00:00:07 イントロダクションとカルディナルでのセドリック・エルヴェ氏の経歴。
00:02:07 人間の入力を活用したリアルタイムルート最適化のカルディナルのアプローチ。
00:03:41 サプライチェーンと在庫管理へのリアルタイムルート最適化の影響。
00:05:32 ルート最適化アルゴリズムの開発とデータの重要性。
00:06:22 ルート最適化の進化と正確なデータの重要性。
00:08:00 ルート最適化における主要な企業とプレイヤー。
00:09:58 Googleのイノベーションが他の企業に与えた影響。
00:10:51 カルディナルのルート最適化の主要なデータソース。
00:12:55 リアルタイムオンラインソリューションの技術的な課題。
00:15:38 ユーザーがデータを制御し、最適化に与える影響。
00:18:00 データの制御と人間の専門知識のバランスの課題。
00:19:30 Amazon、Google、Microsoftなどの大企業がデータに与える影響。
00:21:00 地図データ市場の集中度。
00:22:17 AIの興味深い研究と開発、およびその潜在的な応用。
概要
このインタビューでは、Kieran ChandlerがLokadの創設者であるJoannes Vermorel氏とKardinalの共同創設者であるCédric Hervet氏と話をします。彼らはリアルタイムルート最適化の課題と先進技術との組み合わせにおける人間の入力の重要性について議論します。Hervet氏は、強化学習を含むAIの進展や量子コンピューティングの潜在的な影響についても興奮を共有しています。会話は地図データを共有財としての考えや、データに対する大手テック企業への依存性、新興技術の最前線にとどまる必要性に触れています。
詳細な概要
Kieran Chandlerは、Lokadというサプライチェーン最適化ソフトウェア企業の創設者であるJoannes Vermorel氏と、ルート最適化ソフトウェア企業であるKardinalの共同創設者でありR&D責任者であるCédric Hervet氏とのディスカッションをホストしています。彼らはクラウドソーシングされたデータ、量子コンピューティング、リアルタイムルート最適化、およびこれらのプロセスにおける人間の役割について議論しています。
Cédric Hervet氏は、カルディナルがコンテキストの認識に焦点を当てたリアルタイムルート最適化に特化していることを説明しています。従来のルート計画は通常手動で行われ、最適ではありません。しかし、人間は緊急事態を処理し、優先順位のグローバルな範囲に基づいて意思決定をする能力を持っています。市場に出回っている現在のルート最適化ソフトウェアは静的な解を提供し、交通渋滞やスケジュール変更などの予期しないイベントが発生した場合に問題が生じます。
カルディナルのアプローチは、問題が発生した際に対処するための大きな容量を持つように、ルートを継続的に最適化することです。彼らはまた、人間を方程式から排除しないことを強調しており、データベースには見つけることもモデル化することもできない知識と戦略的なビジョンを持っています。
Joannes Vermorel氏は、現代の計算能力と組み合わせて人間の知性を活用することが、サプライチェーン最適化には不可欠であると同意します。Lokadの戦略は、自分たちが解決しようとしている問題に非常に精通しているスマートな人々を最大限に活用することです。
会話は、カルディナルとLokadのアプローチの時間スケールの違いに移ります。カルディナルはリアルタイムのルート最適化に焦点を当てており、決定は約1分ごとに再評価されます。これは、倉庫でロボットを操縦するために必要なマイクロ秒レベルの決定とは異なります。一方、Lokadの決定は翌日または1年先までを対象としています。
その後、ルート最適化の開発について話が進みます。Hervet氏は、Google Mapsが設計されている1点から別の点への最適なルートを見つける問題と、複数の停留所を訪れるための最適な順序を決定するというより複雑な問題との違いを明確にします。後者の問題には、実現可能で効率的なルートを提供するために洗練されたアルゴリズムと正確な交通データが必要です。カルディナルは、理論的な数学を実践的な解決策に変換し、最適化されたルートがドライバーにとって現実的で管理可能であることを確認することに重点を置いています。
Vermorel氏は、Googleがオンラインソリューションの重要なイノベーションを推進してきた会社として、その時点での競合他社よりもより最新の情報を提供していることを強調します。Googleのアルゴリズムを直接使用していないにせよ、このアプローチはLokadやカルディナルなどの企業にとってインスピレーションとなり、複雑な問題に対するスケーラブルなオンラインソリューションの開発に取り組んでいます。
