00:00:09 微分可能プログラミングとその供給チェーンへの影響。
00:01:00 供給チェーンの非効率性と様々な業界における未解決の問題。
00:02:06 ファッション業界における課題と価格に敏感な需要。
00:04:20 既存手法を組み合わせた共同最適化の困難さ。
00:05:51 共同最適化のためのディープラーニングの子孫としての微分可能プログラミング。
00:08:00 供給チェーン管理における学習と最適化。
00:09:24 微分可能プログラミングと様々な業界の未解決問題。
00:10:27 需要予測と顧客データの活用。
00:13:24 プロモーションにおける難解な問題と二次的影響。
00:15:52 顧客のニーズと期待への適応。
00:17:03 複雑な問題解決におけるディープラーニングとハードウェア進化の役割。
00:19:20 AIの進歩の逓減効果と表現力の必要性。
00:21:12 微分可能プログラミングが可能にする供給チェーン管理のサイロ解消。
00:23:23 締めくくりの考察。
要約
このインタビューでは、ホストのキアラン・チャンドラーと、ロカドの創設者ジョアネス・ヴェルモレルが、微分可能プログラミングを用いた供給チェーン最適化の可能性について議論します。ヴェルモレルは、在庫管理、購買、価格設定の意思決定に用いられる従来の手法がしばしば連携しておらず、非効率を生み出していると説明します。微分可能プログラミングは、複数の要因を同時に考慮することでこれらの意思決定を最適化できます。この比較的新しいアプローチは、小売における需要予測や不確実性下での最適化など、様々な業界の未解決問題に取り組むことが可能です。技術の進歩により、より複雑なモデルが可能となり、大規模な問題にも対応できるようになりました。微分可能プログラミングは、組織のsilosを解消し、全体の効率性を向上させることで、供給チェーン最適化に革命をもたらす潜在力を秘めています。
詳細な要約
このインタビューでは、ホストのキアラン・チャンドラーが、供給チェーン最適化に特化したソフトウェア企業ロカドの創設者ジョアネス・ヴェルモレルと共に、微分可能プログラミングおよびその供給チェーン最適化への影響について議論します。彼らは、解決困難な問題と各業界でどのようにこれらの課題に取り組んできたかを探求します。
ヴェルモレルは、解決不可能な問題とは決して永遠に解決されない問題ではなく、まだ満足のいく解決策が得られていない問題であると説明します。供給チェーンは機能しているものの、しばしば大きな非効率性を伴って運用されていると指摘します。これらの非効率性は、詳細に検証しない限り見逃されがちであり、価格設定や品揃えなど、伝統的には供給チェーンマネージャーによって考慮されない調整可能な変数が、改善の余地として存在する可能性があるのです。
チャンドラーは、供給チェーン業界で解決が困難な具体的な課題について尋ねます。ヴェルモレルは、各業界が独自の解決しにくい問題を抱えていると述べ、例としてファッション業界を挙げます。ファストファッションは価格に非常に敏感で、需要が価格に大きく左右されることを示しています。しかし、ファッション向けのほとんどの需要計画ソリューションは、需要をあたかも価格が存在しないかのように扱い、大きな隔たりを生じさせています。
ヴェルモレルは、需要、在庫、価格設定の同時最適化という未解決の問題が存在すると説明します。これらの要素はしばしば独立して扱われるため、チャンドラーの「既存の手法を組み合わせて解決できるか」という問いに対し、これまで開発されたほとんどの解決策は互いに融合しにくかったと述べます。セールス・アンド・オペレーションズ・プランニング（S&OP）のアプローチは、人間間のコミュニケーションを促進することでこの問題に対処しようと試みましたが、ソフトウェアの自動化には適用しにくいものでした。
ソフトウェア自動化において、ヴェルモレルは、需要駆動型材料所要計画（DDMRP）、倉庫管理システム（WMS）、および価格設定用のプロダクト情報管理（PIM）アドオンといった、個別のシステムを統合しようとする際に生じる困難を指摘します。これらのシステムはしばしば独立して意思決定を行い、一貫性のないアプローチや潜在的な非効率を引き起こします。
ヴェルモレルは、従来の在庫管理、購買、価格設定の意思決定手法が連携していないため、最適とは言えない結果に至る可能性があると説明します。彼は、微分可能プログラミングが複数の要因を同時に考慮することで、これらの意思決定を最適化する手助けになると提案します。
