00:00:09 サプライチェーンにおける差分可能プログラミングとその影響。
00:01:00 サプライチェーンにおける非効率性とさまざまな業界での未解決の問題。
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 既存の最適化手法を組み合わせる難しさ。
00:05:51 共同最適化のためのディープラーニングの子孫である差分可能プログラミング。
00:08:00 サプライチェーン管理における学習と最適化。
00:09:24 さまざまな業界での差分可能プログラミングと未解決の問題。
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困難な問題と2次の影響。
00:15:52 顧客のニーズと期待に適応すること。
00:17:03 複雑な問題の解決におけるディープラーニングとハードウェアの進歩の役割。
00:19:20 AIの進歩における限界効果と表現力の必要性。
00:21:12 サプライチェーン管理におけるサイロの排除を可能にする差分可能プログラミング。
00:23:23 結びの思い。
概要
このインタビューでは、ホストのキーラン・チャンドラとLokadの創設者であるジョアネス・ヴェルモレルが、差分可能プログラミングがサプライチェーン最適化に与える可能性について話し合っています。ヴェルモレルは、在庫管理、購買、価格設定の伝統的な方法はしばしば切り離されており、非効率性を引き起こしていると説明しています。差分可能プログラミングは、複数の要素を同時に考慮してこれらの意思決定を最適化することができます。この比較的新しいアプローチは、小売業における需要予測や不確実性の下での最適化など、さまざまな業界で未解決の問題に取り組むことができます。技術の進歩により、より複雑なモデルが可能になり、スケールで問題に取り組むことができます。差分可能プログラミングは、組織のサイロを打破し、全体的な効率を向上させることで、サプライチェーン最適化を革新する可能性を秘めています。
詳細な概要
このインタビューでは、ホストのキーラン・チャンドラとサプライチェーン最適化に特化したソフトウェア企業であるLokadの創設者であるジョアネス・ヴェルモレルが、差分可能プログラミングとそのサプライチェーン最適化への影響について話し合っています。彼らは、さまざまな業界で解決できない問題と、これらの課題がどのように対処されてきたかについて探求しています。
ヴェルモレルは、解決できない問題は必ずしも解決策が存在しないわけではなく、まだ満足のいく解決策が存在しない問題であると説明しています。彼は、サプライチェーンは機能しているものの、しばしば著しい非効率性で運営されていることを指摘しています。これらの非効率性は、注意深く検討されるまで明らかにならない場合があり、価格やアソートメントなど、従来のサプライチェーンマネージャーが考慮しない要素を調整することでサプライチェーンを改善することができるかもしれません。
チャンドラは、サプライチェーン業界で解決が難しい具体的な課題について尋ねます。ヴェルモレルは、各業界には独自の未解決の問題があると述べ、ファッションを例に挙げています。価格に敏感なファストファッションは、需要が価格に強く影響を受けることを示しています。しかし、ファッションの需要予測ソリューションのほとんどは、価格が存在しないかのように需要を扱っており、これにより大きなギャップが生まれます。
ヴェルモレルは、需要、在庫、価格の共同最適化という未解決の問題があり、これらの要素はしばしば切り離されたエンティティとして扱われていると説明します。チャンドラの質問に対して、既存の方法を組み合わせてこの問題を解決することができるのかという問いに対して、ヴェルモレルは、歴史的には、開発されたソリューションのほとんどが互いに組み合わせることができなかったと述べています。セールス・アンド・オペレーションズ・プランニング（S&OP）アプローチは、異なる部門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しましたが、ソフトウェアの自動化には適していません。
ソフトウェアの自動化に関して、ヴェルモレルは、需要駆動型の物流計画（DDMRP）、サードパーティー物流管理システム（WMS）、価格のための製品情報管理（PIM）アドオンなど、別々のシステムを統合しようとする際に生じる困難について指摘しています。これらのシステムはしばしば独立した意思決定を行い、断片的なアプローチと潜在的な非効率性をもたらします。
ヴェルモレルは、在庫、購買、価格の意思決定に対して従来の方法はしばしば切り離されているため、最適な結果が得られないことを説明します。彼は、異なる要素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ために、微分可能プログラミングが役立つと提案しています。
微分可能プログラミングは、ディープラーニングと概念的には似ていますが、単にパターン認識ではなく、学習と最適化の組み合わせ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の分野で大きな進歩を遂げた一方で、数値最適化のブレークスルーももたらしたと強調しています。これらの進歩により、パラメータ数百万のより複雑なモデルの開発が可能になり、最適化プロセスが改善されました。
