00:00:00 ゲストの紹介
00:01:27 Optimal Dynamicsでのウォーレンの役割と書籍
00:03:06 トラックロードトラッキングにおける課題と予測
00:04:31 ウォーレンの論文と不確実性の理解
00:06:41 Joannesの経歴とソフトウェアでの成功
00:08:12 不確実性の受け入れとサプライチェーンにおける学術的な視点
00:09:39 シーケンシャルな意思決定と産業連携の困難さ
00:11:13 確率的 vs 確定論的な予測
00:13:27 確率的予測の指標と困難さの理解
00:15:28 予測範囲の重要性と鋭い予測
00:17:09 Lokadの確率的予測の道のりと課題
00:19:15 不確実性の問題の困難さと統一されたコミュニティの不足
00:21:05 数理計画法における意思決定と不確実性
00:23:03 多様な実験室の経験とADP書籍の応用
00:25:07 サプライチェーンにおけるツールボックスの必要性と新しいアプローチへの移行
00:27:35 確定論的最適化とコスト関数の近似
00:29:57 先読みの例としてのGoogleマップ
00:31:51 確率的な先読みと価値関数の近似
00:33:21 意思決定におけるJoannesの視点と問題の設定
00:35:29 正しい状態、遷移関数、コスト関数の重要性
00:37:28 問題の次元と大規模な問題の考慮
00:39:15 解の脆弱性とスーパーマーケットのネットワークの比較
00:41:16 問題解決へのアプローチとサプライチェーン分析書籍の執筆
00:43:44 モデル設計のシンプルさと異なるタイプの不確実性
00:45:13 迅速な反復と現実世界の制約の重要性
00:47:51 計算可能性の重要性とグラフィックスツールの開発
00:50:27 最適化における計測の役割と産業の課題
00:53:11 キャリアと学術的アプローチの批判との協力
00:55:23 予測から意思決定へのJoannesの道のり
00:58:28 データアクセスの困難さと将来の予測の取り扱い
01:00:32 大規模な変動の考慮と悲観的なモデルの受け入れの重要性
01:02:45 サプライチェーンとファッション業界の変動性
01:04:43 製品の年次更新と新製品の予測
01:06:27 不確実性のモデリングの重要性と企業のルールの批判
01:08:16 Warrenの確率最適化へのアプローチと在庫管理
01:09:56 不確実性の下での事前計画と意思決定
01:11:39 トラック運送におけるリアルタイムディスパッチの重要性と適切な積載選択
01:13:27 不確実性の下での意思決定の課題と教養のある個人の問題
01:15:45 不確実性の取り扱いにおけるExcelの制約とCEOの理解
01:19:30 サプライチェーンの書籍の制約とユーザーフレンドリーなツールの重要性
01:21:46 Lokadの教育イニシアチブと関連するデータセットの作成
01:25:01 問題解決のための3つの重要な質問と意思決定カテゴリの開発
01:27:48 非数量的MBAの課題と企業がワークフローの下に意思決定を埋め込むこと
01:30:26 シンプルさの価格と順次学習を意思決定ツールとして
01:32:33 より高い目標を目指す概念の教育と堅いポリシーの課題
01:34:34 探索概念の理解の困難さと能動的学習の重要性
01:37:41 トラック運送とサプライチェーンの違いとトラックロードビジネスの規模
01:40:04 本のタイトル、目的、教授スタイル、モデリングの5つの要素
01:42:39 Optimal Dynamics、Lokad、学術的なアイデアの共有への賞賛
01:43:22 閉会の辞と感謝の意
ゲストについて
Warren B Powellはプリンストン大学の名誉教授であり、39年間教鞭を執り、現在はOptimal Dynamicsの最高イノベーション責任者です。彼はCASTLE Labの創設者兼ディレクターであり、貨物輸送、エネルギーシステム、健康、電子商取引、金融、研究所科学などに応用される確率最適化に焦点を当てた研究を行っており、政府と産業から5,000万ドル以上の資金援助を受けています。彼は任意の連続的意思決定問題をモデル化するために使用できる新しい普遍的フレームワークを先駆的に開発しました。このフレームワークは、意思決定を行うためのあらゆる可能な方法を網羅する4つのポリシークラスを特定することを含んでいます。これは彼の最新のJohn Wileyとの共著書「強化学習と確率最適化：連続的意思決定のための統一フレームワーク」で文書化されています。彼は250以上の論文、5冊の書籍を発表し、60人以上の大学院生とポスドクを指導しました。彼は2021年には交通科学と物流学のためのRobert Herman生涯功労賞、2022年にはSaul Gass解説執筆賞を受賞しています。彼はInformsのフェローであり、その他多数の賞を受賞しています。
要約
最近のLokadTVのインタビューで、Conor Doherty、Joannes Vermorel、そしてゲストのWarren Powellは、確率的予測とサプライチェーンにおける意思決定について議論しました。Optimal Dynamicsのチーフイノベーションオフィサーであり、退職したプリンストン大学の教授であるWarren Powellは、キャリアの経験と不確実性の下での計画に関する洞察を共有しました。LokadのCEOであるJoannes Vermorelは、確定論的な手法から確率的予測への移行について話し、学術界の現実世界への応用の不足を批判しました。両者は、複雑さや企業の適用の難しさにもかかわらず、確率的予測の優位性について合意しました。この会話は、意思決定における不確実性へのより広い視点と統一されたアプローチの必要性を強調しました。
詳細な要約
最近のConor Dohertyによるインタビューで、Lokadのコミュニケーション責任者であるWarren PowellとOptimal Dynamicsのチーフイノベーションオフィサーである退職したプリンストン大学の教授であるWarren Powell、およびLokadのCEOで創設者であるJoannes Vermorelは、不確実性の存在下でのサプライチェーンにおける確率的予測と順次意思決定について考えさせられる議論を行いました。
複雑な分野における意思決定のベテランであるWarren Powellは、キャリアの経験を共有することから始めました。彼の仕事は、アメリカの貨物輸送の規制緩和から始まり、不確実性の下での計画に焦点を当てるようになりました。彼はまた、自身が関わっているスタートアップであるOptimal Dynamicsでの役割についても話し、かつての博士課程の学生を指導し、会社の新たな方向性を考えています。
その後の会話は、Powellの著書「強化学習と確率的最適化」に移り、分布または確率的予測の領域について掘り下げました。Powellは、ある企業が将来の積載量を予測できれば、荷主に割引を提供する価値を理解したいという話を共有しました。これが彼の関心を引き起こし、トラックロードトラック運送における予測の課題を探求するきっかけとなりました。
一方、Joannes Vermorelは、確定論的な手法から確率的予測への移行について話しました。彼は確定論的手法がうまく機能しないことに気付き、サプライチェーンの問題において不確実性を受け入れる必要性についても議論しました。彼はまた、現実世界への応用の不足と、定理の証明や数値計算に焦点を当てた学術界を批判しました。
その後の議論は、確定論的予測と確率的予測の違いについて話し合いました。Powellは、確定論的予測は単一の実行可能な数値を提供する一方、現実世界の変動性を考慮していないと説明しました。彼は、範囲内の可能な結果を提供する分布予測が優れていると主張しましたが、企業はこの概念を理解し適用することに苦労することが多いと述べました。
VermorelはPowellの意見に同意し、確率的予測にはより複雑な指標と確率分布のより深い理解が必要であると付け加えました。彼は確定論的予測を顕微鏡を通して机の一部を詳細に見ることに例え、確率的予測はより広範で完全な視点を提供すると述べました。
会話は、VermorelがLokadで確率的予測を実装した経験を共有することで終わりました。彼は、これらの予測に基づいて意思決定を最適化する方法を見つけるのに数年かかったと述べました。彼はまた、意思決定における不確実性に対処するための統一されたコミュニティやパラダイムの欠如についても議論しました。Powellは、さまざまなコミュニティ、言語、表記システムの多様性から、意思決定と不確実性の分野を「ジャングル」と形容し、貨物輸送からエネルギーシステムまでのさまざまな分野での多様な経験を共有し、特定のアプローチの制約とより広い視点の必要性に気付いたことを語りました。
フルトランスクリプト
Conor Doherty: お帰りなさい。実行可能なサプライチェーンの意思決定を特定し評価することは困難ですが、特に従来の指標を使用している場合です。今日のゲストであるWarren Powellは、さまざまな複雑な分野における意思決定の分析に40年間を費やしてきました。また、彼は5冊の書籍を執筆し、約250の論文を発表しており、プリンストン大学の退職教授でもあります。では、まず、Lokadへの再登場を歓迎します。さらに、最初の出演を見逃した人のために、自己紹介をして、最近の活動について皆さんに味わってもらえますか？
Warren Powell: お招きいただきありがとうございます。私のキャリアは興味深いものでした。私のキャリアは、アメリカの貨物輸送が規制緩和された時に始まりました。そのため、私はトラックロード輸送という業界に投げ込まれました。最初に話題になったのは不確実性と、不確実性の下でどのように計画を立てるかということでした。それが私のキャリアを定義することになりました。私はさまざまな応用に取り組みました。
キャリアの終わりには、私のキャリアを始めたトラックロード輸送のスタートアップであるOptimal Dynamicsを手伝っています。私たちはさまざまな技術を使用していますが、幸いにもさまざまな応用に取り組むことができたため、不確実性のツールボックスには1つ以上のツールがあることを実感しています。ですので、このディスカッションを楽しみにしています。不確実性のモデリングに情熱を持つ他の人々と話すことは素晴らしいですね。
Conor Doherty: ありがとうございます。Optimal Dynamicsという会社について言及しましたが、あなたは最高イノベーションオフィサー（CIO）ですね。私はその言葉を以前聞いたことがありませんでした。そこで、具体的にはどのような役割を果たしているのか説明していただけますか？
Warren Powell: 彼らは私をヨーダと呼びたがります。私は管理の一部には関与していません。誰も私のために働いていません。私には5人の元博士課程の学生が働いており、私は彼らと一緒に研究室で働いています。彼らが助けが必要なときに手を挙げるのを待っています。それ以外の時間は、考え事をしたり、会社の新しい方向性について考えたりして過ごしています。
しかし、時折、問題解決のために引き戻されることがあり、いくつかの新しいイノベーションを生み出すことができました。しかし、会社が助けが必要なときに助けるためにここにいますし、それ以外の場合は彼らの邪魔をしないようにしています。明るい人々と一緒に働くとき、特に学術的な環境で働くときには、助けるべき時と手を出さないべき時を知ることが最も大きな課題の1つだと学びました。幸いにも、それによって書籍執筆などのための多くの時間を得ることができました。
Conor Doherty: 実際、書籍執筆について言及すると、あなたの書籍の1つである「強化学習と確率的最適化」は、私たちがあなたについて最も興味を持っていることの1つです。あなたの意思決定へのアプローチと、Lokadが行っている分布予測アプローチに興味があることを知っています。では、インタビューを適切に開始するために、なぜ分布予測についてそんなに魅了され、今回の会話につながったのでしょうか？
