00:00:00 ロバート・フィルズによる開会の辞
00:01:08 Conor Dohertyによるパネルとトピックの紹介
00:03:11 Nicolas Vandeputの視点
00:06:16 Sven Croneのプレゼンテーション
00:10:34 Alexey Tikhonovの視点
00:15:01 意思決定における自動化の必要性
00:20:13 人間間での情報共有は時間の無駄
00:25:29 人間の介入に対する見方
00:30:23 予測の評価
00:35:18 財務的視点と意思決定
00:40:14 予測誤差のコスト
00:45:43 自動化と信頼性
00:50:27 強化AIとその応用
00:55:03 AIの人間翻訳への影響
01:00:16 AIの実装における明確なビジョンの重要性
01:06:00 結論と需要予測の将来
01:11:50 観客の質問：病院の予測
01:15:38 観客の質問：モデルと人間のバイアスの削減
パネルの背景
このパネルは、ロバート・フィルズ（ランカスター大学名誉教授）がConorのFVAに対する批判的な記事に応えて提案しました。この記事は、シンポジウムを運営している同じ組織である国際予測研究所によって発行されるForesightの2024年第2四半期号で再掲載されました。その後、このパネルはSven Crone、Nicolas Vandeput、Alexey Tikhonovを含むよりバランスの取れた視点を提供するために拡大されました。彼らは学界と産業界の両方からの異なる意見を共有しました。
パネルディスカッションの概要
2024年7月にフランスのディジョンで開催された第44回国際予測シンポジウムで撮影されたこのパネルでは、4人のスピーカーが「需要予測とAI/MLの新しい世界における判断の役割」について議論しました。Lokadのコミュニケーション責任者であるConor Dohertyがモデレートを務め、パネルにはAlexey Tikhonov（Lokad）、Sven Crone（ランカスター大学＆iqast）、Nicolas Vandeput（SupChains）が参加しました。議論は、需要予測におけるAIの統合、意思決定における予測の価値、および需要予測者の将来について展開しました。パネリストたちは、需要予測における人間の判断の役割、AIが需要予測者を置き換える可能性、および予測の精度の重要性について異なる意見を共有しました。
詳細な概要
フランスのディジョンで開催された第44回国際予測シンポジウムは、国際予測研究所によって主催され、“需要予測とAI/MLの新しい世界における判断の役割"についてのパネルディスカッションが行われました。この議論は、LokadのConor Dohertyがモデレートし、パネリストにはLokadのAlexey Tikhonov、iqastのSven Crone、およびSupChainsのNicolas Vandeputが参加しました。セッションは、ランカスター大学の名誉教授であるRobert Fildesによって紹介されました。
ニコラ・ヴァンデプットは、機械学習の時代の需要予測に対する彼のビジョンを説明しました。彼は、需要予測を情報ゲームとして捉え、自動化された機械学習需要予測エンジンを作成し、モデルに含まれていない情報で予測を豊かにするために人間の需要予測者が関与できるようにし、プロセスに関与するすべての人の付加価値を追跡するという4つのステップのプロセスを提案しました。
スヴェン・クローネは、需要予測におけるAIの採用の遅れについての経験を共有し、AIを需要予測プロセスに統合する複雑さについて議論し、将来的にはAIが需要予測者を置き換える可能性があると提案しました。ただし、異なる産業には異なるアプローチが必要であるとも強調しました。
アレクセイ・ティホノフは、需要予測は時代遅れのアプローチであり、判断的な予測介入は無駄であると主張しました。彼は、リスクの構造的なパターンを捉える確率的予測を提唱し、需要予測の経済的な視点と自動化の欠如を批判しました。また、サプライチェーンにおける意思決定プロセスの完全な自動化を主張し、サプライチェーンで必要な意思決定の複雑さとスケールを理由に挙げました。
パネリストたちは、予測の意思決定への価値についても議論しました。ニコラ・ヴァンデプットは、予測は意思決定を容易にするために行われるものであり、できるだけ多くの情報を処理できるモデルを提案しました。また、予測の評価においては、予測の正確さに焦点を当てるべきであり、ビジネスの結果は予測者の制御を超える多くの要因によって影響を受ける可能性があるため、ビジネスの結果には焦点を当てないと述べました。
スヴェン・クローネは、需要予測の産業的な視点について議論し、長期的な戦略的な意思決定とシナリオベースの計画の重要性を強調しました。また、付加価値の測定の難しさと判断の重要性にも言及しました。
アレクセイ・ティホノフは、もし予測が異なる意思決定につながらない場合、より正確な予測の価値に疑問を呈しました。彼は、意思決定の価値は予測だけに依存するのではなく、意思決定の要因など他の要素にも依存すると主張しました。
パネリストたちはまた、予測への信頼性についても議論しました。ニコラ・ヴァンデプットは、予測に対する信頼を構築する唯一の方法は、人間または機械によって生成された予測のすべてのステップの正確さを追跡することだと提案しました。スヴェン・クローネも信頼性の重要性に同意し、AIとシンプルで透明な手法の組み合わせを使用してプロセスの一部を自動化することができると提案しました。
パネリストたちはまた、需要予測者の将来についても議論しました。スヴェン・クローネは、需要予測者は将来も役割を果たすと考えていますが、意思決定の頻度の増加と利用可能なデータ量の増加により、ますます困難に直面することになると述べました。ニコラ・ヴァンデプットは、需要予測者の役割がデータと情報の収集、構造化、およびクリーニングに焦点を当てるように進化すると考えています。アレクセイ・ティホノフは、需要予測者は長期的には知能システムと競争することはできないと考えています。
パネルはQ&Aセッションで締めくくられ、聴衆からの質問に対して、需要予測における自動的な意思決定を作成するための条件や要件、需要予測における判断の役割、人間の判断から統計的なバイアスにバイアスを組み込んで全体的なバイアスを減らす方法などについて議論しました。
フルトランスクリプト
ロバート・フィルズ: 私はロバート・フィルズです。私はこれらの2つのセッションを紹介します。物流上の理由で、それらは入れ替えられ、AIと機械学習の進展によって需要予測者の役割が大幅に変わる可能性があるという話題について、次の1時間ほど話し合います。パネリストたちはまもなく彼らの知恵の言葉を述べます。ポール・グッドウィンと私が判断の役割に関する多くの実証的な証拠について話すセッションは、午後15:10に入れ替わります。それはとにかくプログラムにあります。はい、判断的な調整について話しますが、この部屋ではなく、別の部屋で行います。それでは、刺激的で議論を呼ぶディスカッションを楽しみにして、議長のコナーに引き継ぎます。
コナー・ドハティ: では、ロバートさん、ありがとうございます。皆さん、こんにちは。私はコナーと申します。Lokadのコミュニケーション担当者であり、学界と産業界からの著名なパネリストと一緒にステージに立てて光栄です。私のすぐ左には、Lokadのビジネスおよび製品開発者であるアレクセイ・ティホノフ氏がいます。彼の左には、ランカスター大学のSven Crone博士であり、iqastのCEO兼創設者であり、最後になりますが、SubChainsのNicolas Vandeput氏です。今日のディスカッションのトピックは、おそらく画面上でご覧いただけるように、需要予測とAIおよび機械学習の新しい世界における判断の役割です。
ステージに関与している人々を考慮すると、アイデアの活発な交換になると確信しています。また、技術の進歩は通常、その進歩が人間の関与にどのように影響を与えるかという問題を提起します。ですので、3人のパネリストがそれについて議論するのを楽しみにしています。それでは、始める前に、時間が非常に限られているため、少し手続きについてお話します。各パネリストには、トピックに関連する視点をプレゼンテーションするための5分間が与えられます。最初はNicolas、次にSven、最後にAlexです。
その後、私はいくつかの質問をします。それによって、彼らの視点の詳細とそれに伴う意味を明らかにします。そして、それがどのように進行するかによって、もし私たちがまだ話し合いの状態であれば、質問者からの質問も受け付けます。私が言いたいのは、時間が非常に限られているため、モノローグの後に疑問符が続くのではなく、マイクが渡される前にいくつかのアイデアを持っていてください。それでは、まず最初にNicolasにお願いします。トピックに関連する視点をお聞かせください。
ニコラ・ヴァンデプット: ありがとうございます、コナーさん。皆さん、こんにちは。素晴らしいですね、スライドがあります。私は、機械学習の時代における需要予測の優れたビジョンと、基本的にはサプライチェーンの需要予測において機械学習と人間の豊かさを統合する方法について紹介します。スライドには4つのステップがあります。説明させてください。
私にとって最も重要なことは、需要予測を情報ゲームとして捉えることです。つまり、将来の需要に関するデータ、情報、洞察など、いかに多くの情報を収集するかということです。それはプロモーションのカレンダー、広告費、販売データ、顧客の在庫、事前に受け取った顧客の注文など、さまざまなものです。業界によって異なる場合もありますが、基本的には、将来の情報を見つけるために、ジャーナリストやレポーター、探偵のように行動する必要があります。
