimal Dynamics, nel trasporto su strada, che è da dove è iniziata la mia carriera. Utilizziamo una varietà di tecniche, ma fortunatamente sono stato in grado di lavorare su abbastanza diverse applicazioni per capire che in questa cassetta degli attrezzi dell’incertezza c’è più di un solo strumento. Quindi, non vedo l’ora di questa discussione. È bello parlare con altre persone che condividono la mia passione per la modellazione dell’incertezza.
Conor Doherty: Grazie. Hai menzionato Optimal Dynamics. Sei il Chief Innovations Officer, il CIO. Non avevo mai sentito questo termine prima. Potresti spiegare cosa fai lì?
Warren Powell: A loro piace chiamarmi Yoda. Non sono coinvolto nella gestione. Nessuno lavora per me. Ci sono cinque dei miei ex studenti di dottorato che lavorano lì, e lavoro praticamente con loro come facevo quando ero professore in laboratorio. Aspetto che alzino la mano e dicano: “Ehi, abbiamo bisogno di aiuto”. Altrimenti, passo il mio tempo a pensare a cose e anche a pensare a nuove direzioni per l’azienda se si presenta l’opportunità.
Ma ogni tanto, vengo richiamato per aiutare con un problema, e ho trovato alcune nuove innovazioni che hanno aiutato. Ma sono qui principalmente per aiutare l’azienda quando hanno bisogno di aiuto, altrimenti mi piace stare fuori dal loro cammino. Ho imparato che come accademico, una delle sfide più grandi, specialmente quando si lavora con persone brillanti, è sapere quando aiutare e quando stare fuori dal loro cammino. E quindi, fortunatamente, questo mi ha dato molto tempo per scrivere libri e cose del genere.
Conor Doherty: In realtà, parlando di scrittura di libri, uno dei tuoi libri, “Reinforcement Learning and Stochastic Optimization”, è una delle cose di cui eravamo più interessati a parlarti. Il tuo approccio alla presa di decisioni e so che hai un interesse nell’approccio di previsione distribuzionale o probabilistica che fa Lokad. Quindi, per iniziare l’intervista nel modo giusto, cosa ti affascina così tanto della previsione distribuzionale che ha portato a questa conversazione oggi?
Warren Powell: Beh, la sfida più grande quando mi sono dedicato alla modellazione del mio problema di trasporto su strada, quindi nel trasporto su strada, il trasporto su strada completo è molto sparso. Potresti avere un carico che va da una coppia di città, o potresti non averlo. Quando invii un autista, ad esempio da Chicago ad Atlanta, quando arrivi ad Atlanta, ci sono carichi che vanno in direzioni molto diverse. Potresti avere un carico che va in Texas, o potresti non averlo. Quindi, hai qualcosa che è 0 o 1. Cosa prevedi? Fai zero o uno, o prevedi un 0,2, che è l’aspettativa più realistica?
Ho avuto un’azienda qui negli Stati Uniti, Schneider National, che negli anni ‘70 ha capito che stava arrivando la deregolamentazione, e hanno lavorato con un membro del corpo docente dell’Università di Cincinnati per costruire modelli di ottimizzazione precoci, ma erano tutti deterministici. E qualcuno di Schneider mi ha visitato a Princeton e mi ha guardato e ha detto, e questo era qualcuno con una laurea specialistica in ricerca operativa, “Warren, il trasporto su strada completo è stocastico.
Non sappiamo quali carichi saranno disponibili nemmeno domani. Ci piacerebbe sapere quale sarebbe il valore di dare uno sconto a un spedizioniere se ci dicesse i carichi in futuro.” E ricordo di essere seduto a quella cena pensando: “Oh mio Dio, che bella domanda.” Non è che non conosco la risposta, è che non so come pensarci.
Più tardi negli anni ‘80, ho scritto un articolo che chiamo il mio articolo del museo. In effetti, è su internet come l’articolo del museo. Ho cinque diversi modi di modellare questi problemi di trasporto su strada completo, tutti che affrontano l’incertezza in modo diverso, e sapevo perfettamente che nessuno di essi avrebbe funzionato. E così, lì ero io, alla fine degli anni ‘80, che pensavo: “Non so cosa fare. Nulla che esce dalla comunità accademica sta funzionando.”
Così è iniziato questo processo di decenni in cui avrei cercato di capire e avrei avuto questi momenti di illuminazione. E così ne ho avuto uno grande all’inizio del 2000. Schneider è venuto da me e ha detto: “Ehi, Warren, abbiamo davvero bisogno di aiuto. Potresti costruirci questo modello?” Quel modello alla fine è diventato il software fondamentale per Optimal Dynamics. Ma anche da quando è stato costruito quel modello, che poteva gestire l’incertezza, è stato quando è uscito il mio lavoro sulla programmazione dinamica approssimata.
Direi che ogni pochi anni, avrei un altro di questi grandi momenti di illuminazione. Infatti, anche da quando mi sono laureato, ne ho avuti alcuni altri. Voglio dire, questo campo è semplicemente incredibilmente ricco, e continuo ad avere questi momenti del tipo: “Oh mio Dio, non ci avevo mai pensato in quel modo.”
Conor Doherty: Joannes, è così che sei arrivato alla previsione probabilistica? Molti momenti di illuminazione?
Joannes Vermorel: Sì, in un certo senso. È stato per me un percorso leggermente diverso perché quando ho fondato Lokad nel 2008, ho seguito le teorie tradizionali della supply chain. Quindi, non è stato tanto che qualcuno mi abbia avvicinato e abbia pronunciato la parola stocastico. Sono abbastanza sicuro che la maggior parte delle persone che ho incontrato fino a molto tardi nella mia vita, se avessi pronunciato la parola stocastico, non sarebbero state sicure se stessi parlando di una variante di elastico o qualcos’altro.
Ma comunque, erano intelligenti, ma non erano statistici o probabilisti o cose del genere. Quindi il mio percorso è stato più come durante i primi anni di Lokad, ho effettivamente applicato quei metodi deterministici con un certo successo come fornitore di software aziendale, il che significa che sei riuscito effettivamente a vendere le tue cose. Non significa che funzionino effettivamente, sai, sono due metriche diverse. Puoi avere successo come fornitore aziendale e ancora non avere nulla che funzioni effettivamente.
Ci sono stati concorrenti che hanno fatto tutta la loro carriera facendo solo questo. Ma ci sono voluti alcuni anni per rendermi conto che non stava funzionando e che non avrebbe mai funzionato. La prospettiva tradizionale, la prospettiva della supply chain, che si basa su questa prospettiva completamente deterministica in cui non c’è incertezza, il successo non era dietro l’angolo. Non si trattava di ottenere ancora questo ulteriore 1% di accuratezza delle previsioni che improvvisamente avrebbe fatto funzionare tutto.
No, ci sono voluti parecchi anni, più o meno quattro anni, per abbandonare l’idea che nonostante i progressi nella previsione, nonostante il miglioramento del processo, il miglioramento di tutto, no, il successo non era dietro l’angolo. E quindi abbiamo avuto questo momento di illuminazione, ma è stato più per disperazione che come conseguenza di una grande conversazione con qualcuno che mi ha illuminato. Quindi, comunque, ci siamo arrivati un po’ alla volta. Ci è voluto tempo. Ma direi che ora, a distanza di un decennio, è ormai dolorosamente ovvio. Direi che i miei primi anni a Lokad sono stati dedicati a cercare di affrontare i problemi della supply chain senza abbracciare l’incertezza. È stato un vicolo cieco, e beh, ci sono voluti alcuni anni per arrivarci.
Warren Powell: Quali sono le sfide che ho riscontrato, se posso, quindi venendo dal lato accademico, quindi Joannes, quando parlo con te, mi sembra quasi di parlare con un collega accademico, ma tu provieni dal settore industriale. Il mio laboratorio è stato insolito fin dall’inizio. Ho dovuto uscire e bussare alle porte delle aziende e parlare con loro per ottenere finanziamenti. La National Science Foundation, che finanzia molti accademici, aveva una politica esplicita nel mio campo. Dicevano: “Non finanziamo la ricerca. La benediciamo. Vai a prendere soldi dall’industria, e poi spargeremo la polvere di angelo della NSF.”
Ma abbiamo troppi accademici, e questa situazione persiste ancora oggi, dove non collaborano con l’industria, quindi lavorano con modelli inventati e dimostrano i loro teoremi, eseguono i loro calcoli numerici, ed è tutto all’interno della comunità accademica. Questo è particolarmente vero per l’ottimizzazione stocastica. Non è così vero per il machine learning. Gli esperti di machine learning escono, ottengono set di dati reali, adattano i modelli.
Non è nemmeno vero per l’ottimizzazione deterministica. Non c’è carenza di ottimizzazione deterministica nel mondo reale. Ma quello che mi piace chiamare decisioni sequenziali, che, tra l’altro, mi allontana da quella parola stocastica, c’è qualcosa in quel campo in cui c’è un oceano di articoli su modelli inventati dagli accademici che non capiscono davvero quali siano i problemi reali perché è difficile lavorare con l’industria, e devi coinvolgere le aziende, e io ho avuto aziende. Hanno dovuto lavorare su quello che in seguito hanno chiamato il bleeding edge, dove dovevano essere l’azienda in cui ho imparato cosa funzionava e cosa no.
Quindi è davvero un problema di come lavorano gli accademici. Una cosa, ho avuto una carriera di pubblicazione di successo, ma alla fine, ero come “Sai, è un po’ un gioco”. Sai, per essere pubblicato, devi seguire uno stile specifico che vogliono le riviste, e la comunità di ottimizzazione stocastica non è una sola comunità. Sono più di una dozzina. Hanno tutte le loro lingue, stili e piccoli strumenti e tecniche, e ne sono tutti molto orgogliosi, dimostrano i loro teoremi e persino eseguono calcoli, ma quasi nulla di tutto ciò funziona in pratica.
Conor Doherty: Bene, grazie. Per sottolineare il punto, la differenza tra un approccio puramente accademico e uno più pratico, stavamo parlando dell’approccio deterministico alla previsione rispetto a quello distribuzionale o probabilistico. Userò semplicemente il termine probabilistico per comodità. Warren, a te per primo, per spiegare alle persone che potrebbero sentirlo per la prima volta ancora una volta, questa dicotomia. Qual è la differenza dal tuo punto di vista tra l’approccio deterministico alla previsione e quello probabilistico e perché il probabilistico, diciamo, è superiore secondo te?
Warren Powell: Ok, quindi ogni volta che incontro qualcuno del settore che usa la parola previsione, dico subito ok, intende previsione puntiforme. A tutti piace la previsione puntiforme. Vogliono sapere, “Venderò 500 widget o due auto o ci saranno sei camion di merci.” Amano quel numero perché è fattibile. Dice: “Oh, ci saranno sei camion, quindi devo avere sei autisti.”
La sfida è, e tra l’altro, questo accade ogni giorno nel trasporto su strada. Avrai un trasportatore importante, ma sa di essere uno dei tuoi migliori trasportatori e chiamerà e, citando le parole di un dispatcher, dirà: “Guarda, questo ragazzo può chiamare e avere bisogno di 10 o 20 camion.” Beh, è piuttosto frustrante, ma è il mondo reale nella pianificazione dei trasporti. Ma nei modelli di previsione, tutta la matematica è progettata per ottenere un singolo numero.
Alle persone piace anche un singolo numero. È fattibile, è facile da capire. Se dici: “Guarda, sarà tra 10 e 20”, sai, quanti autisti dovrei avere per soddisfare una domanda che è tra 10 e 20? Beh, ti dirò cosa fanno i camionisti. Diranno: “Beh, questo è un camionista molto importante. Forse non avrò 20 autisti, ma forse ne avrò 17. Ma se arriva e ne ha bisogno solo di 12, prenderò quei cinque autisti e li manderò da qualche altra parte.” E avranno quello che in ottimizzazione è noto come una risorsa. È come dire: “Beh, se succede questo, allora farò questo.”