ルート最適化における制約と非線形性について話し合う中で、Vermorel氏は雇用規制やドライバー固有の制約などの要素が問題の複雑さに加わることを指摘します。Hervet氏は、Kardinalのデータの主な2つのソースがあると述べます。1つ目はクライアントからの情報であり、注文情報、制約、ドライバーの可用性、車両の容量などの関連する詳細を提供します。2つ目のソースは、HERE Technologiesなどの技術パートナーからのものであり、距離データ、交通パターン、ルート最適化に必要なリアルタイムの更新などを提供します。
彼らはリアルタイムデータ処理の課題、人間の入力の重要性、大手テック企業への依存について話し合います。
Vermorel氏は、リアルタイムデータを扱うことの多くの課題について説明します。まず、光の速度は有限であるため、データは速く送信されても、複数のデータセンターや数千の往復が関与する場合、処理に数秒かかることがあります。さらに、ソフトウェアの更新や他のバックグラウンドプロセスなど、コンピューターシステムを遅くする要因が多数あります。リアルタイムシステムがグローバルスケールで効率的に動作するためには、重要な専門知識が必要です。
もう一つの課題は、パートナーへの依存度であり、エンタープライズソフトウェアサービスの可用性と信頼性に影響を与える可能性があります。依存関係が多いほど、問題やダウンタイムの可能性も増えます。これにより、サービスの稼働時間は依存関係によって決まり、可用性と信頼性が低下することがしばしばあります。
Hervet氏は、ルート最適化システムにおける人間の入力の重要性を強調します。彼は、最初にアルゴリズムによって生成されたルートが数学的に最適であったが、ドライバーがアルゴリズムでは見えない問題を特定できたという話を共有します。たとえば、ドライバーは、学校から子供を迎えに来る時間帯には駐車が不可能であることを知っているかもしれません。Hervet氏は、アルゴリズムによって生成されたルートと人間の専門知識のバランスを取ることが最善の選択をするために必要であると強調しています。
彼はまた、データの制御が重要であると考えています。ユーザーはデータを理解し、データと対話して情報を得ることができる必要があります。カルディナルは、人間の専門知識とデータに基づいた最適化を組み合わせることで、人間の意思決定を補完することを目指しています。
大手企業であるAmazon、Google、Microsoftにデータに依存する問題について話し合う際、Hervet氏は彼らに過度に依存している可能性があると同意します。ただし、技術は速く進化しており、世界中のマップデータの提供業者はほとんど存在しません。
会話は、マップデータが共通の財産であるべきかという問いに始まります。Vermorel氏は、オープンなマップの重要性を認め、技術の進歩がマッピングを共通の財産に近づける可能性があると提案します。ただし、マッピング業界はごくわずかな主要プレーヤーしか存在せず、競争は存在するものの限定されています。
Hervet氏は、オペレーションリサーチと人工知能の進展について興奮して話します。Kardinalでは、オンライン最適化問題の解決に取り組む博士課程の学生がおり、数学の範囲を拡大しています。彼らは、強化学習などのAIの他の進歩も考慮しており、これによりアルゴリズムが最適な選択肢を明示的に定義せずに意思決定を行うことができます。Hervet氏は、このアプローチがKardinalの現在の方法とは哲学的に異なることを指摘し、解決空間を定義し、その空間内の解をランク付けする方法を使用しています。
強化学習はさまざまなアプリケーションで有望な結果を示していますが、Hervet氏は、Kardinalで直面する制約の範囲に対処する際には制約があることを認めています。ただし、将来的にはリアルタイムの意思決定に適してくる可能性があるため、その進展を継続的に監視し続けています。
その後、量子コンピューティングの潜在的な影響について話題が変わります。Hervet氏は、Googleが最近量子優位性を達成したという主張を挙げています。これは、量子コンピュータが古典コンピュータよりもはるかに短い時間で問題を解決できることを意味します。量子アルゴリズムは、Kardinalの業務に中心的な「巡回セールスマン問題」などの複雑な問題を解決するために使用される可能性があります。
