00:00:07 イントロダクションとKardinalでのCédric Hervetの経歴.
00:02:07 人間の入力を取り入れたリアルタイム経路最適化に対するKardinalのアプローチ.
00:03:41 リアルタイム経路最適化がサプライチェーンと在庫管理に及ぼす影響.
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企業とプレイヤー.
00:09:58 Googleの革新が他社にどのような刺激を与えたか.
00:10:51 Kardinalのルート最適化における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課題.
00:15:38 ユーザーがデータを制御することと、それが最適化に与える影響.
00:18:00 データ制御と人間の専門知識のバランスにおける課題.
00:19:30 Amazon、Google、Microsoftなどの大企業がデータ依存に与える影響.
00:21:00 地図データ市場の集中化.
00:22:17 AIのワクワクするような研究と開発、およびその潜在的応用.
要約
このインタビューでは、Kieran ChandlerがLokadおよびKardinalの創業者であるJoannes VermorelとCédric Hervetにインタビューを行います。彼らは、リアルタイムの経路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はまた、強化学習や量子コンピューティングの潜在的な影響を含むAIの発展に対する自身の興奮を共有します。この会話では、地図データが共通財としての役割を果たす可能性や、大手テック企業へのデータ依存、そして新興技術の最前線に留まる必要性にも触れています。
詳細な要約
Kieran Chandlerは、供給チェーン最適化ソフトウェア企業であるLokadの創業者Joannes Vermorelと、ルート最適化ソフトウェア企業Kardinalの共同創設者かつR&D責任者であるCédric Hervetとのディスカッションを主催します。彼らは、クラウドソーシングデータ、量子コンピューティング、リアルタイム経路最適化の最近の進展と、これらのプロセスにおける人間の役割について議論します。
Cédric Hervetは、Kardinalがコンテキスト認識に重点を置いたリアルタイム経路最適化を専門としていると説明します。従来のルート計画は通常手動で行われるため、最適とは言えません。しかし、人間は緊急事態に対応し、全体の優先順位に基づいて判断を下す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決策を提供しており、交通渋滞やスケジュール変更といった予期しない事態が発生すると問題となります。
Kardinalのアプローチは、発生する問題に対処するための柔軟性を高めるために、ルートを継続的に最適化することです。また、データベースでは見出すことができない知識や戦略的ビジョンを持つ人間を排除しないことも重視しています。
Joannes Vermorelは、現代の計算能力と組み合わせた人間の知性の活用がサプライチェーン最適化に不可欠であると同意します。Lokadの戦略は、直面している課題を十分に認識している優秀な人材を最大限に活用することにあります。
会話は、KardinalとLokadのアプローチ間の時間スケールの違いに移ります。Kardinalはリアルタイムのルート最適化に注力しており、意思決定が毎分ほど再評価されます。これは、倉庫でロボットを操縦する際に必要とされるマイクロ秒レベルの意思決定とは異なります。一方で、Lokadの意思決定は翌日や最長1年先を対象としています。
続いて、年々進化するルート最適化の開発についての議論に移ります。Hervetは、Google Mapsが設計されているようなある地点から別の地点までの最適なルートを見つける問題と、複数の停留所を訪問する最適な順序を決定するというより複雑な問題とを区別しています。後者の問題には、実行可能で効率的なルートを提供するために、高度なアルゴリズムと正確な交通データが必要です。Kardinalは、理論数学を実践的な解決策に変換し、最適化されたルートが現実的で運転手にとって扱いやすいものであることを保証することに注力しています。