Warren Powell: さて、私がトラックロードの問題をモデリングしようとしたときの最大の課題は、トラックロード輸送は非常にまばらなことです。ある都市間での輸送があるかどうかはわかりません。例えば、シカゴからアトランタにドライバーを送ると、アトランタに到着した時点で、非常に異なる方向に向かう輸送があります。テキサスに向かう輸送があるかもしれませんし、ないかもしれません。つまり、0か1かのどちらかです。何を予測すればいいのでしょうか？0か1か、それともより現実的な期待値である0.2を予測すべきでしょうか？
アメリカのSchneider Nationalという会社が、1970年代に規制緩和が訪れることを予見し、シンシナティ大学の教員と協力して初期の最適化モデルの構築に取り組みましたが、それらはすべて確定論的でした。そして、Schneiderの誰かがプリンストンを訪れ、オペレーションズリサーチの修士号を持つ人物が私を見て言ったのです。「ウォーレン、トラックロード輸送は確率的です。
明日になっても利用可能な輸送がわかりません。もし将来の輸送を教えてくれるなら、荷主に割引を提供する価値はどれくらいあるのかを知りたいです」と。私はその夕食の会話で座って、「ああ、なんて素晴らしい質問だろう」と考えました。答えがわからないのではなく、それについてどのように考えるかがわからないのです。
1980年代後半になると、私は自分の「博物館の論文」と呼んでいる論文を書きました。実際、それはインターネット上で博物館の論文として公開されています。私は異なる方法で不確実性を扱うトラックロード輸送の問題をモデリングするための5つの異なる方法を持っていましたが、それらのどれもうまくいかないことは十分に認識していました。そして、そこには私がいました、1980年代後半になって、「他に何をすればいいのかわからない」と思っていました。学術界から出てくるものは何もうまくいっていないのです。
それが私が数十年にわたって進めてきたプロセスの始まりでした。私は手がかりをつかみ、そのたびに「あはっ」と思う瞬間を経験しました。そして、2000年初頭に大きな瞬間がありました。実際にSchneiderが私にやってきて、「ウォーレン、本当に助けが必要なんだ。このモデルを作ってくれるか？」と言ったのです。そのモデルはOptimal Dynamicsの基礎ソフトウェアとなりました。しかし、不確実性を扱うことができるモデルが作られたとき、それが私の近似動的プログラミングの研究成果が出た時でした。
数年ごとに、私はこれらの大きな「あはっ」という瞬間を経験してきました。実際、卒業してからも、いくつかの「あはっ」という瞬間を経験してきました。この分野は本当に驚くべきものであり、私は「ああ、そう考えたことがなかった」という瞬間を何度も経験しています。
Conor Doherty: Joannesさん、それは確率的予測にたどり着くまでの経緯と一致しますか？多くの「あはっ」という瞬間がありましたか？
Joannes Vermorel: はい、まあ、そうですね。私の場合は少し違う旅でした。2008年にLokadを立ち上げたとき、私は実際には主流のサプライチェーン理論に直接取り組みました。だから、誰かが私に歩いてきて「確率的」という言葉を発音しても、ほとんどの人々は私が弾性の一種を話しているのかどうかわからなかったでしょう。
でもとにかく、彼らは頭が良かったけれども、統計学者や確率論者ではありませんでした。だから私の道は、Lokadの最初の数年間は、エンタープライズソフトウェアのベンダーとして、これらの確定論的な手法をかなり成功裏に適用したということです。つまり、あなたのものを実際に売ることができるということです。それがうまく機能しているということではありません。それは2つの異なる指標です。エンタープライズベンダーとして成功することもできますが、実際に機能していないものを持っていることもあります。
そうした競合他社もいました。しかし、実際にはうまくいっていないのに、彼らはそのままキャリアを築いていました。しかし、私は実際には数年かかって、それがうまくいっていないことに気付き、うまくいくことはないということに気付きました。サプライチェーンの視点、つまり不確実性がないという完全に確定論的な視点に基づいている主流の視点では、成功はすぐそこにあるわけではありませんでした。それは突然現れる予測の精度をさらに1%向上させることではありませんでした。
いいえ、それはかなりの数年かかりました、4年ぐらいかかりましたが、進歩を遂げながらも、プロセスを改善し、すべてを改善しても、いいえ、成功はすぐそこにはないということに気付くまでです。だから私たちはある瞬間にたどり着いたのですが、それは絶望から来たものであり、誰かとの素晴らしい会話の結果ではなかったのです。とにかく、それには時間がかかりました。しかし、10年後になると、それは今や痛切に明らかです。Lokadで最初の数年間は、不確実性を受け入れずにサプライチェーンの問題に取り組もうとしていました。それは行き詰まりであり、数年かかりましたが、そこにたどり着くまでです。
ウォーレン・パウエル: もしもできるなら、私が見つけた課題は何か、ということですが、私は学術側から来ているので、ジョアネスと話すときは、まるで仲間の学者と話しているような気がしますが、あなたは産業側から来ています。私の研究室は最初から異例でした。私は企業に出向いて話をし、お金を集めなければなりませんでした。アメリカ国立科学財団（NSF）は、多くの学者に資金を提供していますが、私の分野では明示的な方針がありました。「私たちは研究には資金を提供しません。それを祝福します。産業からお金を集めて、それから私たちはNSFの天使の粉を振りかけます」と言っていました。
しかし、私たちにはあまりにも多くの学者がいますし、今でも続いていますが、彼らは産業と協力していません。彼らは作り話のモデルで働き、定理を証明し、数値計算を実行し、すべてが学術コミュニティ内で完結しています。特に確率最適化には当てはまりません。機械学習の場合は、実際のデータセットを取得し、モデルを適合させます。
決定論的最適化にも当てはまりません。現実世界の決定論的最適化は不足していません。しかし、私が今「連続的な意思決定」と呼んでいるもの、それは、ところで、その「確率」という言葉から離れることができるものですが、学者たちが作り上げたモデルの論文の海が存在する分野では、実際の問題が理解されていないのです。なぜなら、産業との協力が難しいからです。企業を巻き込む必要がありますし、私は企業と一緒に働いたことがあります。彼らは後に「先鋭的」と呼んだものに取り組まなければならなかった場所で、何がうまくいき、何がうまくいかないかを学びました。
だから、学者の働き方には本当に問題があります。私は出版のキャリアを成功させましたが、最後には「ある種のゲームだな」と思いました。出版するためには、ジャーナルが求める特定のスタイルに従わなければなりませんし、確率最適化コミュニティは1つのコミュニティではありません。それは12以上あります。それぞれが独自の言語やスタイル、小さなツールや技術を持っていますし、それに誇りを持っています。彼らは定理を証明し、数値を実行しますが、ほとんどが実践で機能していません。
コナー・ドハーティ: それでは、純粋に学術的なアプローチとより実践的なアプローチの違いを強調するために、予測の決定論的アプローチと分布的または確率的なアプローチについて話していました。私は簡単のために「確率的」という用語を使用します。ウォーレン、まずあなたにお聞きしますが、この二分法について、初めて聞く人々に対して、あなたの視点から予測の決定論的アプローチと確率的アプローチの違いを概説していただけますか？また、なぜ確率的アプローチが優れていると思われるのでしょうか？
ウォーレン・パウエル: はい、だから、もしも私がビジネスの人と会って、予測という言葉を使う人がいたら、私はすぐに「彼はポイント予測を意味している」と言います。みんなポイント予測が大好きです。彼らは「私は500個のウィジェットを売る」「2台の車を売る」「6台のトラックの積み荷がある」と知りたがります。それは実行可能な数値です。それは「ああ、6台のトラックがあるので、6人のドライバーが必要だ」と言います。
しかし、課題は、ところで、これはトラックロード輸送で毎日起こることですが、ホットな出荷業者がいる場合、彼は自分があなたのトップの出荷業者の1人であることを知っており、電話をかけてくることがあります。あるディスパッチャーの言葉を引用すると、「この男は10〜20台のトラックが必要になる可能性がある」と言っています。それはかなりイライラすることですが、それがディスパッチの現実です。しかし、予測モデルでは、すべての数学は単一の数値を出すために設計されています。
人々はまた、単一の数値が好きです。それは実行可能で理解しやすいです。もし「10から20の間になるだろう」と言ったら、私はどれくらいのドライバーを持っているべきか、10から20の需要に対応するために？ まあ、トラッカーたちはこう言います。「まあ、それは本当に重要なトラッカーです。20人のドライバーを持たないかもしれませんが、17人は持っているかもしれません。しかし、彼が来て12人しか必要がない場合、それらの5人のドライバーを他の場所に送ります。」そして、彼らは最適化では「リソース」として知られています。それは、「これが起こった場合、私はこれをする」というようなものです。
しかし、みんながそのポイント予測が大好きです。私は1990年代に最初に分布予測を始めたとき、イエローフレイトと一緒に働いていました。私は「信頼区間をやりたい」と言いましたが、彼らは戻ってきて「私たちの人々はそれに対処する方法を知りません」と言いました。私たちの最大の問題は、それほど昔ではない時期に、主要な出荷業者と一緒に働いていたときで、彼らは分布予測に非常に興奮し、それがどれだけ正確かを見てみることにしました。ジョアネスが微笑んでいるのを見ます。それは、「分布予測は素晴らしいですね、それはクールです。それはどれくらい正確ですか？」という質問にどのように答えるのですか、ジョアネス？
ジョアネス・ヴェルモレル: そうですね、たとえばクロスエントロピーや他の確率予測に適用されるメトリック、CRPSなどがあります。しかし、確かにそうです。これらの確率分布の領域に入ると、まだメトリックはありますが、それは簡単で直感的なメトリックではありません。ノルム1、ノルム2、中学校、それなりに理解できます。距離は何ですか？
確率分布に入ると、公平に言って、それほど難しくはありません。最尤推定などを行く場合、統計学の博士号が必要なわけではありませんが、2分以上はかかるでしょう。そして直感的な理解には、形式主義の過程を経る必要があるでしょう。それには30分程度かかるでしょう。もしくは、非常に無知な場合は2時間かかるかもしれません。
ウォーレン・パウエル: はい、その時点で、ビジネスの人々は目をガンとさせて、「ああ、わかった。それで、それはどれくらい正確ですか？」と言っています。
ジョアネス・ヴェルモレル: それは非常に奇妙なことです。これはより豊かな予測を持つことについてです。最適化したいと思うような意思決定がある場合、それはあなたの予測の深さを向上させることです。あなたは何を見ていますか？ 未来についての予測、未来についての声明です。しかし、正確ではなく、どれくらい完全で、予測のカバレッジはどれくらいありますか？
それは非常に珍しいことです。人々はポイント予測で、信じられないほど鮮明なものを持っていると言います。それはまるで顕微鏡を取り、机の一点に1000倍ズームするようなものです。だから、顕微鏡を持って、机の1平方ミリメートルを見て、完璧な視界がありますが、机の残りの部分は何も見えません。そして人々は言います。「ああ、知ってる？ 私はもっと大きな顕微鏡が必要だと思う。そうすれば、この1平方ミリメートルをもっと鮮明に見ることができる。」しかし、確率予測は「いいえ、他の部分を見るべきです。他のすべてと比べてかなり鮮明に見えるこの1点に集中する代わりに、机の残りを見るべきです。」
