00:00:09 Дифференцируемое программирование и его влияние на управление цепями поставок.
00:01:00 Неэффективности в управлении цепями поставок и нерешенные проблемы в различных отраслях.
00:02:06 Проблемы в модной индустрии и спрос, зависящий от цены.
00:04:20 Сложность объединения существующих методов для совместной оптимизации.
00:05:51 Дифференцируемое программирование как потомок глубокого обучения для совместной оптимизации.
00:08:00 Обучение и оптимизация в управлении цепями поставок.
00:09:24 Дифференцируемое программирование и нерешенные проблемы в различных отраслях.
00:10:27 Прогнозирование спроса и использование данных клиентов.
00:13:24 Злобные проблемы и последствия второго порядка в акциях.
00:15:52 Приспособление к потребностям и ожиданиям клиентов.
00:17:03 Роль глубокого обучения и прогресса аппаратных средств в решении сложных проблем.
00:19:20 Убывающая отдача от прогресса в области искусственного интеллекта и необходимость выразительности.
00:21:12 Дифференцируемое программирование позволяет устранить изоляцию в управлении цепями поставок.
00:23:23 Заключительные мысли.

Резюме

В этом интервью ведущий Киран Чандлер и Жоанн Верморель, основатель компании Lokad, обсуждают потенциал дифференцируемого программирования для оптимизации управления цепями поставок. Верморель объясняет, что традиционные методы принятия решений о запасах, закупках и ценообразовании часто не связаны между собой, что приводит к неэффективности. Дифференцируемое программирование может оптимизировать эти решения, учитывая одновременно несколько факторов. Этот подход, все еще относительно новый, может решить нерешенные проблемы в различных отраслях, таких как прогнозирование спроса в рознице и оптимизация при неопределенности. Прогресс в технологиях позволил создавать более сложные модели, которые позволяют решать проблемы в масштабе. Дифференцируемое программирование имеет потенциал революционизировать оптимизацию управления цепями поставок, разрушая организационные изоляты и повышая общую эффективность.

Расширенное резюме

В этом интервью ведущий Киран Чандлер обсуждает дифференцируемое программирование и его влияние на оптимизацию управления цепями поставок с Жоаннесом Верморелем, основателем компании Lokad, специализирующейся на оптимизации управления цепями поставок. Они исследуют неразрешимые проблемы и то, как эти проблемы были решены в различных отраслях.

Верморель объясняет, что неразрешимая проблема не обязательно означает, что она никогда не будет иметь решения, а скорее то, что у нее пока нет удовлетворительного решения. Он указывает на то, что хотя цепи поставок функционируют, они часто работают с существенными неэффективностями. Эти неэффективности могут быть незаметны до тех пор, пока они не будут тщательно изучены, и могут быть переменные, которые можно настроить для улучшения цепи поставок, которые традиционно не учитываются менеджерами цепей поставок, такие как ценообразование и ассортимент.

Чандлер интересуется о конкретных проблемах, которые были сложно решить в индустрии поставочной цепи. Верморель отвечает, что каждая вертикаль имеет свой набор плохо решенных проблем, используя моду в качестве примера. Быстрая мода, которая очень чувствительна к цене, демонстрирует, что спрос сильно зависит от ценообразования. Однако большинство решений по планированию спроса в моде рассматривают спрос так, как будто ценообразования не существует, что создает огромный разрыв.

Верморель объясняет, что существует нерешенная проблема совместной оптимизации спроса, запасов и ценообразования, так как эти факторы часто рассматриваются как отдельные сущности. В ответ на вопрос Чандлера о том, можно ли объединить существующие методы для решения этой проблемы, Верморель говорит, что исторически большинство разработанных решений не подходили для смешения друг с другом. Подход к планированию продаж и операций (S&OP) пытался решить эту проблему на уровне человека, облегчая коммуникацию между разными отделами, но это плохо переносится на автоматизацию программного обеспечения.

Когда речь идет об автоматизации программного обеспечения, Верморель указывает на трудности, возникающие при попытке интеграции отдельных систем, таких как планирование потребностей в материалах на основе спроса (DDMRP), системы управления складом (WMS) и дополнения для управления информацией о продукте (PIM) для ценообразования. Эти системы часто принимают независимые решения, что приводит к разрозненному подходу и потенциальным неэффективностям.

