00:00:03 確率的予測：導入と概要。
00:01:34 確率的予測における不確実性と精度。
00:02:25 確率的予測：サプライチェーンの非対称性の管理。
00:04:33 確率的予測における曖昧な境界とありえない出来事。
00:07:43 確率的予測における数学モデルの役割。
00:09:15 確率的予測の精度の評価。
00:11:14 確率的予測と従来の予測の欠点。
00:13:07 産業の従来の予測とExcelの限界への依存。
00:15:23 確率的予測の最適な適用例。
00:18:43 確率的予測が必要ない産業。
00:20:03 確率的予測の採用と理由。
00:22:34 確率的予測の将来の展望。
00:24:27 尤度の明示的な計算を省略する将来の手法。
00:25:37 関連する将来と需要に焦点を当てる。
00:26:14 製品需要のタイムラインにおける不確実性。
00:27:03 価格調整の「もしも」シナリオの影響。
00:27:56 選択的な探索の重要性。
概要
このKieran Chandlerとのディスカッションで、Lokadの創設者であるJoannes Vermorelは、確率的予測の性質と利点について説明しています。確定論的予測とは異なり、確率的予測は各々が特定の確率を持つ結果の範囲を提供すると見なされています。このアプローチは、需要の過大評価と過小評価というサプライチェーンの非対称性に対処するためのより良い方法とされています。これは平均値に限定されず、潜在的なシナリオの連続を評価しています。複雑ではありますが、計算能力とディープラーニングの進歩により、確率的予測はよりアクセスしやすくなっています。Vermorelは、予測が不確実性を受け入れ、多くの変数を統合し、より詳細で現実的な将来の描写を約束する未来を予測しています。
拡大概要
Lokad TVのこのエピソードでは、Kieran ChandlerがLokadの創設者であるJoannes Vermorelと対話を開始し、確率的予測、その利点、実装、およびビジネスでの利用について議論しています。
Vermorelは、確率的予測は将来の知識が不完全なままである予測の一種であると説明しています。確定論的予測が単一の明確な結果を予測するのに対して、確率的予測は特定の確率に関連付けられた潜在的な結果のスペクトルを示しています。この方法は将来の出来事に内在する不確実性を受け入れることを目的としています。この方法は絶対的な正確さを保証するものではありませんが、意思決定にとってより関連性のある可能性を提供する可能性があります。
Vermorelによれば、確率的予測の従来の予測に対する主な利点は、サプライチェーンの非対称性を処理する能力にあります。彼は、需要の過大評価と過小評価が非対称な結果をもたらす可能性があることを強調しています。例えば、航空宇宙産業では、需要を過大評価すると50ユーロの余剰ネジが発生し、需要を過小評価すると航空機の運航停止による数十万ユーロの遅延コストが発生する可能性があります。
Vermorelは、従来の予測方法は通常平均的な結果を目指すと強調していますが、サプライチェーンではコストは通常極端な事象によってより多く駆動されると指摘しています。彼は航空宇宙産業や食品小売業の例を挙げて、過剰在庫が廃棄物や財務上の損失を引き起こす可能性があることで問題をさらに説明しています。
極端な事象について議論する中で、Vermorelは厳密な境界ではなく、まれな事象の連続体が存在することを明確にしています。典型的な製品では、1日の需要の2倍を目撃する確率が5%、4倍を目撃する確率が1%、1日の需要の10倍を目撃する確率は非常に低いです。確率的予測は平均に限定されず、可能な結果の範囲を調査します。
Vermorelは、無限の将来の可能性を評価することの難しさを認識しながらも、現代の計算リソースによって多くのリスクを組み込むことができると主張しています。船舶の沈没のような極端な事象は起こりにくいですが、通関での遅延やその他の物流上の問題は考慮される可能性があります。なぜなら、これらの問題は供給に類似した影響を与える可能性があるからです。
Vermorelは、確率的予測の興味深い性質を解明していきます。彼は、確率的予測の精度を評価するための適切な指標の必要性を紹介し、理想的にはモデルによって割り当てられたより高い確率を持つイベントにより重みを付ける必要があると述べています。