Vermorelは、Googleが当時の競合他社と比べてより最新の情報を提供することで、特に検索エンジンにおいてオンラインソリューションの大きな革新を推進してきた企業であることを強調します。直接的に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、そのアプローチは、スケーラブルでオンラインの複雑な問題解決手法に取り組むLokadやKardinalのような企業にとってインスピレーションとなっています。
ルート最適化における制約や非線形性について議論する中で、Vermorelは、労働規制やドライバー固有の制約などの要因が問題の複雑さを増すと指摘します。Hervetは、Kardinalにおけるデータの主要な供給源が2つあると付け加えます。1つ目は、注文情報、制約、ドライバーの利用可能性、車両の容量、その他の関連情報を提供する顧客からのデータです。2つ目は、HERE Technologiesのような技術パートナーからの、距離データ、交通パターン、リアルタイム更新情報など、ルート最適化に必要なデータです。
彼らはリアルタイムデータ処理の課題、人間の介入の重要性、そして大手テック企業へのデータ依存性について議論している。
ヴェルモレルは、リアルタイムデータの取り扱いが多くの課題を伴うと説明している。一例として、光の速度には限界があるため、データが迅速に伝送されても、複数のデータセンターや何千もの往復が絡む場合、処理に数秒かかることがある。また、ソフトウェアのアップデートやその他のバックグラウンドプロセスといった、コンピューターシステムの動作を遅らせる多くの要因も存在する。グローバル規模でリアルタイムシステムを効率的に運用するためには、相当な専門知識が必要である。
もう一つの課題はパートナーへの依存であり、これが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及ぼす可能性がある。依存関係が多ければ多いほど、より多くの潜在的な問題とダウンタイムが発生する可能性がある。つまり、サービスの稼働率は依存先の質に左右され、しばしば可用性と信頼性の低下につながる。
エルヴェは経路最適化システムにおける人間の介入の重要性を強調している。彼は、当初のアルゴリズムによって生成された経路は数学的には最適であったものの、ドライバーがアルゴリズムでは見逃してしまう問題を発見できたというエピソードを共有している。例えば、特定の時間帯には、保護者が子供を迎えに行くために駐車が不可能になることをドライバーが知っているかもしれない。エルヴェは、アルゴリズム生成の経路と人間の専門知識とのバランスを取ることが、最良の判断を下すために必要だと強調している。
彼はまた、データをコントロールできることが重要であると考えている。利用者は情報に基づいた意思決定を行うために、データを理解し、操作できる必要がある。カーディナルは、人間の意思決定を計算的な洞察で補完し、人間の専門知識とデータ駆動型の最適化を組み合わせることを目指している。
Amazon、Google、Microsoftのような大企業にデータを依存するという問題について議論する際、エルヴェは彼らへの依存が過剰になっている可能性があると認める。しかし、同時に技術の進化が速く、世界的に見ても地図データの提供者は多くないとも認識している。
会話は、地図データが公共財であるべきかどうかという問いから始まる。ヴェルモレルはオープンマップの重要性を認め、技術の進歩が地図作成を公共財に近づける可能性があると示唆する。しかし、地図業界は主要なプレイヤーがごくわずかに集中しており、競争は存在するもののその規模は限定的であると指摘している。
次にエルヴェは、オペレーションズリサーチや人工知能の進展に対する自身の興奮について語る。カーディナルでは、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在籍し、数学の分野の幅を広げている。また、最良の選択を明示的に定義することなくアルゴリズムに意思決定を学習させる強化学習のような、AIの他の進歩も検討している。エルヴェは、このアプローチが、解空間を定義しその中で解をランク付けするというカーディナルの従来の手法とは哲学的に異なると指摘している。
強化学習はさまざまな応用で有望な成果を示しているものの、エルヴェはカーディナルが直面する多様な制約に対処する際には限界があることを認める。しかし、将来的にリアルタイムの意思決定にさらに適合する可能性があるため、その進展は引き続き注視している。