Warren Powell: さて、ここで、小売販売などのビジネスパーソンは、需要カバレッジというものを完全に理解しているでしょう。そして彼らは言うでしょう、「97%の需要を満たしたいのです。」これは珍しい要求ではありません。しかし、分布予測の概念がないと、どのようにして97%を満たすことができるのでしょうか？ですから、あなたは戻ってきて、「はい、しかし、あなたは97%の需要をカバーしたいと言っています。私は分布予測がないとそれをすることはできません。20個の追加ユニットが必要ですか、それとも200個の追加ユニットが必要ですか？」と言うことができます。これはおそらく、「あなたたちは需要の高い割合をカバーしたいと思っています。平均需要をカバーすることは誰も望んでいません。半分の時間が足りません。ですから、どうやってこの非常に馴染みのあるビジネス要件を、分布予測または確率予測に結びつけるかを学ばなければなりません。」と言うための導入です。
Joannes Vermorel: 興味深いことに、Lokadで2012年にそれを始めた後、私たちは実際には数年かかって、それを行うための洗練された最適化方法を本当に見つけることができました。なぜなら、確率予測を行う必要があるという事実について、受け入れるのが難しかったからです。それが私のLokadでの旅の最初の部分でした。
2012年には、確率予測はディープラーニングで完全に異なる理由で非常に人気がありました。ディープラーニングでは、クロスエントロピーなどの指標が非常に急勾配を与えるため、それらの確率予測は非常に人気がありました。ただし、確率には全く興味がありませんでした。彼らはポイント予測にしか興味がなかったのですが、実際にはクロスエントロピーを用いた急勾配は、それらのモデルがうまく機能するための非常に良い数値的特性でした。
それで、それは少し逸脱しました。私たちは、それらの確率予測を、単なる数値的なトリックではなく、それ自体のために使用し始めました。しかし、それを持っていると、最適化したい意思決定があることに気付きます。最良のオプションを選びたいし、明らかにリピートビジネスなので、意思決定の連続があります。
そして、あなたは、「それを解決するためのソフトウェアの道具として、私は何が必要ですか？」という結論に至ります。そして、それが、あなたの本への導入として、非常に困難な問題です。私が直面した主な課題は、パラダイムの半ば真空でした。あなたが言ったように、発表できるコミュニティは数多くありましたが、不確実性の問題を取り扱い、最適化を行いたい統一されたコミュニティは、私の感覚では、今日でもまだ存在していません。
それで、当てずっぽうでした。私は少しの強化学習を行っていたし、古典的な最適化も行っていました。私の課題は本当にパラダイムの欠如でした。そして、これは非常に興味深いことですが、この非常に重い、1100ページの本では、実際には、ドメインを考え、ドメインを分割するために、独自のパラダイムを提案しています。そして、うーん、まだ、この本は一つしかありません。
たとえば、分類器に関する本を持ちたい場合、機械学習の分野では、線形分類からサポートベクターマシン、勾配ブースターツリーなど、すべてのクラシックな分類器を提供する本が500冊あります。分類の問題をフレーム化する500冊の本があります。ここでは、まだ非常に多く、私は言います、まだコミュニティはこの問題を見ていません。
ウォーレン・パウエル: そうですね、意思決定と不確実性の問題は非常に豊かな分野です。確定的な数理計画法に行くと、確かに多くの確定的な数理計画法がありますが、それらはすべてジョージ・ダンツィグによって設定された基本的なパラダイムに従っています。目的関数があり、制約条件があり、決定変数があり、アルゴリズムがあります。それで、みんながそのフレームワークに収まるので、機械学習、統計学、機械学習もまた、非常に多く、ある関数があり、それをデータに適合させようとしています。
さて、さまざまな問題セットがありますが、基本的にはすべて同じアプローチです。ここには一連の関数があります。そして、ほとんどの人気のある統計学の本は、さまざまな関数を紹介してくれます。そして、統計学や機械学習のコースを受けると、ほとんどの人がほぼ同じツールセットを持って卒業します。そして、それらはこれらのパブリックドメインのソフトウェアを使用することも可能にします。
意思決定と不確実性を組み合わせると、2014年にINFORMSでこの講演、チュートリアルを行いました。それを「確率最適化のジャングルを切り開く」と呼びました。そして、チュートリアル記事を書かなければなりませんでした。私はいつもある審査者の報告を覚えています。審査者は「ああ、それほど悪くないですよ。『確率最適化の庭』と呼んだらどうですか？」と言っていました。私は笑って言いました。「これらの分野で論文を発表したことがないのでしょう。ジャングルです。さまざまなコミュニティがあり、十数以上の異なる言語を話します。私は8つの根本的に異なる表記システムを数えました。そしてもちろん、派生物もあります。
強化学習はマルコフ決定過程の表記法を採用しましたが、確率制御には独自の表記法があり、確率計画には独自の表記法があります。意思決定木も同様です。それはただの混乱です。しかし、それぞれにはかなりのコミュニティがあります。だから彼らは同じ言語を話す人々のグループを持っています。そして、論文を書くとき、彼らはあることを期待しています。
私は十分に大きく多様な研究室を運営していました。私は貨物輸送で始まり、終わりましたが、その間にはエネルギーシステムの研究室を運営しました。最適な学習と材料科学に関する多くの仕事をしました。それはしばらくの間素晴らしい経験でした。電子商取引、金融、そしてプリンストンでは、学部の卒業論文を書かなければなりませんでした。だから私は約200の論文を指導しました。そして、私は言います、学生を十分に指導し、さまざまな問題に取り組むと、ちょうど私がADPの本を書いたばかりの頃、私は「わあ、ADPは素晴らしいです。見てください、私はトラック会社を最適化できます。これは冗談ではありません。これは本物です。これはただの冗談のアプリケーションではありません。これは本物の産業アプリケーションです。すべてをできるはずです。」と言っていました。しかし、私は間違っていました。
はい、私のADPの本の第2版では、第6章という章を書きました。「あなたは知っていますか、これらの4つのポリシーのクラスがあるようです。」と言いました。今は4つのうち3つしかありませんでした。4つ目は間違っていました。そして、それを出版社に送った6か月後、「ああ、私は4つ目のポリシーのクラスを見つけました。」と気づきました。そして、それ以降、2022年に大きな本が出るまで、私は進化し続け、2016年に別のチュートリアル記事を書き、そして大きなことはEuropean Journal of Operational Researchが私にレビュー記事を書くように依頼してきたことでした。
それは、リードエディターの一人であるRoman Slowinskiが私にこれを依頼したもので、その論文がこの大きな本のアウトラインになりました。その論文を書いた直後に、「それが新しい本だ」と思いました。そして、私はADPの本の第3版を作りたかったのですが、「いや、できないんだ。ADPとは、具体的には近似値関数を意味し、非常に少数の問題に対して非常に強力なツールです。もしハンマーを持っていて、お気に入りのハンマーを持っているなら、私たち全員がお気に入りのハンマーを持っていますが、あなたのハンマーに合う問題を見つけることができます。
しかし、サプライチェーンマネジメントのような豊富なアプリケーション領域から来た場合、ツールボックスが必要です。何かハンマーを持ってサプライチェーンマネジメントに入っても、どんなハンマーを持っていても、フルのツールボックスを持って入らなければなりません。分布予測を行うことは良いことですが、結局のところ、不確実性の中で意思決定をしなければなりません。
Conor Doherty: それでは、完璧なつながりですね。ツールボックスについて話し、確率的予測に重点を置き、実行可能なものを提供し、人々が実行可能なものを求めていると話されていますが、サプライチェーンマネジメントの文脈で、シーケンシャルな意思決定のためのあなたの普遍的なフレームワークが実際により良い意思決定につながるのはなぜですか？
Warren Powell: 私の最も大きな転機の一つは、私が大好きなこのパワーポイントスライドがあります。その中には15冊の本があり、それぞれが何らかのシーケンシャルな意思決定問題に関連しています。それらの本のすべて、私のADPの本も含めて、釘を探しているハンマーです。私たちはそれぞれが意思決定をするためのペットテクニックを持っていますので、本は1つまたは2つの基本的なハンマーを中心に書かれています。
アプリケーションから来ると、これらのハンマーのすべてが良いことに気づくでしょう。どれもすべての問題に対応するわけではありません。実際にアプリケーションから来ると、問題を選ぶことはできません。方法をテストするための問題を選ぶのは、方法を研究している学者です。アプリケーションから来ると、そうではありません。あなたに解決しなければならない問題が与えられます。あなたは何をするつもりですか？私の偉大なキャリアの成果は、すべての方法がこれらの4つのクラスに分類されることに気づいたことであり、そして2019年の論文で、それらの4つのクラスが2つの主要なカテゴリに分類されることに気づきました。
より単純なカテゴリは、将来を計画に組み込まない関数に基づいて意思決定を行いますが、将来にわたってうまく機能するように調整可能なパラメータがあります。サプライチェーンの最も単純な例は在庫の発注です。在庫があるレベル以下になったら、別のレベルまで発注します。将来を見据えていません。計画していません。単なるルールですが、その発注レベルは時間の経過とともにうまく機能するように調整する必要があります。
2番目の最も単純なものは、通常、確定論的最適化モデルであり、簡略化されていますが、調整可能なパラメータがあります。これは私が「コスト関数の近似」と名付けたものです。私の大きな本以外では見つけることはできませんが、産業界で広く使用されています。産業界の人々は「そう、私たちはいつもそれをやっています。ただの産業のハックだと思っていました」と言うでしょう。
私は、何らかの複雑な確率的な問題の近似である線形計画問題を取り、バッファストックや収量の補正などをキャプチャするための調整可能なパラメータを入れると、航空会社は「よし、アトランタからニューヨークに飛んでいるときには、天候の遅延があるかもしれない。20分余分に入れておこう」と言うでしょう。
これらの確定論的な問題を調整可能なパラメータを持つものと一緒に行うことは非常に強力です。学者たちはそれを「単なる確定論的な無意味なもの」として軽視するのが好きですが、私はそれがパラメトリック予測と非常に似ていると考えました。つまり、予測を行うときには、需要は価格の関数です。高い価格は需要を低下させます。最適な関数を作成しましょう。パラメータ化された確定論的モデルでも同じことができます。
さて、学者たちは他のクラスの方針が大好きです。これらは将来を見越して今すぐに決定を下す方針です。1つは、今決定を下すと、その行動を取ります。たとえば、ある量の在庫がある場合、在庫を注文します。これにより、将来の状態になり、その状態にいることの価値を得ます。これを動的計画法またはベルマンの方程式と呼びます。学者たちはベルマンの方程式が大好きで、もしあなたがエンジニアリング出身なら、それをハミルトン・ジャコビ方程式と呼びます。そして、不確実性の下で時間の経過に伴う意思決定方法を教えるどんな良い大学のコースに行っても、最初に示されるのはベルマンの方程式です。
私はベルマンの方程式を近似するために構築された500ページの本を書きました。私はそれにとても誇りに思っています。これは多くの問題に対して機能する強力な技術です。しかし、正直に言って、連続的な意思決定を行っているビジネスコミュニティに出かけて、「ベルマンの方程式を聞いたことがある人は何人いますか？」と尋ねると、ほとんどいません。誰もベルマンの方程式を使用しません。