これらの情報を持っていると、構造化されたデータは機械学習に供給され、自動化された頑丈な需要予測エンジンを作成することが望ましいです。自動化されているとは、手動の修正やレビュー、微調整など、人間による介入を必要としないツールやエンジンのことです。データサイエンスチームによって行われるか、自動的に行われるので、完全に自動化されています。頑丈とは、ビジネスドライバーのほとんどに対応できることを意味します。例えば、プロモーション、価格、在庫不足、広告、天候、休日などです。ほとんどのビジネスドライバーに対応し、完全に自動化されているため、手を触れたりレビューしたりする必要はありません。
これを持っていると、需要予測者である人間は、このモデルに含まれていない情報に基づいて予測を補完することができます。例えば、顧客に電話をかけたら、ある顧客が「今月は注文しない」と言ったとします。顧客は機械学習モデルに電話をかけるわけではありません。モデルはそれに気づいていません。しかし、需要予測者は気づいています。予測を見直し、編集する必要があります。なぜなら、彼らはモデルが気づいていないことを知っているからです。
最終ステップ、予測価値の追加です。これは非常に重要なステップです。私はこれから始めることさえあります。これは、プロセス全体での各人の付加価値を追跡する必要があることを意味します。したがって、時間の経過とともに、補完が付加価値をもたらすことを確認するために、補完前と補完後の予測の正確さを追跡する必要があります。もちろん、誰でも時々幸運または不運になることがありますが、それは全く問題ありません。すべての補完が付加価値をもたらすわけではありませんが、私たちが証明し、時間の経過とともに示したいのは、平均的にこれらの補完が付加価値をもたらすということです。したがって、私たちの時間と労力に値するのです。それが私のビジョンでした。機械学習と需要予測の統合方法について、4つのステップで説明しました。
Conor Doherty: それでは、ありがとうございました、Nicolasさん。では、Svenさんにバトンタッチします。
Sven Crone: ありがとうございます。はい、ありがとうございます。私はランカスター大学のSven Croneと申します。AIと予測に関する研究を20年近く行っている助教授です。私はAIに対して完全に偏見を持っていますので、最初にそれを言っておかなければなりません。私たちは新しい技術を大企業が活用するのを支援しようとする小さな会社を設立しましたが、これらの数十年を振り返ると、非常に困難でした。私たちは、今日のパネルでいくつかの問題に取り組む必要があると思います。
長年にわたって、AIで統計を置き換えることができるというビジョンがありましたが、需要計画プロセスを見ると、私たちはあまり変革的ではなかったと思います。それが私の根本的な偏見です。私たちが共有できる経験の一部は、需要予測者にいくつかの指数平滑化アルゴリズムやARIMAアルゴリズムを理解してもらうために多くのトレーニングを行いました。それは楽しい練習ではありません。需要には適応しやすいですが、よりシンプルな技術を受け入れるのは非常に難しいです。その技術がさらに進化し、人々がそれと対話しなければならない場合、後で少し話すことになると思います。
しかし、現在の状況では、およそ10年前まで、AIの使用は非常に限られていました。ニューラルネットワークは60年以上前から存在しており、初期のイノベーション、特に1980年代にさかのぼることができます。しかし、採用は比較的遅かったです。過去2、3年間、私たちは実践者のカンファレンスで定期的に調査を行っています。私たちはちょうどブリュッセルで開催された実践者のカンファレンス、ASMで話をしていて、聴衆に調査を行いました。AIと機械学習の概念実証（PoC）を実際に行っている人は何人いますか？すると、聴衆のおよそ50%がそこにいました。10年前は5%から10%でしたが、今では50%が概念実証を行っています。まだ本番ではありませんが、すでにいくつかの企業が本番に移行しており、ここでもすでにいくつかの素晴らしい企業が試しています。聴衆には恐れはありませんし、他にもいくつかの興味深い事例があります。しかし、成功するプロジェクトと同じくらい、失敗するプロジェクトもあります。
したがって、AIプロジェクトが成功しなかった聴衆の大部分がいました。それは、予測ステップだけでなく、需要計画プロセスに技術を組み込むという交差点に正確にあると思います。産業を見ると、マスターデータ管理、データクレンジング、優先順位付け、エラーメトリクス、統計モデルの実行、エラーの分析、アラートの識別、それに対する調整などを考えなければなりません。ちなみに、完全に成熟した統計的なベースライン予測プロセスを持っていても、現在のところ、ほとんどの企業が持っていないという事実があります。ガートナーには、S&OPの成熟度の異なる段階の美しい成熟度の景観があります。
ほとんどの企業はレベル4にあり、ほとんどの企業は1、2、3の間にあります。統計的なプロセスを持っていても、時系列の履歴をどのようにクレンジングするか、自動的に行うか手動で行うかは、判断によるものです。どのアルゴリズムを選択するかは判断によるものです。どのメタパラメータを検索に許可するかは判断によるものです。したがって、判断がたくさんありますが、私たちは伝統的に、統計的なベースライン予測の最終的な調整について考えることが多いです。これは理解されているかどうかは別としてです。そして、将来を見据えて言えば、O.W.によって設計されたS&OPプロセスを革新する動きやイノベーションはほとんど見られませんが、プロセスの開発にはしばしば進歩があります。
しかし、私は、COVID時代には需要計画を廃止する必要があると言ったユニリーバーのCEOがいました。需要計画の仕事を維持するためには、需要計画者がAIを活用しなければならないという本当の課題があります。そして、もしすべてを達成できた場合、AIは判断の調整ステップでも需要計画者を置き換えることができると思います。しかし、まだそこには至っていません。あなたの意見を見るのを楽しみにしています。
Conor Doherty: それでは、Svenさん、ありがとうございます。Alexeyさん、ご意見をお聞かせください。
Alexey Tikhonov: ありがとうございます。私の提案は根本的に異なるものになります。まず、範囲を拡大する必要があると思います。需要計画はサプライチェーンに存在し、サプライチェーンの目標は不確実性の中で収益性のある意思決定をすることです。この目標に関しては、需要計画は時代遅れのアプローチであり、判断に基づく予測の介入は無駄です。たとえ予測の精度をわずかに向上させるのに役立っても、なぜならば？
需要計画は時代遅れのアプローチです。なぜなら、予測と意思決定を分離する必要があると仮定しているからです。この分離は、人間と人間のインターフェースを導入するため、単純なツールの選択をもたらします。私たちはポイント予測を選択します。なぜなら、誰でもポイント予測を理解できるからです。精度指標の計算は簡単なので、これらのポイントについて議論することができ、それらを上げたり下げたりすることができます。しかし、残念ながら、このツールの選択は収益性のある意思決定をすることを妨げます。
収益性のある意思決定をするためには、金融リスクと金融リターンを評価する必要があります。それは、リスクの構造的なパターンを捉えることができる唯一のツールだけが行えます。それが確率的予測と呼ばれるもので、単一のポイント予測ではなく、異なる未来の可能性とその確率について教養ある意見を持ってくるものです。
需要だけでなく、他の不確実性もあります。たとえば、海外から出荷される商品の場合、リードタイムの不確実性を考慮する必要があります。食品の生産に関わる場合、収量の不確実性があるかもしれません。電子商取引に関わる場合、返品の不確実性があるかもしれません。したがって、複数の不確実性の要素があり、それらすべてを組み合わせて意思決定を導くためには、確率モデリングという特定のツールが必要です。
需要計画は、最も可能性が高いシナリオであるポイント予測しか提供していません。しかし、リスクは2つの極端に集中しているため、私たちはこの分布のテールに興味があります。そのため、需要計画の視点では、1つの意思決定オプションのみを考慮することになります。ポイント予測が1つあり、安全在庫の計算式または単純な在庫ポリシーを適用して意思決定を導きます。しかし、この意思決定は利益を生むのでしょうか？それを上下に変更した場合はどうなるのでしょうか？期待される収益性はどのように変化するのでしょうか？私の予測はポイント予測なので、これらのシナリオについて確率を示していません。
需要計画の3番目の問題は、経済的な視点が完全に欠如していることです。私たちはパーセンテージで予測の正確さについて話しているか、単位で正確さに関連するさまざまなメトリックを使用している場合、財務的な視点が欠けています。したがって、予想されるコスト、予想される報酬を見積もる必要があります。また、異なる製品の在庫の意思決定を比較するなど、セカンダリドライバーも見積もる必要があります。例えば、すべての小売業者は、プレミアムチョコレートを持つことよりもおむつを在庫に持つことの方がはるかに重要であることを知っています。なぜなら、最初の製品がないと、顧客は失望し、顧客の忠誠心を失うからです。
需要計画は、包括的な自動化を妨げます。何を自動化するのでしょうか？予測だけでなく、最終的な意思決定の生産を自動化する必要があります。私たちは、生のトランザクションデータを最小注文数量（MOQ）などのすべての意思決定制約を尊重する実行可能な意思決定に変換する必要があります。価格の変動などの他の意思決定ドライバーも含まれます。
最後に、所有権が必要です。現在、最終的な意思決定に対する所有権はありません。なぜなら、予測が不正確だったためにこの意思決定を行ったとか、予測に判断に基づいた増加があったために誤った意思決定に至ったという非難合戦が行われるからです。