Ma a tutti piace quella previsione puntiforme. Ho iniziato a fare previsioni distribuzionali negli anni ‘90 e stavo lavorando con Yellow Freight. Ho detto: “Guarda, mi piacerebbe fare intervalli di confidenza”, e loro sono tornati indietro e hanno detto: “I nostri ragazzi non sanno come gestire questo.” Il nostro problema più grande, non molto tempo fa, stavamo lavorando con un grande spedizioniere e si sono entusiasmati molto per le previsioni distribuzionali e poi si sono girati e hanno detto: “Sì, beh, prendiamolo e vediamo quanto è accurato.” Vedo Joannes sorridere. È come dire: “Ok, quindi come affronti la domanda, ‘Oh, queste previsioni distribuzionali sono fantastiche, sembrano interessanti. Quanto sono accurate?’ Come rispondi a questa domanda, Joannes?”
Joannes Vermorel: Sì, intendo, con qualcosa come entropia incrociata o qualsiasi altra metrica che funziona per le previsioni probabilistiche, CRPS è un’altra. Ma in effetti, è così. Quando entri nel campo di quelle distribuzioni di probabilità, hai comunque delle metriche, ma non sono come quelle metriche facili e intuitive che puoi letteralmente spiegare ai bambini delle scuole medie e loro capirebbero. La norma uno, la norma due, alle scuole medie, capisci un po’. Qual è la distanza?
Quando entri nelle distribuzioni di probabilità, ad essere onesti, non è così difficile. Non è particolarmente difficile se vai per, diciamo, la massima verosimiglianza o qualcosa del genere. Non è qualcosa per cui devi avere un dottorato in statistica per capirlo, ma ci vorrà più di 2 minuti. E poi l’intuizione, probabilmente dovrai passare attraverso il movimento del formalismo e ci vorrà circa mezz’ora, forse due ore se sei molto ignorante.
Warren Powell: Sì, e a quel punto, le persone del settore commerciale, i loro occhi si stanno appannando e stanno pensando: “Oh sì, ho capito. Quindi quanto è accurato?”
Joannes Vermorel: È qualcosa di molto strano. Si tratta di avere una previsione più ricca. Quando prendiamo queste decisioni che vogliamo ottimizzare, si tratta di migliorare il tipo di profondità della tua visione. Cosa vedi? Voglio dire, stai facendo una proiezione sul futuro, una dichiarazione sul futuro. Ma quanto non accurato, ma quanto completo, quanta copertura hai nella tua previsione?
Quindi è qualcosa di molto insolito perché le persone direbbero con una previsione puntiforme, avrebbero qualcosa di incredibilmente preciso. È un po’ come se prendessi un microscopio e ingrandissi mille volte un punto della tua scrivania. Quindi puoi prendere il tuo microscopio e guardare un millimetro quadrato sulla tua scrivania e hai una visione perfetta, ma il resto della tua scrivania, non vedi niente. E le persone dicono: “Oh, sai cosa? Penso che abbia bisogno di un microscopio più grande in modo da poter guardare questo millimetro quadrato ancora più attentamente.” E la previsione probabilistica è: “No, dovresti probabilmente dare un’occhiata al resto della scrivania anziché concentrarti su questo punto che già vedi abbastanza chiaramente rispetto a tutto il resto.”
Warren Powell: Ora ecco qualcosa che qualsiasi persona d’affari, specialmente nel settore delle vendite al dettaglio, capirà perfettamente: la copertura della domanda. E diranno: “Guarda, vogliamo soddisfare il 97% della domanda.” Ora, questa non è una richiesta insolita. Ma come soddisfare il 97% senza il concetto di una previsione distribuzionale? Quindi qui puoi tornare indietro e dire: “Sì, ma vuoi coprire il 97% della domanda. Non posso farlo finché non ho una previsione distribuzionale. Ho bisogno di 20 unità extra o 200 unità extra?” Quindi questo è forse l’introduzione per dire: “Guarda, ragazzi, volete coprire un alto percentuale della vostra domanda. Voglio dire, nessuno vuole coprire la domanda media. Sarai a corto metà del tempo. Quindi in qualche modo dobbiamo imparare come portare quel requisito aziendale molto familiare nel campo della previsione distribuzionale o della previsione probabilistica.”
Joannes Vermorel: E la cosa interessante è che una volta che a Lokad abbiamo iniziato a farlo nel 2012, e come introduzione al tuo libro, ci sono voluti effettivamente alcuni anni dopo che abbiamo iniziato a fare previsioni probabilistiche fino a quando siamo riusciti davvero a capire come fare qualsiasi tipo di ottimizzazione sofisticata sopra di esse. Perché vedi, direi che la previsione probabilistica era difficile da accettare il fatto che avessimo bisogno di farlo. Quindi quella è stata la prima parte del mio viaggio a Lokad.
Si è scoperto che nel 2012, la previsione probabilistica era diventata piuttosto popolare per motivi completamente diversi nel deep learning. Erano molto popolari nel deep learning perché le metriche di entropia incrociata, come quella, ti danno gradienti molto ripidi che aiutano per l’ottimizzazione. Quindi la comunità del deep learning stava usando quelle previsioni probabilistiche, anche se non erano affatto interessati alle probabilità. Erano interessati solo alla previsione puntiforme, ma i gradienti super ripidi che potevi ottenere con l’entropia incrociata erano proprietà numeriche molto interessanti per far funzionare quei modelli.
Quindi è stato come, okay, un po’ una deviazione. Abbiamo iniziato a usare quelle previsioni probabilistiche per loro stesse anziché essere solo trucchi numerici intelligenti per i gradienti. Ma poi una volta che hai quello, ti rendi conto che, okay, ho decisioni che voglio ottimizzare. Voglio prendere la migliore opzione e ovviamente ci sarà un business ripetitivo, quindi c’è come questa sequenza di decisioni.
E poi ti ritrovi con la domanda: “Di cosa ho bisogno come strumento software per risolvere solo quello?” E qui, come introduzione al tuo libro, è un problema molto difficile perché la sfida principale che ho affrontato era anche una sorta di vuoto in termini di paradigmi. Non c’è, come hai detto, avevi come mezza dozzina di comunità in cui potevi pubblicare, ma a mio avviso, anche oggi, non c’è ancora una comunità veramente unificata che affronta questi problemi con l’incertezza in cui si desidera fare ottimizzazione e semplicemente andare avanti. Non c’è proprio.
Quindi era come un colpo o un errore. Avevo fatto un po’ di apprendimento rinforzato, avevo fatto ottimizzazione classica. La mia sfida era davvero quella mancanza di paradigmi. Ed è abbastanza interessante in questo libro molto pesante, sai, 1100 pagine, che in realtà vai e proponi i tuoi paradigmi per pensare semplicemente al dominio e analizzarlo. E sì, voglio dire, è ancora, sai, questo libro è ancora unico nel suo genere. Non ce ne sono molti.
Voglio dire, se vuoi avere un libro su, diciamo, classificatori, ci sono, sai, per l’apprendimento automatico, ci saranno 500 libri che ti danno tutti i classici dai classificatori, dalla classificazione lineare alle macchine a vettori di supporto e agli alberi di potenziamento del gradiente e così via. Ci sono come 500 libri che inquadrano il problema della classificazione e così via. Qui, è ancora molto, direi, è ancora qualcosa che, beh, scusa per la mia risposta molto lunga, la comunità non sta ancora guardando il problema.
Warren Powell: Sì, il problema delle decisioni e dell’incertezza è un campo straordinariamente ricco. Se vai alla programmazione matematica deterministica, sì, ci sono molti programmi matematici deterministici, ma tutti seguono il paradigma fondamentale che è stato stabilito con George Dantzig. Hai una funzione obiettivo, hai un vincolo, hai una variabile decisionale, hai un algoritmo. Ok, e quindi perché tutti si inseriscono in quel quadro, l’apprendimento automatico, la statistica, l’apprendimento automatico, di nuovo, molto, hai una certa funzione, stai cercando di adattarla ai dati.
Ora, ci sono molti set di problemi diversi, ma perché sono tutti fondamentalmente nello stesso approccio, ecco uno di una famiglia di funzioni. E quindi la maggior parte dei libri di statistica popolari ti esporrà a tutte le diverse funzioni. E quindi vai a fare un corso di statistica o apprendimento automatico, praticamente tutti escono con lo stesso set di strumenti. E questo permette loro anche di utilizzare questi software di dominio pubblico.
Una volta che mescoli decisioni e incertezza, nel 2014 ho tenuto questa presentazione, un tutorial a INFORMS, e l’ho chiamato “Sgombro della giungla dell’ottimizzazione stocastica”. E ho dovuto scrivere un articolo tutorial. Ricordo sempre una delle relazioni dei revisori. Il revisore dice: “Oh, non è così male. Forse dovresti chiamarlo ‘Il giardino dell’ottimizzazione stocastica’”. E mi sono messo a ridere e ho detto: “Non hai mai cercato di pubblicare un articolo in questi campi. È una giungla perché hai tutte queste diverse comunità, ben oltre una dozzina, e parlano lingue diverse. Ho contato otto sistemi di notazione fondamentalmente diversi. E poi, ovviamente, ci sono gli spin-off.
Quindi l’apprendimento rinforzato ha adottato la notazione dei processi decisionali di Markov, ma il controllo stocastico ha la sua notazione e la programmazione stocastica ha la sua notazione, gli alberi decisionali. Ed è solo un caos. Ma ognuno ha una comunità piuttosto consistente. Quindi hanno il loro gruppo di persone che parlano tutti la stessa lingua. E quando scrivi articoli, si aspettano certe cose.
Ho gestito un laboratorio abbastanza grande e diversificato. Quindi mentre iniziavo e finivo nel trasporto merci, nel mezzo ho gestito un intero laboratorio di sistemi energetici. Ho fatto un sacco di lavoro sull’apprendimento ottimale e sulla scienza dei materiali. È stata un’esperienza interessante per un po’. E-commerce, finanza, e a Princeton, devi fare una tesi di laurea triennale. Quindi ho supervisionato circa 200 tesi. E ti dirò, quando supervisi abbastanza studenti e affronti una vasta gamma di problemi, nel periodo in cui avevo appena scritto il mio libro ADP e pensavo: “Wow, ADP è fantastico. Guarda, posso ottimizzare le aziende di trasporto. E questo non è falso. Questa è una vera applicazione industriale. Deve essere in grado di fare tutto”. Che sbaglio che ho fatto.
Ok, è stata la seconda edizione del mio libro ADP in cui ho scritto un capitolo, il capitolo sei, che diceva: “Sai cosa, sembrano esserci queste quattro classi di politiche”. Ora non ne avevo quattro, ne avevo tre. La quarta, l’ho sbagliata. E sei mesi dopo averlo inviato all’editore, ho avuto questa illuminazione: “Oh mio Dio, ho capito la quarta classe di politiche”. E da lì fino a quando, beh, è uscito il grande libro nel 2022, ho continuato a evolvermi, e ho scritto un altro articolo tutorial nel 2016, e poi la cosa importante è stata che la European Journal of Operational Research mi ha invitato a scrivere un articolo di revisione.
Quello, uh, Roman Slowinski, uno dei principali editori, uh, mi ha invitato a farlo, e quel documento alla fine è diventato la struttura di questo grande libro. Appena ho fatto quel documento, ho pensato: “Ok, questo è il nuovo libro”, e volevo fare una terza edizione del mio libro ADP, e quello che dico è: “No, non posso proprio, ADP, intendo specificamente l’approssimazione della funzione di valore, è uno strumento molto potente per un numero molto limitato di problemi, e se hai un martello, e hai il tuo martello preferito, e tutti noi abbiamo il nostro martello preferito, tutti gli accademici hanno il loro martello preferito, puoi trovare problemi che si adattano al tuo martello.