最後のクラスは完全な先読みです。私の例としてGoogleマップを使用しています。目的地への経路を計画する場合、最後まで計画する必要があります。将来を見越した計画モデルはいくつかあります。それらは価値関数を使用しません。将来のモデル全体を明示的に行い、それは値関数の近似よりも頻繁に行われます。
したがって、学者たちは本当にそれらの高度な技術が好きです。現実世界に出てみると、ほとんどの場合、次の3つのクラスの方針が見つかります。単純なルール（「注文するまで注文する」、「安く買って高く売る」、「コートを着る」）や、複雑な問題に対しては、あまり複雑でない確定論的モデルを使用し、いくつかの調整可能なパラメータを追加してパラメータを調整します。3番目の技術はGoogleマップのような確定論的な先読みです。これらが3つの主要な方針です。
実際には、どの設定でもどこでも誰がどのような決定をするかのリストを作成できれば、97％の決定はこれらの3つの方針で行われるでしょう。それにもかかわらず、これらは本で強調されていません。これが私の目指すところです。私はこの考え方の多くをあなたに帰属させます。私の大きな本にもそのような議論は見つかりませんので、それは第2版まで待たなければなりません。
これは私の「あは」の瞬間でした。4つの方針のクラスを取り、先読みを2つに分けましょう：確定論的な先読みと確率的な先読み。これで5つの方針ができました。そして、これらのうちどれが最も使用されるのかと言ったら、カテゴリ1は広く使用されています。最初の3つは、シンプルなルールやコスト関数の近似などの方針関数の近似、そして確定論的な先読みです。これらが3つの主要な方針です。
時には確率的な先読みが必要です。例えば、中国から注文しています。通常は5週間かかりますが、7週間かかることもあります。では、7週間を予定してしまえば、それは確率的な先読みの形式である頑健最適化を使用しています。なぜなら、通常の場合ではなく、最も長い時間を予定しているからです。
以前の私の本のトピックである価値関数の近似は、最下部にあります。私は本当にそれが多くの問題にとって素晴らしいツールだと思っています。本当にそれが必要な場合は、専門家に相談するべきですが、日常の問題には使用しないでしょう。使い方が難しすぎます。
さて、一部の人々は強化学習について話します。初期の段階では、強化学習は近似動的プログラミングの別名にすぎませんでした。それらは同じものを指す異なる言葉に過ぎませんでした。ORLコミュニティも私が発見したことを発見しました。これは常にうまくいくわけではないということです。SuttonとBartoの最初の版では、近似動的プログラミングしか見つからないのに対して、2版では、もし探しているものがわかっていれば、4つの方針のクラスがすべて見つかります。しかし、私はまだほとんどの人々が強化学習を使用していると言っているとき、彼らは近似動的プログラミングを意味していると思います。コンピュータ科学者は、私たちの他の人々よりも自分たちのツールをマーケティングするのがずっと上手です。
Conor Doherty: それでは、あなたの意見とLokadでの意思決定の方法は一致していますか、ジョアネスさん？
Joannes Vermorel: まあ、そうではないですが、公平に言うと、この分割は、ドメインをどのようにスライスして分割するかという点で非常に技術的に正しいと思います。その点については議論しません。そして、私がドメインと言うとき、状態遷移関数と報酬関数を持つ合意された知的モデルを指します。そして、それらの意思決定を最適化したいのです。ですので、この観点から言えば、あなたが説明している方法は正しいと言えます。
しかし、私が個人的に問題に取り組む方法は、かなり異なる視点からです。私が最初に考えるのは、問題自体についてです。問題の陳述への旅が重要です。この本に対する少し不公平な批判ですが、既に1100ページもあり、出版社は3000ページの本を望んでいなかったようです。
Lokadでは、この問題に取り組む際に最初に尋ねるのは、状態をどれくらい近似すべきかということです。人々はそれが与えられたものだと思うかもしれませんが、それは与えられたものではありません。常に現実世界をモデル化しており、すべての原子の位置までモデル化しているわけではないので、状態をどのように決定するかには非常に多くの余地があります。次に、状態から別のバージョンの状態に移行する方法を決定する遷移関数があります。
それは問題を解決する一部だと私は考えています。この段階で間違った判断をすると、状態があまりにも細かすぎるか、遷移関数があまりにも複雑すぎる場合、ツールはその後崩壊してしまいます。ですので、私にとって最初のことは、正しい判断をすることと、それを行うための正しいパラダイムを持つことです。コスト関数や報酬関数にも同じことが言えます。
私たちのクライアントには、在庫切れのコストや割引のコストを評価する必要があるクラシックなケースがあります。一度割引をすると、利益の一部を譲渡しています。それは問題ありません、計測できますし、非常に簡単です。しかし、その後もこの割引が適用されることを人々が期待するようになります。そのため、後で自分自身に問題を設定してしまいます。
人々が以前の割引をどれだけ覚えるか、などの行動を正確に評価するのは非常に難しいです。それがあなたの遷移関数です。まずはそれを近似する必要があります。このフレームワークでアルゴリズムのプロセスのさまざまな部分を近似する前に、私の最初のアプローチは近似です。
私の視点は、モデルの定義そのものから始まります。一般的なモデルを最適化したいという視点は持ちません。私にとっては、それが方法論の一部です。それが最初のことです。すみません、まだ終わっていません。二番目のことは、それは私のコンピュータサイエンスのバックグラウンドによるものですが、問題の次元を見ることです。
少数の都市で数百の配達など、数千の意思決定を攻撃する場合とは非常に異なります。私にとっては、1000の意思決定は非常に小さな問題です。私たちは10億の変数がある問題もあります。大規模な供給チェーン、例えばハイパーマーケットを見てみましょう。1つのハイパーマーケットには10万のSKUがあります。1000のハイパーマーケットがあれば、1億のSKUがあります。それぞれのSKUには数個の意思決定があり、それを将来の数週間繰り返します。ルート最適化のような非常に小さな問題から、メモリにも収まらない非常に大きな問題まで、さまざまな問題が発生する可能性があります。
ですので、私にとっては、問題にアプローチする場合、問題の主要な特徴を捉えようとすることから始めます。次元性はその1つです。もう1つは、より良い解に向かってナビゲートするのがどれだけ困難かです。これらの2つの例を取ると、ルート最適化は非常に非線形で非常に壊れやすいものです。場所を移動したり、2つのポイントを交換するだけで、非常に悪い解から非常に良い解に移行することができます。解は結晶のようなもので、このような壊れやすさを持っています。解を崩すことは非常に簡単で、良いものから非常に悪いものになることができます。
一方、私のスーパーマーケットのネットワークの問題のスペクトルに移ると、そこにあるべき1つのユニットを別の場所に置くことを決めた場合、問題は非常に感度が低いです。かなりの余地があります。方向性が正しい限り、形状は問題ありません。このスペクトルは結晶の特性から泥の特性まで広がります。結晶の特性は壊れやすくてもろく、簡単に壊れますが、泥の特性は形状がありません。方向性が正しい限り、それで十分です。それが2番目の考慮事項です。
3番目は、求めている時間的特性です。時間的特性は、倉庫でロボットを操縦する場合のように、ミリ秒単位で一定の時間、一定のメモリの回答を求めるものから、中国から到着するのに10週間かかるような海外購買のような別の問題までさまざまです。計算に24時間かかっても大丈夫です。私たちは全く制約がありません。
それが私がドメインを分割する方法の一部です。私がドメインを分割する方法は、使用するアルゴリズムについてあまり語っていませんが、私は興味を持っている問題の解決策としてさえ考慮することさえありません。
ウォーレン・パウエル: アプリケーションドメインからアプローチしていることが好きです。私がサプライチェーンの分析の本を書き始めたときに見つけたことの1つは、これまでに問題クラスについて書いた最初の本であり、他の本は基本的にメソッドの本だったことです。それはとても楽しいです。
さて、私の大きな本には1つの章があります。それは90ページもあり、モデリングについてですが、非常に一般的な方法でのモデリングです。あなたが説明しているプロセス全体を完全に理解しています。これは状態変数です。複雑な問題では、状態変数を始めとする問題の5つの要素があります。しかし、モデリングをするときは、状態変数を最後にします。
さらに、これは本当に反復的なプロセスです。モデリングを通して進むプロセスがあります。状態変数は単なる情報です。モデルを見て、この情報が必要だ、この情報が必要だ、この情報が必要だ、ああ、状態変数がある。しかし、例えば、どのように意思決定を行いますか？それは不確実性のモデリング方法によります。不確実性をどのようにモデル化しますか？それは意思決定の方法によります。
不確実性のモデリングと意思決定のプロセスを2つのはしごのようなものとして説明しています。非常に基本的な確率モデルしか持たないモデルで不確実性の下での意思決定のための非常に洗練された方法を持ち込む必要はありません。複雑な問題では、不確実性のモデルを好きなだけ複雑にすることができます。
一般的には、最も複雑なモデルから始めることはありません。もっと基本的なものから始めることになります。それから意思決定を行うための何かを持つ必要があります。基本的なモデルなので、非常に複雑なことをする必要はありません。まともな意思決定モデルができたら、リスクの他の指標を取得するために不確実性のモデルに戻ってくることができます。
今度はリスクを反映した意思決定を行いたいです。だから、あなたはこのはしごを登っているのですが、Lokadでのあなたの全体のプロセスも反復的だと思います。私たちは常に問題を解決するための最も単純なモデルを求めます。問題を解決するためにはどうすればいいのか、それはビジネス目標を達成するために何が必要なのか、それは学ぶプロセスです。
ジョアネス・ヴェルモレル: まったくその通りです。私はあなたの本に敬意を表します。私はあなたがリストアップしていると思いますが、15種類の異なる不確実性のタイプがあり、それはおそらく私が集めた中で最も長いリストです。そして、それは非常に現実的な懸念です。不確実性と言うと、人々は予測の不正確さのことだと思います。しかし、それはまったく違います。不確実性の源はたくさんあります。それは依存する商品の価格の変動であったり、ストライキを行う労働力であったり、資格がないか、そもそも存在しない労働力であったりすることがあります。
また、場所における住宅問題の可能性もあります。これは販売の不確実性を見るだけのものです。販売の需要予測、販売のポイント予測に関するものですが、それは非常に狭い視野です。私は完全にあなたに同意します。Lokadでは非常に反復的なプロセスを行っていますが、それにはもう1つの大きな懸念があります。それは、より迅速に反復するために必要なエンジニアの生産性です。
Lokadでは、確率的最適化問題に取り組む方法としてプログラミングパラダイムを特定しています。私たちはこれらのパラダイムのコレクションを持っています。それらは統一されていませんが、使用できるものの小さなライブラリのようなものです。これらのパラダイムは、ソルバーの実装を比較的迅速に進めるためのアプローチを提供します。ここでは、反復的なプロセスに完全に同意します。ビジネスの観点からの私たちの課題は、私のクライアントが非常に我慢しなければならないということです。