会話は次に量子コンピューティングの潜在的な影響へと移る。エルヴェは、量子コンピュータが古典的な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という意味で、Googleが最近量子超越性を達成したと主張したことに触れる。量子アルゴリズムは、カーディナルの業務の中心である巡回セールスマン問題のような複雑な問題を解決するために利用される可能性がある。
量子コンピューティングは依然として長期的な展望ではあるが、エルヴェは困難な問題を解決しやすくすることで問題解決の民主化に寄与する可能性を認めている。もしそれが実現すれば、カーディナルのような企業は、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留まる必要がある。
フル・トランスクリプト
キアラン・チャンドラー: 今週のLokad TVでは、セドリック・エルヴェにご参加いただき、量子コンピューティングの進展とリアルタイム経路最適化の能力がどのように宅配会社の運営方法を変革しているかについてお話しいただきます。では、セドリック、本日はご参加いただきありがとうございます。
セドリック・エルヴェ: お招きいただきありがとうございます。カーディナルは、文脈認識能力に優れたリアルタイム経路最適化を専門とする企業です。通常、経路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な方法ではありませんが、人間は緊急事態、予期せぬ出来事、問題に対処する優れた能力を持っています。彼らは全体の優先順位を把握し、判断を下すことができます。しかし、アルゴリズム、特に最適化アルゴリズムは、そのような状況に完全に対応できるわけではありません。市場には経路最適化を提供するソフトウェアが存在しますが、それらは非常に静的な方法でデータを処理し、何らかの形で組み合わせた結果、スケジュールの最適解を提示します。しかし、最初の出来事が発生した時点で、その経路の質が損なわれてしまいます。トラックが走行し始めると、交通渋滞、遅延または来ない顧客、再スケジュールといった問題が次々と発生し、パフォーマンスに悪影響を与えるのです。カーディナルでは、経路最適化の正しいアプローチは、最適化を決して停止しないことであると考えています。そうすることで、問題が発生した際により柔軟に対処できるのです。さらに、我々の取り組みの重要な側面は、人間をプロセスから排除しないことにあります。彼らは自らの仕事を熟知しており、どのデータベースにも存在せず、モデル化もできない情報を持っているため、全体の戦略的ビジョンを有しているからです。
キアラン・チャンドラー: 人間の脳を活用し、その能力を最大限に引き出すという考え方、特にあの緊急なシナリオにおいては非常に興味深いものです。ジョアネス、最適化の補完として人間の脳を最大限に活用するという点では、あなたも同意されるのではないでしょうか？
ジョアネス・ヴェルモレル: 全くその通りです。サプライチェーンが抱える問題を深く理解している有能な人材を最大限に活かし、最新のコンピューティングパワーの恩恵を享受するという考え方は、非常に高いレベルでLokadの戦略とも一致しています。
キアラン・チャンドラー: 素晴らしい。今日はリアルタイム経路最適化について少しお話を伺いますが、サプライチェーンの視点から見て、なぜそれが重要なのでしょうか？
ジョアネス・ヴェルモレル: もちろん、Lokadですが、サプライチェーン最適化を考える際、私たちは同じ時間スケールで物事を捉えてはいません。カーディナルとLokad、両社ともエンタープライズソフトウェアの提供者ですが、カーディナルは経路最適化、つまり数分ごとに再評価可能な意志決定を行っています。一方で、倉庫内でリアルタイムにピッキングを行うロボットを操作するようなマイクロ秒単位の問題ではありません。迅速さは求められますが、マイクロ秒レベルは必要ないのです。対照的に、Lokadは明日あるいは最長で1年先の意思決定に重点を置いており、その期間を対象としています。Lokadがサプライチェーンの最適化を実施するという事実は、通常、より長期の意志決定を伴うものです。
キアラン・チャンドラー: 我々は、店舗や倉庫といった拠点間での在庫再配分について議論しています。これは、カーディナルのような企業が提供する経路最適化ツールの柔軟性に大きく依存しています。経路がより柔軟であれば、店舗間の在庫再配分が容易になり、最適化のコストが低減されるのです。スマートフォンやGPSシステムへの依存が高まる中、ここ数年で経路最適化はどのように発展してきたのでしょうか？