Верморель объясняет, что традиционные методы принятия решений о запасах, закупках и ценообразовании часто не связаны между собой, что может привести к неоптимальным результатам. Он предлагает, что дифференцируемое программирование может помочь оптимизировать эти решения, одновременно учитывая несколько факторов.

Дифференцируемое программирование концептуально похоже на глубокое обучение, но оно фокусируется на сочетании обучения и оптимизации, а не только на распознавании образов. Верморель подчеркивает, что глубокое обучение сделало значительные прорывы в распознавании изображений, но также привело к прорывам в численной оптимизации. Эти достижения позволили разработать более сложные модели с миллионами параметров, что в свою очередь улучшило процесс оптимизации.

В контексте управления поставочной цепью дифференцируемое программирование может быть применено как для изучения будущего спроса, так и для принятия оптимизированных решений в условиях неопределенности. Например, оно может помочь определить, сколько единиц следует закупить у поставщика или когда сделать скидку на конкретный продукт. Верморель указывает на то, что покупателей часто влияет общий ассортимент товаров, что означает, что оптимизация решений для отдельных продуктов может быть недостаточной.

Несмотря на то, что дифференцируемое программирование является относительно новым подходом, Верморель считает, что оно может быть применено к широкому спектру нерешенных проблем в различных отраслях. Он приводит пример прогнозирования спроса в розничной торговле, где программы лояльности и данные о клиентах могут предоставить ценную информацию о покупательских привычках. В настоящее время на рынке существует немного решений, использующих эти данные, и дифференцируемое программирование может потенциально помочь использовать эту информацию для принятия лучших решений.

Еще одной проблемой, которую может решить дифференцируемое программирование, является оптимизация в условиях неопределенности. Традиционные методы оптимизации часто испытывают трудности с случайными условиями, что привело к применению упрощенных подходов, таких как планирование потребностей в материалах (MRP) и планирование потребностей в материалах на основе спроса (DDMRP). Верморель утверждает, что эти методы часто недостаточны, и дифференцируемое программирование может предоставить более эффективный способ решения таких проблем.

Интервью с Жоаннесом Верморелем подчеркивает потенциал дифференцируемого программирования в решении различных проблем оптимизации поставочной цепи. Сочетая в себе обучение и оптимизацию, этот подход может помочь компаниям принимать более обоснованные решения, учитывая множество факторов и неопределенности. Несмотря на то, что дифференцируемое программирование все еще является относительно новой областью, Верморель считает, что оно обладает значительным потенциалом для улучшения управления поставочной цепью и прогнозирования спроса в различных отраслях.

Они обсуждают роль дифференцируемого программирования в решении проблем поставочной цепи и потенциал решения сложных, ранее неразрешимых проблем.

Верморель объясняет, что дифференцируемое программирование является мощным инструментом для решения сложных проблем поставочной цепи. Прогресс в технологиях позволил оптимизировать модели с миллионами параметров, в то время как ранее было возможно только несколько сотен. Этот скачок в возможностях позволил решать проблемы в масштабе, что особенно актуально для компаний с большим количеством продуктов и магазинов.

Одной из основных проблем, которую помогает решить дифференцируемое программирование, является “злобная проблема”. Эти проблемы возникают, когда действия имеют вторичные последствия, например, когда акции модного бренда приводят к тому, что покупатели делают покупки только во время распродаж. В настоящее время нет алгоритмов, способных решить эти злобные проблемы, но Верморель считает, что искусственный интеллект на уровне человека в конечном итоге сможет справиться с ними.

Недавний успех дифференцируемого программирования можно объяснить сочетанием прогресса в области аппаратного и программного обеспечения. Быстрый прогресс в вычислительной мощности, в сочетании с прорывами в алгоритмической эффективности, позволил оптимизировать модели с сотнями миллионов параметров. Верморель считает, что мы достигли точки убывающей отдачи от вычислительной мощности, и основной вызов теперь заключается в улучшении выразительности и вписывании сложных проблем в оптимизируемую структуру.

Для практиков поставочной цепи дифференцируемое программирование предлагает возможность разрушить изоляцию и оптимизировать ранее изолированные проблемы совместно. Это может привести к значительному прогрессу в эффективности и потребует пересмотра организационных структур компаний. Когда компании начинают применять дифференцируемое программирование, они могут следовать примеру Amazon и разрушать эти изоляции, оптимизируя работу в разных областях.