Vermorelは、イタリアがワールドカップで優勝するという仮説的な予測に対して平行線を引き、モデルの精度は割り当てられた確率が実際のイベントとどれだけ近いかで反映されると示しています。彼は確率的予測を従来の予測と比較し、前者が必ずしもより正確ではないが、より広範な潜在的な結果を考慮することで豊富な情報を提供すると述べています。
Vermorelは、確率的予測は平均値を取ることで従来の予測に「折りたたむ」ことができるが、このプロセスでは極端なまたは「テール」イベント（需要が驚くほど高いまたは低いイベント）に関する貴重な情報が省かれると説明しています。これらのイベントは、在庫切れや在庫の廃棄など、サプライチェーンの文脈では通常よりも財務的な影響が大きいことが多いです。
これらの利点にもかかわらず、Vermorelは多くの産業が依然として従来の予測手法を採用していることを認識しています。これは、Excelの利便性とアクセシビリティによるものです。確率的予測への移行には、大量の潜在的な将来を考慮する複雑さと計算の集中度のためにExcelを捨てる必要があります。
Vermorelは、ファッション、航空宇宙メンテナンス、電子商取引、店舗レベルの小売など、不確実性が高い産業が確率的予測に理想的に適していると指摘しています。これらの産業は、気まぐれなファッショントレンドから特定の航空機部品の突発的な需要、電子商取引の長いテールから大規模市場の店舗レベルの売上の変動に直面しています。
Vermorelは、確率的予測が適さない産業や状況も存在すると指摘しています。例えば、セメント生産や特定の自動車生産ラインなど、将来の結果が正確に予測できる場合です。ここでは、従来の予測手法が十分です。確率的予測の真の価値は、Vermorelが指摘するように、将来の結果を正確に予測することができない不確実性のある状況で現れます。
その後の会話は、確率的予測が新しい概念ではないにもかかわらず、なぜますます人気が高まっているのかについてのものにシフトします。Vermorelは、処理能力のコストの低下と深層学習などの統計的手法の出現を2つの主要な要因として挙げています。10年前、確率的計算に必要な計算リソースは非常に高価でした。コストが低下するにつれて、これらの手法はよりアクセス可能になりました。また、確率的モデリングによって推進されるAIのサブフィールドである深層学習の進歩も、確率的予測の台頭をさらに後押ししています。
その後の会話は、確率的予測の将来についての議論に移ります。Vermorelは、古典的な手法に戻ることはないと自信を持って主張しています。確率的予測は将来についてより多くの洞察を提供し、情報量が少ない手法に戻ることは生産的ではないと述べています。ただし、彼は予測シナリオが複数の要素や製品を含む場合には、複雑さが存在することを認めています。追加されるアイテムごとに探索するシナリオの数は指数関数的に増加し、明示的な確率計算はほとんど不可能になります。Vermorelは、これにより将来の手法がすべての確率を表現しようとするのではなく、すでに深層学習で採用されているアプローチに向かうと信じています。
議論は、将来の予測が不確実性を受け入れ、複雑な変数を統合する方法を描くVermorelによる結論を迎えます。製品の需要の変動、供給の時間枠、価格の調整など、すべての潜在的な未来を考慮することで、可能性はほぼ無限になります。ただし、Vermorelは、各潜在的な未来を個別に検討することが目標ではなく、それらをリストアップする必要はない数多くの可能なシナリオを探索するための数学的手法を使用することが重要であると強調しています。このアプローチは多くの課題を提起しますが、予測の領域での新たな探索の機会をもたらします。
フルトランスクリプト
Kieran Chandler: 今日のLokad TVでは、確率的予測が実際に何であるか、なぜ有益であるか、そしてビジネスの運営方法を改善するためにどのように導入できるかについて議論します。では、Joannesさん、現在、私たちには多くのスポーツファンやブックメーカーが、ワールドカップの勝者を正確に予測しようとしています。始める良い場所は、確率的予測とは何かですか？