サプライチェーン管理の文脈では、微分可能プログラミングは将来の需要について学習し、不確実な条件下で最適化された意思決定を行うために適用することができます。例えば、特定の製品をどれだけの数量でサプライヤーから購入するか、いつ特定の製品をディスカウントするかを決定するのに役立ちます。ヴェルモレルは、顧客はしばしば製品の全体的なアソートメントに影響を受けると指摘し、個々の製品に対する意思決定の最適化だけでは十分ではないと述べています。
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、さまざまな業界の未解決の問題に適用できると考えています。彼は小売業における需要予測の例を挙げており、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ています。現在、このデータを活用するソリューションは市場にほとんど存在せず、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用するのに役立つ可能性があります。
微分可能プログラミングが対処できるもう一つの課題は、不確実性の下での最適化です。従来の最適化方法は、確率的な条件に対してしばしば苦労し、MRP（材料要件計画）や要求駆動型MRP（DDMRP）などの簡略化されたアプローチの採用につながってきました。ヴェルモレルは、これらの方法はしばしば不十分であり、微分可能プログラミングはより効果的な問題解決方法を提供できると主張しています。
ジョアネス・ヴェルモレルとのインタビューは、微分可能プログラミングがサプライチェーン最適化におけるさまざまな課題に対処する可能性を示しています。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素と不確実性を考慮したより情報を基にした意思決定を企業に支援することができます。微分可能プログラミングはまだ比較的新しい分野ですが、ヴェルモレルは、さまざまな業界におけるサプライチェーン管理と需要予測の改善において重要な約束を持っていると考えています。
彼らは、微分可能プログラミングがサプライチェーンの課題に対処し、以前に解決できなかった複雑な問題を解決する可能性について議論しています。
ヴェルモレルは、微分可能プログラミングが複雑なサプライチェーンの課題に対処するための強力なツールであると説明しています。技術の進歩により、数百のパラメータしか扱えなかった以前とは異なり、数百万のパラメータを持つモデルの最適化が可能になりました。この能力の飛躍により、多数の製品と店舗を持つ企業にとって特に重要なスケールでの問題に取り組むことが可能になりました。
微分可能プログラミングが助ける主な課題の1つは、「悪い問題（wicked problem）」です。これらの問題は、アクションに対して2次の影響がある場合に発生します。たとえば、ファッションブランドのプロモーションが、顧客がセール時にしか買い物をしないようになるといった場合です。現在、これらの悪い問題に対処できるアルゴリズムは存在しませんが、ヴェルモレルは、人間レベルのAIが将来的にこれらの問題に取り組むことができるかもしれないと考えています。
微分可能プログラミングの最近の成功は、ハードウェアとソフトウェアの進歩の組み合わせによるものです。処理能力の急速な向上と、アルゴリズムの効率性の向上により、数億のパラメータを持つモデルの最適化が可能になりました。ヴェルモレルは、処理能力の収益逓減の段階に達したと考えており、現在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フレームワークに適合させることにあると考えています。
サプライチェーンの実践者にとって、微分可能プログラミングは、これまで孤立していた問題を共同で解決し、シロを打破する可能性を提供しています。これにより、効率性が大幅に向上し、企業は組織の構造を見直す必要があります。企業が微分可能プログラミングを採用し始めると、Amazonのような企業がシロを打破し、異なる領域を最適化するという例に続くことができます。
微分可能プログラミングは、以前に解決できなかった問題に取り組み、組織のシロを打破することで、サプライチェーンの最適化を革新する可能性を秘めています。ハードウェアとソフトウェアの進歩により、このアプローチはサプライチェーンの実践者にとって、複雑な課題に取り組み、全体的な効率を向上させる新たな機会を提供しています。
フルトランスクリプト
キーラン・チャンドラー: こんにちは、今日はLokad TVで、微分可能プログラミングという少し新しいトピックに取り組みます。このエキサイティングな新しい開発は、ディープラーニングの最新の派生であり、以前は解決不可能と考えられていた一連の課題を解決することができるようになりました。今日は、このプロセスについてもう少し詳しく学び、サプライチェーンの世界での急速な進歩について理解します。では、ジョアネスさん、今日は解決不可能な問題について話していますが、それはかなりの挑戦ですね。解決不可能な問題とはどういう意味ですか？