微分可能プログラミングは概念的にはディープラーニングに似ていますが、単なるパターン認識ではなく、学習と最適化の両方に焦点を当てています。ヴェルモレルは、ディープラーニングが画像認識において大きな進歩を遂げたと強調するとともに、数値最適化におけるブレイクスルーももたらしたと述べます。これらの進歩により、数百万のパラメータを持つより複雑なモデルの開発が可能となり、その結果、最適化プロセスが改善されました。
供給チェーン管理の文脈では、微分可能プログラミングは未来の需要に関する学習と、不確実な状況下での最適な意思決定の両方に応用できます。例えば、仕入先から何ユニット購入すべきか、または特定の製品をいつ割引すべきかの判断に役立ちます。ヴェルモレルは、顧客は全体の品揃えに影響されるため、個々の製品の意思決定を最適化するだけでは不十分であると指摘します。
微分可能プログラミングは比較的新しいアプローチですが、ヴェルモレルはこれが様々な業界の幅広い未解決問題に応用可能であると考えています。彼は、小売業における需要予測の例を挙げ、ロイヤルティプログラムや顧客データが購買パターンに関する貴重な洞察を提供できると述べます。現時点では、このデータを活用する解決策はほとんどなく、微分可能プログラミングはより良い意思決定のためにこの情報を活かす可能性があります。
微分可能プログラミングが対応できるもう一つの課題は、不確実性下での最適化です。従来の最適化手法は、確率的、すなわちランダムな条件下で苦戦することが多く、そのためMRP（資材所要計画）やDDMRP（需要駆動型MRP）といった簡略化されたアプローチが採用されてきました。ヴェルモレルは、これらの手法はしばしば不十分であり、微分可能プログラミングがより効果的な問題解決の方法を提供できると主張します。
ジョアネス・ヴェルモレルとのインタビューは、供給チェーン最適化における様々な課題に対処するための微分可能プログラミングの可能性を明らかにしています。学習と最適化を組み合わせることで、このアプローチは、複数の要因や不確実性を考慮したより情報に基づく意思決定を企業に促すことができます。微分可能プログラミングは依然として比較的新しい分野ですが、ヴェルモレルはこれが各業界での供給チェーン管理および需要予測の改善に大きな可能性を秘めていると考えています。
彼らは、供給チェーンの課題に対処する上での微分可能プログラミングの役割と、これまで解決不可能とされていた複雑な問題を解決する可能性について議論します。
ヴェルモレルは、微分可能プログラミングが複雑な供給チェーン課題に対処するための強力なツールであると説明します。技術の進歩により、かつては数百パラメータしか扱えなかったモデルが、数百万のパラメータを持つものへと最適化されるようになりました。この飛躍により、大規模な問題にも対応できるようになり、特に多数の製品や店舗を持つ企業にとって重要となっています。
微分可能プログラミングが解決する主要な課題の一つに「ウィキッド・プロブレム」があります。これは、ファッションブランドでのプロモーションが、顧客をセール時のみに買い物に向かわせるといった、行動の二次的な影響を引き起こす場合に発生する問題です。現時点では、これらのウィキッド・プロブレムに対応できるアルゴリズムは存在しませんが、ヴェルモレルは、最終的には人間レベルのAIがこれらの問題に対処できるようになると信じています。
微分可能プログラミングの近年の成功は、ハードウェアとソフトウェアの進歩の融合に起因します。処理能力の急速な向上とアルゴリズム効率の突破口により、数億のパラメータを持つモデルの最適化が可能となりました。ヴェルモレルは、処理能力において収穫逓減の状態に達していると考えており、今後の主な課題は表現力の向上と、複雑な問題を最適化可能な枠組みに適合させることにあると述べています。
供給チェーンの実務家にとって、微分可能プログラミングは、これまで分断されていた問題を統合し共同で最適化することでサイロを解消する可能性を秘めています。これにより効率性が大幅に向上し、企業は組織構造を再考する必要に迫られるでしょう。企業が微分可能プログラミングを採用し始めれば、Amazonが示したように、サイロを解消し分野横断的な最適化を実現する道をたどることができるでしょう。
