00:00:07 サプライチェーンにおける差分可能プログラミングの潜在的な使用例。
00:00:31 小売店舗と顧客の視点に差分可能プログラミングを適用する。
00:02:56 顧客の行動モデリングにおける差分可能プログラミングの画期的な特性。
00:06:05 ウェアハウスの運営と将来の需要予測に対する差分可能プログラミングの影響。
00:07:11 差分可能プログラミングによるウェアハウスの出荷曲線のスムージング。
00:09:38 クライアントへのタイムリーな対応の重要性とサプライチェーンへの影響。
00:10:40 複雑なサプライチェーンネットワークのモデリングにおける差分可能プログラミングの役割。
00:13:01 品質管理と生産システムの欠陥。
00:14:17 製薬業界における不確実性のモデリングに差分可能プログラミングを適用する。
00:16:00 スパースデータの状況での差分可能プログラミングとその利点。
00:17:41 製薬業界における差分可能プログラミングの適用例としての特許の有効期限切れ。
00:19:57 複雑さの受け入れと差分可能プログラミングを通じた主要なビジネスドライバーの対応。
00:21:59 ビジネス要件に基づいたモデルの単純さと複雑さのバランス。
00:22:42 ロカドのプログラム的アプローチの進化と、クライアントへの利点と機会としての差分可能プログラミング。
概要
このインタビューエピソードでは、ホストのキーラン・チャンドラーとロカド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の応用とサプライチェーン管理への影響について探求します。従来の時系列モデルは、カニバリゼーションや代替をモデリングするのに苦労していますが、差分可能プログラミングは顧客中心のアプローチを提供し、顧客の欲望とニーズを考慮した意思決定を実現します。このアプローチにより、より正確な需要予測、在庫管理、および倉庫最適化が可能となります。差分可能プログラミングは、複雑な多段階の課題に対応し、生産の欠陥を考慮しており、さまざまな産業に適しています。ヴェルモレルは、差分可能プログラミングにより、企業がドメイン知識を機械学習モデルに組み込むことができ、特定の問題に対するより正確で効率的かつ適切なソリューションが得られると強調しています。
拡大概要
この差分可能プログラミングのインタビューシリーズのエピソードでは、ホストのキーラン・チャンドラーとロカドの創設者であるジョアネス・ヴェルモレルが、この技術をサプライチェーン、特に小売店に適用することの潜在的な使用例と影響について議論します。差分可能プログラミングは、従来の時系列アプローチでは効果的に対処できないさまざまな問題に対処することで、サプライチェーン管理の改善の可能性を秘めています。
サプライチェーン管理における主要な課題の1つは、カニバリゼーションと代替のモデリングの難しさです。これらの要素は、特に高級品、ファストファッション、食品小売業などの産業において重要です。従来の時系列モデルはこれらの要素を考慮するのに苦労し、しばしば満足のいく解決策を見つけることができません。
差分可能プログラミングは、製品にだけではなく、顧客の視点に焦点を当てることで、これらの問題に新しいアプローチを提供します。これにより、顧客の欲望、ニーズ、現在の商品のアソートメントや在庫の利用可能性に対する選択の可能性などの要素を考慮することができます。この顧客中心のアプローチにより、小売環境のより正確で微妙な理解が得られ、より情報に基づいた意思決定が可能となります。
差分可能プログラミングの画期的な側面は、カタログ内の特定の製品に対する顧客の好みをモデル化する能力にあります。この手続き的なプロセスにより、サプライチェーン管理者は新規性が顧客の購買を促進する方法や、リピートクライアントが同じ製品を再び購入する可能性が低いことなど、さまざまな要素を考慮することができます。これらの洞察により、より正確な需要予測と在庫管理が可能となります。
たとえば、書店の場合、本を購入する顧客は次回の訪問時に同じタイトルの本を購入する可能性が非常に低いです。従来の時系列モデルはこの行動を考慮するのに苦労しますが、差分可能プログラミングはこれらの個別の購買決定を直接モデル化することができます。これにより、顧客の需要と製品のライフサイクルについてより正確な理解が得られます。
差分可能プログラミングにより、定期的に店舗を訪れる顧客の行動をモデル化することができます。このアプローチは、新製品の人気度や需要の減少時期を予測するのに役立ちます。これに対して、時系列モデルはこれらのパターンを間接的な方法でモデル化するため、差分可能プログラミングの方がより直接的で正確な解決策を提供します。
