Прогнозирование изменения климата, как управление цепями поставок

Жоаннес Верморель

Транскрипт выступления Жоаннеса Вермореля в Эколь политехник в Палезо (Франция) в пятницу, 3 июня на симпозиуме Искусственный интеллект, цифровые технологии и изменение климата. Симпозиум был организован Сильвеном Ле Корффом, профессором Телеком Суд Париж и Эриком Мулином, профессором Эколь политехник и избранным членом Академии наук.

Моя компетенция заключается в науке о цепях поставок и предиктивной аналитике цепей поставок. Цепь поставок, грубо говоря, является связующим звеном между производством и потреблением: материалы должны быть приобретены, транспортированы, преобразованы и распределены. Вот о чем говорит цепь поставок. Я сразу признаю, что наука о цепях поставок вряд ли станет будущим климатологии.

Однако современные цепи поставок уже используют масштабные автоматизированные методы прогнозирования. Именно это делает моя компания, Lokad, уже более десяти лет.

За эту десятилетнюю практику я усвоил ряд важных уроков, касающихся использования предиктивных методов, в частности алгоритмов машинного обучения, в реальных условиях. Самый важный урок заключается в том, что лучше быть приближенно правым, чем точно неправым. Однако, когда я смотрю вокруг, я вижу множество глубоко ошибочных попыток науки о данных.

Самое коварное в обработке данных заключается в том, что алгоритмы - или технология - могут создавать иллюзию рациональности, иллюзию науки. Однако слишком часто эти ошибочные попытки обработки данных приводят к выводам, которые не лучше астрологии. Ни один алгоритм не спасет вас, если вы подходите к проблеме неправильно.

Чтобы понять, как моделирование прогнозирования для цепей поставок может дать нам ценные уроки для прогнозирования изменения климата, позвольте мне указать на то, что климат и глобальные рынки имеют много общего. В обоих случаях на кону наш образ жизни. В обоих случаях у нас есть сложные системы, которые не полностью понимаются. В обоих случаях каждый участник оказывает влияние на систему, но это незначительное влияние. В совокупности ряд незначительных влияний может привести к большому влиянию. Однако у участников есть свои стимулы, и поэтому ничто не является простым.

Таким образом, я собираюсь оценить, в стиле цепей поставок, эволюцию климата с французской метрополитенской перспективы, так же, как компания использует свои собственные доли рынка для оценки рынка.

Цепи поставок научили меня тому, что стоимость всегда лежит на крайностях. Небольшие избытки производства и незначительные дефициты обычно легко устраняются; это большие проблемы приводят к гибели компаний. Таким образом, прогнозируя изменение климата, как планировщик цепей поставок, меня не интересуют небольшие вариации. Франция имеет мягкий климат; и помните, что я здесь принимаю перспективу, сосредоточенную на Франции.

Франции мало или нет проблем с приспособлением к температурам, отличающимся на два градуса в большую или меньшую сторону в среднем. Аналогично, мы могли бы иметь на 10% больше ветра или меньше ветра, или на 10% больше дождя или меньше дождя, это почти не имело бы значения. Позвольте мне сразу уточнить, что я не говорю, что не будет никакого влияния. Я просто указываю на то, что другие страны - такие как Дания или Италия - не имеют долгосрочных проблем, связанных с более холодным или теплым климатом, - сохраняя при этом образ жизни, который по всем намерениям и целям практически идентичен тому, который мы наслаждаемся во Франции. По мере изменения климата будут происходить изменения в целом ряде областей, начиная от выбора культур для сельского хозяйства до толщины теплоизоляционных слоев в зданиях. Однако эти эволюции скромны по сравнению с другими источниками изменений, влияющими на Францию.

Таким образом, как планировщика цепи поставок, меня интересуют экстремальные климатические условия. Чтобы оценить, что можно ожидать, нам нужно посмотреть на исторические экстремумы. Действительно, будущие экстремумы всегда должны быть оценены как большие, чем прошлые. Это верно для рынков и, скорее всего, верно для климата. Так что давайте посмотрим, что говорит нам история Франции.

Лето 1636¹, это год, когда Корней написал Ле Сид, но также год ужасно жаркого лета. Температура в Париже поднималась до 39°C в течение нескольких недель. За одно лето было зарегистрировано 500 000 смертей, в основном детей и младенцев. Основной причиной смерти была загрязненная вода и болезни, такие как дизентерия. Количество погибших, относительно французского населения того времени, сравнимо с числом погибших во время Первой мировой войны, которая продолжалась немного более 4 лет.

Таким образом, устойчивая температура 39°C на протяжении всего лета для всей Франции должна быть базовой точкой, на которую мы должны быть готовы. В этом предложении почти нет климатического моделирования: это прямое чтение недавней климатической истории Франции. Если это случилось 4 века назад, мое предложение просто в том, что это может произойти снова в следующем лете.

