00:00:07 Вступление и биография Седрика Эрве в Kardinal.
00:02:07 Подход Kardinal к оптимизации маршрутов в реальном времени с участием человека.
00:03:41 Влияние оптимизации маршрутов в реальном времени на управление цепями поставок и управление запасами.
00:05:32 Разработка алгоритмов оптимизации маршрутов и важность данных.
00:06:22 Эволюция оптимизации маршрутов и важность точных данных.
00:08:00 Основные компании и участники в оптимизации маршрутов.
00:09:58 Как инновации Google вдохновили другие компании.
00:10:51 Основные источники данных для оптимизации маршрутов Kardinal.
00:12:55 Технические проблемы решений в режиме реального времени.
00:15:38 Пользователи получают контроль над данными и их влияние на оптимизацию.
00:18:00 Проблемы балансировки контроля над данными и экспертизы человека.
00:19:30 Влияние крупных компаний, таких как Amazon, Google и Microsoft, на зависимость от данных.
00:21:00 Концентрация рынка картографических данных.
00:22:17 Интересные исследования и разработки в области искусственного интеллекта и их потенциальные применения.
Резюме
В этом интервью Киран Чандлер беседует с Жоаннесом Верморелем и Седриком Эрве, основателями Lokad и Kardinal соответственно. Они обсуждают проблемы оптимизации маршрутов в реальном времени и важность человеческого вклада в сочетании с передовыми технологиями. Эрве также делится своим восторгом от разработок в области искусственного интеллекта, включая обучение с подкреплением и потенциальные последствия квантовых вычислений. В беседе затрагивается идея картографических данных как общественного блага и зависимость от крупных технологических компаний для получения данных, а также необходимость оставаться на передовых позициях в развитии новых технологий.
Расширенное резюме
Киран Чандлер ведет дискуссию с Жоаннесом Верморелем, основателем Lokad, компании по разработке программного обеспечения для оптимизации цепей поставок, и Седриком Эрве, сооснователем и руководителем отдела исследований и разработок в Kardinal, компании по оптимизации маршрутов. Они обсуждают последние достижения в области совместного использования данных, квантовые вычисления, оптимизацию маршрутов в реальном времени и роль людей в этих процессах.
Седрик Эрве объясняет, что Kardinal специализируется на оптимизации маршрутов в реальном времени с учетом контекста. Традиционное планирование маршрутов обычно выполняется вручную, что является неоптимальным. Однако люди обладают способностью справляться с чрезвычайными ситуациями и принимать решения на основе глобальных приоритетов. Существующее программное обеспечение для оптимизации маршрутов на рынке предоставляет статические решения, которые становятся проблематичными при возникновении неожиданных событий, таких как пробки или перепланировка.
Подход Kardinal заключается в непрерывной оптимизации маршрутов, что позволяет лучше справляться с проблемами по мере их возникновения. Они также подчеркивают необходимость сохранения роли людей в процессе, так как они обладают знаниями и стратегическим видением, которые нельзя найти или моделировать в базах данных.
Жоаннес Верморел соглашается с тем, что использование человеческого интеллекта в сочетании с современной вычислительной мощностью является неотъемлемым условием для оптимизации цепей поставок. Стратегия Lokad заключается в максимальном использовании умных людей, которые очень хорошо осведомлены о проблемах, которые они пытаются решить.
Разговор переходит к различиям во временных масштабах между подходами Kardinal и Lokad. Kardinal сосредоточен на оптимизации маршрутов в реальном времени, с переоценкой решений каждую минуту примерно. Это не то же самое, что принятие решений на микросекундном уровне, необходимое для задач, таких как управление роботами в складе. С другой стороны, решения Lokad сосредоточены на следующем дне или на период до одного года вперед.
Затем разговор переходит к развитию оптимизации маршрутов на протяжении многих лет. Эрве различает проблемы поиска наилучшего маршрута от одной точки к другой, для которых предназначены Google Maps, и более сложную проблему определения оптимального порядка посещения нескольких остановок. Эта последняя проблема требует сложных алгоритмов и точных данных о трафике, чтобы предоставить выполнимые и эффективные маршруты. Kardinal сосредоточен на превращении теоретической математики в практические решения, обеспечивая, чтобы оптимизированные маршруты были реалистичными и управляемыми для водителей.