まとめると、需要計画の視点は時代遅れであり、より良いものがあります。ありがとうございました。
Conor Doherty: 今日は意見が一致することはありませんが、一部については完全に同意します。ポイント予測と区間予測または確率分布予測について言及されましたが、私たちはその価値を理解していると思います。
SASは長い間これを行ってきましたし、Forecast Proもそれを行ってきましたし、Forecast Xもそれを行ってきましたが、広く無視されています。ではなぜ無視されているのでしょうか？需要計画者が区間予測を理解していない理由について話し合う必要があるかもしれません。また、需要計画と在庫計画、供給ネットワーク計画、生産計画の間にはしばしば連携の欠如があるという点も、総合的な解決策を導くのに役立つでしょう。
しかし、大規模な多国籍企業を考えると、数万人の従業員に意思決定を行うプロセスが設定されており、彼らは自由に知識を共有しません。第三に、私たちが考慮すべきことについて考える必要があります。私たちは需要計画を見るときに異なるバックグラウンドを持っています。私は産業の多国籍企業、多国籍輸送会社、高速消費財、製薬業界から来ています。おそらくあなたは小売業のビジョンとバックグラウンドを持っており、これらのことをまとめることができるでしょう。
しかし、私たちが見ているのは、非常に素晴らしい本があります。SASのCharlie Chase氏が需要駆動型の供給計画について書いています。それは需要供給の調整についてです。情報共有や期待値の共有、リスク管理、具体的にはS&OPでの長期的な展望（6〜18ヶ月先）を含むプロセスです。S&OEは1〜4ヶ月先を見ており、最終的な予測数値が何であれ、その情報共有は非常に貴重です。
ですので、意思決定の統合にはまだ長い道のりがあるとは異論はありません。しかし、需要計画は1つの目的以上を果たしています。ただし、今日は自動化に焦点を当てています。おそらくAIは自動化の文脈で使用され、主に精度を重視しています。しかし、情報共有については実際にはほとんどの人が考えていません。予測の堅牢性に関するいくつかの興味深い論文があります。非常に反応性の高い機械学習モデルで予測を常に変更した場合、リードタイム全体で合計され、在庫過剰または在庫不足が発生し、生産オーダーが導入される可能性があります。
ですので、需要計画プロセスと需要計画における予測の貢献に焦点を当てることができれば、他の要素である供給計画やネットワーク計画、生産計画についても議論が難しくなりますが、それは重要なことだと完全に同意します。
アレクセイ・ティホノフ: 短いコメントをさせていただければと思います。そうですね、私の意見は、より良い情報共有、より良い予測が必要だというものではありません。私の意見は、意思決定の部分を完全に自動化する必要があるというものです。サプライチェーンの実践者が予測プロセスに関与することは避けるべきです。なぜなら、サプライチェーンは非常に複雑だからです。中規模の企業であっても、売上高が1億ドルの場合、小売業では数万のSKU（在庫管理単位）と数百の店舗があります。それを掛け合わせると、各SKUの場所ごとに毎日の意思決定をしなければなりません。
「1週間に1回この意思決定をする」というような事前に定義された意思決定サイクルがあっても、それらの意思決定を毎日再計算する方が良いでしょう。なぜなら、人間の帯域幅には限りがあるからです。需要の急増がある場合、通常の意思決定サイクルよりも前にそれを知っておく必要があります。なぜなら、需要がよりスムーズになることを期待しているからです。ですので、ほとんどの意思決定は些細なものであり、「今日は購入しない」というものですが、それらの意思決定を毎日再計算する必要があります。
人間の帯域幅は非常に限られており、人間同士で情報を共有することは時間の浪費です。できるだけ自動化する必要があります。資本主義的になる必要があります。意思決定ロボットを構築する必要があります。それによってのみ、サプライチェーンから利益を得ることができます。
ニコラ・ヴァンデプット: ちょっと私のスライドに戻っていただけますか？それを構造化したいと思います。私は自分のフレームワークから始めて、さらに極端にしてそこから議論を続けたいと思います。私たちは予測をするのは、優れた意思決定をするためだけだとみんなが同意していると思います。そして、このタイプの予測の方が良いかもしれない、この粒度、この展望、ポイント予測などと言うかもしれません。しかし、私たちは予測をするのは、ある時点で意思決定をする必要があるからです。
では、なぜ私たちは皆自動化に傾いているのでしょうか？それは、規模の大きな予測と意思決定を行わなければならないからですし、変動性を避けたいからです。人間がいると、変動性の問題が発生します。予測と意思決定を行わなければならない回数が非常に多いため、問題が発生します。私が予測について考える方法は、どれだけの情報を処理できるか、そしてその情報をどれだけうまく処理できるかだけです。ですので、できるだけ多くの情報を処理できるモデルを持ちたいのです。
私たちが持っている技術は10年後には変わるかもしれません。世界中のすべての利用可能な情報に対応できる単一のモデルを持つことができるかもしれません。非常に単純な例を挙げてみましょう。COVID-19パンデミックを想像してみましょう。2020年3月中旬だとしましょう。もし予測エンジンがある場合、今日の最高の学習技術を使っていても、人間としてはCOVIDが広がっていくことや、世界や都市の状況が次の数週間で変わることを知っています。しかし、あなたのモデルはそれに気づいていません。
今、あなたはポイント予測を持つことができますし、確率予測を持つこともできますが、あなた自身が人間である限り、あなたはそれを豊かにし、見直す必要があります。なぜなら、あなたはモデルがアクセスできない情報にアクセスできるからです。ですので、私にとっては、ポイント予測であるべきかどうかという議論には興味がありません。結論は同じです。できるだけ多くの情報をモデルに与えることが重要なのです。
もしモデルに特定の情報を与えることができない場合、それを豊かにするために人間が介入する時が来るのです。そして、それがモデルが処理できない情報に基づいていくつかの意思決定や予測を見直すために常に意味を持つ理由です。
スヴェン・クローネ: 私たちはここで異なる業界について話していると思います。需要計画を見るとき、私は完全にあなたと同じ意見です。小売業の場合、毎日何万もの意思決定をしなければならない場合、自動化の度合いが非常に高くなる必要があります。
しかし、私たちはイギリスの小売業者と長い間協力してきましたが、そこでも、不確実性が支配するような極端な天候の影響やCOVIDの閉鎖がドイツのシャワージェルとトイレットペーパーに与える影響など、アソートメント全体で調整が行われています。
しかし、例えば製薬メーカーを見てみると、2から400の主力製品を持っている場合、それは人間によって管理可能です。なぜこれらの企業がうまくやっているのかというと、私たちは調査を行いましたが、おおよそ50%の企業が非常に単純な統計的手法を使用しています。彼らはうまくやっていて、利益を上げており、供給チェーンにおいてもアジャイルであり、すべてのS&OPを組み込んでいます。
ですので、私たちが抱えている問題はさまざまであり、それがこの会議でいつも楽しいと思うことの一つです。さまざまな予測のフレーバーが一堂に会しています。電力メーターの電力需要を示してくれる人々がいます。はい、分単位の予測を持つ数十万のスマートメーターがありますが、人間の介入は不可能です。
しかし、非常に重要なアイテムがわずかであり、あなたが本当によく理解している場合、例えば製薬会社では、ワクチンなどを見てみると、需要計画には異なるフレーバーがあります。
予測では、製品や市場と同様に多様性があります。それが魅力です。私たちはみんなバーに座って予測について話し、まったく異なることについて話しています。しかし、小売業について話す場合、自動化は可能だと思います。
私たちは、異なるソフトウェアパッケージが存在するため、世界は十分に大きいということで意見が一致しました。それぞれの業界に特化したソリューションを持つために、SAPのような大企業も小売業向けとは異なる方法で動作します。ですので、私たちは同意していると思いますが、ただ異なる視点から来ているだけです。
コナー・ドハティ: アレックス、コメントはありますか？
アレクセイ・ティホノフ: ほんの少しコメントをさせてください。予測プロセスに人間が介入する必要があるという提案には同意できません。人々が価値を追加できるのは、この意思決定エンジンの入力部分で、データの意味を明確にするため、より多くのデータをもたらすため、また、すべてのアルゴリズムや意思決定エンジンを作成しているエンジニアにビジネスでデータがどのように使用されているかを説明するためです。そうすることで、エンジニアはより良い全体像を持つことができます。
そして、彼らは最後に価値を追加することができます。意思決定エンジンが生成する意思決定をチェックし、彼らの意見では狂った意思決定や不正確な意思決定を見つけ出し、何が間違っているのかを調べるためにこの数値レシピを再評価することができます。何が間違っているのか、どの仮定が間違っているのかを見つけるためです。なぜなら、彼らが予測に介入したり、意思決定を上書きしたりすると、リソースが消費される代わりに投資されることになります。まず最も重要なのは、このロボット化をどのように改善できるかを考えることです。手動で行うと時間の無駄ですから。