Joannes Vermorel: 確率的予測は、将来について不完全な情報を持つ予測の一種です。起こり得る未来、実現の可能性のある未来と、実現の可能性のない未来の感覚を持っています。通常、人々が予測を考えるとき、それらを最終的なものとして考えます。例えば、「このチームが勝つ」というように。しかし、確かではなく、このチームが勝つ確率があるだけです。より正確な予測は、実際には非常に強力なチームのリストを持ち、それらが集合的に非常に高い勝利確率を持つことです。勝者を知ることほど満足感はありませんが、不確実性があるため、誰もそれを正確に知ることはできません。確率的予測は、確率を含む未来についての声明を行うことです。これは、将来についてすべてを知らないし、知ろうともしないという概念そのものを受け入れています。
Kieran Chandler: では、これに対して従来の予測手法と比べて主な利点は何ですか？
Joannes Vermorel: 主な利点は、確率的予測がサプライチェーン内の非対称性にアプローチするための視点を提供してくれることです。非対称性とは、需要を過大評価または過小評価するコストが対称的ではないことを意味します。例えば、航空宇宙産業を考えてみましょう。需要を過大評価すると、使用しないネジが在庫に残ってしまうかもしれません。しかし、ネジの必要数を過小評価すると、航空機が1本のネジ不足で運航停止になり、乗客の再配転や遅延による数十万ドルの損失が発生する可能性があります。古典的な予測の問題は、平均を目指していることです。しかし、サプライチェーンでは、通常、平均を確保したいわけではありません。コストは通常、極端な要素によってより多く制御されます。食品小売業で在庫が過剰な場合、すべて廃棄する必要があるかもしれません。
Kieran Chandler: だから、これらの極端なケースについて話すと、それらは基本的に境界ですよね？では、これらの境界をどのように確立できるのでしょうか？
境界は捉えにくいものです。確率の問題です。例えば、通常、ある商品の需要が1日に5個あるとすると、ある日に10個の需要がある確率は5%、20個の需要がある確率は1%、そして50個の需要がある確率はほぼゼロパーセントです。つまり、最終的な境界は存在せず、ますます珍しいイベントの連続であり、その確率を評価することができます。しかし、この連続の中で、すべての可能性を予測していると言っているのですか？確かに、明日何が起こるかを正確にはわかりませんよね。例えば、商品が配送されてくる場合、船が沈む可能性があります。本当にすべての可能な未来を使えるのでしょうか？
Joannes Vermorel: 計算リソースの制約があるため、私たちが評価できる範囲には限りがあります。はい、私たちはメモリと処理能力を持つコンピュータを持っていますが、評価する特徴の数を有限の数に制限する必要があります。ただし、コンピュータには膨大な計算リソースがあります。したがって、評価できる未来の数は有限ですが、非常に大きな数になることもあります。例えば、通常は1日にわずか数個しか売れない商品でも、1000個の販売の確率を手頃な価格で評価することができます。たとえそれが100万分の1の確率であってもです。同様に、船が沈むリスクも100万分の1の確率かもしれませんが、コンピュータは1秒間に数十億の計算を行うことができます。
船が沈むリスクを考慮しないかもしれませんが、税関で無期限に拘留されるリスクを評価することはできます。それは起こり得ることであり、税関手続きの問題により3ヶ月の遅延が発生する可能性があります。そのような遅延は、あなたの出荷にとって船が沈むのとほぼ同等です。例えば、水着を期待している場合、受け取る時には季節は終わってしまっています。冬になってしまい、あなたの商品は役に立たなくなってしまいます。
Kieran Chandler: そうですね、海の底に沈んだ船は確かに極端な例です。では、先ほど言及した数学モデルについて話しましょう。どのモデルを使用するのが最適か、どの予測と予測手法が数学モデルによって異なるのか、どのように知ることができるのでしょうか。
Joannes Vermorel: まず、確率分布を生成する数学モデルが必要です。これはExcelで使用するモデルとは非常に異なります。予測というと、人々は通常、移動平均などの何らかの方法を想像します。前週や昨年の需要を考慮し、関連する期間を平均化して予測を行います。これは悪い方法ではありませんが、単一のポイントの推定値を生成します。
確率的な世界に進むためには、確率の分布を生成する何かが必要です。利用可能なさまざまな数学モデルがあります。最も有名なものはポアソンモデルです。また、ネガティブ二項モデルなども詳しく見ることができます。これらはパラメトリックモデルの異なるクラスですが、ノンパラメトリックモデルもあります。