量子コンピューティングはまだ長期的な展望ですが、Hervet氏は、難しい問題を解決しやすくすることで問題解決の民主化の可能性を認めています。これが実現すれば、Kardinalのような企業はクライアントのパフォーマンス向上を支援するために技術の最前線にとどまる必要があります。
フルトランスクリプト
Kieran Chandler: 今週のLokad TVでは、量子コンピューティングの進展とリアルタイムのルート最適化が、配送会社が実際に運営方法を変えることにつながったという話をCédric Hervet氏と共有していただきます。それでは、本日はご参加いただきありがとうございます。
Cédric Hervet: ご招待いただきありがとうございます。Kardinalは、コンテキストを重視したリアルタイムのルート最適化に特化した企業です。通常、ルートは人間が手動で最適化し、ドライバーや技術者のスケジュールを計画します。これは明らかに最適ではありませんが、一方で人間は緊急事態や予期せぬ出来事、問題に対応する能力が非常に高いです。彼らは自分たちの優先事項の全体像を見据え、意思決定を行うことができます。しかし、アルゴリズムはそれには完全に対応しておらず、特に最適化アルゴリズムはそうです。市場にはルート最適化を提供するソフトウェアプログラムがありますが、非常に静的な方法で行われます。データを取得し、何らかの方法で混ぜ合わせ、スケジュールの最適化された解を提供します。しかし、これは問題です。最初に遭遇したイベントがルートの品質を破壊してしまいます。トラックが道路に出た後は、交通渋滞、遅れたまたは不在の顧客、予約の再調整などの問題が発生します。これらのイベントはパフォーマンスに悪影響を及ぼす可能性があります。Kardinalでは、ルートを最適化し続けることが最適な方法だと考えています。これにより、問題が発生した際に対処する能力が向上します。私たちが行っているもう一つの重要な点は、人間をプロセスから排除しないことです。なぜなら、彼らは自分たちの仕事を知っており、どのデータベースにも見つけることができないことやモデル化することができないことを知っているからです。彼らをプロセスから排除しないことは重要です。なぜなら、彼らは自分たちの全体的な活動の戦略的なビジョンを持っているからです。
Kieran Chandler: 人間の脳を活用し、特に緊急のシナリオでは、非常に興味深いアイデアですね。おそらく、Joannesさんも同意されると思いますが、最適化において人間の脳を最大限に活用することは重要ですよね？
Joannes Vermorel: 確かに、サプライチェーンで取り組もうとしている問題に非常に精通しているスマートな人々の能力を最大限に活用し、現代の計算能力が提供する最善のものを活用するというアイデアは、Lokadの戦略でも非常に重要です。
Kieran Chandler: そうですね。今日はリアルタイムのルート最適化について少し話していますが、サプライチェーンの観点からはなぜそれが興味深いのでしょうか？
Joannes Vermorel: 明らかに、Lokadはサプライチェーンの最適化について考えるとき、同じ時間スケールで考えるわけではありません。私たちと同じように企業向けのソフトウェアベンダーであるKardinalとLokadを比較してみると、Kardinalはルート最適化を行っており、1分ごとに再評価できるような意思決定を行っています。それはマイクロ秒のようなものではありませんが、倉庫でピッキングを行うリアルタイムのロボットを操作しているわけではありません。迅速である必要がありますが、マイクロ秒のレベルではありません。それに対して、Lokadは明日や1年先までの意思決定に焦点を当てています。それが時間の範囲です。Lokadがサプライチェーンを最適化するということは、通常、より長い時間のための意思決定を行うことを意味します。
Kieran Chandler: 私たちは店舗や倉庫などの場所間での在庫の再バランスについて話しています。これは、Kardinalのような企業が提供するルート最適化のようなツールの俊敏性に大きく依存しています。ルートの俊敏性が高ければ高いほど、在庫の再バランスが容易になり、最適化のコストが低下します。ここ数年、特にスマートフォンやGPSシステムへの依存が増えている中で、ルート最適化はどのように発展してきたのでしょうか？
Cédric Hervet: ルート最適化には2つの主な問題があります。1つ目は、1つの地点から別の地点に移動するための適切な道を見つけることであり、これはGoogleマップなどのツールが備えている機能です。2つ目のより難しい問題は、n個の訪問地点があり、これらの訪問地点を訪れる順序を決定することであり、交通などの要素を考慮に入れます。私たちの焦点はこの2つ目の問題にあります。効率的に解決するためには、可能な組み合わせをすべて列挙するだけではなく、よりスマートなアルゴリズムが必要です。それが数学の役割です。