そして、予測ではなく、意思決定から始めるべきです。もし私が100個のユニットのMOQを持っていたとして、あなたがやってきて「ああ、今はより良い予測があります。需要は50個ではなく55個です」と言ったとしても、私にとってはMOQがまだあります。ですから、私の視点からは、どちらの予測もあまり関係がないということです。確かに、1つはより正確ですが、私はまだ同じ意思決定をしており、より計算コストの高い予測を作成するためにより多くのリソースを投資したという事実です。予測の正確性は向上しましたが、全体的にはリソースをより多く投資しながら同じ意思決定を行っているため、私たちはマイナスの状況にあります。
だからこそ、私はプロセスの手順に手を加えることに反対しています。自動化を改善し、より堅牢で信頼性の高いものにするために、全体のレシピを再評価する必要があります。
スヴェン・クローネ: ロバートとポールのディスカッションが事前に行われなかったのは残念ですが、おそらく予測価値の付加について議論していたでしょう。高度な統計的手法の上に判断が重要な価値を追加できるという多くの証拠があります。
そして、今日ここで提起された質問は、機械学習は統計と判断の付加価値を克服できるのか、それとも同じなのか、ということです。そして、総所有コストの問題は良い問いですね。どちらが効率的でしょうか？
私はニコラが以前に言及した例がたくさんあることを確信しています。実際には全体を自動化していることで、判断的な調整よりも価値を追加しています。しかし、次の質問に移りましょう。
コナー・ドハティ: 実際には、それはまだある種の移行です。それは、実際には基本的な質問に進むためのものです。あなたの話を聞いていると、ほとんどの場合、楽器的な意見の相違がありますが、全体的な合意もあります。
実際には、最初にあなたに来てもらいたいのですが、ニコラ、以前に言ったことがあります。もう一度言いますが、私たちはより良い意思決定をするために予測を使用しています。つまり、予測はより大きなプロセスの一部としての道具です。それによって、価値はどこにあるのでしょうか？
予測を何か大きな目的を達成するためのツールとして使用している場合、価値はどこにあるのでしょうか？家を建てるための道具に価値があるのでしょうか、それとも家の構造に価値があるのでしょうか？家はそのたとえで言えば意思決定です。
ニコラ・ヴァンデプット: 予測には2つの重要な質問があります。まず、予測が正確かどうかです。そして、再度言いますが、正確さをどのように測定するかについては議論がありますが、今日のポイントではありません。まずは、予測がどれくらい正確か、良いかを評価するだけです。
2番目の質問は、与えられた予測に基づいて、あなたの会社が正しい意思決定をする能力はどれくらい良いか、ということです。残念ながら、これを行っているチームは異なるチームであり、異なる入力、出力、KPIを持っています。
私は、サプライチェーンの観点から、予測者や予測エンジンを悪い意思決定や意思決定に関連するKPIの原因として非難することはありません。同時に、非常に悪い予測があるかもしれませんが、予測を行う人や機械に関係なく、意思決定を非常にうまく行う意思決定者がいるかもしれません。
ですので、非常に素晴らしいビジネスKPIを得ることができるかもしれません。また、どのKPIが関連性があるかどうかについて議論することができますが、それらは異なる方向で両方に存在する可能性があります。ですので、予測を評価する際には、ビジネスの結果を見るのではなく、純粋に予測の正確さに注目します。なぜなら、ビジネスの結果は予測を行う人や機械の手に負えない他の要素によって左右される可能性があるからです。
さて、非常に興味深いことは、私はいくつかのクライアントのためにそれをシミュレーションしたことですが、予測の品質によって異なる方針を採ることができるということです。再度、正確さをどのように測定するかについては議論がありますが、それによって特にバイアスによって、例えば非常に積極的なバイアス、アンダーフォーキャスト、または適切にキャリブレーションされたツールを持っているかどうか、結果としてサプライチェーンの最適化エンジンは非常に異なる方針を採るかもしれません。
ですので、意思決定の最適な方法や方針は、予測の品質によって変わる可能性があります。つまり、もし今日、あなたのプロセスが非常に政治的にバイアスのかかった予測を行っているために、実際には機械学習によって作成された予測に移行する場合、サプライチェーンの意思決定方法も見直す必要があります。
人々はプロセスツールエンジンに頼っています。過去には予測は常に30％高すぎました。ですので、それを変える場合、サプライプロセスも変える必要があります。両方を統合する必要があります。ただし、サプライチェーンの観点からは、できるだけ独立してKPIを評価します。
コナー・ドハティ: ありがとうございます。スヴェン、あなたの考えは？質問を再度繰り返しますが、予測は他の何かを達成するためのツールである場合、価値はどこにありますか？意思決定の品質にあるのでしょうか、予測の品質にあるのでしょうか？どちらでも、自由に定義してください。
スヴェン・クローネ: それについてはすでに触れましたね。私にとって、需要計画、またはガートナーの需要計画の定義とオリバー・ワイトのプロセスを考えると、それは産業の観点から見ています。製薬業界、消費財業界などを例に挙げると、通常はより長期の展望を持っています。6ヶ月から18ヶ月先を見ています。高価な意思決定は戦略的なものです。長期計画を立て、予測を行い、ギャップを埋める活動を行い、供給と需要を調整しようとします。プロモーション情報や天候情報、リスク情報はありません。ですので、これはシナリオベースの計画とシナリオの終端計画に非常に関連しています。
しかし、それは長期的な立場です。もし私たちがそれを見るなら、産業の大部分はまだ3ヶ月の凍結期間を持っています。それを超えた時間枠を見ているのです。一方、最近ガートナーによって採用されたS&OEは、これを非常に異なる視点で見ています。ですので、長期の展望においては、透明性やコミュニケーションなどが重要な要素です。予算の変更、予算の再調整、ボリュームと価値の調整を行います。これは非常に集約的なプロセスです。階層の高いレベル、市場、チャネルを見ていますが、個々の製品を見ているわけではありません。
L3 そして、日々の業務に移ると、それがS&OEです。S&OEでは、自動化された意思決定、標準化された意思決定があります。正確さは重要な要素であり、透明性も重要ですが、しばしば見落とされることもあります。また、堅牢性も重要です。しかし、このカンファレンスのプレゼンテーションの85%が正確さについて話しています。堅牢性についてのセッションもあり、それを見るのは良いことです。しかし、私にとって最も重要な革新は、予測価値の付加です。これは、個々の構成要素を取り上げ、どのように価値を付加するかを見るものです。これは非常に経営に焦点を当てた視点です。なぜなら、価値を付加するためにリソースを投資したいからです。
残念ながら、マスターデータ管理などは取り入れていません。それを測定するのは難しいです。データクレンジングなども取り入れていませんが、統計的な予測を行うためには重要な要素だと思います。そして、これは最後に人間に向けられています。しかし、私たちは価値の付加を測定するのに苦労しています。予測の正確さによって、通常はコスト加重ボリューム加重で集計され、エラーメトリックスを使って最善の意思決定をしているかどうかを見ます。しかし、彼らが本当に見ているのは、価値の付加です。しかし、私たちには実際に統計的なアルゴリズムをツールで選択する需要予測担当者がたくさんいます。彼らは選択を上書きすることもできますが、その価値は統計的なアルゴリズムに帰属されます。ですので、判断には多くの価値があり、それは測定できます。そして、私はほとんどの企業がそれを受け入れており、価値の付加はそのための良いツールだと思います。また、私は長期的な視点に焦点を当てており、在庫のパフォーマンスなどにはあまり焦点を当てていません。
Conor Doherty: 了解です。ありがとうございます。
Alexey Tikhonov: 予測の正確さの変化、改善について話すとき、予測価値の付加プロセスに関連付けると思いますが、私たちは用語に混乱していると思います。なぜなら、より適切な名前は「予測の正確さの付加」ではなく、「予測の正確さの付加」だからです。なぜなら、価値という言葉は、私にとってすぐに財務の視点を連想させるからです。そして、財務の視点は意思決定によって駆動されます。あなたのビジネスの結果は、あなたが行う意思決定とそれをどれだけうまく実行するかに完全に依存しています。この視点にはそれ以外の要素は関与していません。意思決定とそれをどれだけうまく実行するかだけです。
例えば、予測番号1に基づいて意思決定Aを行い、予測番号2はより正確です。正確さの差を知っています。しかし、問題は、この異なる、より正確な予測が私を異なる意思決定に導くのかどうかです。もし導かないのであれば、それは無駄です。正確さが向上しているにもかかわらず、財務の視点からは純粋なマイナスです。そして、意思決定が異なる場合、意思決定の変更、つまり意思決定Aから意思決定Bに切り替えることによって、リソース投資の違いと比較して、どれだけの利益を得ることができるのかを評価する方法はありますか？私にとっては、これは未解決の問題です。両方の意思決定の潜在的なリターンを評価するために、両方の予測モデルを使用することができますが、それでも憶測の問題です。なぜなら、2つの異なる意思決定をテストするための2つの代替宇宙がないからです。最終的には1つだけを選ばなければなりません。