私たちは非常に迅速に反復する必要がありますが、複雑な問題に取り組んでおり、ハードコアなアルゴリズムが関与しています。彼らは有限の時間内にアルゴリズムを実装する必要があります。他にも議論されない考慮事項があります。私が本で見た多くの方法は、アルゴリズムを実装するために10年の経験を持つ非常に優れた大学教授がいる場合には機能します。現実世界では、実装に正しく取り組むのが非常に困難な方法もあります。そのため、プログラミングパラダイムを持っていることは役立ちます。それらは、有限の時間内に本番環境で動作するようにコード化する方法を提供します。同時に、それらを反復しながら実装することができます。
ウォーレン・パウエル: 第11章の終わりに向けて、非常に最後のセクションで、ポリシーの評価に関するソフトな問題についてのサブセクションがあります。したがって、本では常にポリシーの最適化は何かの期待値を最大化すると書いています。第11章の終わりには、ウェブサイトからダウンロードできる、方法論の複雑さなど、5つの異なる品質があります。方法を見ると、まさにあなたが言ったことが非常に重要です。計算の扱いやすさ、透明性です。私たちは皆、アルゴリズムをコーディングして、答えが出てきて頭をかいているときがあります。そして、お客様が理解できず、なぜそのようになったのかを説明できるようにしたいのです。データエラーかもしれませんし、ルールの変更かもしれません。
つまり、Optimal Dynamicsでは、トラック会社からこのデータを取得し、あなたが直面している同じような問題に取り組んでいます。彼らが答えに満足しない場合、それをかなり迅速に修正してほしいと思っています。私が大学の研究室で開発した最も強力で重要なツールの1つは、Pilot Viewというグラフィックツールです。これには2つのモジュールがあります。1つはフローを表示し、さまざまな方法でフィルタリングできるマップですが、もう1つは私の電子顕微鏡と呼んでいます。個々のドライバーや個々の積み荷を表示し、ドライバーがどの積み荷に割り当てられたかをクリックして確認できます。ただし、単にドライバーがどの積み荷に割り当てられたかだけでなく、考慮した積み荷も表示できます。たとえば、ドライバーが1000人、積み荷が1000個ある場合、1000人×1000個のすべての組み合わせを考慮することはできません。これはアルゴリズムとは関係がなく、ネットワークジェネレーターにすべての関係があります。
したがって、私たちは高度なものを使用していますが、割り当てられていないドライバーがいるかもしれません。なぜでしょうか？ペナルティが高すぎるためかもしれませんし、コストが高すぎるためかもしれません。または、私たちの剪定ルールの1つが単にそれを考慮していなかったため、それが起こりました。そしてもちろん、お客様が苦情を言っているときには、非常に迅速な回答が必要です。一度フィールドに入ると、複雑なアルゴリズムではそれで終わりです。
ジョアネス・ヴェルモレル: それには非常に共感します。私がこの観察を思いついたわけではありませんが、インターネットで見つけたもので、誰が言ったのか正確には覚えていませんが、その要点は、アルゴリズムのデバッグには、アルゴリズムの実装よりも2倍賢くなる必要があるということです。
したがって、アルゴリズムを実装するときにできるだけ賢くなるようなアルゴリズムを選択すると、本番環境でデバッグを行いたい場合には、2倍の賢さが必要になりますが、それは実現不可能です。なぜなら、アルゴリズムの実装はすでにあなたが最善を尽くした状態だからです。したがって、デバッグするためには、あなたが最善ではない解決策が必要です。また、あなたが説明するように非常に同意します。計測の役割は非常に重要ですし、それは難しいことです。この本には非常に多くの内容が含まれているので、その点についてはあなたに敬意を表します。洞察に乏しい本ではありませんが、計測の役割は極めて重要です。
決定論的な意味での最適化の古典的なコミュニティでは、必要なCPU秒数と得られる解のパフォーマンスだけを考慮します。しかし、確率的最適化の領域に入ると、何が起こっているのかを理解するために、包括的な計測のサポートが必要になります。そして、それは見る方法についてのパラダイム的なギャップもあると思います。なぜなら、単に意思決定を生成するツールだけでなく、意思決定プロセス全体を理解するためのさまざまな手段も含まれるからです。そして、それがないと、人々は懸念を抱き、あなたは行き詰まってしまい、単に「信じてください、それは良いです」とは言えません。確率的最適化では、古典的な数理最適化ほどうまくいきません。
Warren Powell: はい、産業と一緒に働くのは確かに素晴らしいチャレンジです。私はキャリアをスタートしてからずっとその経験をしてきました。私が自分の研究室を立ち上げ、専門のプログラマーを雇ったのは1990年代でした。彼らは皆博士号を持っていましたが、彼らは博士号を持っていても、ただコードを書くためにそこにいたのです。彼らがいなかったら、私の研究室は決して立ち上がらなかったでしょう。アルゴリズムが解を提示しても、それが気に入らないし、顧客も気に入らないし、みんながテーブルの周りに座って頭をかいているとき、何が問題なのかを理解するために、何度もこのようなエクササイズを行ったことがあります。異なる人々がそれぞれのスキルセットを反映した理論を持っていることもよくあります。私は、「まあ、アルゴリズムはもっと洗練されているべきだ」と思っているし、この人はデータについて心配しているし、この人はプログラミングエラーについて心配しているし、私たちは仮説を立てて座っていることが何度もありましたが、私たちはみんな間違っていました。
本当に驚くべきことです。もちろん、いつか一緒に座って、生データの取得についてもっと詳しくお話ししたいと思います。私のトラックロード輸送業界では、すでに商用TMSシステムを使用しているキャリアとだけ取引しています。それが完璧であるということではありませんが、私たちははるかに高い位置にいます。しかし、それは挑戦ですし、とても楽しいです。もっと現実の問題を学術界に提起できればと思っていますが、学術界には諦めました。
彼らは問題を解決するためにそこにいるのではなく、定理を証明し、論文を書くためにいるのです。私は40年近くその世界で生きてきましたし、それを理解していますが、それは根本的に欠陥があると思います。だから、私の貨物輸送会社との間にはデータを共有する意思があるということでした。それは荷主には当てはまりません。
私は、供給チェーンのデータを共有する意思のある荷主には出会ったことがありません。それはありえないことであり、彼らはそれをしないでしょう。私はプラット・アンド・ホイットニーというジェットエンジンメーカーの大規模なサプライチェーンプロジェクトを行いました。それは政府の資金提供を受けており、所有会社であるユナイテッド・テクノロジーズによって認められていましたが、彼らはデータを共有する提案を聞くことさえしませんでした。彼らは「ああ、それはあまりにも独占的すぎる」と言いました。
そして、私たちは自分たちで独自の高度なデータジェネレータを作成し、世界中のあらゆる場所でランダムな需要を作り上げるプロジェクトに喜んで参加しました。彼らは「いや、私たちのサプライヤーの中には、コネチカット州のどこかにそのようなことをするサプライヤーがいることさえ知られては困る」と言いました。彼らは単に「いいえ」と言いました。それはあまりにも多くの情報になるだろうからです。
ですから、データを手に入れることができない環境でこれらの現実の問題を解決するのは難しいです。私はルトガーズ大学と提携し、現在は彼らのサプライチェーン管理部門のエグゼクティブ・イン・レジデンスとして登録しており、フェイクデータを使用したシミュレータを作成し、シミュレートされた現実的な問題に取り組むように彼らを説得しようとしています。
Joannes Vermorel: 私はあなたが直面した一連の問題に非常に共感できます。私はサプライチェーンの世界の反対側から来ていると思います。スペクトラムの一方には、トラック輸送があり、それはほぼ最終的な比較的短期的な意思決定です。さらに極端な例としては、ロボットの操縦があります。それがスペクトラムの一端です。
スペクトラムのもう一方の端には、S&OP、セールスとオペレーション、超マクロプラン、企業レベルなどがあります。そして、その間にはすべてがあります。私自身の旅は、もう一方の端、つまりS&OPから始まりました。非常に戦略的で、予測に重点を置いています。Lokadの最初の数年間は、意思決定に関与することさえありませんでした。純粋に予測だけでした。
あなたの懸念に戻りますが、私の問題は、学界で見ていたことです。ところで、私は博士課程を中退した博士課程中退者ですので、私の博士課程の指導教官を誇らしく思わせることはありませんでした。私は恥知らずに博士課程を中退してLokadを立ち上げました。学界では、予測の正確さに焦点を当て、ほぼ永遠により良い販売予測のために2万のモデルを公開しています。
産業界では、あなたが説明する状況がまさにあります。10人がテーブルの周りに座り、それぞれが自分の視点から問題を見ます。そして、予測について話しているとき、それは意思決定の前段階である予測です。人々は予測を上げたり下げたりするために格闘しています。
S&OPでは、セールス担当者は予測を過小評価したいので、非常に低い販売予測を立てたいと考えています。なぜなら、予測を膨らませれば、彼らの製造資産の予算が増えるからです。そして、最終的に製造する注文がどれだけ容易になるかは、彼らがより多くの容量を持っているかどうかにかかっています。
セールスは数字を地面に投げたいと思っている一方、製造はそれを空に送りたいと思っていますが、それは非常に合理的ではありません。興味深いことに、学界では、人々は信じられないほど洗練された方法を見つけ、あいまいなロシアの理論を活用してバイアスの0.1%を除去するという論文を発表します。
そして、人々が文字通り「マイナス50%が欲しい」と言ったり、「プラス50%が欲しい」と言ったりする部屋にいることになります。これがあなたにつながるような状況です。データにアクセスするためには、常に非常に困難でした。
Warren Powell: 予測に関する質問がありますが、どのように対処しているか知りたいです。過去のデータを使用して将来を予測するための数学的な手法がたくさんありますが、将来は過去とは非常に異なる可能性があることはわかっています。その理由はさまざまですが、特に将来が上昇するのか下降するのかはわかりませんが、過去に見たこととはかなり異なる可能性があります。それについてどのように対処しているか教えていただけますか？
Joannes Vermorel: はい、もちろんです。典型的な方法は、正当化されていないマクロな不確実性を導入することです。これは奇妙に聞こえるかもしれません。需要予測があるとしましょう。それに対して、私たちは毎年4%の確率で需要、活動、すべての面で急激な減少がある変数を追加することにします。
すると、人々は「わあ、1年で30%の減少、それは大きいですね。なぜそれを考慮する必要があるのですか？」と言います。私の考えでは、20世紀を見ると、2つの世界大戦があり、他の一連の戦争もありました。最近では、世界的なロックダウンなどもありました。ですから、25年ごとに産業に被害を与える隕石が顔面に飛んでくると言うのは、それほど奇抜なことではないと思います。
しかし、人々は自分が知っていることを予測することを期待しています。しかし、ここでは、実際には正確に知る必要はありません。単に大きな混乱を仮定し、その後で数字を作り上げることができます。これらの数字は完全にでっち上げです。年間の確率は4%、減少率は30%ですが、変更することもできます。5%と言ったり、50%と言ったりすることもできます。
これにより、常に大きな混乱を考慮することが強制されます。たとえば、私たちは航空のクライアントにサービスを提供していました。人々は「ああ、それほど頻繁ではない」と言います。しかし、実際には頻繁です。なぜなら、例えばボーイングの737 Maxが運航停止になったからです。私のクライアントは飛行機を提供しており、数十機の飛行機を持っていましたが、それは大きな問題でした。