Ma se provieni da un’area di applicazione, prendi un’area di applicazione ricca come la gestione della supply chain, beh, avrai bisogno di una cassetta degli attrezzi. Non puoi entrare nella gestione della supply chain con un martello qualsiasi, e non importa quale martello hai, dovrai entrare con una cassetta degli attrezzi completa, perché fare previsioni distribuzionali è bello, ma alla fine devi prendere una decisione, il che significa prendere una decisione in condizioni di incertezza.
Conor Doherty: Beh, se posso approfondire perché è un perfetto collegamento. Quando parli della cassetta degli attrezzi e parli dell’importanza delle previsioni probabilistiche, fornendo qualcosa di concreto e le persone che vogliono qualcosa di concreto, allora, potresti spiegare, nel contesto della gestione della supply chain, come il tuo framework universale per la presa di decisioni sequenziali porta effettivamente a decisioni migliori?
Warren Powell: Beh, una delle mie transizioni più importanti, ho questa diapositiva di PowerPoint che adoro. Ci sono circa 15 libri su di essa, tutti che trattano qualche tipo di problema decisionale sequenziale. Ognuno di quei libri, e uno di essi è il mio libro ADP, è un martello alla ricerca di un chiodo. Tutti abbiamo la nostra tecnica preferita per prendere decisioni, quindi i libri sono stati scritti intorno a uno o due martelli fondamentali.
Se provieni da applicazioni, inizierai a renderti conto che tutti questi martelli sono validi. Nessuno di essi funziona su tutti i problemi. Quando provieni da un’applicazione, non puoi scegliere il tuo problema. Quindi, gli accademici che lavorano sui metodi, scegliamo su quale problema testare i nostri metodi. Quando provieni da un’applicazione, non puoi farlo. Ti dicono: “Ecco il problema che devo risolvere. Cosa farai?”, e il mio grande traguardo professionale è stato capire che tutti i metodi rientrano in queste quattro classi, e poi con l’articolo del 2019 ho capito che queste quattro classi rientrano in due categorie principali.
La categoria più semplice prende una decisione basata su una funzione che non pianifica nel futuro, ma ha parametri regolabili che devi regolare affinché funzionino bene nel tempo. L’esempio più semplice nelle catene di approvvigionamento è l’ordinazione di inventario. Quando l’inventario scende al di sotto di un certo livello, si ordina fino a un altro livello. Non sto guardando al futuro. Non sto pianificando. È solo una regola, ma quei livelli di ordinazione devono essere regolati affinché funzionino bene nel tempo.
Il secondo dei più semplici è tipicamente, è quasi sempre un modello di ottimizzazione deterministico, semplificato, ma con parametri regolabili. Ora, questo è qualcosa che ho chiamato “approssimazione della funzione di costo”. Non lo troverai da nessun’altra parte se non nel mio grande libro, ma è ampiamente usato nell’industria. Le persone dell’industria direbbero: “Sì, lo facciamo sempre. Pensavamo solo che fosse un trucco dell’industria”.
Mi sono reso conto che se prendi un programma lineare che è un’approssimazione di un problema stocastico complicato e poi inserisci alcuni parametri regolabili per catturare cose come scorte di buffer o correzioni per il rendimento o una slack, sai, le compagnie aeree faranno questo, diranno semplicemente: “Okay, quando sto volando da Atlanta a New York, potrebbe esserci un ritardo a causa del maltempo. Aggiungerò altri 20 minuti”.
Risolvere questi problemi deterministici con parametri regolabili è estremamente potente. Gli accademici amano criticarlo dicendo: “Oh, solo una sciocchezza deterministica”. Ho deciso che in realtà non è diverso dalla previsione parametrica. Quindi, quando fai previsioni, vuoi sapere che la domanda è una funzione del prezzo. Beh, un prezzo più alto comporterà una domanda più bassa. Creiamo una funzione discendente, forse solo una linea, forse una curva a S, e poi cerchiamo di adattare la migliore funzione possibile. Possiamo fare lo stesso con modelli deterministici parametrizzati.
Ora, gli accademici amano l’altra classe di politiche. Queste sono le politiche che prendono una decisione ora pianificando nel futuro. Una è, se prendo una decisione ora, ora prendo l’azione. Diciamo che ho una certa quantità di inventario. Ordino altro inventario. Questo mi mette nello stato futuro e ottengo il valore di essere in quello stato. Questo è ciò che chiamano programmazione dinamica o equazione di Bellman. Gli accademici amano l’equazione di Bellman, o se provieni dall’ingegneria, la chiamano equazione di Hamilton-Jacobi. E se vai in qualsiasi corso in qualsiasi buona università che insegna come prendere decisioni nel tempo in condizioni di incertezza, la prima cosa che ti mostreranno è l’equazione di Bellman.
Ho scritto un libro di 500 pagine tutto incentrato sull’approssimazione dell’equazione di Bellman. Ne ero molto orgoglioso. È una tecnica potente che funziona su molti problemi. Ok, voglio dire, onestamente, vai nella comunità aziendale dove le persone prendono decisioni sequenziali e chiedi: “Quanti di voi hanno anche solo sentito parlare dell’equazione di Bellman?”, e quasi nessuno. Nessuno usa l’equazione di Bellman.
L’ultima classe è quella che guarda in avanti. Uso come esempio Google Maps. Se vuoi pianificare un percorso verso una destinazione, devi pianificare fino alla fine. Ci sono diversi modelli di pianificazione che devono pianificare nel futuro. Non utilizzano una funzione di valore. Fanno esplicitamente un modello completo nel futuro, e questo viene fatto molto più spesso che non fare un’approssimazione della funzione di valore.
Quindi, gli accademici amano davvero quelle tecniche più avanzate. Quando vai nel mondo reale, troverai principalmente una delle tre classi di politiche: le regole semplici come “ordinare fino a”, “comprare a basso prezzo, vendere a alto prezzo” o “indossare un cappotto”. Per i problemi più complessi, faccio un modello deterministico che non è troppo complicato. Aggiungo alcuni parametri regolabili e poi regolo i parametri. La terza tecnica è quella di guardare avanti in modo deterministico, come Google Maps. Queste sono le tre principali.
Penso che se potessi effettivamente fare un elenco di tutte le decisioni che tutti prendono ovunque in qualsiasi contesto, il 97% di quelle decisioni sarebbe preso con queste tre classi di politiche. Indovina un po’? Non vengono enfatizzate nei libri. Ecco dove sto andando. Gran parte di questo pensiero lo attribuirò a te; non troverai quella discussione particolare nemmeno nel mio grande libro, quindi dovrà aspettare la seconda edizione.
Questo è il mio momento di illuminazione quando ho detto, sai, prendiamo le quattro classi di politiche, prendiamo la visione in avanti e dividiamola in due: visione in avanti deterministica e visione in avanti stocastica. Ora ho cinque politiche e ho detto quali di queste vengono utilizzate di più? La categoria uno, ampiamente utilizzata, sono le prime tre: le approssimazioni della funzione di politica come le regole semplici, le approssimazioni della funzione di costo che sono deterministe parametrizzate e la visione in avanti deterministica. Queste sono le tre principali.
Ora, ci sono momenti in cui abbiamo bisogno di una visione in avanti stocastica. Ad esempio, sto ordinando dalla Cina; di solito ci vogliono cinque settimane, ma potrebbero volercene sette. Beh, se vai e dici, beh, pianificherò sette, quella è effettivamente una forma di visione in avanti stocastica chiamata ottimizzazione robusta utilizzando una previsione probabilistica. Perché ho pianificato il massimo che potrebbe essere anziché quello che di solito è.
Le approssimazioni della funzione di valore, l’argomento del mio libro precedente, sono lì in fondo. Penso sinceramente che sia un ottimo strumento per molti problemi. Se ne hai davvero bisogno, è meglio chiamare un esperto, ma per le cose di tutti i giorni, non lo userai mai. È troppo difficile da usare.
Ora, alcune persone parleranno di apprendimento per rinforzo. L’apprendimento per rinforzo nei primi tempi era solo un altro nome per la programmazione dinamica approssimata. Erano solo parole diverse per la stessa cosa. La comunità ORL ha scoperto proprio quello che ho scoperto io; hanno scoperto, wow, questo non funziona sempre. Se passi dalla prima edizione del libro di Sutton e Barto, dove vedrai solo la programmazione dinamica approssimata, e vai alla seconda edizione, se sai cosa stai cercando, puoi trovare tutte e quattro le classi di politiche nella loro seconda edizione. Ma penso ancora che la maggior parte delle persone, quando dicono che stanno usando l’apprendimento per rinforzo, intendano la programmazione dinamica approssimata. Gli informatici sono molto migliori di noi nel marketing dei loro strumenti.
Conor Doherty: Beh, grazie. Passo subito a te, Joannes. Questo corrisponde alla tua opinione su come prendiamo decisioni qui da Lokad?
Joannes Vermorel: Beh, non proprio, ma ad essere onesti, questa divisione è, secondo me, molto tecnicamente corretta nel modo in cui si suddivide il dominio. Non metterò in discussione questo punto. E quando dico dominio, intendo avere il tipo di modello intellettuale concordato in cui abbiamo funzioni di transizione di stato e una funzione di ricompensa, e poi vogliamo ottimizzare quelle decisioni ecc. Quindi qui, se lo prendiamo da questa prospettiva, direi che il modo in cui lo descrivi è corretto.
Ma il modo in cui affronto personalmente il problema è attraverso angolazioni relativamente diverse. La mia prima prospettiva, prima ancora di considerare l’elenco delle tecniche, sarebbe: che ne dici della formulazione del problema stesso? Il percorso verso la formulazione del problema è cruciale. È un po’ una critica ingiusta a questo libro perché è già lungo 1100 pagine e apparentemente i tuoi editori non volevano un libro di 3000 pagine.
Da Lokad, quando ci avviciniamo a questo, la prima domanda che ci poniamo è quanto dovremmo approssimare lo stato. Le persone potrebbero pensare che sia scontato, ma non lo è. Stai sempre modellando il mondo reale e non lo modelli fino alla posizione di ogni atomo, quindi c’è una grande libertà nella definizione di ciò che decidi essere uno stato. Poi hai la funzione di transizione, che ha ancora una grande libertà nella decisione su come passare da uno stato a un’altra versione di questo stato.
Credo che faccia parte della soluzione del problema. Se fai la scelta sbagliata in questa fase, se hai uno stato troppo granulare o una funzione di transizione troppo complessa, il tuo strumento crollerà completamente in seguito. Quindi la prima cosa, per me, è fare la scelta giusta e avere il paradigma giusto per farlo. Lo stesso vale per la funzione di costo o la funzione di ricompensa.
Abbiamo un caso classico per i clienti che devono valutare il costo di una mancanza di magazzino o il costo di concedere uno sconto. Se concedi uno sconto una volta, stai regalando una parte del tuo margine. Va bene, puoi misurarlo, è piuttosto semplice. Ma poi stai creando una cattiva abitudine perché le persone si aspetteranno che questo sconto venga applicato di nuovo. Quindi ti stai creando un problema in seguito.
È molto difficile valutare esattamente il comportamento, quanto le persone si ricorderanno dei tuoi sconti precedenti e così via. Questa è la tua funzione di transizione; devi approssimarla. La mia prima cosa sarebbe fare le approssimazioni prima di approssimare le varie parti del processo algoritmico con questo framework.