Дифференцируемое программирование имеет потенциал революционизировать оптимизацию поставочной цепи, решая ранее неразрешимые проблемы и разрушая организационные изоляции. Благодаря прогрессу в области аппаратного и программного обеспечения, этот подход предлагает практикам поставочной цепи новые возможности для решения сложных задач и повышения общей эффективности.

Полный транскрипт

Кирен Чандлер: Привет, сегодня на Lokad TV мы собираемся затронуть немного новую тему - дифференцируемое программирование. Это захватывающее новое направление является последним потомком глубокого обучения и открыло ряд проблем, которые ранее считались неразрешимыми. Сегодня мы узнаем немного больше об этом процессе и поймем, как это привело к быстрому прогрессу в мире поставочных цепей. Итак, Джоаннес, сегодня мы говорим о неразрешимых проблемах, что звучит довольно сложно. Что мы подразумеваем под неразрешимой проблемой?

Джоаннес Верморель: Я имею в виду проблему, которая может никогда не иметь решения, но скорее проблемы, для которых еще нет удовлетворительного решения. Это интересно, потому что в поставочных цепях все проблемы, можно сказать, решены. Очевидно, фабрики производят товары, и люди покупают их в магазинах, поэтому поставочная цепь действительно работает. Но она может работать с существенными неэффективностями, и пока вы не разберетесь в этом, вы даже не заметите, насколько неэффективна она на разных уровнях. Особенно, когда вы начинаете думать о переменных корректировки, которые, возможно, вы можете использовать, но которые традиционно не используются, я бы сказал, менеджерами поставочной цепи в целом, такими как ценообразование, ассортимент и все виды способов сгибать и искажать спрос на рынке, чтобы приблизить его к тому, что вы предлагаете.

Кирен Чандлер: Хорошо, а какие проблемы мы уже несколько лет пытаемся решить?

Жоанн Верморель: Это зависит от каждой отрасли, у которой есть свой набор сложных, плохо решаемых проблем. Давайте, например, рассмотрим моду. В быстрой моде или доступной моде спрос очень чувствителен к цене. Вот почему люди спешат на распродажи, потому что это момент, когда можно купить товары по суперагрессивным ценам. Очевидно, из-за огромной популярности распродаж многие люди считают, что стоит потратить несколько часов и отправиться в переполненные магазины, чтобы воспользоваться этими ценами. Таким образом, люди хотят одежду и вещи, которые им нравятся, но они действительно хотят их по цене, которую они могут себе позволить. Однако практически все решения по планированию спроса, которые я знаю для моды, кроме Lokad, рассматривают спрос так, будто ценообразования не существует, будто это каталожная цена, и все. В то время как, очевидно, когда вы выводите продукт на рынок, происходит целая стратегия ценообразования. Если продукт не продается достаточно, вы запускаете распродажи и скидки, чтобы ликвидировать запасы и освободить место для следующей коллекции. Очевидно, если у вас есть что-то, что в терминах организации процесса и технологии программного обеспечения, поддерживающей все это, рассматривает потребительский спрос и ценообразование как вещи, которые полностью не связаны, то, очевидно, есть огромный разрыв. И это явно нерешенная проблема, которая представляет собой совместную оптимизацию спроса, запасов и ценообразования одновременно.

Кирен Чандлер: Так как эти проблемы решаются с помощью существующих методов? Я имею в виду, можно ли объединить существующие методы, чтобы получить что-то удовлетворительное?

Жоанн Верморель: Нет, большинство рецептов, которые были изобретены исторически, не подходят для смешивания друг с другом. Это то, что S&OP пытался сделать немного, но на уровне людей. Давайте позволим людям общаться друг с другом. С людьми это может сработать, потому что они могут говорить и их семантика может совпадать. Но когда речь идет о программных автоматизациях, где DDMRP принимает решения, WMS принимает решения о запасах, а затем у вас есть дополнение к вашей PIM (управление информацией о продукте), которое контролирует цену, все эти системы не смешиваются.