微分可能プログラミングは、これまで解決不可能とされていた問題に取り組み、組織のサイロを解消することで、供給チェーン最適化に革命をもたらす潜在力を秘めています。ハードウェアとソフトウェアの進歩によって、このアプローチは供給チェーンの実務家に、複雑な課題への対応と全体の効率向上の新たな機会を提供します。
完全な書き起こし
Kieran Chandler: こんにちは。今日のLokad TVでは、比較的新しいテーマである微分可能プログラミングに取り組みます。このエキサイティングな新展開はディープラーニングの最新の子孫であり、これまで解決不可能と考えられていた一連の課題を解放しました。今日は、このプロセスについてもう少し学び、供給チェーンの世界で急速な進歩をもたらした背景を理解していきます。では、ジョアネス、今日は解決不可能な問題について話していますが、これはかなり挑戦的なテーマですね。解決不可能な問題とはどういう意味でしょうか？
Joannes Vermorel: 私が実際に言いたいのは、決して永遠に解決されない問題というより、まだ満足のいく解決策が得られていない問題のことです。供給チェーンでは、ある意味ですべての問題が解決されているように見えます。もちろん、工場は生産を続け、人々は店で商品を購入して楽しんでいるため、供給チェーン自体は機能しています。しかし、その裏では重大な非効率性が存在しており、本質を理解するまでは、その多層的な非効率さに気づかないかもしれません。特に、従来の供給チェーンマネージャーがあまり用いない、価格設定や品揃えといった調整可能な変数に目を向け始めると、市場の需要を操作し、提供する商品に近づける方法が見えてくるのです。
Kieran Chandler: では、ここ数年取り組んできた課題にはどのようなものがあるのでしょうか？
Joannes Vermorel: それは分野ごとに固有の、解決が難しい問題が存在するからです。例えばファッション業界を見てみましょう。ファストファッションや手頃な価格のファッションでは、需要が非常に価格に敏感です。そのため、セール時には非常に積極的な価格が提示され、人々はその好条件を求めて駆けつけるのです。もちろん、セールの大人気ゆえに、長時間待ってまで混雑した店舗に足を運ぶ価値があると感じる人も多いでしょう。つまり、人々は好きな服や商品を求めていますが、手頃な価格でそれを入手したいのです。しかし、私が知る限り、Lokadを除くファッション向けのほとんどの需要計画ソリューションは、あたかも価格が存在しないかのように需要を扱っており、カタログ価格のみで判断しているため、明らかに大きな隔たりが生じています。製品を市場に投入する際には、全体としての価格戦略が当然必要となります。もし製品の販売が不十分であれば、在庫を一掃し次のコレクションのためにスペースを確保するため、セールや割引が発動されるのです。したがって、プロセスの組織化やそれを支えるソフトウェア技術の観点から、顧客需要と価格設定を完全に切り離して扱うのであれば、明らかに大きなギャップが生じ、需要、在庫、価格設定の同時最適化という未解決の問題となります。
Kieran Chandler: では、これらの問題には既存の手法でどのように取り組んでいるのでしょうか？既存の手法を組み合わせて、満足のいく結果を得ることは可能でしょうか？
Joannes Vermorel: いいえ、これまで発明されたほとんどの手法は、互いに融合することを前提として設計されていませんでした。それがS&OPがある程度試みたことではありますが、あくまで人間同士のコミュニケーションレベルでの対応に留まりました。人間であれば話し合い、意味を合わせることができるのですが、DDMRPが意思決定を行い、WMSが在庫管理の決定を下し、さらにPIMのアドオンが価格を制御するというソフトウェア自動化の場合、これらのシステムは融合しないのです。
Kieran Chandler: ご存じの通り、そもそもそれらをネイティブに接続する仕組みはなく、たとえ接続があったとしても全く明確ではありません。片方で在庫や購買の意思決定が行われ、もう片方で価格決定が行われるという方法を考えると、その中間に、両者の意思決定を調和させ共同で最適化できるものを構築することは可能でしょうか？
Joannes Vermorel: 根本的には、これらのシステムは分割して征服するという考えに基づいて設計され、範囲外のものは完全に無視されるのです。これにより、非常にシンプルな手法が可能となります。微分可能プログラミングは、数多くの異なる問題を同時に考慮し、それらを一つに統合する、いわゆる二重最適化に関するものです.