La mia prospettiva inizia prima con la definizione stessa dei modelli. Non adotto la prospettiva che il modello in generale, ciò che si desidera ottimizzare, sia un dato di fatto. Per me fa parte della metodologia. Questa sarebbe la prima cosa. Scusa, non ho finito. La seconda cosa è, ma questa è più una questione di informatica, guardare la dimensione del problema.
È molto diverso se stai affrontando un problema piccolo, come alcune migliaia di decisioni come un percorso in una città con alcune centinaia di consegne e così via. Mille decisioni, per quanto mi riguarda, è un problema molto piccolo. Abbiamo problemi in cui arriviamo a un miliardo di variabili. Se stiamo guardando una grande supply chain, come un ipermercato, puoi avere in un ipermercato 100.000 SKU. Se hai mille ipermercati, ottieni 100 milioni di SKU. Per ogni SKU, hai mezza dozzina di decisioni e ripeti tutto ciò alcune settimane nel futuro. Puoi finire con problemi che sono sia super piccoli, come l’ottimizzazione del percorso, sia molto grandi, che non entrerebbero nemmeno in memoria.
Quindi per me, quella sarebbe la sorta di cosa in cui se devo affrontare il problema, inizierei a cercare di catturare le caratteristiche chiave del problema. La dimensionalità è una di esse. Un’altra, che è molto importante, sarà quanto sia difficile navigare verso la soluzione migliore. Se prendo questi due esempi, l’ottimizzazione del percorso è qualcosa di molto non lineare, molto fragile. Basta spostare, scambiare due posizioni e puoi passare da una soluzione molto pessima a una soluzione molto buona semplicemente scambiando due punti. Quindi la tua soluzione si comporta un po’ come un cristallo; ha questa fragilità. È molto facile interrompere la soluzione e passare da qualcosa di buono a qualcosa di molto terribile.
D’altra parte, se vado a questo spettro di problemi con la mia rete di supermercati, se decido di mettere un’unità che doveva essere lì da qualche altra parte, il problema è molto insensibile. Puoi andare con molta libertà. Vuoi avere qualcosa che sia molto più corretto in termini di direzione. Questo spettro va dalle proprietà del cristallo alle proprietà del fango. Le proprietà del cristallo sono fragili e fragili, e si rompono facilmente, mentre le proprietà del fango sono amorfe. Finché sei correttamente orientato, va tutto bene. Questa sarebbe la seconda considerazione.
La terza sarebbe la caratteristica temporale che stai cercando. Le caratteristiche temporali vanno dal pilotaggio di robot in un magazzino, dove si desiderano risposte costanti in termini di tempo e memoria entro millisecondi. Quando le persone dicono che hai 10 millisecondi per dare una risposta, se non lo fai, abbiamo tutti i tipi di altri problemi, a differenza di un altro problema come l’acquisto all’estero, dove ci vorranno 10 settimane per arrivare dalla Cina. Se il tuo calcolo richiede 24 ore, non è un grosso problema. Possiamo permetterci quelle 24 ore; non abbiamo alcun vincolo.
Quindi è un po’ così che suddivido il dominio. Capisco che il modo in cui suddivido il dominio non dice molto sugli algoritmi che si desidera utilizzare, ma lo uso come un modo per eliminare ciò che considererò anche come potenziali soluzioni per il tipo di problemi che mi interessano.
Warren Powell: Mi piace che tu provenga da un dominio applicativo. Una delle cose che ho scoperto quando ho iniziato a scrivere il mio libro sull’analisi della supply chain, che è il primo libro che ho mai scritto su una classe di problemi, è che tutti gli altri miei libri sono stati fondamentalmente libri di metodi, ed è molto divertente.
Ora, concedi al mio grande libro un merito: ho un intero capitolo, lungo 90 pagine, dedicato alla modellazione, ma in modo molto generico. Apprezzo assolutamente tutto il processo che hai descritto. Questa è una variabile di stato. Nei problemi complessi, ho alcuni tutorial in cui dico che abbiamo cinque elementi del problema, a partire dalle variabili di stato. Ma quando faccio la modellazione, faccio la variabile di stato per ultima.
Inoltre, è davvero iterativo. Avrai un processo in cui attraversi la modellazione. La variabile di stato è solo un’informazione. Passi attraverso il modello e dici, ok, ho bisogno di questa informazione, di questa informazione, di questa informazione - ah, ecco la mia variabile di stato. Ma, ad esempio, come prendi decisioni? Dipende da come stai modellando l’incertezza. Come modelli l’incertezza? Dipende da come prendi decisioni.
Quindi descrivo il processo di modellazione dell’incertezza e di prendere decisioni come scalare due scale. Non arrivare con un metodo incredibilmente sofisticato per prendere decisioni in presenza di incertezza se il tuo modello ha solo un modello di probabilità molto basilare. Con i nostri problemi complessi, possiamo creare modelli di incertezza complicati quanto vogliamo.
In generale, non inizierai con il modello più complicato. Inizierai con qualcosa di più basilare. Poi vuoi avere qualcosa che prenda decisioni. Non è necessario fare qualcosa di incredibilmente complicato perché è solo un modello di base. Una volta che hai un modello decisionale decente, puoi tornare al tuo modello di incertezze perché forse ora vuoi ottenere altre metriche di rischio.
Ora vuoi avere decisioni che riflettano il rischio. Quindi stai scalando questa scala, e sono sicuro che tutto il tuo processo presso Lokad è stato iterativo. Vogliamo sempre il modello più semplice che risolva il problema. La domanda è, cosa serve per raggiungere gli obiettivi aziendali? Ed è un processo di apprendimento.
Joannes Vermorel: Assolutamente. Devo dare credito al tuo libro. Credo che tu elenchi, se non sbaglio, circa 15 diversi tipi di incertezza e quella è probabilmente la lista più lunga che abbia mai visto e sì, è una preoccupazione molto reale. Quando dici incertezza, le persone pensano, oh, stai solo parlando delle imprecisioni della previsione puntiforme. E io direi, certamente no, ci sono così tante fonti di incertezza. Può essere il prezzo delle materie prime di cui dipendi che varia, può essere la forza lavoro di cui dipendi che va in sciopero o semplicemente non è qualificata o non è presente.
Può essere la possibilità di avere problemi di alloggio nei tuoi luoghi. Questo è guardare all’incertezza solo attraverso l’ottica delle imprecisioni delle tue vendite perché è solo una cosa, la domanda per la previsione delle vendite, la previsione puntiforme delle vendite, è solo estremamente limitata. Sono completamente d’accordo con te. Essere estremamente iterativi presso Lokad è esattamente ciò che facciamo, il che solleva un’altra domanda, una grande preoccupazione, che è la produttività degli ingegneri che devi mettere sul caso per iterare più velocemente.
Presso Lokad, il modo in cui affrontiamo tipicamente quei problemi di ottimizzazione stocastica è identificando paradigmi di programmazione. Abbiamo una collezione di questi paradigmi. Non sono unificati, più come una piccola libreria di cose che puoi usare. Questi paradigmi ti danno un angolo per procedere relativamente rapidamente nell’implementazione del tuo risolutore. Qui, sono completamente d’accordo con il processo iterativo. La sfida che abbiamo dal punto di vista aziendale è che i miei clienti sono molto impazienti.
Abbiamo bisogno di iterare molto rapidamente, ma stiamo affrontando qualcosa di complicato, che coinvolge algoritmi hardcore. Devono ottenere il loro algoritmo implementato in un tempo finito. Un’altra considerazione che non viene mai discussa è che molti metodi che ho visto nei libri funzionano se hai professori universitari super intelligenti con un decennio per implementare l’algoritmo. Nel mondo reale, se hai 100 ore per implementarlo, alcuni metodi sono incredibilmente difficili da implementare correttamente a livello di implementazione. Ecco perché avere quei paradigmi di programmazione aiuta. Forniscono un modo per codificarlo in modo che funzioni in produzione in un tempo finito mentre si itera sulle cose.
Warren Powell: Verso la fine del capitolo 11, penso nell’ultima sezione, ho una sottosezione sui problemi soft di valutazione delle politiche. Quindi nel libro, ovunque scrivo sempre che l’ottimizzazione delle politiche è massimizzare le politiche, l’aspettativa di qualcosa. Verso la fine del capitolo 11, che può essere scaricato dal sito web, ho circa cinque diverse qualità come la complessità metodologica è una delle qualità. Quando guardi un metodo, assolutamente ciò che hai appena detto è molto importante, la trattabilità computazionale, la trasparenza. Abbiamo tutti codificato algoritmi e la risposta esce qualcosa e ci grattiamo la testa e noi, e il cliente non capisce e vuoi essere in grado di dire, beh, ecco perché è uscito così perché potrebbe essere un errore di dati, potrebbe essere un cambiamento di regola.
Voglio dire, da Optimal Dynamics, otteniamo questi dati dalle aziende di trasporto e stiamo affrontando tutte le stesse storie che stai affrontando tu e quando non gli piace una risposta, vorrebbero che fosse risolta abbastanza velocemente. Uno degli strumenti più potenti e importanti che ho sviluppato nel mio laboratorio all’università è uno strumento grafico chiamato Pilot View, che ha due moduli. Uno è una mappa in cui puoi vedere i flussi e filtrarli in tutti i tipi di modi fantasiosi, ma l’altro, lo chiamo il mio microscopio elettronico, è dove posso visualizzare i singoli autisti e i singoli carichi e fare clic su qualsiasi cosa e vedere quale autista è stato assegnato a quale carico, ma non solo quale autista è stato assegnato a quale carico, ma quali carichi abbiamo considerato perché se ho mille autisti e mille carichi, non posso considerare tutte le possibili combinazioni di mille autisti per mille carichi e non ha nulla a che fare con l’algoritmo, ha tutto a che fare con il generatore di rete.
Quindi usiamo cose fantasiose ma potrei avere un autista che non ho assegnato a un carico, perché no? Beh, forse perché le penalità erano troppo alte, forse perché il costo era troppo alto o forse perché una delle mie regole di potatura semplicemente non l’ha considerato e ciò è successo. E ovviamente, quando il cliente si lamenta, hai bisogno di una risposta molto velocemente perché una volta che sei sul campo è finita per gli algoritmi complicati.
Joannes Vermorel: Mi ci riconosco enormemente. Non ho fatto questa osservazione, l’ho trovata su internet, non ricordo esattamente chi l’ha detto, ma il succo era che, per debuggare un algoritmo, devi essere due volte più intelligente nell’implementazione dell’algoritmo.
Quindi se vai con un algoritmo che, quando lo implementi, è già intelligente quanto puoi essere, allora significa che una volta che sarai in produzione e vorrai fare il debug, devi essere due volte più intelligente e questo non è nemmeno possibile perché l’implementazione dell’algoritmo era già il meglio che potevi fare. Quindi hai bisogno di una soluzione che non sia il meglio che puoi fare in modo che quando vuoi fare il debug, puoi farlo. Inoltre, concordo molto con ciò che hai descritto, ovvero questo strumento di supporto. Il ruolo dell’istruzione è assolutamente fondamentale e penso che sia anche qualcosa, ma è difficile. Questo libro contiene così tanto, ti do credito per questo, non è esattamente un libro che è carente di intuizioni, il ruolo dell’istruzione è fondamentale.
La comunità classica dell’ottimizzazione nel senso deterministico, direbbe solo, di quanti secondi di CPU hai bisogno e quale è la performance della soluzione che ottieni e questo è tutto. Ma quando entri in questo ambito dell’ottimizzazione stocastica, avrai bisogno di un’ampia strumentazione di supporto per capire cosa sta succedendo. E penso che sia qualcosa in cui ci sono anche queste sorta di lacune paradigmatiche nel modo di guardarlo perché significa che non è solo lo strumento che ti consente di generare la decisione, ma sono anche tutti gli strumenti che puoi portare in cima a quello in modo che tu possa dare un senso al tuo processo decisionale, non solo una decisione ma il processo decisionale, e senza questo le persone solleverebbero preoccupazioni e rimarresti bloccato e non puoi semplicemente dire, fidati di me, è buono. Nell’ottimizzazione stocastica questo non funziona così bene come nell’ottimizzazione matematica classica.