要するに、モデルに非常に悲観的な要素を取り入れることを受け入れることです。これは通常、非常に難しい説明です。問題は数学的な欠陥ではなく、恐ろしいということです。人々は怖がりたくないのです。しかし、大きな影響を与える出来事に備えて準備をしないと、準備ができていない状態になります。それはそれほど単純なことです。
もう一つは、非常に悲観的な側面であり、大きな混乱を見る必要があります。それに対して受け入れること、そしてそれが時間をかければ100%の確実性で起こるという事実を受け入れることです。それが一つの側面です。
もう一つの側面は、私のほとんどのクライアントが不確実性と意思決定の不確実性を見るとき、悪い結果しか見ないということです。問題は変動性にあります。人々は悪い結果を同一視します。製造業では、デミングが一貫性が必要だという考えを広めました。それは基本的な美徳です。常に完全に一貫している必要があります。クソみたいな製品を作っても、いつも同じようにクソであれば問題ありません。それは安くなり、人々は何を期待できるかを知っています。
問題は、良いものと悪いものを混ぜることです。いいものもあれば悪いものもあるのは許されません。常に完全に一貫している必要があります。ですから、人々は製造業の変動性を悪いものと同一視します。しかし、本当にそうでしょうか？製造業の世界を出たら、変動性はそんなに悪いことではありません。
典型的な例はファッションです。ファッションでは、ヒット作とミス作を作ります。もし分散を増やすことができるなら、ヒットとミスの分散が大きくなるということは、ミスが増えるかもしれませんが、ヒットが桁違いに大きくなる可能性があります。
製造業における変動性は悪いですが、供給チェーン全体ではそれほど悪いことではありません。完全にほぼ一定の機会の流れを持つことができる場合、非常に安定していますが、混乱が起こると命取りになります。一方、多少不規則で多少起伏があるが、常にリスクを冒し、不確実性の下で最適化された意思決定で注意深く管理されている場合、ミスをしても致命的な結果にはなりません。
そうすることで、混乱が起こったときには、それほど影響がない状況になるかもしれません。たとえば、あるビジネスで、次の年に98%の製品が継続されると予想している場合、法律が変わり、20%の製品が違法とされる場合（間違った製品、間違ったプロセス、間違った何かを使用したため）、それは大きな打撃になります。
あなたは、毎年2％の製品が変化するビジネスにいましたが、規制のために20％が段階的に廃止されるビジネスになりました。しかし、毎年15％の製品を更新するビジネスであれば、1年間に20％の製品があるかもしれませんが、周りに保持している新鮮さへの欲求があるため、より速く回復することができます。
不確実性はすべて悪いわけではありません。時には少し追いかけることも良いです。たとえば、ほとんどの予測の実践者は、新製品の予測を嫌います。なぜなら、時系列に対して何の履歴も持っていない製品を除外することがほとんどだからです。私の視点からは、履歴のない製品の予測こそが最も興味深いことです。
それがサプライチェーンの真の戦いが行われる場所です。それは新しい製品であり、ヒットする可能性があり、会社の進路を変える可能性がある製品です。だから、あなたの質問に対する長い回答です。
ウォーレン・パウエル: 最後に一つコメントをさせていただきます。私の4つのポリシークラスのフレームワークで最も感謝していることの一つは、決定について心配しなくてもいいと言えることです。私たちは4つのクラスのうちの1つを選び、何か分別のあるものを選びます。それは大きな問題ではありません。大きな問題は不確実性のモデリングです。不確実性の下での意思決定の複雑さから人々を遠ざけ、不確実性をモデリングすることにより、大きな勝利を得ることができます。
ジョアネス・ヴェルモレル: あなたの意見に完全に同意します。大企業は不確実性に直面すると、不確実性を減らすためのルールを作り出すことができる最悪のことの一つです。あなたは問題を単純化するためにルールを作り出すだけです。たとえば、彼らはUPSがサーキットで左折のみを行っていると読んで、それで私たち自身も左折のみを行うことになります。それは何かを単純化するためです。
あなたは、解決しなければならない潜在的な選択肢とオプションが非常に多くあり、不確実性に対処しなければならないときに、完全にでっち上げられた制約の一連を作り出すことが最も逆効果なアプローチだとわかります。あなたのフレームワークに移行するために、それは間違った方法です。真の問題に対処するためのオプションがあるからです。
だから、問題を考慮する解決策がないと心配して制約をでっち上げることはしないでください。解決策はたくさんありますので、意思決定プロセスの解決を単純化するためにルールと制約を作り出すことを延期する必要があります。
コナー・ドハティ: まあ、私はまだここにいますし、それは大丈夫です。私は3、4ページのノートを取りましたが、その中で、あなたは金融リスクの管理、トレードオフ、ビジネスの懸念、パフォーマンスの評価、および製品の履歴がない場合の在庫の管理について触れています。
ですので、ウォーレン、あなたのフレームワークと確率的最適化へのアプローチを要約する機会として、私はあなたのオンラインの講義、私が見ていて素晴らしいと思うもの、または1100ページの本、どちらにしても、どのようにしてあなたのフレームワークが、ルーティングの最適化や在庫の管理、予測と在庫の管理など、製品の履歴がない場合の金融リスクを管理しているのかを教えてください。
ウォーレン・パウエル: もちろんです。まず第一に、ヨハネスと私が共有している副産物の一つは、私たちは実際の問題に取り組んでいます。そして、実際の問題に取り組むと、私たちが皆同意することがいくつかあります。その一つは、まずモデルを作成し、それから解決策を見つけることです。問題を理解する必要があります。リスクという言葉を使いましたが、それは私にとって、不確実性について話す必要があることを強調しています。これは通常の分布よりもはるかに複雑です。
統計の人々は、不確実性に取り組む際にはいつでも、まず正規分布について学ぶことになります。彼らは言います、「よし、平均値と分散があります。平均値の周りにランダムな要素があります」と言いますが、彼らは平均値が最も不確実性の源であることに気付いていないようです。私たちは平均値がどうなるかわかりません。平均値は動きます。今、平均値の周りにノイズがありますが、最悪なのは平均値の動きです。
そして、これらの確率分布に本当に属さないイベント、それらは偶発性です。例えば、「確率はわからないけど、こんなことが起こるかもしれない」というものです。そのような偶発性が発生した場合、私はどうするべきかを知らなければなりません。その偶発性の確率には興味がありません。起こりうることがあると思うことがありますし、その偶発性に対してどのように対処するかを知らなければなりません。船が1ヶ月遅れて到着した場合、どうするか。この港が閉鎖された場合はどうするか。日本で地震が起きた場合はどうするか。これらは大きなイベントです。具体的にどのイベントが起こるかは必ずしも知る必要はありませんが、偶発性に備える必要があります。
不確実性の下での意思決定の全体的なビジネスについて、私が最初に言いたいことの一つは、複雑な数学がたくさんあるということですが、私たちは人間が常に不確実性の下で意思決定をすることに気付かなければなりません。私のキャリアの初期に、私がトラックの問題に本当に苦労していたとき、私はトラックのディスパッチャーたちが既にこれをやっていることに気付きました。私たちは、不確実性の下で意思決定をすることにおいて、人間の脳が驚くほど優れていることを思い出さなければなりません。
多くの人々は、確率的なものが好きではないと言いますが、同じ人々がランダムなイベント、不確実性、偶発性に対して計画を立てることはよくあります。これは、私たち人間が進化の過程でこれに取り組まなければならなかったため、人間の脳に組み込まれているものです。最も大きな課題は、不確実性の下で意思決定をすることではありません。最も大きな課題は、コンピュータにどのようにして不確実性の下で意思決定させるかを教えることです。
ですので、この会話には終わりがないと思います。私たちは量化する必要がありますし、コンピュータを使用する必要があります。意思決定をするために人々が集まる部屋のアイデアは少し時代遅れになってきています。トラック会社では、Optimal Dynamicsには戦略からリアルタイムまでのモデルのスイートがあります。しかし、私たちが販売している製品の基盤となるのは、リアルタイムのディスパッチングを行うものです。アメリカ中のトラック輸送のエグゼクティブは、彼の会社の最大の問題がディスパッチフロアであると考えている人はいません。それが真実かどうかは別として、それが彼らの信念です。
私は、積載物を運ぶための適切なドライバーを見つけるという考え方は実際には最も重要なことではないと学びました。最も重要なのは、適切な積載物を選ぶことであり、それは航空会社の収益管理のようなものです。少し将来を見越して計画を立てる必要がありますが、適切なドライバーを見つけることは非常に難しいため、ドライバーディスパッチの問題にはみんなが過度に集中してしまいます。
しかし、実際には適切な積載物を見つけることが困難です。将来の数日間または1週間を予約しなければならない場合があり、ドライバーがどこにいるかやどのような仕事を処理できるかがわかりません。したがって、不確実性の中で計画を立てる必要があります。ディスパッチャーはこれを知っていて、おそらくは高度なツールを持っていないかもしれませんが、直感的に「それは良い場所だ。おそらくドライバーがそこにいるだろう」と感じることができます。
私は人々が「私たちは確実性を扱わない」と断言するのを見たことがあります。なぜなら、CEOたちは確率論を理解していないからではなく、不確実性を理解しているからです。ところで、予測に会うことに固執する彼らの主張を超えて進む必要があります。
私が物流の人々について話しているとき、最大の問題の1つは、彼らがトラックロードを含む輸送予算の予算を持っていることであり、その予算に達しないことです。常に楽観的な見積もりで輸送費用を管理し、常に予算を超えてしまいます。これは、輸送資産の計画を立てなければならないサプライチェーンの人々にとっての課題です。
だから、たくさんの面白い問題があります。私たちは決して話題に困ることはないと思います。
ジョアネス・ヴェルモレル: はい、率直に言って、確実性の下での意思決定に取り組む人々については、私も完全に同意します。そして、非常に特異な状況を見てきました。数学に疎い人々や数学に非常に精通している人々との議論は最も難しいものではありません。それらはむしろ、数学に疎い人々と数学に非常に精通している人々の間にあるのです。
私にとって難しいのは、やや教養のある人々です。面白いことに、不確実性をコンピュータに処理させることは実際にはかなり難しいです。私は非常に同意します。そして、芸術にやや教養のある人々にとって、それはどういう意味を持つのでしょうか？それは、Microsoft Excelです。
そして、問題は、非常に頻繁にそれを目にすることです。彼らは少し知っているので、Excelを知っているので、考えられる解決策だけで宇宙を見るという問題があります。したがって、Excelに詳しくない素人が、ポーカーをプレイするように、習慣を通じて上手になったという状況になります。彼らは理論を持っていませんが、ポーカーゲームをプレイしてまあまあの成績を収めることができました。
そして、適切な積載物を選ぶことも同じです。確率の概念を全く持っていない人々でも、経験を通じて非常に優れたプレイヤーになる人々がたくさんいると確信しています。彼らは形式主義を持っていないにもかかわらず、直感を持っています。