Верморел подчеркивает Google как компанию, которая привнесла значительные инновации в онлайн-решения, особенно в поисковых системах, предоставляя более актуальную информацию по сравнению с конкурентами того времени. Хотя они не используют прямо алгоритмы Google, этот подход служит вдохновением для компаний, таких как Lokad и Kardinal, поскольку они работают над масштабируемыми онлайн-решениями для сложных проблем.
Обсуждая ограничения и нелинейности в оптимизации маршрутов, Верморел указывает на то, что факторы, такие как нормы занятости и ограничения, связанные с водителями, добавляют сложности к проблеме. Эрве добавляет, что у Kardinal есть два основных источника данных. Первый - это клиенты, которые предоставляют информацию о заказах, ограничениях, доступности водителей, грузоподъемности транспортных средств и других существенных деталях. Второй источник - это технологические партнеры, такие как HERE Technologies, которые предоставляют данные о расстояниях, трафике и обновлениях в реальном времени, необходимых для оптимизации маршрутов.
Они обсуждают проблемы обработки данных в реальном времени, важность человеческого вклада и зависимость от крупных технологических компаний для данных.
Верморел объясняет, что работа с данными в реальном времени представляет собой несколько сложностей. Во-первых, скорость света ограничена, что означает, что даже если данные могут передаваться быстро, их обработка может занимать секунды при наличии нескольких центров обработки данных и тысячи круговых поездок. Кроме того, существует множество факторов, которые могут замедлить работу компьютерных систем, таких как обновления программного обеспечения или другие фоновые процессы. Обеспечение эффективной работы систем реального времени в глобальном масштабе требует значительной экспертизы.
Еще одной проблемой является зависимость от партнеров, которая может повлиять на доступность и надежность поставщиков корпоративного программного обеспечения. Чем больше зависимостей, тем больше возможных проблем и времени простоя может возникнуть. Это означает, что время работы сервиса будет хорошим только насколько хороши его зависимости, что часто приводит к снижению доступности и надежности.
Эрве подчеркивает важность поддержания человеческого вклада в системах оптимизации маршрутов. Он рассказывает историю о том, как их первоначально сгенерированные алгоритмом маршруты были математически оптимальными, но водители смогли выявить проблемы, которые алгоритм не мог увидеть. Например, водитель может знать, что парковка будет невозможна в определенное время из-за того, что родители забирают своих детей из школы. Эрве подчеркивает необходимость баланса между маршрутами, сгенерированными алгоритмом, и человеческими знаниями, чтобы принимать наилучшие возможные решения.
Он также считает, что контроль над данными является важным. Пользователи должны иметь возможность понимать и взаимодействовать с данными, чтобы принимать обоснованные решения. Kardinal стремится дополнить человеческое принятие решений вычислительными исследованиями, позволяя сочетать человеческую экспертизу и оптимизацию на основе данных.
Обсуждая проблему зависимости от крупных компаний, таких как Amazon, Google и Microsoft, для данных, Эрве соглашается с тем, что может быть слишком большая зависимость от них. Однако он также признает, что технологии развиваются быстро, и в мире нет многих поставщиков картографических данных.
Разговор начинается с вопроса о том, должны ли картографические данные быть общественным достоянием. Верморел признает важность открытых карт и предлагает, что технологические достижения могут приблизить картографию к статусу общественного достояния. Однако он также указывает на то, что отрасль картографии сильно концентрирована, и есть всего несколько ключевых игроков. Хотя существует конкуренция, она остается ограниченной.
Эрве затем говорит о своем восторге от развития исследований в области операционного исследования и искусственного интеллекта. В Kardinal у них есть аспиранты, работающие над решением проблем оптимизации в режиме реального времени, расширяя область математической науки. Они также рассматривают другие достижения в области искусственного интеллекта, такие как обучение с подкреплением, которое обучает алгоритмы принимать решения, не явно определяя лучший выбор. Эрве отмечает, что этот подход философски отличается от текущих методов Kardinal, которые включают определение пространства решений и ранжирование решений в этом пространстве.