この問題のモデリングとアルゴリズムの開発の能力は1960年代から存在しています。ただし、これらのアルゴリズムの実際の実装は、交通データなどの正確なデータの入手可能性に大きく依存しています。アルゴリズムに与えられたデータが間違っているか正確でない場合、実行不可能なルートが生成されます。Kardinalでは、ドライバーが実際に従うことができる実行可能で実用的なルートを提供することに焦点を当てています。
Kieran Chandler: データの入手可能性について話していますが、ルート最適化の成長と専門知識を牽引してきた主要なプレーヤーは誰ですか？
Joannes Vermorel: さまざまな問題に対するオンラインソリューションの開発は盛んに行われてきました。歴史的には、この分野で大きな影響を与えた企業の1つはGoogleです。Googleの前には、YahooやAltaVistaなどの検索エンジンはクォータごとにインデックスを更新しており、古い検索結果が表示されていました。Googleは、より最新の検索結果を提供する能力を含め、さまざまな点で革新的でした。
Kieran Chandler: では、Joannesさん、検索エンジン最適化の会社からサプライチェーン最適化の会社への移行について教えていただけますか？
Joannes Vermorel: 最初はクエリの最良の結果を提供するためのオンラインソリューションで始めました。しかし、現実的には、新しいページが常にインデックスに追加されており、最初は週に1回の更新しか行っていませんでした。しかし、それでも競合他社の20倍速かったです。そのため、変化する条件下で常に最新の結果を提供したいという問題に移行しました。LokadとKardinalは、検索エンジン向けに特別に設計されたGoogleのアルゴリズムを使用しているわけではありませんが、それは私たちにとってのインスピレーションの源であり、実際に機能することの証拠と共にスケールで何ができるかを見ることができました。
Cédric Hervet: そして、他の多くのプレイヤーも異なるタイプの問題に対して同様のことを始めました。私は、50年代に人々が行っていたことと比べて、Kardinalが現在行っていることとは非常に異なる、よりスマートな問題のオンラインバージョンを持つ方法について考えている人々の新しい波があったと思います。すべての制約と非線形性が最適化を表現するのを難しくしています。非線形の制約があります。たとえば、ドライバーが雇用規制によりX時間以上運転できないかもしれないという事実などです。
Kieran Chandler: Cédric、Kardinalにとって実際に興味のあるデータと、それをどこから入手しているのか教えていただけますか？
Cédric Hervet: もちろんです。データの主な2つのソースがあります。最初のソースは、最適化する必要のある注文を提供してくれるクライアントです。彼らは、ドライバーの労働時間の法的制約、ドライバーの利用可能性、出発地、サービスを受ける場所、運転する車両の種類、必要な容量の種類、危険物を輸送できるかどうか、特定の技術的介入を行うことができるかどうかなど、彼らの活動に関する最も正確な説明を提供してくれます。このデータは、彼らの活動に制約を定義し、私たちはそれを理解する必要があります。2番目のソースは、クライアントからのデータで、配達するパッケージやIT機器の修理などの介入などの注文自体を説明しています。私たちは、HERE Technologyのようなテクノロジーパートナーに頼っています。HERE Technologyは、1つの停留所から別の停留所までの所要時間や交通の変化を理解するために必要な距離データを提供してくれるパートナーです。また、必要に応じてリアルタイムの交通情報を取得する必要もあります。HEREはこのデータを提供し、私たちは自分たちのアルゴリズムを使用して更新されたソリューションを提供します。
Kieran Chandler: Cédric、オンラインソリューションの成長について話しましたね。技術的な観点から見て、リアルタイムで作業できる能力に関してどのような課題が生じますか？
Cédric Hervet: リアルタイムは多くの複雑さをもたらします。まず第一に、リアルタイムというものは存在しません。光の速度は有限です。非常に速いですが、それでも時間がかかります。問題は、分散コンピュータシステムを持っていて、複数のデータセンター間を行き来する必要がある場合に発生します。何千回もの往復を行うと、結果を取得するのに数秒かかります。