Warren Powell: Sì, è ovviamente una bella sfida lavorare con l’industria. Ho avuto questa esperienza fin dall’inizio della mia carriera. Non è stato fino agli anni ‘90 quando ho allestito il mio laboratorio e ho assunto alcuni programmatori professionisti, intendo tutti dottorati, ma avevano i loro dottorati e erano lì solo per programmare e senza le due persone che avevo nel mio laboratorio non saremmo mai decollati. È incredibile come, non so se hai mai trovato questa situazione, in cui il tuo algoritmo presenta una soluzione e non ti piace e al cliente non piace e tutti sono seduti intorno al tavolo a grattarsi la testa dicendo, cosa pensiamo che non va e quante volte abbiamo fatto questo esercizio e diverse persone hanno tutte una teoria che riflette le loro competenze. Quindi eccomi qui, oh mio Dio, penso che l’algoritmo potrebbe essere più sofisticato e questo ragazzo si preoccupa dei dati e quest’altro si preoccupa di un errore di programmazione e quante volte ci siamo seduti a fare ipotesi e siamo stati tutti sbagliati.
È davvero incredibile. Ovviamente, mi piacerebbe sedermi con te in qualche momento e conoscere meglio i tuoi problemi nel reperire i dati grezzi. Nella mia industria del trasporto su strada, lavoriamo solo con vettori che già utilizzano un sistema TMS commerciale, e questo non significa che sia perfetto, ma significa che siamo molto più avanti. Ma è una sfida, è molto divertente. Una cosa che vorrei poter fare di più è sfidare la comunità accademica con problemi del mondo reale, e ho un po’ rinunciato alla comunità accademica.
Non sono lì per risolvere problemi, sono lì per dimostrare teoremi e scrivere articoli. Ho vissuto in quel mondo per quasi 40 anni e lo capisco, ma penso che sia fondamentalmente difettoso. Quindi, una cosa che ho avuto con le mie aziende di trasporto merci è che erano tutte disposte a condividere i dati. Questo non è vero con i fornitori.
Non ho mai incontrato un fornitore disposto a condividere i dati della supply chain. Questo è fuori discussione, non lo faranno. Ho fatto un grande progetto di supply chain per Pratt and Whitney, il produttore di motori a reazione, ed era finanziato dal governo ed era tutto benedetto dall’azienda che li possedeva, chiamata United Technologies, ma nemmeno avrebbero ascoltato una proposta di condivisione dei loro dati. Hanno detto: “Oh mio Dio, è troppo proprietario”.
E così, si sono felicemente impegnati nel progetto in cui abbiamo dovuto scrivere il nostro generatore di dati sofisticato e inventare richieste casuali in tutto il mondo, e hanno detto: “No, alcuni dei nostri fornitori sono davvero segreti, sai, non possiamo nemmeno far sapere a qualcuno che c’è un fornitore che fa questo in qualsiasi parte dello stato del Connecticut”. Hanno semplicemente detto di no, sarebbe stato troppo.
Quindi, è difficile affrontare questi problemi del mondo reale in un ambiente in cui non si possono ottenere i dati. Mi sono iscritto all’Università di Rutgers, ora sono un esecutivo in residenza presso il dipartimento di gestione della supply chain, e spero di convincerli a costruire un simulatore con dati falsi e cercare di farli lavorare almeno con problemi simulati realistici.
Joannes Vermorel: Posso molto identificarmi con la serie di problemi che hai affrontato. Penso che venissi dall’altro spettro del mondo della supply chain. Da un lato dello spettro, hai il trasporto su strada che è quasi come le decisioni finali a breve termine, ancora più estremo sarebbe pilotare robot, quello è un estremo dello spettro.
All’estremità opposta dello spettro, hai S&OP, vendite e operazioni, piano super macro, livello aziendale e così via. Poi hai tutto il resto. Il mio percorso personale proveniva dall’altro estremo, l’S&OP, molto strategico, orientato alle previsioni. I primi anni di Lokad, le decisioni non erano nemmeno coinvolte, era solo pura previsione.
Tornando alla tua preoccupazione, il mio problema era che vedevo in ambito accademico, a proposito, sono un dottorando che ha abbandonato, quindi non ho reso orgoglioso il mio supervisore di dottorato e ho abbandonato senza vergogna il mio dottorato per creare Lokad. L’accademia si concentra sull’accuratezza delle previsioni, pubblicando 20.000 modelli per previsioni di vendite migliori praticamente da sempre.
Nell’industria, abbiamo esattamente la situazione che descrivi, 10 persone si siedono intorno al tavolo, guardano il problema dal loro punto di vista e quando parliamo di previsioni, che è la fase pre-decisionale, appena prima di agire sulla decisione, prima vogliono fare la previsione. Le persone si sforzano di orientare la previsione verso l’alto o verso il basso.
Nell’S&OP, ci sono i venditori che vogliono sottostimare la previsione, quindi vogliono avere una previsione di vendite molto bassa in modo da poter superare le aspettative. Poi ci sono le persone della produzione che vogliono gonfiare la previsione perché se gonfiano la previsione, avranno più budget per i loro asset di produzione e quindi qualsiasi ordine che alla fine decidono di produrre, se hanno più capacità, sarà più facile.
Hai questa lotta di potere in cui le vendite vogliono abbassare i numeri, la produzione vuole alzarli e non è super razionale. La cosa interessante è che in ambito accademico, le persone pubblicherebbero un articolo in cui trovano un modo incredibilmente sofisticato, sfruttando una teoria russa oscura, per rimuovere lo 0,1% di bias.
Poi ti ritrovi in questa stanza con una lotta di potere in cui le persone dicono letteralmente: “Voglio meno 50%”, e un altro dice: “Voglio più 50%”. Questo ti dà una sorta di disconnessione. Accedere ai dati è sempre stato incredibilmente doloroso.
Warren Powell: Una domanda sulla previsione e mi piacerebbe sapere cosa fai in questo caso. C’è molta matematica nel prendere la storia per prevedere il futuro, ma sappiamo che molte volte il futuro è probabile che sia molto diverso dal passato, per una serie di motivi, e soprattutto, non so se il futuro andrà su o giù, ma so che potrebbe essere molto diverso da tutto ciò che ho visto in passato. Posso chiederti come affronti questa situazione?
Joannes Vermorel: Sì, assolutamente. Quindi, il modo tipico è che vogliamo introdurre una sorta di incertezza macro che non è esattamente giustificata. Sembra strano. Penseresti, okay, abbiamo la previsione della domanda, bene, e diremo, aggiungiamo una variabile in cui abbiamo una probabilità del 4% ogni anno di avere una forte diminuzione del 30% della domanda, dell’attività, di tutto.
Poi le persone dicono: “Wow, una diminuzione del 30% in un anno, è enorme. Perché mai lo considereresti?” La mia opinione è che se guardi il XX secolo, ci sono state due guerre mondiali, una serie di altre guerre. Poi, più di recente, abbiamo avuto blocchi globali e così via. Quindi, dire che ogni 25 anni c’è un asteroide in faccia che danneggia il tuo settore, non penso che sia così assurdo.
Ma le persone si aspettano di prevedere qualcosa che conoscono, e qui diciamo, no, non devi sapere esattamente. Potresti semplicemente dire, stiamo assumendo una grande disruzione, qualunque essa sia, e poi inventiamo dei numeri. Quei numeri sono completamente inventati, 4% di probabilità annuale, 30%, puoi cambiarli, puoi dire cinque, puoi dire 50%.
Ti costringe a considerare sempre la tua principale disruzione. Ad esempio, stavamo servendo clienti nell’aviazione. La gente diceva: “Oh, non è così frequente.” Ma lo è, perché quando guardi l’industria, ad esempio, il 737 Max di Boeing è stato messo a terra. Per il mio cliente che serviva aerei e aveva decine di quegli aerei, è stato un problema importante.
La cosa fondamentale è accettare di inserire nel tuo modello cose estremamente pessimistiche. Di solito è molto difficile da vendere perché non è consensuale. Il problema non è tanto che manchi la matematica, è che è spaventoso e la gente non vuole spaventarsi. Ma se non ti prepari per quegli eventi di grande impatto, allora sarai impreparato. È semplice come quello.
L’altra cosa è che sarebbe un lato, un lato molto pessimistico, devi guardare a quelle grandi disruzioni, stare bene con esse e accettare il fatto che accadranno con il 100% di certezza se dai loro abbastanza tempo. Questo è un aspetto.
L’altro aspetto è che la maggior parte dei miei clienti, quando guardano all’incertezza e all’incertezza delle decisioni, vedono solo l’esito negativo. Penso che il problema sia legato alla variabilità. Le persone equiparano gli esiti negativi. Nella produzione, persone come Deming hanno reso popolare l’idea che devi essere coerente. È una virtù cardinale. Devi essere assolutamente coerente. Va bene fare prodotti scadenti se fai sempre prodotti scadenti. Saranno economici e le persone sapranno cosa aspettarsi.
Quello che non va bene è fare qualcosa di buono, qualcosa di cattivo. No, devi essere assolutamente coerente tutto il tempo. Quindi, le persone equiparano la variabilità nella produzione a qualcosa di negativo. Ma lo è davvero? Una volta usciti dal mondo della produzione, la variabilità è così negativa? Non necessariamente.
Un esempio lampante sarebbe la moda. Nella moda, crei prodotti che possono avere successo o fallire. Se puoi aumentare la varianza dei tuoi successi e fallimenti a causa del fatto che hai un basso che sarà una coda grassa, significa che se puoi aumentare la varianza, sì, avrai più fallimenti, ma potresti avere successi che sono di un ordine di grandezza maggiore.
La variabilità nella produzione è negativa, ma nella supply chain in generale, non è così negativa. Se puoi avere un flusso di opportunità completamente quasi perfettamente costante, super costante, ma se sei interrotto, ti ucciderà, rispetto a qualcosa che è un po’ erratico, un po’ accidentato, ma in cui c’è un sacco di rischio costante che gestisci attentamente con decisioni ottimizzate in condizioni di incertezza in modo che quando fai un errore, non ti uccida.
Potresti finire in un posto in cui quando arriva la disruzione, non è così impattante. Ad esempio, se sei in un’attività in cui ti aspetti che il 98% dei tuoi prodotti venga rinnovato da un anno all’altro, se la legge cambia e il 20% dei tuoi prodotti viene considerato illegale perché hai usato il prodotto sbagliato, il processo sbagliato, qualunque cosa sbagliata, sarà un colpo enorme.
Eri in un’attività in cui il due percento dei tuoi prodotti cambiava ogni anno, e ora hai il 20% che viene eliminato a causa della regolamentazione. Ma se sei in un’attività in cui ogni anno rinnovi, diciamo, il 15% dei tuoi prodotti, beh, va bene, c’è un anno in cui hai il 20%, ma sarai in grado di riprenderti molto più velocemente perché hai questa sorta di appetito per le novità che mantieni intorno.
Non tutte le incertezze sono negative. A volte inseguire un po’ di incertezza è positivo. Ad esempio, la maggior parte degli esperti di previsione odia prevedere i nuovi prodotti perché non hanno alcuna storia per la serie temporale. Se guardi la letteratura sulla previsione delle serie temporali, il 99% delle volte, le persone escludono i prodotti che non hanno storia. Dal mio punto di vista, prevedere i prodotti che non hanno storia è la cosa più interessante.