さらに、意思決定の価値は予測そのものだけに依存するわけではありません。意思決定の要素も考慮されます。例えば、私たちはエールフランスと一緒に働いており、彼らの航空機の予備部品のMRO部門と一緒に仕事をしています。そして、最近、彼らと一緒に意思決定エンジンを導入しました。そして、つい最近、ロボットが数ダースの補助動力装置を航空機のために大量に購入するようにトリガーしました。これは全体で数百万ユーロになります。そして、これはロボットによってトリガーされました。人々は「これは間違いだろう」と思っていました。しかし、調査を始めると、他の側で誰かが価格を市場平均よりもかなり低く設定したことがわかりました。そして、ロボットはそれを見つけてすぐに実行命令を実行しました。これは予測の正確さとは何の関係もありませんが、この意思決定には莫大な価値があります。
ですので、私たちは予測の正確さに焦点を当てていますが、意思決定の価値に影響を与える他の要素がたくさんあります。だから、私たちが金銭的価値について話すとき、予測だけに焦点を当てるべきではありません。私たちは意思決定の導出方法全体、考慮事項、意思決定プロセス、重要な要素、二次的な関心事などを見るべきです。
Sven Crone: 付け加えると、私は同意します。そして、最初のラウンドでそれをすでに言及しましたが、在庫の意思決定があり、在庫の意思決定を評価する必要があります。そして、公正であるために、学界では、ほとんどの人々がこれを良い実践または最低限の実践として受け入れています。ですので、生産経済学やISER（在庫学会）のジャーナルを見ると、実際には、サービスレベルとリードタイムに関するトレードオフ曲線上で意思決定コストを測定し、それに関連する在庫コストを示すプレゼンテーションがかなり多くあります。これは実践では全く見られないことです。
実際には、実践では非常に難しいです。それを実践するのは難しいですが、可能です。もちろん、仮定をする必要があります。サプライチェーンは複雑ですが、私は完全にあなたに同意します。意思決定コストは良いものでなければなりません。しかし、それはGranger 1969年の非対称損失関数に遡るものです。通常、私たちは意思決定コストを持っていないので、何かを仮定しなければなりません。私が見ている大きなギャップ、そしておそらく遺漏と言えるのは、予測の正確さ（どのように測定するかは問わない）とそれに関連する意思決定コストのリンクを確立することができなかったということです。
したがって、実際には研究プロジェクトがありました。Johnson and Johnsonなど、ほとんどの企業はこれを過去に公開しています。予測の正確さの1パーセントポイントは、通常、重み付けされたMAPE（平均絶対パーセント誤差）に相当し、仕上がり品の在庫や配送センターの迅速な生産コストなどに8百万ドルになります。彼らはこれを確立するための全体のラインを持っていました。最近、私たちはTESAとのボトムアップシミュレーションを行ったものを発表しました。ウェブ上には信頼できない計算機もありますが、予測の誤差がコストがかかることは重要なことです。ただし、次のステップでの安全在庫と在庫に関する意思決定だけでなく、生産計画や原材料調達、長期的な意思決定にも影響します。
ですので、それは本当の遺漏です。だから、私は企業の需要計画チームがまだ小さすぎると思います。彼らが自分たちの意思決定がどれだけ高価であるか、予測がどれだけ価値があるかを知っていたら、そこにはもっと多くのリソースが投入されるでしょう。しかし、ちなみに、TESAは、もちろん、会社の規模によりますが、1台のブガッティ・ヴェイロンに相当します。ブガッティ・ヴェイロンはかなり固定価格ですので、在庫の正確さ1パーセントポイントあたりの価格は150万ドルです。私たちは現在、劣った在庫モデルを持つ他のいくつかの企業と協力して、これを確立する作業を行っています。しかし、これは非常に重要なことです。問題を直接解決し、意思決定コストを示すことができます。ただし、プロセスが切り離されている場合でも、それはまだできます。そして、それが欠けているピンです。しかし、私は完全に賛成です。在庫または意思決定コストが理想的です。在庫は直接的なリンクですので、学界では行われており、行われなければなりません。
Conor Doherty: 私は前に挙げられたいくつかのポイントを進めて、特に仮定について繋げたいと思っています。つまり、仮定とは、需要計画者が「これは間違っている、手動で上書きする必要がある」というような仮定であり、予測や自動モデルの構築に関与します。つまり、これらは区別されます。他の名前であっても、私の質問は、例えば自動生成された予測と、例えばあなたの机を通過した予測との間で、管理者にとって、今日私たちが話していることについてのトレーニングを受けていない人々が同じレベルの信頼を持つことは合理的であるかどうか、ということです。そして、私は、申し訳ありませんが、またはNicolasの机、またはAlexの机ですか？
Nicolas Vandeput: スライドに戻っていただけると、最も一般的な質問は、わずか数語で要約すると、「機械学習を信頼するにはどうすればよいですか？」というものです。機械学習を統計ツールに変えることもできます。私はこの質問を「でも、人間をどうやって信頼するのですか？」と変えるのが好きです。なぜなら、人々は「オーケー、Nicolas、あなたをどうやって信頼できるのですか？あなたの機械学習をどうやって信頼できるのですか？」と言うのですが、私は「あなたは自分のチームをどうやって信頼するのですか？」と言います。そして、それが私にとって、追跡するための唯一の方法であり、それに答えるための唯一の方法です。それは「予測価値の追加」と呼ばれています。そして、そのアイデアは本当に、再びわずか数文で説明しようとします。プロセスのすべてのステップの正確さを追跡したいのです。それは人間かもしれませんし、機械かもしれませんし、クライアントからの情報かもしれませんし、クライアントからの予測かもしれません。すべてのステップで、そのステップの前と後の正確さを追跡します。
それを行うと、私はまた、プロセス全体の正確さを無料で見つけることができる単純なモデルで比較することをお勧めします。週ごとに、月ごとに、日ごとに、予測のホライズンに応じて、あなたのプロセスの一部、人間かもしれませんし、機械かもしれませんし、価値を追加し、正確であることを本当に証明することができます。これが唯一の方法です。そして、私はさらに言います、もしもそれをしないなら、部屋の明かりがついていないようなものです。あなたは暗闇の中にいます。何もわかりません。
そして、需要計画の改善プロジェクトを進めたいという企業から連絡を受けたとき、最初の質問は「予測価値の追加を追跡していますか？」です。なぜなら、そうでなければ、私のモデルが価値を追加しているかどうか、私たちが素晴らしいか悪いかを知る方法はありません。これは、「機械学習を信頼できるかどうかをどうやって知るのか？」という質問に答えるための最初のステップです。それは、「人間を信頼できるかどうかをどうやって知るのか？」という質問と同じです。そして答えは、予測価値の追加を追跡する必要があるということです。
Alexey Tikhonov: 意思決定に切り替えることが重要だと思います。予測を信頼するにはどうすればよいのでしょうか？予測が良いのか悪いのかはわかりません。この予測を使用して導き出すことができる意思決定を見るまでです。そして、その観点から、人間、実践者は非常に良い直感を持っています。もしもばかげた意思決定を行った場合、彼らは指摘し、なぜそう思うのかを教えてくれます。例えば、注文が大きすぎる場合、どれくらいの注文が適切であるか、なぜそう思うのかを教えてくれます。ですので、予測の正確さを追跡することは重要です。判断に基づいた予測の上書きに人間を関与させることは、非常に無駄です。なぜなら、その介入は非常に短い有効期間しか持たないからです。
あなたは上書きするかもしれませんが、それは別の1年のようには続きません。おそらく、次の注文に影響を与えるかもしれませんが、その次の注文には影響を与えません。ですので、非常に高価なリソース、非常に信頼性の低いリソースを関与させることになります。なぜなら、私たちは時間がないので、その判断的な上書きの背後にあるプロセスについても議論する必要がありますが、それはその性質上、半定量的です。自動生成された予測の場合と同様に、厳密なプロセスはありません。間違っている場合に何が問題なのかを検査し、分解し、見ることができるプロセスはありません。ですので、可能な限り自動化する必要があります。信頼を得る方法はどうするか？天気予報アプリケーションを信頼するのと同じ方法です。一貫した予測を出力し、雨の可能性が高いと言われた場合、ほとんどの場合、雨が降るのです。または、スパムフィルターなどの異なる技術です。
彼らが電子メールクライアントに導入されたときを考えてみてください。私たちはスパムボックスを非常に頻繁にチェックしていました。なぜなら、誤分類されたメールの割合がかなり高かったからです。今では、私はまだ連絡先リストに登録されていない人からメールを受け取った場合にのみスパムボックスに行きます。そして、そこにあり、それをクリックして「スパムではない」とします。それ以降はスパムになりません。ですから、信頼は時間とプロセスが必要です。私たちはこれを意思決定エンジンを微調整する実験的最適化と呼んでいます。一度正常な結果を出し始めると、あなたがする必要があるのはメトリクスを追跡するだけです。はい、予測の正確性を追跡します。それが急激に変化した場合、エンジニアが裏側で何が起こっているのかを実践者と調査する必要があります。しかし、この意思決定パイプラインに手を触れてはいけません。壊れているものを修正してから実行させるようにしたいのです。まるで機械を扱うように、メンテナンスを行い、車を運転するのと同じです。