セドリック・エルヴェ: 経路最適化には主に2つの問題があります。1つ目は、ある地点から別の地点へ移動し、適切な道路を見つけることで、これはGoogle Mapsのようなツールが対象とするものです。2つ目で、より困難なのは、複数の停車地点（nヵ所）を訪問する際に、交通状況などを考慮してその訪問順序を決定する問題です。私たちはこの2つ目の問題に特に注力しており、効率的に解決するためには、すべての組み合わせを列挙するだけでなく、よりスマートなアルゴリズムが必要で、これこそが数学の出番なのです。
この問題のモデリングとアルゴリズムの開発は1960年代から行われてきました。しかし、これらのアルゴリズムの実装は、交通データのような正確なデータの利用可能性に大きく依存しています。もしアルゴリズムに渡されるデータが誤っていたり不正確であれば、実行不可能な経路が生成されてしまいます。カーディナルでは、ドライバーが実際に従える、実用的で実現可能な経路を提供することに注力しています。
Kieran Chandler: データの利用可能性について話すと、ルート最適化の成長と専門性を牽引した主要なプレイヤーは誰でしょうか？
Joannes Vermorel: 様々な問題に対するオンラインソリューションが急速に発展してきました。歴史的に、この分野に大きな影響を与えた会社の一つがGoogleでした。Google以前は、YahooやAltaVistaのような検索エンジンが四半期に一度インデックスを更新しており、そのために検索結果が古くなっていました。Googleは、より最新の検索結果を提供できる点など、さまざまな面で革新的でした。
Kieran Chandler: では、Joannesさん、検索エンジン最適化企業からサプライチェーン最適化企業へと転換された経緯について教えていただけますか？
Joannes Vermorel: 当初は、クエリに対して最適な結果を提供するためのオンラインソリューションから始めました。しかし、現実には新しいページが常にインデックスに追加され、最初は週一回の更新しか行っていませんでした。それでも、競合他社のほとんどより20倍速かったのです。つまり、常に最新の結果を変化する条件下で提供するという課題へと移行していったのです。Low CadとKardinalは、検索エンジン向けに特化されたGoogleのアルゴリズムを使用していませんが、スケールで実際に機能することが証明されているのを見ることで、大きなインスピレーションを得ました。
Cédric Hervet: さらに多くの企業が、さまざまな種類の問題に対して同様の手法を取り入れ始めました。1950年代の取り組みと比べ、現在Kardinalが行っていることは非常にスマートであり、全く異なるアプローチだと思います。これらすべての制約や非線形性が、最適化の表現を難しくしています。例えば、運転手が労働規制によりX時間以上運転できないという非線形制約があるなどです。
Kieran Chandler: Cédricさん、Kardinalにとって実際に重要なデータと、その入手元について教えていただけますか？
Cédric Hervet: もちろんです。データの主なソースは2つあります。1つ目は、最適化すべき注文を提供してくれるクライアントからのデータです。彼らは、運転手の労働時間に関する法的制約、運転手の利用可能性、出発地点、サービスの利用開始位置、運転している車両の種類、必要な積載能力、危険物の輸送や特定の技術介入が必要な場合の対応可否など、その活動に関する最も正確な情報を提供してくれます。これらすべてのデータが活動に対する制約を定義しており、私たちはそれを理解する必要があります。2つ目は、クライアントから得る注文そのものを記述するデータで、配送するパッケージやIT機器の修理などが含まれます。私たちは、HERE Technologyのような技術パートナーに依存しており、彼らはある停留所から別の停留所までの移動時間や、交通状況の変化に関する距離データを提供してくれます。また、必要に応じてリアルタイムの交通情報も取得する必要があります。HEREはそのデータを提供してくれ、私たちはアルゴリズムを用いて最新の解決策を提供しています。
Kieran Chandler: Cédricさん、オンラインソリューションの成長について言及されましたが、技術的な観点から見た場合、リアルタイムで動作するためにはどのような課題があるのでしょうか？