Естественно, за последние 2 века медицинская наука и санитария практически исключили дизентерию во Франции. Однако это означает ли, что мы можем переживать жаркие лета без каких-либо проблем? Если мы судим по недавним событиям лета 2003 года во Франции, жаркие лета все еще представляют серьезные риски. Жара 2003 года продолжалась всего 2 недели, достигая 39°C в Париже, и привела к 15 000 смертей во Франции², в основном среди пожилых людей. Однако в последующие годы доля кондиционеров в домах во Франции выросла с 4% в 2005 году³ до 25% в 2020 году⁴.

Здесь мы касаемся критического аспекта прогнозирования человеческих дел: люди наблюдают и адаптируются. Это не всегда отрицательно сказывается на точности прогнозирования - хотя часто и сказывается - но человеческое изобретательство почти всегда способствует тому, чтобы долгосрочные прогнозы стали неактуальными. Действительно, помните, что прогноз, любой прогноз, прежде всего является выбором модели. Модель определяет поле битвы: что будет прогнозироваться. Прогноз может быть очень точным, но при этом полностью неактуальным. Это опасность, с которой сталкивается каждая компания, управляющая цепью поставок: рынки меняются по своей природе, а не только растут или сокращаются.

Вернемся к нашим климатическим экстремумам, давайте теперь посмотрим на великую зиму 1709 года. В течение января 1709 года⁵ температура в Париже опустилась до -20°C; это похоже на холодную зиму в Квебеке. Река Сена замерзла, как и другие великие реки Франции. За 11 дней во Франции погибло 100 000 человек из-за холодной волны. Всего зима унесла жизни 600 000 человек, в основном бедных семей. Опять же, эти потери сравнимы с полным влиянием Первой мировой войны во Франции, за исключением того, что, еще раз, катастрофа произошла в течение нескольких недель, а не лет. Эта зима была частью периода, известного как Малый ледниковый период в Европе, который длился с середины XIII века до середины XIX века.

Хотя замерзшая Сена в Париже может показаться сюрпризом для этой аудитории, стоит отметить, что северная широта Парижа составляет 49°, в то время как широта Квебека составляет всего 47°. Так что географически Париж находится севернее Квебека.

В любом случае, в прошлые века Сена замерзала много раз. Это исторический факт, без участия климатического моделирования. Если такая зима случилась 3 века назад, мое предложение остается в том, что это может произойти снова в следующую зиму.

Так что давайте рассмотрим, какие проблемы возникнут во Франции, если мы столкнемся с канадской зимой, как это уже случалось в прошлом.

Первая проблема, о которой я могу подумать, - это вода. Во Франции водопроводные трубы обычно заложены на глубину 80 см, но в Квебеке это 130 см, и это по хорошим причинам. При 80 см трубы замерзают и лопаются в Квебеке. Таким образом, великая холодная волна во Франции, скорее всего, уничтожит значительную часть нашей инфраструктуры водоснабжения.

Кроме того, транспорт будет серьезно пострадать. Канадские грузовики используют блокировочные подогреватели, потому что дизель замерзает при -10°C. У меня нет статистики о распространенности блокировочных подогревателей на грузовиках во Франции, но оборудование, по-видимому, очень ограничено. Учитывая, что более 98% профессиональных транспортных средств работают на дизеле, разумно предположить, что почти все эти транспортные средства станут неработоспособными во время великой холодной волны.

Наконец, электросеть также может подвергнуться серьезным отключениям. В 2012 году⁶, который был холодной зимой, Франция импортировала до 9% своей электроэнергии из Германии. Доля энергии, которую можно отключить по желанию, в основном с крупными промышленными компаниями, составляет всего около 1% снижения энергии. Контролируемое снижение энергии дает примерно дополнительное 3% снижение энергии. После этого для электросети остается только один вариант - отключать части сети.

Эти проблемы не являются теоретическими. Когда я обсуждал случай сильных зим с отцом, оказалось, что именно такие проблемы произошли в Сен-Этьене в 1956 году.

1956 год был самой холодной зимой XX века во Франции. В Сен-Этьене электросеть рухнула. Водопроводные трубы лопнули. Транспортные средства перестали работать. На юге даже морской порт Марсель замерз.

Семьи оставались без воды, еды или отопления на несколько дней. Поверхностный анализ статистики смертности INSEE за февраль 1956 года⁷ показывает около 15000 избыточных смертей по сравнению с предыдущими годами.

Эта суровая зима 1956 года произошла в послевоенном обществе, которое все еще мало полагалось на электрические приборы. Кроме того, это общество все еще широко использовало дровяное отопление, которое не зависит от электросети. Я не сомневаюсь, что та же зима в Европе сегодня имела бы гораздо более серьезные последствия.