ジョアネス・ヴェルモレル: 実際には、解決策が永遠に存在しない問題ではなく、まだ満足のいく解決策がない問題のことを指します。サプライチェーンでは、すべての問題がある意味で解決されていると言えます。明らかに、工場は生産を行い、人々は店で買えるものを楽しんでいますので、サプライチェーンは実際には機能しています。しかし、それはかなりの非効率性を伴って機能している可能性があり、それを完全に理解するまで、複数のレベルでどれほど非効率であるかさえわからないかもしれません。特に、価格設定や商品の組み合わせなど、従来のサプライチェーンマネージャーが一般的に使用しない調整変数を考えると、市場の需要を曲げたりねじったりする方法があるかもしれません。
キーラン・チャンドラ: では、ここ数年間苦労している課題はどのようなものですか？
ジョアネス・ヴェルモレル: それは、各業界に固有の難解な問題があるため、状況によります。たとえば、ファッション業界を取り上げましょう。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、需要は非常に価格に敏感です。そのため、人々はセールに殺到するのです。セールは、超攻撃的な価格を実現できるタイミングです。明らかに、セールの人気が爆発的であるため、多くの人々が数時間待ち、超混雑した店舗に行く価値があると感じています。したがって、人々は好きな洋服や商品を求めていますが、手ごろな価格で手に入れたいと本当に思っています。しかし、私が知っているファッションの需要予測ソリューションのほとんどは、Lokadを除いて、価格が存在しないかのように需要を扱っています。まるでカタログ価格だけであるかのようにです。しかし、明らかに、市場に製品を投入する際には、価格戦略全体が進行しています。製品が十分に売れない場合、在庫を処分し、次のコレクションのためのスペースを確保するためにセールや割引を行います。したがって、顧客の需要と価格を完全に切り離して扱うプロセス組織やソフトウェア技術がある場合、明らかに大きなギャップがあります。そして、需要、在庫、価格の共同最適化という明らかに未解決の問題です。
キーラン・チャンドラ: では、既存の方法でこれらの問題にどのように取り組んでいますか？つまり、既存の方法を組み合わせて満足のいく結果を得ることはできるのでしょうか？
ジョアネス・ヴェルモレル: いいえ、歴史的に発明されたほとんどのレシピは、お互いに組み合わせることができるようには設計されていませんでした。それがS&OPが少し試みたことですが、人間のレベルでの試みです。つまり、人々がお互いに話し合うことです。人間同士ならうまくいくことがあります。しかし、DDMRPが決定を下し、WMSが在庫の決定を下し、さらにPIM（製品情報管理）のアドオンが価格を制御しているようなソフトウェア自動化の場合、これらのすべてのシステムは組み合わさりません。
キーラン・チャンドラ: つまり、それらは本来的に接続されているものではなく、接続されている場合でも非常に明確ではありません。在庫や購買の意思決定と価格の意思決定など、意思決定を生成するために使用される方法を考えると、意思決定を調整し、共同最適化するために中間に構築できるものはありますか？
ジョアネス・ヴェルモレル: 本質的に、これらのシステムは分割統治の考え方で設計されており、スコープ外のものは完全に無視されています。これにより、レシピがはるかにシンプルになることもあります。微分可能プログラミングは、さまざまな異なる問題を考慮に入れ、それらを一つに結びつける二重最適化に関するものです。
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関連していますが、予測の精度にはあまり焦点を当てていません。それはむしろ異なる視点です。ディープラーニングの最近の進歩は、主に学習側に関してであり、画像のパターン認識やオブジェクトや人物の識別において非常に大きな進歩がありました。それは非常に素晴らしいことであり、進歩は著しいものでした。
ただし、ディープラーニングが素晴らしい結果をもたらしたもう一つの側面もありました。それは数値最適化です。より高い精度で複雑な画像パターンを認識できるようになったのは、パラメータがはるかに多い、数百万単位のモデルを持っていたからです。これらのモデルをトレーニングし、データセットに効率的な数学モデルを構築するためには、数百万のパラメータを最適化する数値最適化レシピが必要です。
ディープラーニングと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、学習側のブレークスルーを可能にしました。微分可能プログラミングは異なる視点から来ています。興味があるのは学習の側面と大規模最適化を行うための数値ツールです。時には、学習と最適化の両方が必要です。