Cédric Hervet: リアルタイムには多くの複雑さが伴います。まず、光速にも限界があるため、実際のところ「リアルタイム」というものは存在しません。たとえ非常に速くとも、必ず時間はかかります。問題は、分散コンピュータシステムが存在し、複数のデータセンター間で行き来する必要があるときに発生します。何千もの往復が行われると、結果が返ってくるまでに数秒かかるのです。
Kieran Chandler: グローバルに事業を展開する上で、リアルタイムシステムの実現は非常に困難です。どのような課題に直面しているのでしょうか？
Joannes Vermorel: 実際、良好なリアルタイムシステムを維持するのを妨げる要素は多々あります。例えば、通常はコンピュータは非常に高速に動作しているように見えますが、アップデートなどの理由で処理が滞ることもあります。つまり、最悪の場合、コンピュータはかなり遅くなるのです。また、システム全体の速度は、最も遅いマシンに合わせられるため、多くのマシンがあればあるほど、最も遅いものが大きなボトルネックとなります。リアルタイムはそれ自体が非常に複雑な課題です。さらに、パートナーへの依存を取り入れると、パートナーが十分でなくてもサービス自体を高い可用性と信頼性で提供しなければならなくなります。依存関係が増えれば増えるほど、ダウンタイムのリスクも増大します。サービスは依存先の品質に左右され、チェーンの下位に行くほど、可用性や稼働時間などすべてが低下してしまうのです。つまり、リアルタイムは本当に大きな挑戦です。
Cédric Hervet: はい、同意します。そして今、私たちはそのデータを実際に制御できる時代に突入しています。例えば、Wazeを使えば、どこかに警察の速度カメラがあるかどうかを知らせることができます。これはプラスの影響だと思いますか？こうしたデータを制御できるようになったことは、先に述べた文脈において極めて重要です。Kardinalでは、システムに人間が関わり続けるよう非常に注意を払っています。一度制御を失ってすべてが自動化されすぎると、アルゴリズムが何をしているのか確認できなくなり、状況の理解が失われ、専門知識を発揮できなくなってしまいます。そして、人間は常に専門知識を持っています。私たちが取り組み始めた際、運転手のルートに挑戦し、独自の最適ルートを提案しようとしたとき、彼らは必ずアルゴリズムが見落としている点を指摘してくれました。面白い例ですが、非常に美しく最適化されたルートを提示したにもかかわらず、運転手はルート全体の一般的な側面ではなく、特定の停留所に注目していました。彼は「午後4時45分にこの場所で配達し、ここには学校があり、すべての保護者がその通りに駐車するため、実際に配達用に駐車できない」と指摘しました。これは数学的には最適なルートですが、特定の時間帯での配達はわずか15分で、その15分で配達を完了するのは不可能だと知っています。データに携わる我々にとっては、事前にその情報を把握し、50分前にその状況を修正するためのコストが非常に高いのです。結局のところ、トラックに乗っている誰かがその情報を知っているため、我々が分からなくても構わないのです。私たちが目指す主なインタラクションは、あなたが我々には決して分からない情報を持っているので、その情報を提供してほしいということです。道路上にいるときでもアルゴリズムに挑戦できるというわけです。そして、我々が行おうとしているのは、多くのイベントが発生しうるという点です。それは、問題が…
Kieran Chandler: リスナーの皆さんに、どのようにユーザーの入力とデータを組み合わせ、情報に基づいた意思決定を行っているのか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唯一のソースではありません。ユーザーからの入力もまた一つのイベントとなり、もし何かが本当に優れていると感じたなら、別の選択をすることも可能です。私たちの提案はあくまで推奨に過ぎず、最終的な判断はご自身で行っていただく形です。おそらく、あなたは我々が知らない情報を多くお持ちなので、自らの分野の主権者となるでしょう。ご質問にお答えするために、まずデータに対するコントロールが極めて重要です。なぜなら、データ自体に意味を与える何かがなければ、ただの無意味な数値に過ぎないからです。しかし、一度データの意味やそこから導かれる決定の意義が明確になれば、人間は排除されるのではなく、むしろその能力が補完されるのです。我々の計算がどのような影響を及ぼすかの情報を持つことで、より良い決定が下せるようになり、その他の要因も踏まえて最善の判断を行えるのです。これが、私たちが目指している両者の最適な組み合わせです。