Differentiable programmingは概念的にはdeep learningと関連していますが、accuracyに対する予測の精度に重点を置いているわけではありません。むしろ、物事を別の視点から捉えるものです。近年のdeep learningの進展は主に学習側におけるものであり、画像におけるパターン認識や物体・人物の識別において驚異的な進歩を遂げました。それは非常にクールで、進展は顕著です。
しかし、deep learningが大きな成果を解放したもう一つの側面、それは数値最適化でもありました。複雑な画像パターンをより高い精度で認識できた理由は、パラメータが数千万に及ぶ、はるかに複雑なモデルを持っていたからです。これらのモデルを訓練し、あなたのデータセット上で効率的に動作する数学的モデルを構築するためには、何百万ものパラメータを最適化できるスケールで動作する数値最適化のレシピが必要なのです。
Deep learningとAI技術は、大規模最適化に関する一連のブレークスルーをもたらし、それによって学習側での多くのブレークスルーが可能となりました。微分可能プログラミングは全く異なる視点から来ています。注目すべきは、学習の側面と大規模最適化を行う数値的ツールの両方です。時には、学習と最適化の組み合わせが求められるのです。
サプライチェーンでは、将来の需要そのものを学習するよりも、不確実な未来の条件下で最適な意思決定、例えばサプライヤーがある価格を提示したときに何ユニット購入するかを最適化することが重要です。ユニットを確保した後、特定の商品をいつ値下げするかを決定する必要があります。これは将来の需要を学習することと、自由度の高い変数を最適化することの両方に関わります。
ファッション業界の場合、たった一つの商品、一つの価格、一つの在庫があったとしても、実際には顧客は一つの商品だけを求めて店舗に来るわけではありません。彼らにはニーズ、希望、欲求があり、最終的には全体の品揃えを見ています。一商品ごとに意思決定を考え始めると、本質を見失ってしまいます。だからこそ、あらゆるブランドがコレクションを必要とするのです。顧客に意味のある幅広い品揃えが求められるからです。
Kieran Chandler: このアプローチは、現実世界ではどこで特に効果を発揮するのでしょうか？ 解決に非常に優れている典型的な課題は何ですか？
Joannes Vermorel: 技術スタック自体は非常に新しく、微分可能プログラミングにおいて、どこで特に効果を発揮するという確立されたルーチンはまだ存在しないと言えます。私が言いたいのは、この分野には探索すべき機会が非常に多くあるということです。
Kieran Chandler: 様々な業界で多くの問題領域が見受けられます。以前の議論ではMRPの限界と、DDMRPが基本的に壊れかけたMRPシステムにダクトテープを貼るようなものだという話をしました。しかし、この分野で未解決の問題は何でしょうか？
Joannes Vermorel: 未解決の問題は、不確実性下での最適化です。静的で変化のない未来に対し、すべての制約を適用して最適化（パズル解決のようなこと）を行う問題は、1980年代から解決されてきました。しかし、大きなランダム性を導入すると、それは全く異なる問題となります。我々の数値最適化ツールはすべて機能しなくなり、そのため人々は分離ポイントや分離アイテムという、非常に単純なレシピに頼るのです。MRPは、実際の問題に取り組むための適切なツールが欠如している結果なのです。
Kieran Chandler: 産業界で根本的に本質を見失っている別の例を挙げてもらえますか？
Joannes Vermorel: もちろんです。需要予測の観点から考えると、販売された全てのユニットは顧客に結び付いています。今日では、ロイヤリティプログラムのおかげで、ほぼ全ての小売チェーンやeコマースプラットフォームが顧客を識別でき、誰がどの時点でどの条件下で何を購入したのかを正確に把握できます。顧客の選択がその時点で利用可能なものに限定されていたことも理解しています。購入決定時の品揃えや、購入履歴を持つ顧客のアイデンティティなど、ここには多くの情報が含まれます。しかし、市場に出回っているソリューションはこのデータを活用しているものがほとんどありません。明らかに乖離があり、全く活用されていない莫大な潜在力が存在しているのです。