Вернемся к нашему обсуждению прогнозирования климата, на этом этапе ясно, что действительно важно не будущие температуры, а последствия этих температур. То же самое можно сказать и о других климатических переменных: ветре, дожде и т.д.

Если первая ошибка “науки о данных” в прогнозировании заключается в том, чтобы сосредоточиться на средних значениях, а не на крайних значениях, то вторая ошибка в прогнозировании заключается в том, чтобы путать числовые артефакты с последствиями в реальном мире. В цепи поставок это понимание сводится к тому, что проценты ошибки прогнозирования не имеют значения, важны только доллары ошибки.

Действительно, прогнозы - это числовые артефакты, созданные для поддержки принятия решений. Качество этих прогнозов в значительной степени зависит от их адекватности для достижения лучших решений.

Оценка качества прогнозов, полагаясь только на произвольные статистические показатели, такие как средняя абсолютная ошибка (MAE), средняя квадратичная ошибка (MSE) или средняя абсолютная процентная ошибка (MAPE), которые полностью оторваны от последствий в реальном мире, вероятно, является одной из наиболее распространенных ошибок, которые я наблюдаю среди своих коллег-данных ученых.

Я лично называю эти прогнозы голыми прогнозами. Голые прогнозы - это противоположность мифическим пророчествам. Этим прогнозам уделяется гораздо больше внимания, чем следовало бы, и когда люди обращают внимание на эти прогнозы, они только ухудшают ситуацию.

Чтобы понять, почему голые прогнозы неправильны, нужно понять, что в цепи поставок - и, я подозреваю, в климате тоже - легко создать прогнозы, которые одновременно являются крайне точными и крайне глупыми.

Действительно, давайте рассмотрим минимаркет с ежедневным пополнением. Для почти всех товаров минимаркета самым точным ежедневным прогнозом продаж является ноль единиц. Действительно, большинство товаров в минимаркете не продаются даже один раз в день в среднем. Таким образом, прогноз продаж на ноль обычно является самым точным ежедневным прогнозом с учетом средней абсолютной ошибки.

Затем, если прогноз продаж на ноль принимается в качестве входных данных, магазин не будет пополнять запасы. Действительно, нулевые прогнозируемые продажи означают нулевое количество товара для пополнения. Вскоре все полки минимаркета опустеют, и, таким образом, у нас фактически нулевые продажи, что делает эту модель прогнозирования продаж на ноль на 100% точной. В то же время минимаркет обанкротится.

Эта ситуация происходит в реальной жизни (с поставщиками корпоративного программного обеспечения, конкурирующими с Lokad). Это называется проблемой заморозки запасов. Чтобы исправить это, модель должна прогнозировать спрос, а не прогнозировать продажи; однако это сложно, потому что продажи наблюдаются, в то время как спрос - нет.

Более обще говоря, статистические метрики прогнозирования создают иллюзию науки: я создал модель прогнозирования, которая на 1% точнее, следовательно, моя модель доказанно лучше. Однако это обычно не так, и я даже не говорю о переобучении. Проблема, на которую я указываю, заключается в том, что стремление к статистической метрике неизбежно делает модель хуже. Модель прогнозирования становится абсолютно неправильной, когда она раньше была приблизительно правильной.

Я не являюсь экспертом по климату, но с точки зрения цепи поставок, в СМИ - прессе, а также в социальных сетях - я вижу множество голых климатических прогнозов: прогнозов, которые не связаны с каким-либо практическим процессом принятия решений. Я не оспариваю точность этих прогнозов; это дебаты для климатологов. Однако мой опыт в цепи поставок говорит мне, что попытка делать какие-либо решения в реальном мире на основе этих голых прогнозов - это рецепт для непредвиденных последствий, часто приводящий к расточительству ресурсов и часто достигающий противоположного результата относительно исходных намерений.

Хороший прогноз начинается с проблемы, которую нужно решить. После того, как проблема будет адекватно охарактеризована, мы движемся назад, определяя данные и числовые методы, которые подходят для поддержки принимаемого решения.

Напротив, плохой прогноз начинается с набора данных, который случайно оказывается доступным, и с ученым по данным, который стремится проверить последнюю статью о машинном обучении на этом самом наборе данных, возможно, написанную самим ученым по данным.

Таким образом, мой вывод, который относится как к цепи поставок, так и к климату, заключается в том, что если вы хотите отделить хорошие прогнозы от плохих прогнозов, начните с немедленного отклонения голых прогнозов. Ничего хорошего из этих прогнозов никогда не выходит. Затем убедитесь, что прогнозы приблизительно правильные, а не абсолютно неправильные. И, наконец, обратите внимание на близость этих прогнозов к решениям в реальном мире. Если люди, делающие прогнозы, не должны нести последствия этих прогнозов, то ваше стандартное положение должно быть глубоким скептицизмом.