Кирен Чандлер: Знаете, у них нет ничего, что было бы исходно связано между собой, и даже если есть, это совсем не ясно. Учитывая такие методы, которые используются для принятия решений, например, принятие решений о запасах или закупке с одной стороны и принятие решений о ценообразовании с другой стороны, есть ли что-то, что можно просто построить посередине, чтобы примирить решения и совместно оптимизировать?

Жоанн Верморель: В основе этих систем лежит подход “разделяй и властвуй”, где то, что не входит в рамки, просто игнорируется. Вот почему у вас могут быть рецепты, которые также намного проще. Дифференцируемое программирование - это двойная оптимизация, которая учитывает множество разных проблем и объединяет их в одну.

Дифференцируемое программирование концептуально связано с глубоким обучением, но не столь сосредоточено на точности прогнозов. Это больше похоже на другую перспективу на вещи. Недавний прогресс в глубоком обучении в основном был связан с обучением, с огромным прогрессом в распознавании образов на изображениях и идентификации объектов или людей. Это очень круто, и прогресс был значительным.

Однако был и другой аспект, где глубокое обучение открыло множество отличных результатов, а именно численную оптимизацию. Причина, по которой нам удалось распознать сложные образы на изображениях с большей точностью, заключается в том, что у нас были модели, которые были значительно более сложными, с гораздо большим количеством параметров, в десятках миллионов. Чтобы обучить эти модели и построить математическую модель, которая эффективна на вашем наборе данных, вам нужен численный оптимизационный рецепт, который работает в масштабе, потому что речь идет о миллионах параметров, которые нужно оптимизировать.

Глубокое обучение и технологии искусственного интеллекта принесли ряд прорывов в масштабной оптимизации, что сделало возможными многие прорывы в области обучения. Дифференцируемое программирование исходит из другой перспективы. Здесь интересны и аспект обучения, и численные инструменты для выполнения масштабной оптимизации. Иногда вам нужно сочетание обучения и оптимизации.

В сфере поставок вам не нужно так много узнавать о том, каким будет будущий спрос, сколько сделать заказов, сколько единиц купить, если поставщик предлагает определенную цену. Когда у вас есть приобретенные единицы, когда вы должны решить, сделать ли скидку на определенный продукт? Здесь речь идет как о предсказании будущего спроса, так и об оптимизации переменных, где у вас есть много свободы.

В случае моды, для одного продукта, одной цены и одного запаса, реальность такова, что клиенты не приходят в магазин за одним продуктом. У них есть потребности, желания и стремления, и они в конечном итоге смотрят на ассортимент. Если вы начинаете думать о решениях для каждого продукта по отдельности, вы упускаете суть. Вот почему все эти бренды нуждаются в коллекциях, потому что им нужно иметь широкий ассортимент, чтобы это имело смысл для клиентов.

Кирен Чандлер: Где этот подход работает особенно хорошо в реальном мире? Какие классические проблемы он отлично решает?

Жоанн Верморель: Технологический стек довольно новый, и с дифференцируемым программированием я бы не сказал, что есть хорошо зарекомендовавшая себя рутина, где он работает очень хорошо. Что я хочу сказать, так это то, что в этой области есть так много возможностей для исследования.

Кирен Чандлер: В различных отраслях видны множество проблем. В предыдущем обсуждении мы говорили о ограничениях MRP и о том, как DDMRP в основном является временным решением для сломанных систем MRP. Но в чем заключается нерешенная проблема в этой области?

Жоанн Верморель: Нерешенной проблемой является оптимизация при неопределенности. Когда вы выполняете оптимизацию, решая головоломку с неподвижным, неподвижным будущим и применяя все ваши ограничения, такие вещи решаются с 1980-х годов. Однако, когда вы вводите высокую степень случайности, это совершенно другая проблема. Все численные оптимизаторы, которые у нас есть, разваливаются, и поэтому люди прибегают к сверхупрощенным рецептам с точками разделения и разделенными элементами. MRP является следствием отсутствия должных инструментов для решения этой проблемы.

Кирен Чандлер: Можете ли вы привести еще один пример, где отрасли упускают основную суть?