ヴェルモレルは、差分可能プログラミングにより、販売時点での顧客の行動をより正確にモデル化することができると説明しています。従来の統計モデルは顧客の行動に関する基本的な洞察を組み込むのが難しく、ゼロから学習するのが困難でした。一方、差分可能プログラミングは、店舗内で起こっていることをより直接的に理解する方法を提供し、機械学習モデルに簡単に統合することができます。
倉庫に関しては、差分可能プログラミングは製品の流れを最適化しスムーズにするのに役立ちます。倉庫はしばしば入出力容量の問題に直面し、出荷スケジュールを微調整して衝突する出荷を避け、一時的なスタッフの必要性を減らすことが理想的です。従来の最適化技術は、学習と最適化の両方を含むため、この問題に苦労しました。しかし、差分可能プログラミングは、このプロセスに関与する膨大な数の変数を扱うことができるため、数百万のSKUの出荷を最適化し、微妙な相互作用効果に対処することが可能です。
製造レベルでは、差分可能プログラミングは複雑な多段階の課題に対処するのに役立ちます。従来のアプローチは、サプライチェーン内の特定のノードに焦点を当て、特定の製品に対して高いサービスレベルを目指していました。しかし、ヴェルモレルは、本当に重要なのは、完成品が顧客に利用可能であるかどうかであり、サプライチェーンの中間ステップの多くは無関係であると主張しています。差分可能プログラミングにより、サプライチェーン内の部品やアセンブリの複雑なネットワークをより正確にモデル化することができるため、顧客により良いサービスを提供し、タイムリーに対応することができます。
さらに、差分可能プログラミングは、品質管理の問題など、生産システムの欠陥を考慮するのに役立ちます。製薬などの産業では、生物学的プロセスにより製造バッチが失われることがあります。差分可能プログラミングは、これらの損失を考慮し、全体的な生産プロセスを最適化するのに役立ちます。
ヴェルモレルは、製薬業界はプロセスの性質により、高い不確実性に直面していると説明しています。たとえば、培養バッチに問題が発生した場合、バッチ全体が失われる可能性がありますが、自動車産業では一部の部品のみが品質管理に失敗する可能性があります。従来の機械学習モデルは、このようなレベルの不確実性に対して苦労する場合があります。十分な関連する過去のデータがないため、結果を正確に予測することができない場合があります。
異なるプログラミングは、ビジネスがそのドメイン知識を機械学習モデルに直接組み込むことを可能にする代替手段を提供します。ヴェルモレルは、異なるプログラミングはAIシステムに大量のデータを投入することではなく、希少で価値のあるデータを最大限に活用することに関するものであると強調しています。たとえば、製薬業界では、特許の有効期限が薬価に与える影響はよく知られた現象です。異なるプログラミングは、この知識をモデルに組み込むことで、その精度と効率を向上させることができます。
異なるプログラミングの柔軟性は、さまざまな業界に適しており、それぞれ固有の課題を抱えています。ヴェルモレルは、自動車アフターマーケットの例を挙げています。ここでは、車両部品と特定の車両モデルの互換性が重要です。この側面を単純なモデルで無視すると、最適な結果にならない可能性がありますが、異なるプログラミングはこれらの重要なビジネスドライバーを捉えるのに役立ちます。
異なるプログラミングの複雑さにもかかわらず、ヴェルモレルは企業がそれを受け入れることをためらうべきではないと主張しています。よりシンプルなモデルが機能するかもしれませんが、それは精度とビジネスの徹底的な理解を犠牲にすることが多いです。異なるプログラミングは、特定の問題や状況に対処できるより適したアプローチを可能にします。
異なるプログラミングは、Lokadのサプライチェーン最適化のプログラム的アプローチの進化を表しています。これにより、企業は自身のドメイン知識を機械学習モデルに組み込むことができ、精度においても実行の効率においても改善が図られます。異なるプログラミングは、既存の問題を見直し、固有の課題により適したスケーラブルなソリューションを開発する機会を企業に提供します。
フルトランスクリプト
キーラン・チャンドラー: 今日は、短いシリーズを締めくくるために、いくつかの潜在的なユースケースと、これがサプライチェーンに適用された場合の広範な影響についてもう少し詳しく見ていきます。では、ジョアネスさん、異なるプログラミングを使用することでアプローチを改善できるいくつかの問題は何でしょうか？まずは、小売店から始めましょう。顧客との接点ですね。