サプライチェーンでは、将来の需要について学習することよりも、不確実な将来の状況の下で最適化された正しい意思決定を行いたいと考えています。例えば、サプライヤーが特定の価格を提供した場合に何単位購入するかなどです。ユニットを取得したら、特定の製品を割引する時期はいつですか？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っています。
ファッションの場合、1つの製品、1つの価格、1つの在庫については、実際には顧客は1つの製品のために店舗に来るわけではありません。彼らにはニーズ、希望、欲望があり、最終的にはアソートメントを見ています。1つの製品についての意思決定を一つずつ考え始めると、本質を見失ってしまいます。それがなぜ、それらのブランドがコレクションを必要とする理由です。顧客にとって意味があるように、幅広いアソートメントを持つ必要があるからです。
Kieran Chandler: このアプローチは実世界でどのように非常にうまく機能しますか？非常にうまく解決できる古典的な課題は何ですか？
Joannes Vermorel: テクノロジースタックはかなり新しいものであり、微分可能プログラミングでは、非常にうまく機能する場所に確立されたルーチンはないと言えます。私が言っているのは、この領域で探索する機会が非常に多いということです。
Kieran Chandler: さまざまな業界でさまざまな問題が見られます。以前の議論では、MRPの制約について話しましたが、DDMRPは基本的にはかなり壊れたMRPシステムを修復するものです。しかし、この領域で未解決の問題は何ですか？
Joannes Vermorel: 未解決の問題は、不確実性の下での最適化です。静的で動かない未来のパズル解きのような最適化を行い、すべての制約を適用する場合、これらの問題は1980年代から解決されてきました。しかし、高度なランダム性を導入すると、まったく異なる問題になります。私たちが持っているすべての数値最適化手法は崩壊してしまいます。そのため、人々は分離ポイントと分離アイテムを持つ非常に単純なレシピに頼るのです。MRPは、問題を実際に解決するための適切なツールの欠如の結果です。
Kieran Chandler: 他の例を挙げていただけますか？産業界が根本的に見失っている点は何ですか？
Joannes Vermorel: もちろんです。需要予測の観点で考えると、販売されたすべての単位は顧客に関連しています。今日では、ロイヤリティプログラムのおかげで、ほとんどの小売チェーンやECプラットフォームは顧客を特定し、誰がいつ、どの条件で何を購入したか、どの製品が存在したかを正確に知ることができます。顧客の選択肢はその時点で利用可能なものに限られていたことを知っています。ここには多くの情報があります。購入意思決定時のアソートメントや購入履歴を持つ顧客のアイデンティティなどです。しかし、このデータを使用している市場でほとんど解決策が存在しないことがわかります。これは明らかな連携の欠如であり、まったく活用されていない大きなポテンシャルです。
Kieran Chandler: サプライチェーンにおける実際の課題は、微分可能プログラミングですら表面をかいていないのですか？
Joannes Vermorel: 強いAI、つまり人間レベルの知能が出現する前には解決されないであろう困難な問題が存在します。これらの困難な問題は、自分の行動の二次的な結果について考えることを含みます。たとえば、ファッションブランドのプロモーションを行う場合、2つのことを行っています。在庫を処分していることであり、これは良いことであり、微分可能プログラミングで最適化することができます。しかし、注文をする時点から最初から自分の行動の結果について考える必要もあります（注文をする）。
Kieran Chandler: 最初のユニットを供給することはいいですね。しかし、その後の二次的な結果は何ですか？プロモーションやセールを行うことで、実際には顧客ベースを自社の店舗やチェーン、または自社のECサイトでしか買い物をしないように訓練しているという事実です。10年以上にわたって起こった変化があり、最初はいつも喜んで購入していた人々から、今ではセール時にしか購入しないほとんどの顧客に移行してしまったかもしれません。
Joannes Vermorel: それは自己成就的な予言のようなものであり、現在は明らかです。それが「困難な問題」と呼ばれる理由です。Wikipediaのページをご覧いただければわかります。基本的に、私たちは自動機械ではなく、クライアントはスマートで適応力があります。したがって、基本的には、何かをすると、人々は考え、あなたが行っていることに適応します。それが私が「二次的な結果」と呼ぶものです。
人々があなたが何かをすることを知っていると、彼らは期待を持ち、自分の行動をあなたについて考えたことに基づいています。それは再帰的なものであり、人間にとっては非常に得意なことです。それがすべての困難な結果です。