Sven Crone: そうですね、信頼は重要な問題だと思います。過去10年、20年を振り返ってみると、多くの企業が統計的予測を用いた予測のコンテキストでライブに行こうと試みてきました。なぜそんなに懐疑的なのでしょうか？なぜ多くの企業が始めては止め、始めては止め、始めては止めるのでしょうか？私たちは過学習についてよく知っています。将来の変数をすべて含めてサンドボックス実験を行うことで、慎重に設計する必要があります。概念実証、パイロットスタディを並行して実施する必要があります。そして、非常に多くの自由度とメタパラメータ、そして多くの主要な指標が、いくつかの分解に漏れ込む可能性があるため、実際には見られない精度レベルを約束することは非常に簡単です。私たちはある程度の精度を約束しましたが、COVIDが発生し、経営陣はなぜその精度レベルを達成できなかったのか理解できませんでした。私たちにとっては明らかでしたが、彼らにとってはそうではありませんでした。しかし、私は言っているのです、信頼は失われました。
信頼、一般的には技術の受容は情報システムのトピックではないと思います。技術の受容は大きな問題です。これを伝える方法を分析するためのカンファレンスがあります。そして、私は一つの方法は技術の一般的な受容と何か関係があると思います。例えば、サンフランシスコで自動運転車に乗ると、ほとんどの人は最初の数回は懐疑的になるでしょう。20年後かもしれませんが、誰もがそれに満足するでしょう。だから、あなたが言ったように、使いやすさ、何も起こらないことなど、それが信頼を築く方法です。また、コミュニケーションをする必要もあります。しかし、私は説明可能なAIが答えではないと思います。誰もがアルゴリズムが自分自身に説明しなければならないと言いますが、私は一生懸命に説明しようとしても、ガンマ係数が0.4で時間とともに変化する12の季節指数が何をするのかを説明することはできません。マネージャーはそれを理解しません。しかし、トップのマネージャーは最終的に決断を下さなければなりません。彼は在庫に対してこの重要な投資を信頼するのか、彼のチームが効果的かつ効率的に働いていることを信頼するのか。
そして、私たちは統計に対して多くの信頼を失ってきたと思います。おそらくいくつかの劣ったソフトウェア実装によって、当時の最先端を実現していなかったものもありますが、サンプル1ステップで過剰にパラメータ化されたものもあります。モデル選択に関しては、ここには多くの証拠があります。ですので、これらの革新の多くは、若いイノベーティブな企業によって採用されてきました。その間に、例えば医学の信頼を築くために機能した一つのステップがあります。例えば、画像から乳がんを検出するという信じられないほどの事例研究があります。そして、機械、アルゴリズムは非常に高い正確性を持ち、非常に高い真陽性率、非常に低い偽陽性率を持っていました。それには個々の命に関わる信じられないほどのコストがかかりました。しかし、医師たちはそれを採用しませんでした。1980年代には、いくつかの意思決定プロセスを採用しなかったのです。彼らはそれを信頼しなかったのです。彼らは他の人よりも自分自身を信頼していました。
title: “現在私たちが構築しているソリューションは、AIが外れ値の修正を行えるようになったときに、実際には需要計画に外れ値を強調します。AIはモデルの選択を行えるが、私たちはむしろ意味のあると思われるランキングを強調します。私たちはデータで見たものを説明しようとしていますので、これは高度に季節性があり、中断があると考えています。したがって、この拡張されたものは医師にとっても、単に分類を提供するのではなく、がんが検出される可能性が高い場所を実際に写真で強調し、がんかどうかだけでなく、がんであるかどうかの真偽の回答を提供するだけでなく、がんである可能性の確率も提供し、時間的に重要な状況では確率によってソートし、明らかにがんであるものや明らかにがんでないものではなく、不確かなものを見ることができるようになりました。そして、そこで医師たちは実際に使うことができました。 専門知識があり、突然、彼らは大規模な受け入れを得ました。
ですので、システムの設計、意思決定プロセスの設計には多くの関係があると思います。すべてを自動化するわけではありません。AIで一部を自動化し、透明性のある非常にシンプルな方法で他の部分を自動化し、堅牢なアルゴリズムで他の部分を自動化します。しかし、現在の受け入れと技術への懐疑心を考えると、私たちは皆GPTを使って次の誕生日パーティーを計画するのが大好きですが、おそらく拡張されたAIは受け入れを得るための良いステップであり、その後、AIで完全に自動化できるようになるでしょう。
Conor Doherty: それについてコメントしてください。まあ、非常に良いポイントを挙げていただいたので、それについて話を戻したいと思います。ただ、比較の一つを分解したいと思います。例えば、Alexeyさんが天気予報アプリの使用例を挙げましたが、気象学の基礎はかなり長い間、確率的な予測に基づいています。そして、それを自動車に間接的に比較しました。そして、私たちはそれを受けて質問をしようと思います。Alexさんの例を使って説明しますが、部屋の中の誰もが来週休暇を取らなければならないと言われ、行き先はバミューダだけです。天気予報によると、来週は津波になると言っています。あなたは自分のお金を払いますか？バミューダに飛んで行くために時間と労力を費やしますか？ほとんどの人は「いいえ」と答えるでしょう。では、まったく同じ視点を取って、つまり金融と確率的な予測を取って、同じ人々を会社に集めて、アルゴリズムによって生成された優先順位付けされたリスク調整の意思決定のリストを提示します。ああ、いや、絶対に信用しない。ですので、これは選択的な信頼の欠如なのでしょうか？コメントをお願いします。
Alexey Tikhonov: 短いコメントをさせていただきます。一般的に、新しい技術の採用に抵抗する人間の真の問題は、無関係になり、置き換えられることへの恐れです。そして実際には、通常はまったく逆のことが起こります。はい、私たちは人間が財務的に効率的でない場所を自動化します。たとえば、自社のウェブサイトを翻訳するために、複数の言語の翻訳者を雇っていましたが、累計で数十万ユーロを使っていたかもしれません。そして今では、私たちが何かを公開するたびに、LLMsを通じて翻訳されます。
マークダウンページを入力として受け取り、マークダウンの構文、ショートコードなどすべてがそのまま保持され、関連する部分のみが他の言語に翻訳されるプログラムを持っています。コストは非常に低くなりました。100倍安くなりました。ですので、人間の翻訳者に100倍の費用を支払うべきでしょうか？いいえ。今でも人間の翻訳者は必要です。たとえば、法的文書を作成したい場合は、人間の翻訳者を使用する方が良いです。一つの単語、一つのカンマが莫大な金額をかかる可能性があるからです。ですので、人間の翻訳者はまだ必要ですが、以前よりも法律の分野でより多くの需要があるかもしれません。
そして、同じことがサプライチェーンにも当てはまります。たとえば、利用可能な人材が不足しているため、完全に変わらずに残っている分野があります。たとえば、注文をする際には、前もってMOQ（最小注文数量）があるかどうかわかりませんので、この情報を取得する必要があります。人間を使うこともできますし、AIとしてのコパイロットを使うこともできますが、MOQに準拠した意思決定を行うためには、人間がいくつかの情報を取得し、それを決定エンジンに供給する必要があります。ですので、私はまだ進化していくさまざまなタイプのタスクにおいて人間が必要だと思います。
Sven Crone: 1982年にIBMがニューラルネットワークを使用していたという点については、いくつかの機械翻訳技術の受け入れに関して重要な部分を指摘したと思います。当時の翻訳率またはエラー率は、90%程度でした。つまり、人間が多くの文字や単語を変更する必要がありました。10語に1語が間違っているということで、それは十分に良いと見なされる基準を下回っていたため、受け入れられませんでした。
そして今、ある程度の精度が人間のレベルに達するわけではないが、ある基準を上回る精度を得ると、急速に技術が普及します。予測においては、ゼロを含む時系列データに乗算モデルを無闇に使用する実装が見られます。もし年に1回爆発する時系列データが100個ある場合、ゼロの受け入れはありません。信頼性が失われてしまいます。
したがって、自動化を許可するためには、堅牢性に到達する必要があります。私たちは通常、正確なモデルを構築しようとしてきましたが、うまく機能しない堅牢なモデルを構築しようとすることもあります。ニューラルネットワークには常にこの問題があります。また、私たちはテクノロジーに対してかなりの偏見を持っていると思います。たとえば、私の弟のようにテクノロジーが大好きな人ほどではありませんが、年齢の考慮もあります。しかし、信頼性をどのように駆動させるのでしょうか？私は非常に大きなソフトウェア会社が実際にLLMモデルを積極的に検討していることを知っています。Eric Wilson氏のブログには、AIが需要予測プロセスを乗っ取ることはなく、誰もが自分の仕事を続けるだろうという最近の決定がありました。
しかし最近、実際には取締役会で、LLMモデルが多くの知識、プロモーション情報、混乱、サプライチェーンに基づいてトレーニングされ、最終的に予測が行われた場合、CEOがなぜこれが正しい数値なのかLLMモデルに尋ねました。そして、人々は異なる意見を持っていました。マーケティングは異なる意見を持っていましたし、ファイナンスも異なる意見を持っていました。LLMモデルだけが、なぜこれが正しい数値なのかを理解できる説得力のある議論をすることができました。そして、これは誤っていても信頼性を提供できるという証拠があります。