Жоанн Верморель: Конечно. Когда вы думаете в терминах прогнозирования спроса, каждая проданная единица связана с клиентом. В настоящее время, благодаря программам лояльности, почти каждая розничная сеть и платформа электронной коммерции могут идентифицировать своих клиентов и точно знать, кто что и когда покупал, при каких условиях и какие товары были в наличии. Они знают, что выбор клиента был ограничен тем, что было доступно в то время. Здесь есть много информации, такой как ассортимент на момент принятия решения о покупке и идентификация клиентов, у которых есть история покупок. Однако я вижу, что на рынке практически нет решений, которые используют эти данные. Это явное разрыв и огромный потенциал, который не используется вообще.

Кирен Чандлер: Какие реальные проблемы в цепях поставок дифференцируемое программирование даже не затрагивает?

Жоанн Верморель: Есть сложные проблемы, которые, вероятно, не будут решены до появления сильного искусственного интеллекта или интеллекта на уровне человека. Эти сложные проблемы связаны с мыслью о вторичных последствиях ваших действий. Например, когда вы проводите акции для модного бренда, вы делаете две вещи: ликвидируете свой запас, что хорошо и может быть оптимизировано с помощью дифференцируемого программирования; но вам также нужно думать о последствиях ваших действий с самого начала, когда вы размещаете заказ.

Кирен Чандлер: Поставщик предоставляет вам первые единицы, хорошо. Но каковы вторичные последствия? Факт в том, что, проводя акции, скидки, вы на самом деле обучаете свою клиентскую базу покупать только в вашем магазине, ваших сетях или вашей электронной коммерции только во время акций. И может произойти сдвиг, который продолжается уже десятилетия, от людей, которые с удовольствием покупают все время, к большинству ваших клиентов, которые теперь покупают только по скидке.

Жоанн Верморель: Это похоже на самоисполняющееся пророчество, и сейчас это называется “злобной проблемой”. Вы можете проверить страницу Википедии. В основе этого лежит то, что мы имеем дело не с автоматами. Ваши клиенты не автоматизированы; они умны и адаптируются. Так что в основном вам нужно думать о том, что когда вы что-то делаете, люди будут думать и адаптироваться к тому, что вы делаете. Вот что я называю вторичными последствиями.

Когда люди знают, что вы собираетесь что-то сделать, у них возникают ожидания, и они основывают свои действия на том, что они думают о вас. Это рекурсия, и это что-то очень человеческое, в чем люди действительно хороши. Все эти злобные последствия.

Например, предположим, вы производитель автомобилей. Вы улучшаете цепочку поставок автозапчастей и свою собственную сеть автосервисов. Ваш автосервис становится настолько хорошим, что вы фактически отчуждаете своих исторических партнеров на рынке. Таким образом, вы оптимизируете одну сторону, а затем расстраиваете важных партнеров, которые были вашими историческими партнерами. Следует ли отказаться от оптимизации цепочки поставок, чтобы сохранить довольных партнеров? Может быть, может быть и нет. Опять же, это своего рода злобная проблема, которая полностью выходит за рамки возможностей любого алгоритма, о котором я знаю, даже самые современные искусственные интеллекты, о которых вы читаете в прессе, далеки от того, чтобы решить такую злобную проблему.

Кирен Чандлер: Кажется, эти злобные проблемы, вероятно, являются проблемой для дифференцируемого программирования завтрашнего дня и Скайнета, а не терминаторов. Так почему сейчас настало время взглянуть на неразрешимые проблемы? Что изменилось в мире технологий, что сделало возможным прогресс дифференцируемого программирования?

Жоанн Верморель: Изменилось то, что мы перешли от технологий, где мы могли оптимизировать модели буквально с несколькими сотнями параметров, к моделям, которые могут иметь сто миллионов параметров. Вот что вы получаете с современными техниками глубокого обучения, особенно для целей оптимизации в контексте глубокого и дифференцируемого программирования. Это изменяет игру, потому что проблема с многими из обсуждаемых нами клиентов заключается в том, что, если они не являются действительно маленькими компаниями, у них возникают проблемы, которые можно назвать масштабными. Даже если это не Walmart, как только у вас есть, скажем, 50 магазинов, вам нужно решать проблемы в масштабе. Если у вас есть 10 000 товаров на магазин, мы говорим о полумиллионе SKU, так что это как полумиллиона переменных для принятия решений о ценообразовании и запасах каждый день.