その間には、Excelを知っている人々がいます。「これをExcelで実装する必要があります」と言います。しかし、Excelは確率を扱うことができません。Excelはモンテカルロのようなことをするために適したツールではありません。Excelは会計処理には適していますが、不確実性を扱うためには最悪のツールです。
そして、私の最も困難な状況は、Excelにソリューションを求める人々です。Excelの範囲外である場合、それは単に直感的な感覚であり、Excelの計算よりも正確です。または、それが複雑すぎてExcelの計算には収まらなくなったためです。
それは非常に興味深いことであり、私は非常に共感します。私は、Microsoft Excelスプレッドシートに自分自身を委ねている人々の中間層を抱えています。それが非常に困難な状況です。
そして、CEOがそれを好まないと言うとき、ほとんどの場合、それは彼ら自身が問題を認識しているということの投影です。CEOは、会社の規模が一定の大きさを超えると、非常に混沌とした状況に対処する能力に優れた人々です。
会社のCEOの地位に就くことは、数百人以上の人々を抱える会社であり、世界が非常に混沌としていることに完全に動じないことは非常に困難です。つまり、あなたの日常生活は、常に投げかけられる無駄なことに対処することです。
だから、私の意見は、私が非常に頻繁に聞くことがあります。「ああ、それは複雑すぎる。CEOは理解しないだろう」と言われるとき、いいえ、それは彼ら自身の恐怖心がCEOに投影されているだけです。とにかく、CEOは自分の会社について何も理解していない時間がほとんどありません。それは彼が理解していない千のことのうちの一つに過ぎません。それは、私の意見です。あなたはどう思いますか？
ウォーレン・パウエル: そうですね、CEOはしばしばまったく異なるレベルから入ってきます。特に大企業では、彼らは財務の大局に焦点を当てています。オペレーションフロアで行われる詳細な作業については、おそらく彼らのキャリアでスキップされたものでしょう。
つまり、昔の話ですが、私が学校に通っていた頃、プリンストン大学の学部生でさえ、プロクター・アンド・ギャンブルで働くことがありました。彼らは工場の床で6ヶ月間働き、その後管理職に昇進しました。彼らは速いトラックに乗っていましたが、最初は下から始めるように言われました。それは1980年代に終わりました。
1980年代に、私がプリンストンで教え始めたとき、プリンストンの学部生は一人も会社で働かなくなりました。ホットなものは、経営コンサルティング会社で働くことでした。そして、彼らは経営コンサルティング会社での現場経験を積み、MBAを取得し、数年間働いた後、通常はいくつかの会社の高位の役職に移ります。彼らはすべての詳細をスキップします。
Excelに関するあなたの指摘は、私がトラック業界で働いていたときに、私が出会ったのはトラッカーや低レベルのマネージャーだけでした。Excelスプレッドシートでさえ基本的な作業ができる人はほとんどいませんでした。一方、サプライチェーンでは、基本的な作業を行うためにそこに座っている人が何百万人もいます。
さて、本を見てみましょう。私はラトガースで本当のサプライチェーンプログラムに関与しているので、これらの本をすべて見てきましたが、それらの本は数学のゲームであるか、非常に簡単になっています。だから、Excelスプレッドシートの中で何でもできると思っている人々だけでなく、本も彼らにExcelスプレッドシートの中でできることしか教えていません。
だから、私たちが抱えているのは単なるExcelスプレッドシートの問題以上のものです。私たちは、これらの問題を解決し、それを使用する人々について考える必要があります。私はあなたと同様に、ツールが必要であり、そのツールは裏側で非常に洗練されていても、使いやすい必要があると考えています。
Optimal Dynamicsでは、私たちはツールを使いやすくすることに重点を置いています。しかし、裏側では、それが機能している限り、人々は最良の解決策を求めるのです。サプライチェーンについては、私は興味を持ち始め、人々の肩越しに覗き込んで、「興味深いサプライチェーンの世界があるけれども、93%の人々がスプレッドシートで計画を立てている」と言っていました。
まあ、スプレッドシートでできることには限界があります。ですから、単純なシミュレーションさえ実行し始めると、シミュレーションに長いリードタイムを導入するなど、スプレッドシートの能力を超えることになります。それは、スプレッドシートをコーディングしている人々の能力を超えることでもあります。彼らは自分でそれを行えると思っています。
私の元博士課程の学生で、現在は当社の最高分析責任者である彼女は、ブラジルのキンバリークラークで8年間オペレーションプランニングに従事していました。その背後には長い物語があり、彼女は通常の在庫計画の問題に苦しんでいました。彼女はかつてマッキンゼーで働いていたので、マッキンゼーの昔の友人を呼びましたが、彼らは教科書に書かれていることしか知りませんでした。彼女はすぐに彼らが何を話しているのかわからないことに気づき、彼らを追い出しました。最も優れた人々にも問題を解決する方法を教えていないのです。私は奇妙な数学の話ではありません。実用的なこと、問題を解決するために絶対に行うべきモデリングのことを話しています。それはどこでも教えられていません。
Conor Doherty: もしよろしければ、どこかで教えられています。自己顕示欲の強いプラグです。
Joannes Vermorel: 自己顕示欲の強いプラグです。Lokadでは、パリ周辺の大学でこれを教え始めました。また、サプライチェーンの問題解決のための一連の公開ワークショップも開始しました。私たちが最も力を入れているのは、データセットの作成です。
関連するデータセットを作成し、公開しています。私自身の意見では、完全に合成されたデータセットを作成するのは非常に困難だと思っていました。そのため、既存の顧客データを完全に匿名化し、奇妙なパターンを保持したまま、比較的小さな整理されたデータセットにまとめる必要があります。そうすれば、学生たちはデータの細かい角度に3ヶ月も費やすことなく、問題に取り組むことができます。私は非常に同意します。ちなみに、私の両親はプロクター・アンド・ギャンブルで働いていましたので、その気持ちに非常に共感できます。
Warren Powell: では、パリ周辺の学校ではどのようなタイプの学生に教えていますか？
Joannes Vermorel: それは非常にクラシックです。フランスのシステムでは、2年間の準備学校があります。全国試験です。2年間、全国試験を受け、みんなが順位をつけられ、成績が新聞に掲載されます。ですから、成績が悪いと新聞に載ってしまいます。そして、グランドエコールと呼ばれるものがありますが、それはフランス版のアイビーリーグと考えることができます。人々はそれらのエンジニアリングスクールに進学します。私はエンジニアリングスクール、ビジネススクール、行政学校の3つのセグメントについて話しています。ここでは、エンジニアリングスクールについてのみ話しています。
Warren Powell: エンジニアリングですね。プリンストン大学ではエンジニアを教えました。今度はラトガース大学に関わることになりましたが、ビジネススクールでは初めてです。ビジネススクールのさまざまなカテゴリの学生の中で、サプライチェーン管理を選ぶ人々は、技術的なスキルの面では下位に位置している傾向があるという警告を受けました。上位の学生はファイナンスに進み、それが連鎖効果をもたらします。私はまだ始めていませんし、私が教えるのではなく、教師たちを教える予定ですが、「ウォーレン、これは通用しないだろう」と彼らに言ってもらうことになるでしょう。
私が重点を置いているのは、私のフレームワークの非常に重要な部分は数学を必要としないと言っています。次の3つの質問に答えない限り、モデルを構築することはできません。モデルを構築しない場合でも、問題を解決したい場合は、次の3つの質問に答える必要があります。あなたの指標は何ですか、どのような種類の意思決定を行っていますか、どのような不確実性がありますか？
ここでは、私たちはそれを平易な英語で表現しています。だから数学はないけど、これらの質問に対する答えを持っていないと、数学モデルを構築することはできません。だから私は、ビジネスコミュニティに行って指標について尋ね、彼らは指標について知っていて、リストを持っています。そして意思決定について尋ねて、「意思決定のリストが書かれた小さな赤い本を持っていますか？」と言うと、彼らは白い目で見ます。
だからこの話の後、私はジョアネス、私は他のラトガース大学の教員と共有するために、一連の考えとノートを生成し始めます。それは公開編集可能なGoogleドキュメントであり、私が異なるカテゴリを開発しているのを見ることができます。私はちょうど意思決定のセクションを始めたばかりで、それをあなたにも送ります。これは本や何かではなく、ただのおしゃべりです。これは私の教える方法です。教授には「ああ、それはいいアイデアだと思う。それを使おう。」と言ってもらわなければなりません。それをしない場合、アイデアはクラスに入りませんが、学生が何をしているかについての彼らの知識を信頼しなければなりません。オペレーション分析のコースが1つあります。そこでは在庫の問題に取り組んでいます。どんなことが教えられているか想像できると思います。非常に基本的なプレゼンテーションですが、「すみません、スプレッドシートでも、非常に基本的な在庫の問題をシミュレートする方法を少なくとも教えてあげるべきではないでしょうか」と言っています。
だから、Googleドキュメントへのリンクを送ります。私は非常に広範な問題に取り組んできたので、私のキャリア全体でサプライチェーン管理を行ってきたわけではありません。私は意思決定のリストを作りたいと思っています。これは小さなものではありません。意思決定にはさまざまな種類とカテゴリがあります。在庫だけではありません。財務、情報の意思決定もあります。スプレッドシートにまとめて、それを送りたいと思っています。そして、人々に招待して、「ねえ、私のカテゴリは何ですか、意思決定の例は何ですか？」と尋ねます。なぜなら、「もしもあなたが何かをより良く運営したいのであれば、それをサプライチェーンと呼び、より良い意思決定をしなければなりません。」というキャッチフレーズがあるからです。私はそれに反対する人を聞いたことがありません。みんな「そうだね」と言います。では、より良い意思決定をするためには、どのような意思決定のリストがありますか？そして、私は白い目で見られます。
だから、非定量的なアプローチで始めます。これは、モデル化する必要があります。非定量的なMBAにとっては、これは良いチャレンジです。そしてもちろん、不確実性もあります。サプライチェーンの不確実性の源を特定することによって、キャリア全体が築かれていますが、私は本当に意思決定についてのものが好きです。私たちはみんなが自分たちがどのような意思決定をしているかを知ることができるべきではないでしょうか？ビジネスではなぜ知らないのか理解できます。それは「それは他の誰かの問題だから、私は彼がどれだけうまくやっているかを評価するだけだ」というようなものです。ビジネスでは完全に指標の言葉ですが、意思決定のリストがあるべきではないでしょうか？
ジョアネス・ヴェルモレル: はい、私も非常に同意します。意思決定は非常に難しいです。大企業は意思決定と意思決定プロセスをワークフローやプロセスの下に埋め込む傾向があります。実際、彼らは意思決定を見ていないのです。適用されているルールが実際には意思決定プロセスであるため、意思決定そのものを見ていないのです。それはすでに周囲にあまりにも存在しているため、もはやそれを見ることができません。それは会社を導いています。それは悪いポリシーかもしれませんが、存在しており、ビジネスを導き、実際には1日に何千もの意思決定を提供していますが、誰もそれを見ていません。それがしばらくの間存在していると、このものにはすでにコマンドがありません。それはまるで建物に新鮮な空気があるようなもので、ただ起こるだけで、人々はなぜそれがあるのか正確にはわかりません。ただあるだけです。