Kieran Chandler: 微分可能プログラミングではさえ手が届かない、サプライチェーンにおける実際の課題とは何でしょうか？
Joannes Vermorel: 強いAI、もしくは人間レベルの知能が登場する前には解決されないであろう難問が存在します。これらの難問は、あなたの行動の二次的な結果について考えることを要求します。例えば、ファッションブランドのプロモーションを行う場合、二つのことを行っています。一つは在庫の一掃であり、これは微分可能プログラミングで最適化可能ですが、もう一方では、注文を出すという行為の最初から、その行動がもたらす結果について考える必要があるのです。
Kieran Chandler: 最初のユニットを供給するのは良いとして、次に、二次的な結果とは何でしょうか？ プロモーションやセールを行うと、顧客が実際にはあなたの店舗、チェーン、またはeコマースをセール時のみ利用するように訓練されてしまうという点です。そして、何十年にもわたる変化で、常に喜んで購入していた層が、現在ではほとんどの顧客がセール時のみの購入に移行してしまうかもしれません。
Joannes Vermorel: それはまるで自己成就予言のようなもので、現在も明らかに起こっています。だからこそ「難問」と呼ばれるのです。根本的には、我々が対峙しているのは自動機械ではなく人間であるという点です。あなたの顧客は自動化された存在ではなく、賢明で適応力があります。つまり、何かを実行すると、人々はそれに応じて考え、適応するという事実を念頭に置く必要があるのです。これが私がいう二次的な結果です。
人々はあなたが何かを実行することを知れば、期待を抱き、それに基づいて行動します。それは再帰的な現象であり、人間が実際に得意とする非常に人間的な側面です。これらがすべて、あの難問の結果なのです。
例えば、あなたが自動車メーカーだとしましょう。自動車部品の流通と自社のガレージネットワークのサプライチェーンを改善します。しかし、あなたのガレージがあまりに優秀になり、実際に市場での歴史的なパートナーを疎外してしまうのです。したがって、一方では最適化を行いながらも、もう一方では重要なパートナーを怒らせることになります。パートナーを喜ばせるためだけにサプライチェーンの最適化を諦めるべきでしょうか？そうすべき場合もあれば、そうでない場合もあります。いずれにしても、これは私の知る限り、どのアルゴリズムの能力をも超えた難問であり、報道される最先端のAI技術さえも、このような難問に対しては全く歯が立たないのです。
Kieran Chandler: これらの難問は、ターミネーターではなく、未来の微分可能プログラミングやSkynetの問題のように聞こえます。では、なぜ今になってこれら解決不可能な問題に再挑戦する時期となったのでしょうか？微分可能プログラミングがこの進展を遂げるにあたり、技術の世界で何が変わったのですか？
Joannes Vermorel: 変わったのは、文字通り数百のパラメータで最適化可能なモデルから、1億ものパラメータを持つモデルへと技術が進化したことです。現代のdeep learning技術、特に深層および微分可能プログラミングの最適化目的においては、それが実現されています。これは、我々が議論している多くのクライアントにとって、非常に重要な点です。彼らが本当に小さな企業でなければ、問題はスケールに応じたものになります。仮にウォルマートでなくとも、50店舗あればスケールの問題が生じます。もし1店舗あたり10,000製品があるとすると、約50万のSKUs、すなわち毎日の価格設定や在庫決定に関する50万の変数が存在することになるのです。