Kieran Chandler: より洗練された数学モデルの使用により、需要を予測するのに役立つ確率を生成することができることは理解しています。しかし、これはプロセスの終わりではないようです。何が起ころうとも、モデルは常に「言ったでしょう」と言えるのです。10個の需要を予測し、10個の需要が観測された場合、モデルは正しいと言えます。100個の需要が観測された場合でも、モデルはそれが起こる確率があったと言います。では、モデルが良いかどうかをどのように知ることができるのでしょうか？
Joannes Vermorel: 正しいです。そのため、確率的な予測に適したメトリクスが必要です。モデルが実際に発生したイベントに高い確率を割り当てる場合、モデルは良好に機能しています。例えば、イタリアがワールドカップで優勝する確率を80%と予測し、実際に優勝しなかった場合、モデルは不正確でした。しかし、イタリアが5%の確率で優勝しなかった場合、モデルは比較的正確であったと言えます。これらのメトリクスは、実際に起こっていることに対してどれだけの確率の重みを置いているかを測定します。
Kieran Chandler: 言及された正確さは興味深いです。確率的な予測の正確さは、従来の予測と比較してどのようなものなのでしょうか？それらは非常に異なるものを測定しているように思われます。
Joannes Vermorel: 実際にそうです。確率的な予測は、設計上、従来の予測よりも正確ではありません。しかし、確率の分布は平均を取ることで従来の予測に変換することができます。ただし、この場合、需要が驚くほど高いまたは低い可能性のあるイベントに関するすべての情報が失われます。確率的な予測の正確さは、平均絶対パーセンテージ誤差のような従来のメトリクスで測定することができますが、実際にはあまり意味がありません。目標は、驚くほどのイベントについてより多くの情報を捉えることです。予測が財務上本当に重要な場所で正確であることを望みます。サプライチェーン管理では、常に平均的な状況ではありません。
Kieran Chandler: つまり、確率的な予測の利点は、より広い視野を持ち、より豊かな予測を作成できることですか？
Joannes Vermorel: はい、まさにその通りです。将来を理解するために、より多くの次元、より深い理解を提供します。
Kieran Chandler: しかし、それにもかかわらず、業界の多くの人々はまだ従来の予測手法を使用しています。なぜこれらの方法を使用し続けているのでしょうか？
Joannes Vermorel: 彼らがこれらの手法を使用することを喜んでいるわけではありません。現実の問題は、ほとんどのサプライチェーンがExcelなどのツールに依存していることです。これらのツールは確率的な予測を作成するために便利に設計されていません。
Kieran Chandler: 予測について、詩的な予測を作成することは可能ですが、それは非常に便利ではありません。クラシックな予測を作成するには、移動平均のようなレシピを構築するだけで十分です。しかし、確率的な世界に移行したい場合、Excelを使うことをやめなければなりません。予測をExcelで生成するのをやめるだけでなく、Excelでの意思決定もやめなければなりません。なぜなのでしょうか？
Joannes Vermorel: 決定はすべての可能な未来の探索です。すべての可能な意思決定を評価し、それらの意思決定をすべての可能な未来に対して経済的な結果として反映させます。これにより、すべての可能な結果に基づいて最適な意思決定を直接選択することができます。突然、考慮するべき特徴の数が増え、さらに多くの意思決定をさらに大きな可能な未来に対して評価する必要があります。これは計算上非常に負荷がかかり、Excelとは基本的に互換性がありません。
Kieran Chandler: つまり、人々がそうしない理由は、主に必要なツールがないためです。彼らはExcelに移行するのではなく、ERPがサプライチェーンの正しい意思決定のために必要な洗練されたリスク分析を提供できなかったためです。では、これらの産業について話す場合、確率的な予測はどの産業で最も効果的に機能していますか？確率的な予測の最良の結果を見ているのはどの産業ですか？