Kieran Chandler: グローバルに運営する場合、リアルタイムシステムを実現することは非常に困難です。直面する困難のいくつかは何ですか？
Joannes Vermorel: まあ、良いリアルタイムシステムを持つことを妨げることができるものはたくさんあります。たとえば、私たちのコンピュータは平均的には非常に高速ですが、アップデートやその他の理由でスタックすることがあります。つまり、最悪の場合、コンピュータは実際にはかなり遅くなる可能性があるということです。また、システムの速度は通常、最も遅いものになります。つまり、多くのマシンを持っている場合、最も遅いマシンは非常に遅くなる可能性があります。リアルタイムは非常に複雑な一連の課題そのものです。もう一つの複雑さは、パートナーへの依存を導入することで、パートナーが利用できなくても非常に利用可能で信頼性の高いサービスを提供する必要があるということです。依存関係が多ければ多いほど、ダウンタイムの問題が発生する可能性があります。サービスの品質は依存関係によって決まるため、チェーンを下に進むたびに、利用可能性が低く、アップタイムが低く、すべてが低くなります。リアルタイムはかなりの挑戦です。
セドリック・エルヴェ: はい、同意します。そして、私たちは実際にそのデータを制御できる時代に入っています。例えば、Wazeでは、どこかに警察のスピードカメラがある場合にそれを伝えることができます。それはポジティブな影響だと思いますか？これらのデータを制御できるようになったことは、私たちが前述した文脈で非常に重要です。Kardinalでは、人間をシステムに乗せたままにすることに非常に注意を払っています。なぜなら、彼らがそれを制御を失うと、すべてが自動化されすぎているため、アルゴリズムが何かをしているかどうかを確認することができなくなるからです。彼らは何が起こっているかについての理解を失いすぎているため、自分たちの専門知識を提供することができません。そして彼らは常に専門知識を持っています。私たちが今やっていることを始めたときの短い話があります。私たちはドライバーのルートに挑戦し、独自の最適化されたツアーを提案していました。彼らは常にアルゴリズムが見ることができない何かの例を持っていました。おかしな例として、私たちが非常に美しく最適化されたルートを持っていましたが、これは明らかにすべての停留所を訪れるための完璧な方法でした。しかし、ドライバーはこのルートの全体的な側面に焦点を当てていませんでした。それは彼がどうせやるよりも良かったのです。彼は本当に特定の停留所に焦点を当てていました。彼は私たちに言いました、「あなたは私にこれを4:45 p.m.に配達すると言っていますが、ここには学校があり、私はすべての親がその通りに駐車することを知っています。私は自分自身を駐車することができないので、その配達をすることはできません。」これは明らかに数学的に最適ですが、私たちはそれを事前に知ってそのスペースを避けるために50分前に修正するという事実を予測することは非常に高価です。それは私たちにとって無意味です。なぜなら、トラックに誰かがいてそれを知っているからです。彼らと実装しようとしている主な対話は、「わかること」です。私たちが決して知ることがないことを知っているので、私たちはそれを知ろうとすることはありません。なぜなら、それは私たちにとって非常に高価なことだからです。だから、それを教えてください。大丈夫です。道路上にいるときでもアルゴリズムに挑戦することができます。私たちがやろうとしていることは、多くのイベントが起こる可能性があるということです。それは…
Kieran Chandler: リスナーの皆さんに、ユーザーの入力とデータを組み合わせて情報を得る方法について説明していただけますか？
Joannes Vermorel: クライアントだけがデータの源ではありません。ユーザーの入力も私たちにとってはイベントですし、何かが本当に良いと思えば、逆の選択をすることもできます。私たちが提案するのは単なるおすすめであり、情報を持って自分自身で判断することができます。あなたはおそらく私たちが知らないことを知っているので、本当に自分の領域の主になるでしょう。あなたの質問に本当に答えるためには、データを制御することが重要です。データ自体は意味を持たないからです。しかし、データが何を意味しているのか、提供している意思決定が何であるのかを知ることができれば、人間は取り除かれるのではなく、補完されます。私たちの計算の影響についての情報を持っているため、より良い意思決定をすることができます。そして、他の考慮事項と共に、最善の意思決定をすることができます。これが私たちが達成しようとしていることです - 両者の適切な組み合わせです。