たとえば、自動車メーカーであるとします。自動車部品の流通や自社のガレージネットワークのためのサプライチェーンを改善します。ガレージが非常に優れているため、実際には市場で重要なパートナーを失望させることになります。したがって、片方を最適化し、歴史的なパートナーを失望させることになります。パートナーを喜ばせるためにサプライチェーンの最適化を諦めるべきでしょうか？おそらく、そうであるかもしれません。これもまた、私が知っているどんなアルゴリズムでも完全に解決できないような困難な問題です。プレスで読む最も派手なAIのものですら、このような困難な問題には程遠いです。
Kieran Chandler: これらの困難な問題は、明日の微分可能プログラミングやスカイネットの問題であり、ターミネーターの問題ではないようですね。では、なぜ今、解決不可能な問題に再び目を向ける時期なのでしょうか？技術の世界で何が変わったので、微分可能プログラミングがこの進歩を遂げることができたのでしょうか？
Joannes Vermorel: 変わったのは、数百のパラメータでモデルを最適化できる技術から、数億のパラメータを持つモデルを最適化できる技術に移行したことです。これは、特に深層学習技術において、深い微分可能プログラミングの文脈での最適化において得られるものです。これはゲームチェンジングなことです。なぜなら、私たちが議論しているクライアントの多くは、本当に小さな会社でない限り、スケールの問題を抱えているからです。ウォルマートではなくても、50の店舗があると、スケールで問題を解決する必要があります。1つの店舗あたり10,000の製品がある場合、1日あたりの価格と在庫の決定には50万のSKUが必要です。
変わったのは、数百の変数で問題を最適化できる能力から、数百万の変数で問題を最適化できる能力に移行したことです。突然、以前は見えなかった多くの問題の解決策が見えるようになりました。興味深いことに、深層学習では、ハードウェアの進歩とソフトウェアの進歩の組み合わせでした。AIはまだ急速に進化しており、より多くのコアとより高い処理能力を持つ改良されたCPUも相変わらず急速に進化しています。しかし、さらに速いのは、ハードウェアが2年後に10倍の処理能力を提供している状況です。
Kieran Chandler: たぶん、20倍になるかもしれません。それは3年後かもしれません。それは、3年間の指数関数的な進歩です。しかし、もし6ヶ月ごとにソフトウェアや数学のブレークスルーがあり、アルゴリズムの効率が2倍になるなら、進歩は劇的に速くなります。それが深層学習で起こっていることです。ハードウェアの進歩は着実に進んでいましたが、同じハードウェアから2倍のパワーが得られるようなブレークスルーがありました。この加速は過去10年間に起こっており、結果として、数百の変数から数億の変数に移行しました。完全にはそうではありませんが、ある種の枠組みを提供しています。ですから、これが変わったことです。大部分は、スケールでの柔軟性と低コストでそれを実現できるようになったことだと言えます。この成長は続くのでしょうか、それとも必要なだけ成長しているのでしょうか？
Joannes Vermorel: この時点で、私たちは収益の減少点に達していると思います。私たちが現在直面しているほとんどの問題は、処理能力の不足ではなく、処理能力の余剰です。もし処理能力が10倍安くなれば、できると言える問題は非常に少ないです。それは非常に稀であり、10倍のCPUを投資してわずか0.2％の追加精度を得ることができるかもしれませんが、それはそれほど価値がありません。全体を見直す方が良いです。私は、現在の主な課題は、どのようにしてそれらの問題をフレームワークに適合させるか、つまり最大限の表現力を目指すことだと考えています。微分可能プログラミングはその反対ではありません。それは、これまでオープンな問題だった多くのことが、微分可能プログラミングでできるようになったことを意味します。
Kieran Chandler: それでは、供給チェーンの実践者にとって、異なるプログラミングはどのような意味を持つのでしょうか？彼らはこれによってどのような利益を得ることができ、現在のアプローチがどのように変わるのでしょうか？
Joannes Vermorel: 異なるプログラミングは、サイロを排除するための大きな進歩です。私たちは、20エピソード前に、垂直および水平のサイロについて話しました。私はただそれらのサイロを排除すべきだと言っていましたが、現実的には人々がそれに反対するかもしれません。はい、それは理にかなっています。明らかに、削除して最適化できる未開の非効率性がありますが、技術がまだそこにはありません。ですから、今のところ、私たちは代替手段がないため、サイロに閉じ込められています。私は、異なるプログラミングが共同価格とアソートメント、またはアソートメント処理やアソートメント価格または購買と価格などを考えるための道を具体的に開くと信じています。私たちは、孤立して解決したさまざまな問題を見ることができ、それらを共同で解決することができます。これには、これらの企業がどのように組織されるかを再考する必要があります。古いサイロは、企業がサイロを解体し、それらのドメインをクロス最適化するAmazonの方法に移行し始めると、この新しい世界で生き残ることはありません。
キエラン・チャンドラー: 今日はお時間をいただきありがとうございました。今週はこれでおしまいです。ご視聴いただきありがとうございました。