ですので、需要プランナーが1000以上の製品の文脈で、CEOと一緒に座って、なぜ6ヶ月後に2倍になると思うかを包括的に議論する能力があることは非常に重要だと思います。覚えていません。一ヶ月中ずっと数字を扱って、それらをスライスしてダイスして、価値に変換して、トップダウンでチャネルごとの調整を行い、最終的に数値が出てくるのですが、LLMモデルはそれについて議論することができました。そして、これが、LLMモデルがすべての販売とキーアカウントのミーティングを読むことができない、すべてのファネル情報を取得することができない、ファネルを正当化することができない、サプライ値と調整することができない、人間よりも優れた調整を行うことができるという人々が言うことができると思います。なぜなら、LLMモデルははるかに多くのデータを処理できるからです。これが、信頼性を飛び越えて直接正確性に移行する可能性があるところです。しかし、これによって何が起こっているのかを最終的に説明できるため、これらは信頼性を提供できるという証拠があります。
Nicolas Vandeput: そうですね、興味深い質問があり、私たちが意見の相違点を見つけたと思います。
まず、予測のための機械学習の採用に関する変更管理に取り組みたいと思います。どんな技術でも、完全に反対する人もいれば、それに賛成する人もいます。私がLinkedInに投稿するたびに、同じ意見の人たちから「これは絶対にうまくいかない」「絶対にやらない」と言われることがあります。でも、もう彼らを説得しようとするのはやめました。それは構わない、そのままでいてください。私はより良いサプライチェーンを作りたいと思う人たちと一緒に仕事をするつもりです。
さて、私は複数のクライアントを見てきました。優れたリーダーも見ましたし、平均的なリーダーも見ましたし、劣ったリーダーも見ました。私にとって、自動化されたプロセスを成功裏に実装するためには、機械学習需要予測に戻ることもありますが、他のどのプロセスでも、部屋にいるリーダーとして、将来の役割が参加者全員に明確に伝わるビジョンを示す必要があります。需要予測について話すことにしますが、これは他のどのプロセスにも当てはまります。需要予測担当者に対して、「あなたの仕事は予測を変更し、モデルを微調整することです」と言った場合、人々はそれをするでしょう。しかし、それは変わる必要があります。あなたの仕事は、需要予測エンジンに入力されるデータができるだけ良いものであることを確認することであり、モデルに供給される情報を超えた情報を見つけ、必要に応じて予測を補完することです。それを言わない限り、人々は予測を日々変更し続けます。なぜなら、そうしなければ彼らの給料を正当化できないと感じるからです。ですので、採用においては、人々に何をすべきかについて非常に明確なイメージを与えることが非常に重要です。これは私のインサイト駆動型レビューやインサイト収集に関連するスライドと関連しています。
さて、私が追加したいのは、説明可能性です。これはオープンなトピックであり、私自身も成長していますが、私にとって、説明可能性は全く必要ありません。私は車がどのように動作するかわかりませんが、それでも使っていますし、メルセデスにメールを送って「どのように動作するか説明してくれないなら二度と使わない」と言おうとは思いません。インターネットがどのように動作するかわかりませんし、このものがどのように動作するかもわかりません。全くわかりませんが、それでも使っています。
サプライチェーンが予測を信頼し、予測を信頼するために説明性やストーリーテリングや物語に依存している場合、スケールすることはできません。なぜなら、あなたのサプライチェーンとプロセスが、ある人が他の人に影響を与える説得力を持っていることに依存しているからです。私にとって、予測を信頼するためには、精度（どのように精度を測定するかに関わらず）が信頼でき、時間の経過とともに正確であるか、意味のある意思決定が行われていることが重要です。信頼するのは、定量的に優れているからです。ストーリーだけを追い求めると、失敗に終わります。私自身、ストーリーが理にかなっているためにプロジェクトを受注したコンサルタントをたくさん見てきましたが、モデルを作成すると実際には何の価値も生み出さなかったです。でも、ストーリーは素敵ですので、できるだけストーリーから距離を置こうと思います。
Conor Doherty: 他のコメントはありますか？義務はありません。
Alexey Tikhonov: 説明可能性と何が起こっているか、意思決定や予測の方法についての少しの言葉を述べます。
Lokadで行っていることについて話すことしかできません。私たちは正確さを設計に基づいてアプローチしています。人々が理解できないために信頼できないという問題があることを知っています。そのため、私たちは「ホワイトボックス」と呼ばれる要素を使用しています。可能な限り、あいまいな特徴エンジニアリングではなく、パラメータの意味が理解できる明示的なモデルを使用します。これにより、人々は何が起こっているかを理解することができます。これらのモデルは非常に難解ではありません。聴衆の皆さんには、M5予測コンテストへの私たちの提出物をご覧いただきたいと思います。Lokadチームは不確実性の課題で1位にランクインしました。私たちのCEO、Joannes Vermorelによる講義をご覧いただければ、そのモデルは非常にシンプルであることに驚かれるでしょう。このシンプルなモデルが最先端の結果を達成できることに驚かれるでしょう。
予測の精度を1%向上させるために最新のAIを使用する必要はありません。サプライチェーンでは、正確である必要はなく、間違っていることが重要です。そのため、例えば確率的な手法を選択するのです。なぜなら、それらは不確実性の構造を示すことができ、経済的な要素がある場合には、この不確実性の構造を金融リスクの構造に変換し、リスクに対応した教養ある意思決定を行うことができるからです。ただし、サービスレベルの目標を達成するためにランク付けされたいくつかの意思決定だけではなく、リスクに対応した意思決定を行うことが重要です。
人々は、自分たちが何をしているのか、なぜそれをしているのかといった上位レベルのストーリーを理解することができると思います。しかし、もし彼らが好奇心を持っている場合、下位レベルでも理解することができますが、上位レベルを理解した後ではほとんど重要ではありません。意思決定が合理的であることがわかれば、なぜ下位レベルに行く必要があるのでしょうか？例えば、通常、人々はコンピュータを使用しますが、ランダムアクセスメモリが計算にどのように活用されているかなど、メモリの割り当てには興味がありません。同様に、車のコンピュータチップについても同じです。はい、ギアのシフトを維持するためにロボットが使用されていますが、通常はそれに興味がありません。それは重要ではありません。それを知っても、運転が安全になるわけではありません。
Conor Doherty: 完全なエンドツーエンドの最適化自動化にはまだ到達していないという点で、どのような方法論が理解できるかについては、広く合意されているようです。精度向上やより良い意思決定など、何が起こっているかは理解できます。しかし、最後に行く前に、需要プランナーの将来について30秒ほど話していただけますか？ニコラスとスヴェンの視点からは、完全なエンドツーエンドの最適化自動化にはまだ到達していないというようなことを示唆しているように見えますが、私が言葉を代弁するつもりはありません。では、ニコラスとスヴェンから見て、需要プランナーの将来はどうなると思いますか？5年後、10年後など、彼らのためにポジションがあると思いますか？
Sven Crone: データの利用可能性と技術の採用率を考えると、需要プランナーの仕事は5年以上も続くでしょう。私はかなり確信しています。また、企業の再構築やイノベーションへの圧力もそれほど大きくありません。デジタル化のためのさまざまな取り組みを見ると、ほとんどの企業がクラウドストレージさえ持っていません。ヨーロッパの最大手の多国籍企業の中には、実際に非常にうまく運営している企業があることに驚かされます。
それはおそらくそこにいる素晴らしい人々のおかげかもしれません。しかし、長期的には、採用しない、自動化しない、履歴の修正などの意思決定をサポートしない、ニューラルネットワークがどのように機能するかを理解するためではなく、この入力変数がどのようにフィードされたかを示すことが重要です。そして、「プロモーションが第5週から第12週に変更されたことを考慮しましたか？」という質問に答えることができるのです。これらは、はるかに簡単な質問です。
しかし、より多くのデータが利用可能になるにつれて、需要プランナーにとって非常に困難になるでしょう。なぜなら、意思決定の頻度が増えており、月次から週次、さらには週内予測に移行しているため、小売業者との調整も必要になってきています。プロモーションが増え、さまざまな混乱が起こっています。情報量が非常に多く、短時間でそれらの情報に対処することは非常に困難になるでしょう。したがって、長期的には、すべてのデータが揃っている場合、機械学習モデルとの精度と信頼性で競争することはできないと思います。
Conor Doherty: ありがとうございます、スヴェン。最後に、ニコラスさん、ご意見をお聞かせください。
Nicolas Vandeput: 1分でまとめると、需要プランナーの役割は今後どのように進化していくのか、ということです。私にとって、彼らはほとんどの時間をデータや情報、洞察を収集し、整理し、クリーニングすることに費やす人々です。そして、それらのほとんどを機械学習モデルに供給します。需要予測と機械学習モデルに供給できない情報や洞察は、これらのプランナーが予測に対して手動で補完するために使用されます。しかし、これらのプランナーは、外れ値をフラグ付けしたり、手動で外れ値を修正したりする時間を費やしません。モデルの微調整やパラメータのレビュー、調整、モデルの選択にも時間を費やしません。私にとって、これらのタスクは100％自動化される必要があります。人間が行うべきではありません。プランナーは情報や洞察を見つけ、収集し、クリーニングすることに焦点を当てるべきです。
Conor Doherty: ありがとうございます。では、アレクセイさん、最後にご意見をお聞かせください。