È lì che si combattono le vere battaglie della supply chain. Sono quei prodotti che sono nuovi, che potrebbero essere dei successi e potrebbero cambiare il corso dell’azienda. Quindi è una risposta lunga alla tua domanda.
Warren Powell: Farò un commento conclusivo. Una delle cose che ho apprezzato di più del mio framework con le mie quattro classi di politiche è che mi permette di dire, non preoccuparti della decisione. Sceglieremo una delle quattro classi, sceglieremo qualcosa di sensato, non preoccuparti. Quello non è il grande problema. Il grande problema è modellare l’incertezza. Se riesco a far sì che le persone si allontanino dalle complessità delle decisioni prese in condizioni di incertezza e si concentrino di più sulla modellazione delle incertezze, questo è il grande successo.
Joannes Vermorel: Sono completamente d’accordo con te. Le grandi aziende, quando si trovano di fronte all’incertezza, una delle peggiori cose che possono fare è inventare regole per ridurre l’incertezza. Inventeresti regole solo per semplificare il tuo problema. Ad esempio, hanno letto che UPS fa solo svolte a sinistra nei loro circuiti, e poi dicono, ok, quindi noi stessi faremo solo svolte a sinistra perché semplifica qualcosa.
Vedi che quando hai così tanto potenziale e opzioni, così tanta incertezza da affrontare, e penso che uno dei modi più avversi per affrontare il problema sia inventare una serie di vincoli completamente inventati in modo che tu abbia un problema che diventa più gestibile. Per passare ai tuoi framework, direi che è la strada sbagliata perché ci sono opzioni per affrontare i veri problemi.
Quindi non iniziare a inventare vincoli solo per il gusto di farlo, solo perché hai paura che non ci sarà mai una soluzione per considerare il tuo problema. Ci sono molte soluzioni, quindi devi ritardare l’invenzione di regole e vincoli solo per semplificare la risoluzione del processo decisionale.
Conor Doherty: Beh, sono ancora qui, e va bene così. Ho preso tre o quattro pagine separate di appunti, ma una delle cose, e fa seguito a quello che hai detto, usi il termine gestione del rischio finanziario, e ho scritto trade-off, preoccupazioni aziendali, valutazione delle prestazioni e gestione del rischio finanziario.
Quindi, Warren, come opportunità per riassumere il tuo framework e il tuo approccio all’ottimizzazione stocastica, so che la tua prospettiva è quella di gestire le preoccupazioni aziendali e gestire i compromessi che sono intrinseci alla presa di decisioni. Quindi, prenditi tutto il tempo che vuoi, ma come esattamente il tuo framework gestisce il rischio finanziario associato, che sia l’ottimizzazione del percorso o la gestione dell’inventario o la previsione e la gestione dell’inventario per prodotti per i quali non abbiamo una storia?
Warren Powell: Certamente. Innanzitutto, penso che uno dei risultati che Johannes ed io abbiamo ottenuto lavorando su problemi reali sia che siamo tutti d’accordo su una cosa: prima modellare, poi risolvere. Bisogna capire il problema. Hai usato la parola rischio, e questo per me sottolinea che bisogna parlare di incertezza, e questo è molto più complicato di una distribuzione normale.
Alle persone che si occupano di statistica piace, ogni volta che si affronta l’incertezza, introdurre una distribuzione normale. Dicono, ok, abbiamo una media e una varianza. C’è casualità intorno alla media, e sembra che non si rendano conto che la fonte più grande di incertezza è la media. Non sappiamo quale sarà la media. La media si sposta. Ora, intorno alla media c’è rumore, ma è lo spostamento della media che è il peggiore.
E poi ci sono questi eventi che non appartengono realmente a una distribuzione di probabilità, sono contingenze. Sono come, guarda, non so nulla di probabilità, ma ecco qualcosa che potrebbe accadere. Cosa farei in caso di quella contingenza? E non mi interessa la probabilità di ciò. Ci sono cose che penso possano accadere, e devo sapere cosa succede se quella nave arriva un mese in ritardo. Cosa succede se questo porto chiude? Cosa succede se c’è un terremoto in Giappone? Ci sono questi grandi eventi. Non ho necessariamente bisogno di sapere esattamente quale evento, ma devo pianificare per le contingenze.
Tutto il processo di prendere decisioni in condizioni di incertezza, una delle prime cose che mi piace dire è che, cavolo, ci sono un sacco di matematica complicata, ma ti rendi conto che noi esseri umani prendiamo decisioni in condizioni di incertezza tutto il tempo? E all’inizio della mia carriera, quando stavo davvero lottando con i miei problemi di camion, pensavo, ma i dispatcher dei camion stanno già facendo questo. Dobbiamo ricordarci che una cosa in cui il cervello umano è straordinariamente bravo è prendere decisioni in condizioni di incertezza.
Molte di queste questioni, la gente dirà, oh, non mi piace lo stocastico. Eppure, la stessa persona pianificherà eventi casuali, incertezze e contingenze. È solo qualcosa che è insito nel cervello umano perché, suppongo, noi animali abbiamo dovuto affrontare questo per tutta la nostra evoluzione. La sfida più grande non è prendere decisioni in condizioni di incertezza. La sfida più grande è insegnare ai computer come prendere decisioni in condizioni di incertezza.
E quindi, non penso che ci sarà mai una fine a questa conversazione. Abbiamo bisogno di quantificare, abbiamo bisogno di usare i computer perché l’idea di stanze piene di persone che prendono decisioni diventa un po’ datata. Nelle aziende di trasporto, abbiamo una serie completa di modelli presso Optimal Dynamics, dallo strategico al tempo reale. Ma il prodotto che è assolutamente alla base di ciò che vendiamo è quello che fa la pianificazione in tempo reale perché non c’è un dirigente di una compagnia di trasporti negli Stati Uniti che non pensi che il problema numero uno della sua azienda sia il reparto di pianificazione, che sia vero o meno, questa è la loro convinzione.
Ho imparato che l’idea di trovare il conducente giusto per trasportare un carico non è davvero la cosa più importante. Quello che è più importante è scegliere il carico giusto ed è come la gestione dei ricavi per le compagnie aeree. Devi pianificarlo un po’ nel futuro, ma è così difficile trovare il conducente giusto che tornerà a casa e soddisferà le ore del DOT e tutto ciò che tutti si concentrano in modo iperfocalizzato sul problema della pianificazione dei conducenti.
Ma è davvero trovare il carico giusto perché ciò che è difficile nel trovare il carico giusto è che potrei dover impegnarmi per diversi giorni in futuro o una settimana e non so dove saranno i miei conducenti e non so cosa posso gestire. Quindi devi essere in grado di pianificare nell’incertezza. I dispatcher lo sanno e forse non hanno strumenti sofisticati ma hanno questa sensazione viscerale del tipo: “Ehi, è un bel posto. Probabilmente avrò un conducente lì”.
Ho visto persone dire apertamente che non affrontiamo alcuna incertezza perché i CEO non capiscono lo stocastico. No, non capiscono la parola stocastico, capiscono tutti l’incertezza. Ora, a proposito, dobbiamo superare la loro insistenza nel rispettare la previsione.
Penso che uno dei problemi più grandi delle persone nel settore dei trasporti, sto parlando del lato della supply chain, è che tutti hanno un budget per il loro budget di trasporto, in particolare il carico completo, e nessuno di loro raggiunge il budget. È sempre una stima ottimistica delle loro spese di trasporto e riescono sempre a spendere di più ed è solo qualcosa che fa parte dello spazio di essere un ragazzo della supply chain che deve pianificare gli asset di trasporto.
Quindi, tanti problemi divertenti. Non penso che finiremo mai di dire cose.
Joannes Vermorel: Sì, e sinceramente, tornando sul tuo caso della mente umana che si occupa naturalmente di decisioni in condizioni di certezza, sono completamente d’accordo. E vedo questa situazione molto particolare in cui in realtà le discussioni più difficili non sono con persone che sono ignoranti in matematica o all’estremo opposto che sono super istruite in matematica. Questi sono i punti dolenti, quelli completamente ignoranti e quelli super istruiti.
Il punto difficile per me sono quelli leggermente istruiti perché la cosa divertente è che in realtà è abbastanza difficile far sì che un computer si occupi di incertezza. Sono molto d’accordo e cosa significa per una persona che è leggermente istruita nell’arte? Significa Excel, Microsoft Excel.
E quindi il problema è, e l’ho visto molto spesso, è che sanno un po’ quindi conoscono Excel e ora c’è questo problema di guardare l’universo solo attraverso la soluzione che puoi pensare. Quindi ti ritrovi con il profano che non sa nulla di Excel quindi, sai, come giocare a poker, è diventato bravo attraverso le abitudini. Non ha le teorie ma è riuscito a giocare a poker e a comportarsi decentemente.
E lo stesso vale per la scelta del carico giusto. Sono abbastanza sicuro che troverai molte persone che non hanno alcun concetto di probabilità ma attraverso l’esperienza sono diventate giocatori molto bravi. Hanno questa intuizione anche se non hanno il formalismo.
E nel mezzo, ti ritrovi con persone che conoscono Excel e dicono: “Ok, devo implementare questo in Excel”. E Excel è uno strumento terribile per questo perché Excel non si occupa di probabilità. Excel non è progettato per fare nulla che assomigli a Monte Carlo e Excel è il peggior tipo di strumento per farlo. Excel è ottimo per fare la contabilità ma assolutamente terribile per gestire qualsiasi tipo di incertezza.
E quindi la mia situazione più difficile è come le persone che sono impegnate nella soluzione di Excel. Se è al di fuori di Excel e può essere al di fuori sia perché è solo una sensazione viscerale che è più corretta della calcolazione di Excel o perché è troppo sofisticato e non si adatta più alla calcolazione di Excel, c’è questo forte rifiuto.
Quindi è molto interessante e mi ci riconosco molto e ho questo tipo di segmenti intermedi di persone che si sono impegnate in fogli di calcolo di Microsoft Excel e lì è molto difficile.
E penso che nella maggior parte dei casi, quando dicono che il CEO non lo gradisce, molto spesso ho scoperto che è una proiezione della loro stessa percezione del problema. I CEO sono quasi sempre, voglio dire, oltre una certa dimensione dell’azienda, persone eccellenti nel gestire una grande quantità di confusione.
Penso che sia molto difficile per chiunque raggiungere una posizione di CEO di un’azienda, diciamo di qualche centinaio di persone e oltre, e non essere completamente imperturbato dal fatto che il mondo è super caotico. Voglio dire, è la tua vita quotidiana, occuparsi di assurdità che ti vengono gettate addosso tutto il tempo.
Quindi la mia opinione è che ho visto molto spesso che quando le persone mi dicono: “Oh, è troppo complicato. Il CEO non capirebbe o comunque”, no, è la loro stessa paura proiettata sul fatto che il CEO comunque ha a malapena tempo di capire qualcosa di questa azienda. Quindi sarà solo una cosa su mille che questa persona non capisce della sua stessa azienda e non sarà certo l’ultima. Quindi, è, voglio dire, questa è la mia opinione. Cosa ne pensi?
Warren Powell: Sì, beh, spesso i CEO provengono da un livello completamente diverso. Sono concentrati sull’immagine generale delle finanze, soprattutto nelle grandi aziende. I dettagli precisi di ciò che accade sul pavimento delle operazioni probabilmente sono qualcosa che hanno evitato nella loro carriera.
Voglio dire, ai vecchi tempi, tra l’altro, ai miei tempi quando andavo a scuola, molte persone, anche laureati di Princeton, potevano andare a lavorare per una Proctor and Gamble e trascorrere sei mesi sul pavimento della fabbrica e poi salire nella gerarchia manageriale. E quindi erano sulla buona strada ma gli veniva detto di cominciare dalla base. Questo è morto negli anni ‘80.