ジョアネス・ヴェルモレル: 現在、サプライチェーンで行われていることは、時間の経過に基づいた視点です。製品があり、単位販売数、需要の購入、またはサービスが観察されます。どのような種類の店舗を運営しているかによって、航空宇宙の店舗とファストファッションの店舗は異なりますが、アイデアは製品ごとの時間の経過の視点です。たとえば、高級品、ファストファッション、または食品小売りでは、カニバリゼーションや代替が非常に強力であり、モデル化するのは非常に困難です。多くの場合、それらはほとんど存在しません。異なるプログラミングは、顧客の視点から直接問題に取り組むアプローチを提供します。つまり、「私の店に入ってくる顧客の人口がおり、彼らには欲望とニーズがあり、彼らは現在の品揃えと店舗の在庫状況を考慮して、彼らに提示されたものを選ぶか選ばないかを決める」ということです。これは非常に興味深いことです。異なるプログラミングのようなものを通じて、私たちは、店舗にリストされている製品参照の上にある時間系列のレベルではなく、顧客の視点で操作することができます。顧客の視点を取ることができるのです。私たちの時間系列の視点に関する経験では、通常、カニバリゼーションや代替に直面したときに、数値モデルがあまりにも壊れていないようにダクトテープを適用することしかできないことが最善ですが、それはあまり満足のいくものではありません。最善の場合でもダクトテープです。
キーラン・チャンドラー: では、前回のエピソードで議論した内容を振り返ってみましょう。そこで言及された、このすべてを可能にするゲームチェンジングな特性は何でしょうか？
ジョアネス・ヴェルモレル: 差分プログラミングのアプローチを用いることで、カタログ内の任意の製品に対してクライアントが特定の親和性を持つことをモデル化し、それに対して手続き的なプロセスを記述することができます。例えば、私の店に戻ってくるクライアントがいるとします。そして、おそらくこれらのクライアントは新しさに駆られています。例えば、私の店に本を買いに来た人は、定義上、戻ってきたときに同じ本を買うことはありません。彼らは別のタイトルを買うだけです。古典的な時系列の観点からは、このような基本的な事実を取り入れることはほぼ不可能です。つまり、1ヶ月に1度書店に戻ってくるリピーターのクライアントが同じ商品を再購入しないということです。ですので、もしもある本の需要が急増した場合、おそらくその需要は、もしも全てのリピーターがこの新しい人気のある本を購入した場合、彼らが戻ってきたときには再び購入しないという事実によって消滅するでしょう。もちろん、新製品を導入し、最初に立ち上がりで需要が急増し、その後需要が減少するというライフサイクル効果を使って、この問題を時系列の観点からモデル化することもできます。しかし、これは問題をモデル化するための非常に間接的な方法です。もっと直接的なアプローチは、異なる
キーラン・チャンドラー: あなたのソフトウェアは、これまで可能ではなかったより直接な方法で店舗内で起こっていることを正確にモデル化することができます。供給チェーンの最適化において、統計モデルの使用方法がどのように変わるのか説明していただけますか？
ジョアネス・ヴェルモレル: 差分プログラミングを用いることで、顧客の行動に関する基本的な洞察を統計モデルに注入することが容易になります。これにより、モデルはゼロのビジネス洞察からすべてを学ぶ必要がなくなり、以前は困難な課題でした。
キーラン・チャンドラー: 差分プログラミングは、供給チェーンの倉庫管理にどのように役立ちますか？主に将来の需要予測に関するものですか？
ジョアネス・ヴェルモレル: 差分プログラミングは、倉庫レベルの課題にも役立ちます。例えば、出荷のフローをスムーズにすることができます。倉庫はしばしば入出力容量の問題に直面しますが、その解決策の1つは、出荷スケジュールを適切に調整して、衝突する出荷を避け、物流プラットフォームへの圧力を軽減することです。出荷スケジュールに小さな調整を加えることで、業務はよりスムーズで簡単に管理でき、一時的な労働力の必要性やそれに伴う運用の複雑さを減らすことができます。
キーラン・チャンドラー: 既存の技術でこのレベルの最適化を実現するのは難しかったですか？
ジョアネス・ヴェルモレル: 既存の技術では、学習と最適化を組み合わせることが難しかったです。数千の製品と数百の顧客がある場合、最適化する変数は何百万もあり、従来の最適化手法ではこの複雑さに対応することができませんでした。差分プログラミングを使用することで、これらの状況でより良い最適化が可能になります。在庫が不足している場合、より多くの製品を店舗に出荷する必要がある場合など、多くの微妙な相互作用があっても対応できます。