Alexey Tikhonov: 現在、需要計画は「知能システム」と呼ばれるソフトウェア製品の一部を占めていると考えています。通常、企業のソフトウェアには3つのタイプがあります。レコードシステム（ERPなどのトランザクションシステム）、レポートシステム（ビジネスインテリジェンスアプリケーション）、そして知能システムです。これは新興の分野です。これらは意思決定を自動化できるシステムであり、Lokadがクライアントに提供しているものの一つです。現在、需要プランナーはこの分野と競争しようとしています。
私の理解では、長期的には競争できず、敗北するでしょう。なぜなら、人間は素晴らしい生物であり、非常に賢い存在です。単一の意思決定を考えると、ロボットには気付いていないような、追加の情報や洞察を常に提供できるからです。しかし、これはスケーラブルではありません。人間は高価です。私たちは膨大な規模のサプライチェーンについて話しているので、これをスケールアップすることはできません。これが、長期的には彼らが置き換えられる主な理由です。同様の理由で、パリでは水運び人がいなくなり、給水が行われています。なぜなら、それが安価だからです。はい、まだいくつかの未開発国では、小さな村で水をバケツで運ぶ人々がいます。経済の規模のため、給水はまだ選択肢ではありません。しかし、それらの村でも、いずれ給水が行われるでしょう。つまり、長期的には需要プランナーには場所がありません。そして現在、一部の企業は既にそれらを廃止しました。
Conor Doherty: 皆さん、洞察と回答をありがとうございました。この時点で、質問はありますか？マイクを持って走って回ります。もちろん、後ろの方に行きます。行数が多くなりすぎることはないでしょう。ロバートさん、手を挙げていたのは誰ですか？
聴衆のメンバー（バフマン）: 皆さん、ありがとうございます。私はバフマンと申します。カーディフ大学の学生です。簡単なコメントをさせていただきたいと思います。利益を上げることについて言及されましたが、利益を上げることに関係しないサプライチェーンも数千あります。それを考慮することが重要だと思います。
私の理解では、パネルはサプライチェーンに焦点を当てていましたが、需要計画にはさまざまなスペクトルがあります。考えてみると、世界中には何百万もの病院が需要計画を行っており、1つまたは2つまたは3つの時系列データを扱っています。ですので、私の質問は、予測を含む条件や要件がどのように自動的な意思決定を作り出すのか、ということです。予測が1つの入力である場合もありますが、それ以外の入力は多岐にわたる可能性があります。
スヴェン・クローネ: それについて答えてみます。例えば、病院は血液やがん治療薬などの重要な製品、重要でない製品など、大量の在庫を持っています。また、受注生産や在庫生産などもあります。私たちは非常に産業側に焦点を当てていました。私のバックグラウンドは病院や医療システムではなく、主に産業、サプライチェーンマネジメント、物流などを見ていました。これらはおそらくガートナーによって定義されている大規模な多国籍企業であり、これらの明確に定義されたプロセスを導入し、試験され、予測価値を測定しています。
そうですね、あなたの言う通り、それはおそらく他の多くの産業、薬局、病院などにも適用されるでしょう。ただし、私はそこでの採用についてはほとんど証拠を持っていません。ただし、物流サプライチェーン産業については、世界のGDPの約6分の1を占めていると言えます。つまり、非常に大きな企業が主導している世界のGDPの6分の1について話しています。そこでは、これらのことに関してイノベーションの欠如が本当に心配されています。ただし、他の場所には適用されないということではありません。
聴衆のメンバー（バフマン）: つまり、より適切な用語は「サービスサプライチェーン」かもしれません。例えば、病院では、緊急医療サービスの需要計画を行っています。それは製品自体ではなく、サービスに関するものです。ですので、私の質問は自動的な意思決定についてです。緊急部門などでは、実際には1つの時系列データを扱っている場合もあります。ここでは何百万もの時系列データを扱う必要はありません。ですので、質問は、自動的な意思決定を作り出すための要件は何か、ということです。
スヴェン・クローネ: あなたの言う通りです。私たち予測コミュニティは、他の分野に比べてあまり注目していない興味深い分野がたくさんあります。ニューラルネットワーク予測の10,000本の論文を見ると、その半分は電力に関するものです。しかし、薬品に関するものはほとんどありません。良い指摘です。重要なことにもっと注意を払うべきだと思います。
コナー・ドハティ: 申し訳ありませんが、ニコラス、次の質問に答えてください。次の質問に移りたいと思います。
聴衆のメンバー: こんにちは、素晴らしいディスカッションをありがとうございます。私の質問は判断の役割についてです。専門家はそれぞれ異なる判断を持っています。人間の判断から生じるバイアスのパターンと、AIや機械学習モデルから生じるバイアスのパターンがあります。需要計画を行う際に、人間の判断から生じるバイアスを統計的なバイアスに組み込んで、全体的なバイアスを減らす方法はありますか？ありがとうございます。
ニコラス・ヴァンデプット: 質問ありがとうございます。私がサプライチェーンで働く際によくあるケースです。最初に行うことの1つは、過去の予測のパフォーマンスを見ることです。予測が非常に高いバイアスや非常に低いバイアスを持っていた場合、常にストーリーに帰結します。人々は安全側に立ちたいと思っているため、予測を過大に行うことがあります。これはおそらく供給プロセスがうまくいっていないためであり、在庫の管理方法がよくわかっていないためです。方針や安全在庫目標を変更する代わりに、非常に高い予測に頼っているのかもしれません。また、予算に合わせた楽観的な予測をしているのかもしれません。
一方、予測が過小されることもあります。これは、ボーナスを得るために予測を上回ろうとする人々の場合が多いです。したがって、もしサプライチェーンが非常に高いバイアスを生み出す場合、それは誤ったインセンティブや誤った供給プロセスの問題であり、それを切り離し、人々を再教育し、供給プロセスを改善し、予測を変更することができる人々には直接的なインセンティブがないようにする必要があります。これはプロセスの一部ですので、高い予測や低い予測をするインセンティブのない人々に固執する必要があります。
モデルの部分では、長期間にわたって非常に高い予測や非常に低い予測を生成するモデルがある場合、1ヶ月間が間違っているとは言いませんが、複数の期間にわたって同じ問題がある場合、おそらくモデルエンジンの最適化方法やモデルの最適化に使用されるKPIが適切ではないため、問題が発生している可能性が非常に高いです。おそらくMAPEに依存していると思いますが、それは別の話題です。
コナー・ドハティ: クロージングの意見をアレクセイにお願いします。もうすぐ終わらなければならないので。
スヴェン・クローン: ニコラスが言ったことについて何か追加したいと思います。LLMが判断的な調整を行うことを考えると、それについてはあまり詳しく説明していませんでした。しかし、最近の証拠には、すべてのデータをトレーニングするための1つのLLMを持つ必要はないということがたくさんあります。実際には、これらをトレーニングするためのペルソナがあります。サプライチェーンLLM、ファイナンスLLM、CEO LLM、マーケティングおよびキーアカウントマネジメントLLMなど、さまざまなデータに基づいてトレーニングされます。これらのバイアスは、キーアカウントとサプライチェーンの意思決定に関連するさまざまなコストから生じることがよくあります。しかし、しばしば異なる情報があり、実際に相互に対話し、統合されたプロセスのために議論するエージェントがいると、意思決定の向上につながることがあります。
S＆OPで合意に達することが良い実践として見られることは珍しくありません。その合意は、単一のLLMの意思決定よりも正確です。バイアスが存在し、意思決定があり、情報を重み付けして決定する人がいるということは本当に恐ろしいことです。それは幽霊のようです。
コナー・ドハティ: アレックス、最後の言葉をあなたにして、それから終わります。
アレクセイ・ティホノフ: 同じ質問について、バイアスはポイント予測の視点の問題だと思います。通常、意図的に予測にバイアスをかけたいのは、予測がリスクの構造を捉える点で稚拙だからです。最も可能性の高い将来のシナリオを予測し、モデルの残差が正規分布に従うと仮定しますが、これは常に事実ではありません。そのため、リスクが集中している場所に予測をシフトさせるバイアスを導入します。たとえば、サービスレベルの目標を満たさない確率の尾部を予測したい場合、バイアスをシフトさせます。
確率的な視点に切り替えると、もはやこのバイアスは必要ありません。なぜなら、将来についての意見が、この確率でこの将来のようになる、この確率でこの将来のようになる、というようになるからです。リスクの構造を正確に捉えるためのパラメータをトレーニングすると、その上に必要なのはコスト、利益などの経済的な視点と、トレードオフの意思決定を可能にするようなより高次のドライバーです。たとえば、予算が常に制約されているため、この商品の追加単位を購入すべきか、この商品の追加単位を購入すべきかを決定する必要があります。確率的な視点では、この問題は発生しません。バイアスは必要ありません。
Conor Doherty: その点については、時間が少しオーバーしてしまいました。追加の質問をしたい方は、ステージの隅で試してみてください。それでは、Sven、Nicolas、Alexey、参加していただきありがとうございました。そして、今日の残りの時間をお楽しみください。ありがとうございました。