Cédric Hervet: これの別の例として、米国の山火事があります。山火事から逃れるためにルートを入力したとき、火事が発生している道路が一見すると問題なく表示され、実際にはその方向へ誘導されていました。こうした状況を調整し、文脈外の要因を考慮に入れる方法を持つことは、我々の取り組みにおいて不可欠です。
Kieran Chandler: データの観点から見ると、Amazon、Google、Microsoftのような大企業に依存しすぎていると言えるでしょうか？
Joannes Vermorel: おそらくそうでしょうが、技術が非常に速いペースで進化しているという事実もあります。地図データを見れば、世界中で提供者はそれほど多くはありません。地図データが共有財としてあるべきかどうかという問題もあります。オープンマップなどでそれを実現しようとする動きも見受けられます。実際、技術が急速に進化する中で、多くの企業が競争するのは難しいのです。一般に「勝者総取り」と言われますが、技術の世界では物事がすぐに入れ替わるという点を忘れがちです。ですので、現状では地図市場のプレイヤーは四、五社程度であり、それなりに競争は存在するものの、市場は依然としてかなり集中しています。
Kieran Chandler: そして、今日のまとめに入る前に、あなたは研究開発にも非常に関与されています。今後数年間で、研究開発の観点からあなたを最もワクワクさせる実際の事柄は何でしょうか？
Cédric Hervet: まず第一に、Kardinalでの我々の取り組みがあります。
Kieran Chandler: では、Joannesさん、最近の最適化技術の進歩の中で、特にあなたが最も興奮しているものは何ですか？
Joannes Vermorel: 私たちは、オンライン版の最適化問題を解決するために取り組んでいる博士課程の学生であり、数学的分野としてのオペレーションズリサーチの範囲を拡大して、問題に適切に対処する方法を模索しています。また、AIコミュニティ全体でもさまざまな動きが見られます。強化学習は、オペレーションズリサーチで行っていることとは異なるアプローチです。これは、正しい可能性のある決定を明示的に教えるのではなく、アルゴリズムに最善の決定を学習させるというものであり、Kardinalでの我々の方法とは哲学的に全く異なります。我々は、問題の可能な解決策の全体像と、どの解が他よりも良いのかをアルゴリズムに提示し、閉じた範囲内で最適解を導き出すことに集中しています。強化学習は別の手法を提供しており、おそらくリアルタイムの意思決定に非常に適しているでしょう。
Cédric Hervet: 今日のこのアプローチの制限は、我々の技術が生み出す多様な制約に対応できないという点です。しかし、誰が知っているでしょう、強化学習がPingoやビデオゲームで実際に何を成し遂げられるかには非常に驚かされました。現在では、非常に強力なプレイヤーにも勝利できるようになっています。これは我々が注目している分野であり、将来性も非常に高いです。また、Googleが量子優位性を発表したのを見ました。つまり、量子コンピュータが通常のコンピュータでは不可能な短時間で問題を解決するということです。すべての解を列挙しなければならなかったのですが、例えば旅行セールスマン問題のような我々の主要な問題に適した量子アルゴリズムが存在することが分かっています。量子コンピュータはそれを数秒で解決できるのに対し、単一のコンピュータでは列挙するだけで何千年もかかるのです。これは注視すべき事柄です。もちろん、これは非常に長期的な話であり、我々のアルゴリズムが賢明に設計されているおかげで、既に量子の難問アルゴリズムの速度に匹敵できる状態にあります。しかし、量子コンピューティングは、本来困難な問題を容易に解決できるような民主化をもたらすものであり、それは我々にとって非常に興味深いのです。もし我々の問題が明日には容易に解決できるようになれば、クライアントが今日よりもはるかに良い成果を上げられるよう、この技術の最前線に立たなければなりません。
Kieran Chandler: 素晴らしい。今日もお時間をいただきありがとうございました。非常に興味深い内容でした。どうもありがとうございました。では、今週も何かあれば。ご視聴いただき感謝します。また次回お会いしましょう。さようなら。