キーラン・チャンドラー: 決定事項、予測、そしてより伝統的な視点から見ると、このような最適化を行うことは可能でしたが、段階的な分析を行う必要があり、すべてのフィードバックループを考慮に入れることが非常に困難でした。では、サプライチェーンの最終段階に戻り、製造レベルでの視点で物事を見てみると、差分プログラミングはこれらの多層階層の課題にどのように役立ちますか？
ジョアネス・ヴェルモレル: 多層階層の最適化の領域になると、この点はさらに深刻になります。各ノードで起こっていることのほとんどは、ある意味では無関係であり、アーティファクトです。部品やアセンブリの複雑なネットワークのランダムなポイントでの在庫の可用性については関心がありません。本当に重要なのは、クライアントに適時にサービスを提供しているかどうかという点だけです。これは、完成品に対してのみ関連する質問です。
背後にある依存関係グラフはどうなるのでしょうか？部品表がこのグラフを生成しているとしても、各中間ステップで何が起こっているかは基本的には関係ありません。それは、プロセスの最後の段階でクライアントにサービスを提供しているかどうかという観点からのみ重要なアーティファクトです。
ところで、数週間前の私のDDMRPへの批判に戻ります。このグラフでバイナリスコアリングスキームを採用し、特定のノードに対して高いサービスレベルを達成したいと言っても、クライアントがその製品に関心を持っていない場合は高いサービスレベルを持っていても問題ありません。彼らが関心を持っているのは、販売している完成品が利用可能かどうかだけです。
微分可能プログラミングは、このネットワークで起こっていることをより正確にモデル化するのに役立ちます。確率的な時間を持つステップがあるかもしれませんし、品質管理を通過しないフローの一部があるかもしれません。明らかに、完璧なサプライチェーンがあれば、品質管理は100％になります。したがって、供給する必要のあるアイテムが100個ある場合、加工ステップの後には100個の完成品が流れます。しかし、時には品質管理があり、生産システムが完璧でないため、一部の数量を失うことがあります。
たとえば、製薬業界では、非常に高度な生物学的プロセスを行う場合、より高度な薬品を生成するための細胞の培養物を失うことがあります。数十年にわたる努力にもかかわらず、化学物質を抽出し、薬品の一部となる化合物を生成する生物体と一緒に作業する場合、完全に100％信頼性のあるプロセスを持つことは非常に困難です。これは自動車産業の加工とは異なります。
キーラン・チャンドラー: つまり、完全に決定論的ではない結果をモデル化するという考えがここで生まれるのですか？
ジョアネス・ヴェルモレル: はい、また、問題の種類について非常に具体的な洞察を得ることができるという事実もあります。たとえば、製薬業界では、問題が発生した場合、工場内の培養物のバッチ全体を失う可能性が非常に高いです。これは、自動車産業の場合とは異なり、1万個の部品のうち1つが品質管理を通過しないだけです。製薬業界では、特定の種類の化学物質を生成する培養物のバッチ全体を失う可能性があります。
キーラン・チャンドラー: それは完全に不確実性の種類を変えますし、データからそれを学ぼうとすることはできますが、関連するデータが20年分もないかもしれないので難しいです。ビジネスの物理的な現実をモデルに直接反映できるようにしたいので、問題をより難しくしているのです。確率的なアプローチは非常に良いですが、私のポイントは、異なるプログラミングのようなアプローチを持つことはどうでしょうか。そうすることで、機械学習アルゴリズムを直接、自分のネットワークに関する非常に具体的な不確実性に向けて誘導することができます。そして、これはゲームチェンジングになるかもしれません。突然、非常に効率的になるためには、はるかに少ないデータが必要になります。
ジョアネス・ヴェルモレル: 確かに。真の価値は、このプログラミングのアイデアにあります。データを投げ込んで学習することができるAIではありません。むしろその逆です。データはまばらであり、非常に正確である必要がありますが、持っているデータを最大限に活用する必要があります。これは、Googleが10億のウェブページを分析しようとしているわけではありません。データはまばらであり、不規則なデータであり、非常に貴重です。データポイントはそれほど多くありません。したがって、非常に洞察力のある戦略的な予測を製薬業界に戻すためには、特許の期限切れに関する全体的な問題があります。