変わったのは、数百の変数で最適化できる能力から、数百万の変数で最適化できる能力へと移行したことです。これによって、以前は見えなかった無数の問題の解決が可能になりました。興味深いことに、deep learningにおいては、ハードウェアの進歩とソフトウェアの進歩が組み合わさっています。AIは依然として急速に進化しており、より多くのコアと生の処理能力を持つ優れたCPUも相対的に高速で進化しています。しかしそれに加えて、2年後に10単位の処理能力を提供するハードウェアという、一連の画期的ブレークスルーもさらに加速しています。
Kieran Chandler: もしかすると20単位になったり、3年後になるかもしれません。とにかく、約3年という期間での素晴らしい指数関数的進歩が見られるわけです。しかし、もし6ヶ月ごとにアルゴリズムの効率を倍増させるようなソフトウェアや数学的ブレークスルーが起こるなら、進歩は劇的に加速するでしょう。これこそが、deep learningで実際に起こっていることです。ハードウェアは着実に進歩しているものの、アルゴリズムや数学の面での一連のブレークスルーによって、同じハードウェアで実質的に2倍の計算能力を引き出せるようになったのです。この加速は過去10年で進行しており、その結果、数百の変数を持つモデルから10年以内に数億の変数を持つモデルへと進化しました。厳密な数値ではありませんが、概ねこのような枠組みと考えることができます。つまり、これが変化の要因であり、大部分はスケールで、かつ柔軟かつ低コストで実現できるようになったということです。この成長は今後も続くのでしょうか、それとも必要とされるほど十分に成長しているのでしょうか？
Joannes Vermorel: 現時点では、収穫逓減の段階に達していると思います。現在直面している問題のほとんどは、処理能力の不足によるものではなく、むしろ処理能力が余剰となっているのです。処理能力が10倍安ければ何とかなるという問題はほとんどありません。非常に稀であり、僅かな改善のために大量の処理能力を投入する方法があったとしても、その効果は極めて限定的です。例えば、CPUを10倍投入しても0.2％程度の精度向上しか得られない場合がありますが、それは採算が合いません。むしろ、全体を再考するべきです。現在の主な課題は、これらの問題をいかに枠組みに落とし込むかという表現力の問題にあると考えています。微分可能プログラミングは、まったく逆のアプローチではなく、最大限の表現力を追求し、これまで未解決だった多くの問題が微分可能プログラミングで扱える領域に入ることを目指しているのです。
Kieran Chandler: では、ここまでの話をまとめると、微分可能プログラミングはサプライチェーンの実務担当者にとって何を意味するのでしょうか？ どのようなメリットが得られるのか、また現在のアプローチはどのように変わるのでしょうか？
Joannes Vermorel: 微分可能プログラミングは、サイロの排除に向けた大きな飛躍となるでしょう。垂直的・水平的なサイロについて、20エピソード前にエピソードを作ったことがありました。実際、私は単純にそれらのサイロを排除すべきだと言っていたのですが、実際にはそれに反対する意見もあるかもしれません。確かに、未活用の非効率性が存在し、取り除いて最適化できる可能性はあるのですが、現時点ではその技術が存在しないのです。だからこそ、現状では代替手段がないためにサイロに縛られているのです。微分可能プログラミングは、価格設定と品揃えを組み合わせた最適化、あるいは品揃えの処理や品揃えの価格設定、購買と価格設定の共同最適化といった考え方への扉を具体的に開くと信じています。これまで個別に解決していたあらゆる問題を、今後は「一緒に解決しよう」と取り組むことができるのです。これは、企業の組織構造そのものを再構築する必要性も伴います。なぜなら、かつてのサイロは、企業がAmazonのようにサイロを分解し、分野横断的な最適化を始めれば、生き残ることができなくなるからです。
Kieran Chandler: 素晴らしい、本日はお時間いただきありがとうございました。今週の内容はこれでおしまいです。ご視聴、誠にありがとうございました。