Joannes Vermorel: 確率的な予測は、不確実性がある場合に本当に輝きます。たとえば、国家レベルでの電力消費の予測を行いたい場合、非常に高い精度で行うことができます。フランスの電力消費を1時間ごとのタイムスロットごとに48時間先まで予測する場合、0.5%の正確な予測が可能です。これは将来をほぼ完璧に知っている状況です。同様に、道路上での交通量を予測したい場合、非常に正確な予測が可能です。しかし、不確実性がより大きい領域に移行すると、確率的な予測がより価値を持つようになります。
Kieran Chandler: それらの領域のいくつかの例を挙げていただけますか？
Joannes Vermorel: もちろんです。ファッションのような産業は、トレンドが非常に不規則な良い例です。ファッションには不可避な不確実性がたくさんあります。航空宇宙産業や一般的なメンテナンスも、航空機が不確かなわけではなく、必要な部品が少ないために大きな不確実性があります。部品が必要になるタイミングがわからず、予備部品や航空機がたくさんあるため、毎日何百ものユニットを販売するオープンマーケットで牛乳のボトルを販売するのとはまったく異なる不規則な状況です。
一般的に、Eコマースも別の例です。製品のロングテールは実際には非常に長く、ほとんどの売上は断続的で不規則な売上を持つ製品から得られます。そして、販売ポイントや店舗レベルで起こるすべてのことを忘れないでください。たとえば、店舗で起こっていることを見てみると、ヨーロッパでは、1つのハイパーマーケットで最大10万の商品があるかもしれませんが、1日に5ユニット以上売れる商品は約2,000個しかありません。その他のすべての商品は1日に5ユニット未満しか売れません。つまり、数は少なく、不規則性は大きいです。確率的な予測は、在庫の決定に対するリスクを洞察することができるため、ここで輝きます。
Kieran Chandler: つまり、確率的な予測は、不確実性の高い領域で輝くということですね？
Joannes Vermorel: その通りです。
Kieran Chandler: 不確実性が多い場合、そしてスペクトラムの片方には驚くほど需要が低く、もう片方には驚くほど需要が高いというすべての方法を考慮して意思決定を最適化する必要がある場合、確率的な予測の利点についてたくさん話しました。それがうまく機能する場所について話しました。しかし、それを使用するのに適していない業界はありますか？クラシックな予測が適している業界はありますか？
Joannes Vermorel: はい、たとえば、セメントを生産しており、お客様から次の3年間の受注バックログを受け取っている場合、予測は必要ありません。将来を知っている場合、自動車産業の一部の生産ラインでも同様のことが起こることがあります。12か月先の予定を正確に把握している場合、大手自動車メーカーから非常に正確なロードマップを受け取り、最大5%の範囲から逸脱することしかありません。計画について残された不確実性がなく、純粋な実行の問題である場合、確率的な予測は役に立ちません。確率的な予測は、ある種の不規則性がある場合にのみ役立ちます。将来を完璧に知ることができない場合、すでに次の12か月のロードマップが固定されている場合、確率的な予測については気にする必要はありません。
Kieran Chandler: なるほど、では企業がなぜ今確率的な予測を使用し始めているのでしょうか？それは特に新しい技術ではないですよね？なぜ今、それが業界でより一般的に使用されるようになっているのでしょうか？
Joannes Vermorel: いくつかの理由があると思います。まず、計算量が非常に多くなるため、統計モデルは100から1,000倍もの計算能力を消費するようになりました。良いニュースは、処理能力がこれほど安くなったことで、ほとんどの場合、ボトルネックにはならなくなったということです。しかし、10年前には、これらの確率計算のほとんどが非常に高価でした。供給チェーンを1ヶ月2,000ユーロの予算で実行できるか、1ヶ月2百万ユーロの予算で実行できるかは、実践的にはかなりの違いを生みます。これがコストの観点で3桁の違いが意味することです。したがって、処理能力がはるかに安くなったことは、これらの手法を実用的にするのに非常に役立ちました。2番目の理由は、ディープラーニングと呼ばれる統計的手法のクラスが存在することです。これが人工知能のキーワードの由来です。ディープラーニングは確率的予測の基礎です。技術的な詳細に興味がないか理解していなくても、音声認識を行うソフトウェアを使用できることに喜びを感じるかもしれませんが、実際には確率的な計算に基づいています。まず、処理能力が向上し、次にAIのベンチマークでディープラーニングのような数学的理論が主流になりました。たとえば、AIが囲碁の世界チャンピオンのようなプレイヤーに勝利したとき、組み合わせ論的な手法ではなく確率的な手法が使用されました。