特許の期限切れが大手製薬会社を牽引しています。特許を取得した薬品が特許期間満了後、競合他社が低価格で市場に参入し、競争し、価格を下げるリスクがあります。これにより、利益率が大幅に低下する可能性があります。この特許の期限切れのメカニズムを機械学習アルゴリズムが自力で再発見することを期待するのは少し狂気です。対照的に、微分可能プログラミングは、サプライチェーンサイエンティストのためのツールのようなものであり、私たちはこの特許の期限切れのメカニズムを知っていると言っています。私たちが正確に知らないのは、競合他社が市場に参入し、価格で競争する可能性がどの程度あるかです。そして、私たちが正確に知らないのは、他の競合他社が参入し、私たちが販売する数量を急に持たなければならなくなった場合に、このことが私たちにどのような影響を与えるかです。同じ固定費を維持しながら、生産能力を維持する場合、私は生産数量に依存しない多くの費用が発生し、したがって、競合他社が市場に参入した場合、私の利益率に与える影響は完全に非線形になる可能性があります。ですので、あなたの言う通り、それは機械学習モデルに特定の業界からのキーインサイトをプログラミングすることに完全に関係しています。
もし生産能力を同じままにしている場合、私は生産する数量に依存しない多くの費用が発生し、したがって、競合他社が市場に参入した場合、私の利益率に与える影響は完全に非線形になる可能性があります。ですので、あなたの言う通り、それは機械学習モデルに特定の業界からのキーインサイトをプログラミングすることに完全に関係しています。
キーラン・チャンドラー: 異なる可能性のプログラミングには、いくつかの部分でかなり複雑な要素があるため、多くの人々が問題を抱えるかもしれません。私たちは時に、問題を解決するために大げさな手法を使っているのでしょうか？それとも、より簡素な技術を使用することはできるのでしょうか？
ジョアネス・ヴェルモレル: より簡素な技術を常に使用することができますが、クライアントが自分たちが運営しているビジネスの複雑さを無視することが本当にできるのかという重要な問いを自問するべきです。たとえば、自動車部品を電子商取引プラットフォームで販売し、車のオーナーにサービスを提供している場合…
キーラン・チャンドラー: 車両と部品の機械的な互換性のような問題を無視することが本当にできるのでしょうか？実際のクライアントは、車の所有者ではなく、車そのものです。したがって、需要の中心には機械的な互換性の問題があります。ある車に対してすべて機械的に互換性があるため、完全な代替品となる多くの部品がある場合、それはあなたのビジネスの非常に重要な側面です。私が言いたいのは、これはあなたが本当にビジネスの中核であるため、これを受け入れる必要があるという例です。自動車アフターマーケットについて考えるときには、部品と車両の互換性の課題を無視する単純なアプローチは機能するかもしれませんが、非常にクラッドなビジネスの代償となります。
ジョアネス・ヴェルモレル: 私が言っているのは、大げさな技術を使うべきではありません。私が言っているのは、あなたのビジネスの主要なドライバーを無視するものを使用している場合、どんなモデルを持っていても非常に単純であり、洗練された数値解決策などが実際にビジネスの問題を解決することは期待できないということです。私のポイントは、できるだけシンプルにするべきですが、ビジネスが実際に必要とする以上に簡単にするべきではありません。
キーラン・チャンドラー: 今日の結論を出すと、以前のLokadでは非常にプログラム的なアプローチを取っていました。異なる可能性のプログラミングが私たちにもたらす大きな変化とは何であり、企業はそれを活用するためにどのように適応できるのでしょうか？
ジョアネス・ヴェルモレル: 異なる可能性のプログラミングは、長い間Lokadの中核をなしてきたプログラム的なアプローチの一環です。これは、機械学習技術の中核にプログラム的なアプローチが組み込まれたものです。これは、ビッグデータ処理、単純なフィルタリング、集計、典型的な前処理、データクリーニングなど、ビッグデータプラットフォームの中核だけでなく、すでに完全にプログラム的でした。ただし、機械学習の中核はやや硬直的でした。ディープラーニングでは、以前の世代よりもはるかに柔軟性がありましたが、これは新しい段階です。私たちのクライアントにとっては、過去に多くのダクトテープを使用していた多くの問題や状況を再評価する機会だと思います。柔軟性のないものを持っていない場合、巧妙なトリックを使ってダクトテープのように修正することがありますが、それらは私たちが望むほどスケーラブルではありません。それらはやや粗く、ビジネスの洞察を最適な方法で近似します。ここでは、それを再評価する機会があり、ほぼ同じことをするだけで、実行の面ではよりスリムで、ビジネス的な誤差（ユーロやドルで数える場合）の精度が向上します。
キーラン・チャンドラー: ありがとうございました。これで異なる可能性のプログラミングに関する私たちのミニシリーズは終了です。来週は新しいトピックについてのエピソードで戻ってきますが、それまで、ご視聴ありがとうございました。さようなら。