私はあなたの意見に非常に同意します。意思決定については誤った考えがあるため、それは難しいです。人々は、会議があり、緊張があり、上司がいて、議論が行われ、上司が決定するというものが意思決定だと考えています。それは一種の意思決定ですが、もっとありふれた意思決定の方がはるかに重要です。それらがあまりにもありふれていて、もはやそれらを見ることさえできないほどであるとき、それは非常に興味深いです。
ウォーレン・パウエル: なぜなら、あなたが言ったように、彼らはすでに政策を選んでいるからです。政策を修正すると、それはもはや意思決定ではありません。実際、意思決定は意思決定ではなく、政策が意思決定です。
さて、もう一つの洞察を提供しましょう。私は複雑な政策と単純な政策について話します。私の大きな本で使っていると思われる一文は、「単純さの代償は調整可能なパラメータです」というものです。SS政策のようなほとんどの単純な政策には、調整可能なパラメータがあり、調整は難しいです。調整はこれらの普遍的な意思決定の一つです。これは能動的な学習の問題です。
私は6月にラトガース大学で行われるサプライチェーン分析のカンファレンスワークショップで講演を行いますが、どの分野にいても絶対に理解しなければならないことがあります。それは学習と呼ばれる一連の意思決定問題のクラスです。
それはさまざまな名前で呼ばれることがあります。知的な試行錯誤、確率的探索、またはマルチアームバンディットですが、それらは学習問題です。何も物理的なものはありません。物理的なものがあると、より複雑になりますが、学習では物理的なものではなく、ただ学習するだけです。
これを試してみて、うまくいったかどうか、他のことを試してみます。これは連続的な意思決定ですが、次に持ち越すのは学んだことと最もうまく機能すると信じていることだけです。
連続的な学習は学部レベルで教えるべきです。1つの科目ではなく、統計学のようにカリキュラム全体で教えるべきです。アクティブラーニングは英語専攻以外の人にも教えるべきです。
人文科学の学生でない限り、何の分野でも何らかの形で知的な試行錯誤を行わなければなりません。これは基本的に人間のプロセスであり、それにはシンプルなツールがありますので、人々を進めることができます。
UCB政策と呼ばれる基本的な政策を1分で教えることができます。単純に、あなたがそれぞれがどれくらい良いと思うかを基準にするだけですが、不確実性もあります。
あなたがそれがどれくらい良いと思うかだけで基準にするだけでは、それは深刻な非最適です。少し高い目標を持つ必要があります。何かがどれくらい良いかを目指す必要があります。これは1分で教えられる洞察ですが、それにはより豊かな要素があり、本当に教える必要があります。
ジョアネス・ヴェルモレル: 私は非常に同意します。それは非常に面白いです。機械学習のバックグラウンドから見ると、Lokadは主に予測機械学習でした。
典型的な状況は、調整可能なパラメータを持つこれらの単純な政策が実際には調整されなかったことです。会社のデータセットを手に入れると、それは複雑ですが、Lokadではついにデータセットを手に入れました。
学習アルゴリズムを適用してみると、学ぶべきことがほとんどないことに気付きます。なぜなら、会社は非常に堅牢なオートパイロットで長い間運営されており、何度も同じことを繰り返しているため、数十億ドルまたはユーロの履歴があっても、学ぶべきことはほとんどありません。
私たちが学びたいと思うときには、しばしば探索を始めて少しノイズを加える必要があります。このノイズは学習のためだけです。
それが高価すぎないようにしなければなりませんが、通常の最適とは異なることから逸脱するというアイデアは、非常に困惑するものです。それが最適かどうかはわからないが、それはデフォルト、現状、実践です。
通常の実践から逸脱して、通常とは異なることを集めるための情報を収集するという抽象的なアイデアに対して、ランダムに探索することは非常に困惑するものです。
MBAなどに行った人々の中で、この小さな変化を理解できる人はほとんどいません。大企業であれば、規模で運営する場合、わずかな探索の量でも、時間の経過とともに多くの情報を提供します。
製造業では、逸脱は良くありません。できるだけ厳格で一貫性のあるものにしたいと思います。しかし、アクティブラーニングでは、サプライチェーンの世界でそれを行うと、あまりにも厳格で変更不可能なポリシーになり、ほとんど何も学びません。
それは非常に奇妙な概念です。アクティブラーニングのアイデアに触れることで、自分自身を最大限に情報提供するために逸脱を選ぶことができること、つまり単にランダムに何かを行うのではなく、学ぶ意図を持って何かを行うことが重要です。
ウォーレン・パウエル: あなたが説明した洞察は、あらゆる分野で基本的に重要なものであり、分析的な分野だけでなく、どこでも教えられるべきです。
それは高度な分析レベルでも基本レベルでも教えることができます。なぜこれが教えられていないのかわかりません。
私はプリンストンの地元の記事を書いています。ねえ、40年間のプリンストン、何のコースを教えていないか当ててみてください。大学の約半分が、何らかの形で試行錯誤の思考を行う機会がある学部に関与しています。
まだ数時間続けることができます。
コナー・ドハティ: 私は戻ってきて、1つのループを閉じます。サプライチェーンの学生が学ぶことについて話しているとき、言及したワークショップは実際にはウェブサイトで公開されています。
サプライチェーンの問題のためのコーディング方法を学ぶために、私たちのウェブサイトdocs.lokad.comで完全に無料のリソースを提供しています。これらは、私たちのサプライチェーンサイエンティストによって設計されたガイド付きの演習であり、話している意思決定ツリーを模倣しています。
パフォーマンスの評価、サプライヤー分析を行いたい場合、私たちのウェブサイトでそれに対応するコードの断片をすべて見ることができる無料のガイド付きチュートリアルがあります。これは、Excelスプレッドシートのおおよその近似ではなく、これらの種類の問題に特化したコードの断片です。
ウォーレン・パウエル: Lokadでは独自のプログラミング言語を使用していることを知っています。それは非常に興味深いと思いました。あなたが提供しているリソースが大好きです。私たちはトラッキングに関しても同様のことをしようとしていますが、トラッキングは非常に異なるビジネスです。
私たちは非常に教育的なものを提供しようとしています。そんなことは絶対に試みません。まず第一に、私たちにはそのような簡単なビットコードはありませんし、トラックロード業界の内部には誰もいません。
トラックロードトラッキングの特徴的な点の1つは、競争相手がほとんどいないことです。アメリカでは年間約8000億ドルの規模のトラックロードビジネスです。大きな市場ですが、サプライチェーンのごく一部です。
サプライチェーンは真の海ですが、トラックロードトラッキングは海またはそれに類するものです。しかし、私はあなたのリソースをラトガース大学の学部に注目させるつもりです。非常に興味深いと思います。
私はこれらが学生に学んでもらう必要があるビジネス学生と向き合わなければならないという事実に対処しなければなりません。彼らには産業工学の学部もありますし、それはもっとエンジニアリングレベルになるでしょう。
実際、私は2つの学部が協力すべきだと思っています。なぜなら、その3つの質問に答える最初のステップは非常に難しいからです。自分が何について話しているのかを本当に知る必要があります。ですから、それらの質問に答えるためには、優れたスマートなマネジメントコンサルティングのような思考が必要です。
それらに答えたら、それを分析に変えてコンピュータを使うために異なるスキルセットが必要です。ですから、私はラトガース大学では産業工学の人々をよく知っています。私があまりよく知らないのはサプライチェーンマネジメントの学部です。彼らは私の言っていることが好きなようですので、私は彼らを一緒に引っ張る提案をしようと思います。
Conor Doherty: それはかなり長い間続いていると思いますし、私の質問はすべて使い果たしました。しかし、Lokadでは最後の言葉をゲストに提供するのが慣例です。だからウォーレン、あなたに行動を促す呼びかけや自己宣伝を閉めることを許可します。ここではそれが気になりません。
Joannes Vermorel: 購入するという明確な呼びかけがあります。それは非常に堅実で良い本です。
Warren Powell: 大きな本ではなく、無料でダウンロードできる本から始めることをお勧めします。
Tinyurl.com/SDAmodeling、それが私が大学の授業のために書いた本です。それは「Sequential Decision Analytics and Modeling」という名前です。私は出版社と一緒に働いていますが、彼らは私に何も支払いませんが、PDFを無料で提供することを許可してくれます。
これがその本です。それは例示による教え方のスタイルを使用しています。ですので、第1章以外は、ここには普遍的なフレームワークがあり、在庫の例が含まれていますが、第7章以外のすべての章は、同じスタイルで書かれた異なる例です。
ですので、私は5つの要素を持っています：状態、決定、情報、移行、目的。私は常にプレーンな英語のナラティブで始め、それから5つの要素を説明します。それから、不確実性のモデリングについて少し言います。それから、どのように意思決定を行うかについても何か言います。
第7章にたどり着いた時点で、私は4つのクラスのポリシーのすべての例を示しています。ですので、第7章では、ちょっと休憩しましょう、私たちがこれまでにやったことを見てみましょうと言っています。残りの章、8から14章は、単により高度な例です。ビールゲームも含まれています。
ビールゲームは私がマルチエージェントの問題を解く機会です。私の大きな本の中でお気に入りの章の1つは、マルチエージェントについての最後の章です。私はその章を書いて、「もし今からキャリアを始めるなら、マルチエージェントはとても楽しいだろう」と言いました。
もちろん、サプライチェーンの世界では、すべてがマルチエージェントです。それはほとんど問題を定義するものです。私のトラックの仕事でも、異なるマネージャーがいても、トラック会社は単一のエージェントとして行動するように見えます。
サプライチェーンでは、それはうまくいきません。すべての相互作用するコンポーネントをモデル化する必要があります。これにより、何がわかるかをモデル化することができます。ですから、情報の組織化をモデル化しているのです。単に在庫の注文だけではありません。
これは非常に豊かな領域です。70年間の教科書の執筆を見て、本当の問題を解決するために必要なものに比べて、私たちの本は遅れているように思います。それには少し驚いています。それは素晴らしい機会です。数十年若かったらなあと思います。
だから、このテレビシリーズをやっていることは素晴らしいことです。私は間違いなくこれを宣伝します。このリンクを周りに送ることも確かにしたいと思いますが、あなたのウェブサイトも紹介します。私はあなたの学術的なスタイルが好きですから。
Optimal Dynamicsは素晴らしい会社です。私はトラックロードキャリアに焦点を当てているため、あまり自己宣伝はできませんが、Lokadには自己宣伝をします。あなたのスタイルが好きです。私はあなたのことを話します。なぜなら、あなたたちは非常に学術的な視点を持っているからです。
私はあなたが共有することが好きです。学者は共有することが好きです。はい、お金を稼ぎたいと思っていますが、私たちはまだアイデアを共有し、それに非常に誇りを持っていることを抑えることができません。あなたのウェブサイトを注意深く見て、それが私が学び、あなたのスタイルを理解するのに役立っていますので、それを評価しています。
Conor Doherty: ありがとうございました。他に質問はありません。ジョアネス、時間を割いていただきありがとうございました、ウォーレン。皆さんもありがとうございました。次回をお楽しみに。