Negli anni ‘80, quando ho iniziato a insegnare a Princeton, nessuno dei laureati di Princeton andava a lavorare per un’azienda. La cosa più gettonata era andare a lavorare per società di consulenza aziendale. E così avrebbero ottenuto la loro esperienza sul campo lavorando per una società di consulenza aziendale, tornavano per un MBA, tornavano a lavorare per qualche anno e poi di solito lasciavano per una posizione esecutiva di alto livello in una delle aziende. Quindi evitavano tutti quei dettagli.
Il tuo punto su Excel, quando ho lavorato nel settore dei trasporti, le uniche persone che ho mai incontrato erano autisti, voglio dire, mi scuso, dispatcher e manager di basso livello. C’erano pochissime persone che sapevano fare anche un lavoro di base su un foglio di calcolo Excel. Mentre nella supply chain, ce ne sono milioni che stanno lì a fare cose molto semplici.
Ora guarda i libri. Mentre mi sto impegnando in un vero programma di supply chain a Rutgers, sto passando attraverso tutti questi libri e o i libri sono giochi matematici o lo semplificano molto. Quindi non solo abbiamo queste persone che pensano di poter fare qualsiasi cosa all’interno di un foglio di calcolo Excel, i libri insegnano loro solo cose che possono essere fatte all’interno di un foglio di calcolo Excel.
E quindi penso che abbiamo più di un problema di foglio di calcolo Excel. Dobbiamo pensare a chi risolverà questi problemi e li userà. Mi allineo molto con te nel senso che quello di cui abbiamo bisogno sono buoni strumenti in cui sotto il cofano gli strumenti possono essere piuttosto sofisticati ma devono essere facili da usare.
All’Optimal Dynamics, ci concentriamo molto nel cercare di rendere i nostri strumenti facili da usare. Ma sotto il cofano, finché funziona, le persone vogliono davvero la soluzione migliore possibile. Nella supply chain, mi sembra, sai, mentre inizio a dare un’occhiata e guardo sulle spalle delle persone e dico: “C’è questo interessante mondo della supply chain, ma quello che sta succedendo è che hai”, so che ho visto una statistica, “il 93% delle persone pianifica nel foglio di calcolo”.
Beh, sei limitato a ciò che puoi fare in un foglio di calcolo. E quindi quando inizi a parlare di, sai, anche di eseguire semplici simulazioni, ma intendo dire che posso fare una semplice simulazione di inventario su un foglio di calcolo, ma parliamo di introdurre tempi di consegna lunghi in più fornitori e, beh, sai, questo va oltre la capacità di un foglio di calcolo molto rapidamente. Va anche oltre la capacità delle persone che stanno codificando quel foglio di calcolo e che pensano di poterlo fare da sole.
Ho una ex studentessa di dottorato, ora è il nostro chief analytics officer, molto brillante, ma ha trascorso otto anni a fare pianificazione delle operazioni in Kimberly Clark in Brasile. C’è una lunga storia dietro questo e ad un certo punto stava lottando con i soliti problemi di pianificazione dell’inventario. Quindi ha chiamato, ha lavorato brevemente anche da McKenzie, quindi ha chiamato i suoi vecchi amici da McKenzie e indovina un po’, McKenzie sapeva solo quello che c’era nei libri di testo e lei ha capito subito che non avevano idea di cosa stessero parlando e li ha cacciati subito. Non stiamo insegnando nemmeno ai migliori e più brillanti come risolvere i problemi. Non sto parlando di fare matematica strana, sto parlando di fare cose pratiche, il tipo di modellazione che assolutamente dovrebbe essere fatta per risolvere il problema. Non viene insegnato da nessuna parte.
Conor Doherty: Se posso, viene insegnato da qualche parte. Pubblicità sfacciata.
Joannes Vermorel: Pubblicità sfacciata. Da Lokad abbiamo iniziato a insegnare questo in mezza dozzina di università che sono per lo più intorno a Parigi. Abbiamo anche avviato una serie di workshop pubblici per situazioni di problem solving nella supply chain e uno degli sforzi più grandi che facciamo, il nostro più grande investimento che facciamo, è creare set di dati.
Quindi creiamo e pubblichiamo i set di dati pertinenti e in effetti, la mia opinione personale era che creare un set di dati completamente sintetico è troppo difficile, quindi dobbiamo solo anonimizzare completamente i dati dei clienti esistenti con il loro consenso. Prendiamo dati reali, li rendiamo completamente anonimi, preserviamo i modelli strani e li avvolgiamo in set di dati relativamente piccoli e ben organizzati in modo che gli studenti possano affrontare il problema senza passare tre mesi a occuparsi di angoli sfuggenti dei dati. Sono molto d’accordo, e tra l’altro, i miei due genitori hanno iniziato a lavorare in Procter & Gamble, quindi posso capire molto bene il sentimento.
Warren Powell: Quindi stai insegnando, che tipo di studente stai insegnando nelle scuole intorno a Parigi?
Joannes Vermorel: Oh, è molto classico. Il sistema francese prevede due anni di scuola preparatoria, quindi è fondamentalmente un esame nazionale. Fai due anni, esami nazionali, tutti ottengono un punteggio e i tuoi voti vengono pubblicati sul giornale, quindi se ottieni voti bassi, è sul giornale, non c’è pressione. Poi, c’è quello che chiamiamo le Grandes Écoles, ma puoi pensarle come la mini Ivy League francese. Le persone entrano in quelle scuole di ingegneria. Quindi sto parlando solo di tre segmenti: scuole di ingegneria, scuole di economia e scuole amministrative. Qui sto parlando solo delle scuole di ingegneria.
Warren Powell: Ingegneria, capisco. Quindi a Princeton ho insegnato agli ingegneri. Ora che mi sto coinvolgendo con Rutgers, sarà la prima volta in una scuola di economia e mi è già stato gentilmente avvertito che, tra tutte le diverse categorie di studenti nella scuola di economia, quelli che scelgono la gestione della supply chain tendono ad essere un po’ in fondo alla lista in termini di competenze tecniche. Quelli più in alto si dedicano alla finanza e quindi c’è un effetto a cascata. Non ho ancora iniziato, non insegnerò un corso, insegnerò agli insegnanti, ma dipenderò da loro per dire: “Guarda, Warren, non riusciremo a farla franca con questo”.
Una cosa su cui mi sto concentrando è, dico: “Guarda, c’è una parte molto importante del mio framework che non richiede alcuna matematica. Riguarda le seguenti tre domande e non puoi rispondere a queste, non puoi costruire un modello senza queste tre domande.” Anche se non stai costruendo un modello, se vuoi risolvere un problema, devi comunque rispondere alle seguenti tre domande: quali sono le tue metriche, quali tipi di decisioni stai prendendo, quali sono i tipi di incertezze?
In parole semplici è il modo in cui lo diciamo qui, e quindi dico niente matematica, ma queste sono le domande a cui devo avere risposte se voglio costruire un modello matematico. Quindi ho deciso, vai alla comunità aziendale e chiedi delle metriche, tutti conoscono le metriche, hanno liste e liste di metriche. Poi passa alle decisioni e di’: “Hai un piccolo libro rosso con un elenco delle decisioni che prendi?” e ti guardano con occhi vuoti.
Quindi dopo questa conversazione, Joannes, sto iniziando a generare una serie di pensieri e appunti che condividerò con gli altri docenti di Rutgers. È un documento di Google Docs che può essere modificato pubblicamente e mi vedrai sviluppare diverse categorie. Ho appena iniziato la sezione sulle decisioni e te lo manderò anche perché penso che ti divertirai. Questo non è per un libro o altro, è solo chiacchiericcio, è il mio modo di insegnare agli insegnanti perché non posso dirgli cosa fare, i professori devono dire: “Oh, è una buona idea, penso che la userò”. Se non lo fanno, l’idea non entra in classe, ma devo fidarmi della loro conoscenza di ciò che fanno gli studenti. C’è questo corso sull’analisi delle operazioni, ed è il corso in cui si affrontano i problemi di inventario. Penso che tu possa immaginare cosa viene insegnato lì, è una presentazione molto basilare e io dico: “Mi dispiace, non dovremmo almeno dir loro come, anche in un foglio di calcolo, si può simulare un problema di inventario molto basilare”.
Quindi ti manderò il link al documento di Google. Una delle cose che mi piacerebbe compilare, e non l’ho ancora fatto, sto appena iniziando a pensarci, ma non ho fatto la gestione della supply chain per tutta la mia carriera, ho lavorato su un insieme molto più ampio di problemi. Voglio creare un elenco di decisioni. Questo non sarà una cosa piccola; le decisioni hanno molti gusti e categorie, non riguardano solo l’inventario. C’è la finanza, ci sono le decisioni informative, e quindi alla fine vorrei metterlo in un foglio di calcolo e poi mi piacerebbe inviarlo in giro e invitare le persone a dire: “Ehi, qual è una categoria della mia o quali sono esempi di decisioni?” perché ho questa frase che dice: “Se vuoi gestire meglio qualsiasi cosa, chiamala supply chain, devi prendere decisioni migliori.” Non ho mai sentito nessuno essere in disaccordo con questo, tutti dicono: “Sì, è vero.” Bene, se vuoi prendere decisioni migliori, quali sono le tue decisioni? E poi ricevo questi sguardi vuoti.
Quindi inizierò con un approccio molto non quantitativo, quindi questo appella al tuo senso di dover prima modellare e penso che per un MBA non quantitativo, questa sia una buona sfida per loro perché rispondere e poi ovviamente le incertezze, intere carriere sono costruite sull’identificazione delle fonti di incertezza per le supply chain, ma mi piace davvero quella sulle decisioni. Non dovremmo tutti essere in grado di sapere quali decisioni stiamo prendendo? Capisco perché in azienda non lo fanno perché è come dire: “Beh, è un problema di qualcun altro, valuterò solo quanto bene lo fa.” Quindi in azienda, è interamente il linguaggio delle metriche, ma non dovrebbe esserci un piccolo libro rosso da qualche parte che ha le decisioni?
Joannes Vermorel: Sì, sono molto d’accordo e le decisioni sono molto difficili perché le grandi aziende tendono a seppellire le decisioni e i processi decisionali sotto i flussi di lavoro e i processi. In realtà, nemmeno vedono una decisione perché c’è una regola che viene applicata che è in realtà un processo decisionale. Ed è già così ambientale che non lo vedono più, sta solo guidando l’azienda. Può essere una cattiva politica, esiste, guida il business, offre effettivamente potenzialmente migliaia di decisioni al giorno e nessuno lo vede nemmeno. Una volta che è stato in atto per un po’, questa cosa non ha nemmeno un comando. Non c’è nessuno responsabile di ciò solo perché è come avere aria fresca nell’edificio, succede semplicemente, le persone nemmeno sanno esattamente perché è così, lo è semplicemente.
Sono molto d’accordo con la tua idea di decisione. È difficile perché le persone hanno la percezione sbagliata delle decisioni. Pensano che una decisione sia qualcosa in cui c’è una riunione, c’è tensione e c’è un capo, verranno presentati argomenti e il capo deciderà. Questo è un tipo di decisione, ma ci sono decisioni molto più banali che sono molto più importanti. Quando sono così banali che nemmeno le vedi più, è molto intrigante.
Warren Powell: Perché, come hai detto, hanno già scelto la politica, quindi una volta che hai fissato la politica, smette di essere una decisione. E in realtà la decisione non è la decisione, la decisione è quale politica.
Ora lasciami offrire un’altra intuizione. Sai, parlo delle politiche complicate e delle politiche semplici. Una frase che sono abbastanza sicuro di aver usato nel mio grande libro è che il prezzo della semplicità sono i parametri regolabili. Praticamente qualsiasi politica semplice come le politiche SS, ha parametri regolabili e la regolazione è difficile. La regolazione è uno di questi tipi universali di decisioni. È un problema di apprendimento attivo.