Изменилось то, что мы перешли от возможности оптимизировать проблемы с несколькими сотнями переменных к миллионам. Внезапно стало видно решение множества проблем, которые раньше были невидимыми. Интересно, что с глубоким обучением это было сочетание прогресса в области аппаратного обеспечения и программного обеспечения. Искусственный интеллект все еще быстро развивается, и лучшие процессоры с большим количеством ядер и большей вычислительной мощностью все еще быстро развиваются. Но, кроме того, еще быстрее происходят прорывы, когда у вас есть аппаратное обеспечение, которое дает вам 10 единиц вычислительной мощности через два года.

Кирен Чандлер: Может быть, у нас будет 20 единиц или, может быть, это будет через 3 года, хорошо, это хороший экспоненциальный прогресс за период, скажем, три года или что-то в этом роде. Но если каждые шесть месяцев у вас есть программные или математические прорывы, которые удваивают эффективность алгоритма, который у вас есть, то ваш прогресс значительно ускоряется. Именно это происходит с глубоким обучением. Был стабильный прогресс аппаратного обеспечения, но его полностью усилили серия прорывов, которые были скорее на алгоритмической и математической стороне, где у вас буквально было в два раза больше мощности от одного и того же аппаратного обеспечения. Ускорение происходит в последнее десятилетие, и результатом является то, что мы перешли от моделей с несколькими сотнями переменных к сотням миллионов за десять лет. Я имею в виду, не совсем так, но это дает вам некоторую рамку. Итак, это то, что изменилось, я бы сказал, большая часть заключается в том, чтобы иметь возможность делать это в масштабе с гибкостью и недорого. Будет ли этот рост продолжаться или это то, что растет столько, сколько нужно?

Жоанн Верморель: На данный момент я думаю, что мы достигли точки убывающей отдачи. Большинство проблем, с которыми мы сталкиваемся сейчас, не связаны с нехваткой вычислительной мощности; у нас есть избыточная вычислительная мощность. У нас нет проблем, о которых мы говорим, что если бы вычислительная мощность была в десять раз дешевле, мы могли бы это сделать. Это очень редко, и когда у нас есть методы, где мы могли бы вложить гораздо больше вычислительной мощности, чтобы получить небольшой толчок, это обычно крайне маргинально. Вы можете получить дополнительную точность на несколько десятых процента, вложив в десять раз больше процессорного времени, но это просто не стоит того. Вам лучше пересмотреть всю ситуацию. Я считаю, что основной вызов сейчас заключается в том, как сделать эти проблемы подходящими для рамок. Дифференцируемое программирование не является противоположностью; это попытка достичь максимальной выразительности, чтобы вы могли делать много вещей, которые до сих пор были открытыми проблемами, с помощью дифференцируемого программирования.

Кирен Чандлер: Давайте начнем собирать все вместе, и что означает дифференцируемое программирование для практика поставщика цепочки поставок? Какие преимущества они могут увидеть от этого и как это изменит их текущий подход?

Жоанн Верморель: Дифференцируемое программирование будет огромным шагом вперед в избавлении от силосов. Мы записали эпизод, я думаю, это было 20 эпизодов назад, о всех этих силох, где у нас были вертикальные и горизонтальные силосы. Реальность заключается в том, что я говорил, что мы должны просто избавиться от этих силосов, но реальность заключается в том, что, возможно, люди могут возразить против этого. Да, это имеет смысл, потому что очевидно есть неиспользованные неэффективности, которые можно было бы просто устранить и оптимизировать, если мы смогли бы это сделать, но технологии просто не хватает. Поэтому пока мы застряли со своими силосами только из-за отсутствия альтернативы. Я считаю, что дифференцируемое программирование конкретно открывает возможность думать о совместной ценообразовательной политике плюс ассортименте или обработке ассортимента или ценообразовании ассортимента или закупке плюс ценообразованию. Вы можете видеть все виды проблем, которые мы решали изолированно, и теперь вы можете сказать: “О, мы собираемся решить их совместно”. Это также потребует переосмысления того, как организованы эти компании, потому что эти старые силосы не выживут в этом новом мире, когда компании начнут идти по пути Amazon, разрушая эти силосы и кросс-оптимизируя эти области.

Кирен Чандлер: Отлично, спасибо за ваше время сегодня. Это все на этой неделе. Большое спасибо за внимание,