Cédric Hervet: これの別の例として、米国の山火事があります。人々が山火事から逃れるために経路を入力するとき、明らかに火災がある場所の道路はクリアと表示され、実際にはその方向に案内されます。そのような調整方法を持ち、文脈外の要素を考慮することは、私たちが行っていることにおいて不可欠です。
Kieran Chandler: データの観点から言えば、私たちはAmazonやGoogle、Microsoftなどの大手企業にあまりにも依存しすぎていると言えますか？
Joannes Vermorel: おそらくそうだと言えるでしょうが、また、技術は非常に速く進化しているという事実もあります。地図データを見ると、世界中にはあまり多くのプロバイダーがありません。問題は、地図データが共通の財産であるべきかどうかです。オープンマップなどでそれを実現しようとしている人々もいます。現実的には、非常に速く進化する技術を持つと、多くの企業が競争するのは難しいです。人々が「勝者がすべてを持つ」と言うとき、技術では頻繁に物事が迅速に変わることを忘れがちです。ですので、現在地図市場にはあまり多くのプレーヤーはいませんが、オープンマップなどで共通の財産のようになる可能性がある変化がたくさん見られます。長い時間がかかるでしょうが、私が予想するのは、ほとんどの場合、これらのものは商品化され、問題は完全に別のものに移行するということです。ですので、結論としては、現時点では、アルファ競争がある限り、競争があると思います。地図に関しては、おそらく4〜5つのプレーヤーが存在し、それが該当しますが、確かに市場はまだかなり集中しています。
Kieran Chandler: そして、今日は締めくくりではないですが、あなたは研究開発に非常に関与しています。研究開発の観点から、次の数年間でどのような実際のことがあなたを興奮させますか？
Cédric Hervet: まず、Kardinalで行っていることがあります。
Kieran Chandler: では、Joannesさん、最近の最適化の進歩で一番興奮していることは何ですか？
Joannes Vermorel: 私たちはオンライン版の最適化を解決するための博士課程の学生です。これにより、オペレーションズリサーチという数学的な分野の範囲を拡大し、適切な方法で問題を処理することができます。また、AIコミュニティ全体でも他のことが起こっています。強化学習は、私たちがKardinalで行っていることとは異なるアプローチです。アルゴリズムに最適な意思決定を教えることなく、最適な意思決定を知るように教えるものであり、これは哲学的には非常に異なります。私たちはアルゴリズムに問題の可能な解のグローバルスコープと、他の解よりも優れた解であることを伝えるので、可能な解の閉じた範囲内で解を見つけることに焦点を当てることができます。強化学習は別の方法を提供し、リアルタイムの意思決定に非常に適していると思われます。
Cédric Hervet: このアプローチの制約は、私たちの技術で終わる多様な制約を処理できないことです。しかし、ピンゴやビデオゲームで強化学習が何ができるかには非常に驚かされました。今では非常に強力なプレイヤーに勝つことができます。これは私たちが追跡しているものであり、非常に見込みのあるものです。しかし、Googleが量子優位性を発表したことを見ました。これは、通常のコンピュータでは利用できない短時間で問題を解決する量子コンピュータがあることを意味します。彼らはすべての解を列挙する必要があり、私たちのコア問題の1つである巡回セールスマン問題を解決するために適した量子アルゴリズムがあることを知っています。彼らは数秒でそれを解決することができますが、単一のコンピュータでは数千年かかります。これは私たちが追跡する必要があるものです。明らかに、これは非常に長期的なものであり、私たちのアルゴリズムはその構想が賢明であるため、既に量子パラドックスアルゴリズムの速度に追いつくことができます。しかし、量子コンピューティングは、本質的に困難なこれらの問題を解決することを容易にするという種類の民主化をもたらします。これは私たちにとって非常に興味深いものです。私たちの問題が明日解決しやすくなった場合、私たちはこの技術を扱うための最前線に立たなければなりません。これにより、クライアントが今日よりもはるかに優れたパフォーマンスを発揮できるようになります。
Kieran Chandler: 素晴らしい。とにかく、今日はお時間をいただきありがとうございました。非常に興味深いです。どうもありがとうございました。それでは、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。また次回お会いしましょう。それでは、さようなら。