Sto tenendo una presentazione a una conferenza sulle analisi della supply chain presso Rutgers a giugno e una delle cose su cui ho una sezione completa è che c’è qualcosa che assolutamente tutti, indipendentemente dal campo in cui si trovano, devono capire. C’è una classe di problemi decisionali sequenziali chiamati apprendimento.
Hanno molti nomi. Può essere prova ed errore intelligente, ricerca stocastica o bandito a braccio multiplo, ma sono problemi di apprendimento. Non c’è nulla di fisico. Quando hai qualcosa di fisico, le cose si complicano, ma ci sono molti problemi in cui non è fisico, è solo apprendimento.
Provi questo, ha funzionato o non ha funzionato, proverò qualcos’altro. È una decisione sequenziale, ma l’unica cosa che porti da un momento all’altro è ciò che hai imparato e la tua convinzione su ciò che funziona meglio.
L’apprendimento sequenziale dovrebbe essere insegnato a livello universitario, non in un solo corso, ma in tutto il curriculum come le statistiche vengono insegnate in diversi stili. L’apprendimento attivo dovrebbe essere insegnato a chiunque al di fuori dei laureati in inglese.
A meno che tu non sia uno studente di umanità grezza, nomina un campo in cui non devi fare una forma di prova ed errore intelligente. Questo è un processo fondamentalmente umano e ci sono strumenti semplici per farlo, quindi puoi far partire le persone.
Ci sono politiche di base chiamate politiche UCB che puoi insegnare alle persone in un minuto. Basta dire, guarda, hai scelte discrete, ecco quanto buone penso che siano, ma ecco la mia incertezza.
C’è un semplice esercizio che dice che se tutto ciò che fai si basa su quanto pensi che sia buono, può essere seriamente subottimale. Vuoi puntare un po’ più in alto, vuoi puntare a quanto potrebbe essere buono qualcosa. Questa è una conoscenza che puoi insegnare in un minuto, eppure ci sono sfumature che la rendono molto più ricca e che devono essere insegnate.
Joannes Vermorel: Sono molto d’accordo. È molto divertente perché, da un background di apprendimento automatico, Lokad era principalmente apprendimento automatico di previsione.
La situazione tipica era che quelle politiche semplicistiche con parametri regolabili non venivano mai regolate in pratica. Quando finalmente metti le mani sul dataset di un’azienda, è complicato, ma da Lokad, finalmente abbiamo il dataset.
Applichi i tuoi algoritmi di apprendimento e ti rendi conto che c’è molto poco da imparare perché l’azienda ha operato con un autopilota incredibilmente rigido per così tanto tempo che puoi avere miliardi di dollari o euro di storia eppure così poco da imparare perché hai fatto sempre la stessa cosa senza variazioni.
Una delle sfide che affrontiamo è che spesso, quando vogliamo imparare, dobbiamo iniziare a esplorare e aggiungere un po’ di rumore. Questo rumore è solo per il bene dell’apprendimento.
Devi assicurarti che non sia troppo costoso, ma l’idea di deviare da ciò che è considerato ottimale, non hanno idea se sia ottimale, ma è certamente il predefinito, lo status quo, la pratica.
Deviare dalla pratica per esplorare casualmente qualcosa di astratto come raccogliere informazioni su come appare il panorama quando ti discosti da ciò che fai di solito, è molto sconcertante.
Ci sono pochissime persone che hanno frequentato MBA e simili che possono comprendere questa idea di lasciare cadere piccole gocce. Se sei un’azienda grande, anche una piccola dose di esplorazione, se operi su larga scala, ti darà molte informazioni nel tempo.
Nella produzione, la deviazione è sbagliata. Vuoi essere il più rigido e coerente possibile. Ma nell’apprendimento attivo, se fai così nel mondo della supply chain e sei così rigido e questa politica che rimane immutabile, impari a malapena qualcosa.
È un concetto molto strano. Essere introdotti all’idea di apprendimento attivo, che puoi scegliere con cura le tue deviazioni per informarti al massimo, quindi non stai solo facendo qualcosa di casuale ma con l’intento di imparare qualcosa, è cruciale.
Warren Powell: Le intuizioni che hai appena espresso sono così fondamentalmente importanti che dovrebbero essere insegnate ovunque in tutti i tipi di campi, non solo in campi analitici.
Puoi insegnarlo a un livello analitico avanzato e a un livello di base, a seconda degli studenti. Non capisco perché questo non venga insegnato.
Sto scrivendo un articolo per Princeton localmente per dire, guarda, 40 anni di Princeton, indovina quale corso non stiamo insegnando. Circa la metà dell’università è coinvolta in dipartimenti in cui c’è qualche opportunità di pensiero di prova ed errore di qualche forma.
Possiamo continuare per diverse ore ancora.
Conor Doherty: Sto per intervenire e chiudere un cerchio. Uno dei colpi di pubblicità, solo per chiarire, quando parli di studenti di supply chain che imparano, i workshop che hai menzionato sono effettivamente disponibili pubblicamente sul nostro sito web.
Per quanto riguarda l’apprendimento di come codificare per i problemi di supply chain, abbiamo risorse completamente gratuite disponibili pubblicamente sul nostro sito web, docs.lokad.com. Si tratta di esercizi guidati progettati dai nostri supply chain scientists per simulare il tipo di alberi decisionali di cui stai parlando.
Se vuoi valutare le prestazioni, l’analisi dei fornitori, abbiamo un tutorial guidato gratuito in cui puoi vedere tutti gli snippet di codice progettati specificamente per questi tipi di problemi, invece di un’approssimazione approssimativa in un foglio di calcolo Excel.
Warren Powell: So che a Lokad avete il vostro linguaggio di programmazione. Quindi ho trovato molto interessante. Amo le risorse che state mettendo a disposizione. Stiamo cercando di fare qualcosa di simile per il trasporto su strada, ma il trasporto su strada è un settore molto diverso.
Stiamo cercando di inserire cose molto educative. Non proveremmo mai a mettere qualcosa del genere. Prima di tutto, non abbiamo quel semplice pezzo di codice e non c’è nessuno all’interno dell’industria del trasporto su strada.
Una cosa interessante del trasporto su strada è che non abbiamo molta concorrenza. Non è la portata del settore del trasporto su strada che negli Stati Uniti ammonta a circa 800 miliardi di dollari all’anno. Voglio dire, è un grande mercato, ma è una piccola frazione delle supply chain.
La supply chain è un vero oceano, mentre il trasporto su strada è un mare o qualcosa del genere. Ma porterò le tue risorse all’attenzione del dipartimento di Rutgers perché penso che potrebbe essere molto interessante.
Devo fare i conti con il fatto che questi sono studenti di economia che devo far imparare ai loro studenti. Hanno anche un dipartimento di ingegneria industriale e ho la sensazione che sarà a un livello più ingegneristico.
Penso effettivamente che i due dipartimenti dovrebbero lavorare insieme perché il primo passo di quelle tre domande, rispondere a quelle tre domande, è davvero difficile. Devi davvero sapere di cosa stai parlando. Quindi hai bisogno di una buona e intelligente capacità di pensiero di consulenza aziendale per rispondere a quelle domande.
Una volta che le hai risposto, ora hai bisogno di un diverso set di competenze per trasformarle in analisi e utilizzare un computer per aiutarti. Quindi spero a Rutgers, conosco molto bene le persone nell’ingegneria industriale. Il gruppo che non conosco così bene è il dipartimento di gestione della supply chain. Sembra che apprezzino ciò che sto dicendo e cercherò di convincerli a unirsi.
Conor Doherty: Penso che sia andato avanti per un bel po’ e ho esaurito tutte le mie domande. Ma è consuetudine da Lokad offrire l’ultima parola all’ospite. Quindi Warren, ti permetto di concludere con qualsiasi chiamata all’azione o colpi di pubblicità. Qui non ci dispiacciono.
Joannes Vermorel: C’è una chiara chiamata all’azione, che è quella di comprare il libro. È un libro molto solido e buono.
Warren Powell: Raccomando alle persone di non iniziare con il grande libro, ma di iniziare con un libro che possono scaricare gratuitamente.
Tinyurl.com/SDAmodeling, questo è il libro che ho scritto per la classe universitaria. Si chiama Sequential Decision Analytics and Modeling. Lavoro con un editore, non mi pagano nulla, ma mi permettono di offrire il PDF gratuitamente, nella versione pubblicata.
Questo è il libro. Utilizza uno stile di insegnamento basato sugli esempi. Quindi, a parte il capitolo uno, che dice “eccovi il quadro universale e ci sono esempi di inventario”, ogni capitolo, tranne il capitolo 7, sono solo esempi diversi, tutti scritti nello stesso stile con un’enfasi sulla modellazione.
Quindi, ho i miei cinque elementi: stato, decisione, informazione, transizione, obiettivo. Inizio sempre con una narrazione in inglese semplice, e poi ho i cinque elementi. Poi dico qualcosa sulla modellazione dell’incertezza, non molto. Poi dico qualcosa su come potremmo prendere decisioni.
Quando arrivo al capitolo 7, ho dato esempi di tutte e quattro le classi di politiche. Quindi, il capitolo 7 dice, facciamo una pausa, guardiamo cosa abbiamo appena fatto. I capitoli restanti, dall'8 al 14, sono semplicemente esempi più avanzati, inclusa il gioco della birra.
Il gioco della birra è la mia opportunità per affrontare un problema multi-agente. Uno dei miei capitoli preferiti nel mio grande libro è l’ultimo capitolo sul multi-agente. Ho scritto quel capitolo e ho detto, se dovessi ricominciare la mia carriera oggi, il multi-agente sarebbe così divertente.
E ovviamente, nel mondo della supply chain, tutto è multi-agente. Quasi definisce il problema che non ne hai uno solo. Come nel mio lavoro di autotrasporti, anche se ci sono diversi manager, agiamo approssimativamente come se l’azienda di autotrasporti fosse un singolo agente.
Supply chain, no. Non funziona così. Devi modellare il fatto che hai tutti questi componenti che interagiscono, il che apre la porta alla modellazione di chissà cosa. Quindi ora stai modellando l’organizzazione delle informazioni, non solo l’ordinazione dell’inventario.
Questa è un’area così incredibilmente ricca. Guardo a 70 anni di scrittura di libri di testo e mi rendo conto che i nostri libri sembrano essere così indietro rispetto a ciò che è richiesto per risolvere davvero il problema. Sono un po’ sorpreso da questo. È una bella opportunità. Vorrei essere un paio di decenni più giovane.
Quindi, è fantastico che tu stia facendo questa serie TV. La promuoverò sicuramente. Certamente mi piacerebbe condividere questo link, ma indirizzerò anche le persone al tuo sito web perché amo il tuo stile accademico.
Optimal Dynamics è un’ottima azienda. Non posso fare molta pubblicità perché è focalizzata sulle aziende di trasporto su strada, ma farò una pubblicità sfacciata a Lokad. Mi piace il vostro stile. Parlo di voi perché dico che avete un punto di vista molto accademico.
Mi piace come vi piace condividere. Gli accademici amano condividere. Sì, vorremmo fare soldi, ma non possiamo fare a meno di condividere le nostre idee e di esserne molto orgogliosi, come dovrebbe essere. Apprezzo questo perché ho esaminato attentamente il vostro sito web e mi sta aiutando a imparare cose e a prendere spunto dal vostro stile.
Conor Doherty: Grazie mille. Non ho altre domande. Joannes, ti ringrazio molto per il tuo tempo, Warren. Grazie mille anche a te. E grazie a tutti voi per aver guardato. Ci vediamo la prossima volta.