Kieran Chandler: なるほど、確率的予測は今の時代のもののようですが、将来はどうなるのでしょうか？確率的予測の次のステップはどう見えますか？それは長く続くと思いますか、それともどう見えますか？
Joannes Vermorel: はい、私は猫が箱から出てきて戻らないと思います。私たちはおそらく古典的な予測には戻らないでしょう。確率的な予測があると、将来についてはるかに多くの情報を知ることができるので、より少ない洞察力を提供するアプローチに戻るのは非常に奇妙でしょう。
Kieran Chandler: 現在は将来についての情報が少なくなりますが、すべての可能な将来を探索したいと言っても、実際にはすべての可能性を探索しません。たとえば、この製品の販売数がゼロ、1個、2個、3個の確率を示すことができ、別の製品についても同様の分析を行うことができますが、それら2つの製品の共同確率はどうでしょうか？
Joannes Vermorel: 確かに。突然、製品Aの需要を考慮するために100のシナリオを推定しなければならなくなります。製品Bの需要についても100のシナリオを評価しなければなりません。しかし、製品AとBのすべてのシナリオを見ることはどうでしょうか？それは10,000のシナリオを見ることになります。もし3番目の製品を追加して100のシナリオがある場合、それは100万のシナリオを見ることになります。確率を明示的に表現するためには、状況はますます複雑になります。将来のシナリオをすべて表現しようとする方法ではなく、確率を明示的に述べることなくこれらの計算を行う方法が、将来ますます増えていくと思います。これがディープラーニングとAIの技術の本質です。確率を計算しますが、すべてを確率として表現するのではありません。大きな利点は、非常に複雑な将来のシナリオを探索できることであり、合理的なコンピュータやコンピュータのフリートの能力を超えたものです。
スマートな数学的トリックを使って、これらの特徴をすべて探索することはできます。ディープラーニングの本質は、将来をランダムに探索しないことです。予測に関連する最も可能性の高い未来に焦点を当てたいのです。したがって、すべてをランダムに探索するのではなく、関心のある未来の領域に焦点を当てたいのです。
このアプローチにより、多くのシナリオが開放されます。たとえば、今年はおそらく製品の需要レベルだけでなく、時間の経過に伴うすべての可能な予測期間も探索しようとするでしょう。需要の予測は任意の時点から始まり、任意の時点で終了することができるようにしたいのです。
これは、例えば、船で出荷が行われ、不確実性がある場合に反映される方法です。製品が店舗やオンライン、オフラインで販売できなくなる時期が正確にわからないため、在庫計画を立てる際にこの不確実性を考慮に入れたいと思います。
商品の受け取り時期や需要の実際の開始・終了時期についての不確実性を考慮に入れる必要があります。さらに進んで考えると、もしものシナリオを探索し始めることは非常に興味深いでしょう。
長期的なロードマップの一環として、製品の価格調整に対して行えるすべての可能性を考慮した場合、需要のすべての可能な未来を探索し始める予定です。現状の価格のままであれば需要のすべての可能な未来を見ることができ、価格調整のすべての可能性を探索し始めた場合にはどのような需要の未来があるのかを見ることができます。
これらの可能な未来を考え始めると、数値は非常に大きくなります。トリックは、それらの未来を個別に反復しようとするのではなく、列挙せずに多くの未来を探索できる数学的な技術を持つことです。
キーラン・チャンドラー: まあ、可能性が非常に多いようですね。それをコンピュータに任せているので、脳が爆発しそうです。しかし、今日はここまでにしましょう。確率的予測について詳しく教えてくれてありがとう。とても興味深かったです。ありがとうございました。今日のエピソードは以上です。来週もお会いしましょう。それまで、ビデオの購読をお忘れなく。またお会いしましょう。さようなら。
