サプライチェーン領域における説明可能なAIの確率的指数平滑化
Lokadの研究の一環として、私たちは何かシンプルで基本的なものを見直し、少し改善しようとすることを試みています。このアプローチは、ほとんどの研究論文とは正反対であり、それらは以前の研究のより複雑なバージョンであることが多いです。したがって、デフォルトでは、私たちは洗練度よりもシンプルさを追求しています。LokadのR&Dエンジニアであるアントニオ・シフォネリは、彼の博士論文でこのアプローチを適用し、指数平滑化という尊敬されるモデルを改善し、より説明可能にしました。
説明可能性は、モデルの品質として、本質的には誤解されやすく、意図もよく理解されていません。少なくともサプライチェーンに関してはそうです。説明可能なモデルを持つことは、人間の思考によって簡単に理解または検証できる結果を得ることではありません。これは非常に欠陥があります。なぜなら、半ダースの浮動小数点演算は、数に慣れていると思われる人々、つまり数に慣れていると思われる人々をも混乱させるのに十分です。人間の思考は、基本的な算術には（自然に）適していません。実際、1950年代には既に機械によって乗っ取られた最初の領域でした。また、説明可能性はモデルを信頼性のあるものにするためのものではありません。少なくとも完全には。モデルが信頼できるかどうかを評価するためには、より信頼性のある手段（バックテスト、クロスバリデーションなど）があります。モデルとその結果についてストーリーを作り出すことが信頼の十分な根拠と見なされるべきではありません。
Lokadの視点から見ると、説明可能性のポイントは、元のモデルが無効になるような混乱に直面した場合に、モデルの「バリアント」を介してサプライチェーンを操作する可能性を維持することです。サプライチェーンの混乱は様々です。戦争、関税、ロックダウン、倒産、嵐、訴訟などがあります。混乱が発生すると、予測モデルは微妙ですが重要な方法で無効になります。ただし、これはモデルがこれまでに捉えたすべてのパターンが関係なくなることを意味するわけではありません。たとえば、モデルの季節性プロファイルは完全に影響を受けない場合があります。
そのため、_説明可能なモデル_は、サプライチェーンサイエンティストが元のモデルを変更、調整、または歪める方法を提供する必要があります。これにより、混乱を適切に反映するバリアントを得ることができます。もちろん、これらの変更は推測的であり、ヒューリスティックな性質を持つものと予想されます。なぜなら、正確なデータはまだ利用できないからです。それにもかかわらず、Lokadの採用された信条によれば、正確に間違っているよりもおおよその正確さの方が良いのです。
説明可能なモデルの詳細については、以下のDr. Cifonelliの博士論文をご覧ください。
著者: アントニオ・シフォネリ
日付: 2023年12月
要約:
AIがビジネスの運営を改善する上で果たす役割の重要性は長い間知られていました（少なくとも2017年以来）。しかし、この新しい技術の普及プロセスは、企業内部で特定の障壁に直面しています。特に、実装コストの問題です。企業は、それらを置き換えるために必要なエネルギーやお金のために、古いシステムに固執し続けています。新しいモデルを開発する際に考慮すべき3つの基本的なポイントがあります。期待の不一致、理解と説明の必要性、パフォーマンスと信頼性の問題です。サプライチェーンデータを扱うモデルの場合、さらに5つの特定の問題があります。
- 不確実性の管理。正確さだけではありません。意思決定者は、不確実性の存在下で行う各意思決定に関連するリスクを最小限に抑える方法を探しています。正確な予測を得ることは有利ですが、かなり正確な予測を得てその限界を計算することは現実的で適切です。
- 整数と正のデータの取り扱い。小売で販売されるほとんどの商品は、食品の缶、スペアパーツ、Tシャツなどのように、部分単位で販売することはできません。この販売の単純な側面により、任意の方法やモデルの結果が満たす必要がある制約が生じます：結果は正の整数でなければなりません。
- 観測可能性。顧客の需要は直接測定することはできず、販売のみが需要の代理として記録および使用されます。
- 希少性と簡潔さ。販売は不連続な数量です。ある商品はある週によく売れ、次の週にはまったく売れないことがあります。日ごとに販売を記録することで、1年間が365（または366）のポイントに縮約されます。さらに、そのうちの大部分はゼロになります。
- ジャストインタイム最適化。予測は重要な機能ですが、それは意思決定をサポートする一連のプロセスの一部に過ぎません。時間は貴重なリソースであり、完全に単一の機能に費やすことはできません。したがって、意思決定プロセスと関連する適応は、制限された時間枠内で実施され、必要に応じて中断および再開できる柔軟性が十分に備わっている必要があります。予期しないイベントや必要な調整を組み込むために。
この論文は、テクノロジーとサプライチェーンのギャップを埋めることを目指すパリを拠点とするソフトウェア企業であるLokadの中心で行われた研究の結果であり、LokadとANRTとのCIFRE契約の下でLokadによって資金提供されました。提案された研究は、新しい技術とビジネスの期待の間の良い妥協点を目指しており、上記で提示されたさまざまな側面に対応しています。 私たちは基本的な方法、つまり指数平滑化ファミリーを使用して予測を開始しました。これらの方法は実装が容易で非常に高速に実行できます。業界で広く使用されているため、ユーザーの信頼を既に得ています。さらに、非専門家の聴衆に対して理解しやすく説明することもできます。より高度なAI技術を活用することで、使用されるモデルの制約を克服することができます。クロスラーニングは、利用可能なデータの数が非常に限られている場合に有用な情報を外挿するためのアプローチとして有効であることが示されました。一般的なガウス分布の仮定は離散的な販売データには適していないため、ポアソン分布または負の二項分布に関連付けられたモデルを使用することを提案しました。これは、モデル化および予測する対象の性質により適しています。また、不確実性に対処するためにシミュレーションを使用することを提案しました。モンテカルロシミュレーションを使用して、複数のシナリオが生成され、サンプリングされ、分布を使用してモデル化されます。この分布から、異なるサイズの信頼区間を導くことができます。実際の企業データを使用して、Deep Auto-Regressive（DeepAR）モデル、Deep State Space（DeepSSMs）モデル、Neural Basis Expansion Analysis（N-Beats）モデルなどの最先端の手法と私たちのアプローチを比較しました。私たちはHolt-Winter法に基づく新しいモデルを導き出しました。これらのモデルはLokadのワークフローで実装されました。
審査員:
審査は以下のメンバーで行われました：
- M. Massih-Reza AMINI、Université Grenobleの教授、審査員。
- M.me Mireille BATTON-HUBERT、École des Mines de Saint-Étienneの教授、審査員。
- M.me Samia AINOUZ、INSA Rouenの教授、審査員。
- M. Stéphane CANU、INSA-Rouenの教授、論文指導教員。
- M.me Sylvie LE HÉGARAT-MASCLE、Paris-Saclayの教授、審査員。
- M. Joannes VERMOREL、LokadのCEO、招待メンバー。