Хотя обучение с подкреплением показало себя с хорошей стороны в различных приложениях, Эрве признает, что у него есть ограничения при работе с различными ограничениями, с которыми сталкиваются в Kardinal. Однако они продолжают отслеживать его прогресс, так как в будущем он может стать более подходящим для принятия решений в режиме реального времени.
Затем разговор переходит к потенциальным последствиям квантовых вычислений. Эрве упоминает недавнее заявление Google о достижении квантового превосходства, что означает, что квантовые компьютеры могут решать проблемы значительно быстрее классических компьютеров. Квантовые алгоритмы могут использоваться для решения сложных проблем, таких как проблема коммивояжера, которая является центральной в работе Kardinal.
В то время как квантовые вычисления все еще являются долгосрочной перспективой, Эрве признает их потенциал демократизировать решение проблем, делая сложные задачи легче решаемыми. Если это произойдет, компаниям, таким как Kardinal, придется оставаться на передовой технологий, чтобы помочь своим клиентам работать лучше.
Полный текст
Киран Чандлер: На этой неделе в Lokad TV мы рады приветствовать Седрика Эрве, который расскажет нам о том, как увеличение квантовых вычислений и возможность оптимизации маршрутов в режиме реального времени привели к изменению способа работы компаний по доставке. Итак, Седрик, большое спасибо за то, что присоединились к нам сегодня.
Седрик Эрве: Спасибо за приглашение. Kardinal - это компания, специализирующаяся на оптимизации маршрутов в режиме реального времени с большим пониманием контекста. Обычно маршруты оптимизируются вручную людьми, поэтому они планируют графики работы для своих водителей или техников. Это явно неоптимально, но с другой стороны, люди обладают большой способностью справляться с чрезвычайными ситуациями, непредвиденными событиями и проблемами. Они могут представить себе общую картину своих приоритетов и принимать решения. Однако алгоритмы не полностью оборудованы для этого, особенно оптимизационные алгоритмы. На рынке есть программное обеспечение, которое предоставляет оптимизацию маршрутов, но оно делает это очень статичным образом. Оно получает данные, как-то их смешивает и предоставляет оптимизированное решение для графиков. Но это проблематично, потому что первое встреченное событие разрушит качество маршрутов. Когда грузовики находятся на дороге, возникают проблемы, такие как пробки, опоздания или отсутствующие клиенты и перепланирование встреч. Все эти события могут негативно сказаться на производительности. В Kardinal мы считаем, что правильный способ оптимизации маршрутов - это никогда не прекращать их оптимизацию. Таким образом, у вас есть больше возможностей справиться с проблемами по мере их возникновения. Еще одной ключевой особенностью нашей работы является то, что мы сосредоточены на том, чтобы не исключать людей из процесса, потому что они знают свою работу и знают вещи, которые нельзя найти или смоделировать в любой базе данных. Важно не исключать их из процесса, потому что у них есть стратегическое видение своей общей деятельности.
Киран Чандлер: Идея использования человеческого мозга и максимального использования его возможностей, особенно в чрезвычайных ситуациях, действительно интересна. Я думаю, что вы согласитесь с этим, Джоаннес, максимальное использование человеческого мозга в качестве дополнения к оптимизации?
Джоаннес Верморел: Абсолютно, идея максимального использования умных людей, которые очень хорошо осведомлены о проблемах, с которыми они пытаются справиться в своей цепи поставок, и использование лучшего, что может предложить современная вычислительная мощность, является, на очень высоком уровне, также стратегией Lokad.
Киран Чандлер: Отлично. Сегодня мы говорим немного о оптимизации маршрутов в режиме реального времени. Почему это интересно для вас с точки зрения цепи поставок?
Джоаннес Верморел: Очевидно, когда мы думаем о оптимизации цепи поставок в Lokad, мы не думаем о том же временном масштабе. Если я сравниваю то, что делает Kardinalи Lokad, которые оба являются поставщиками корпоративного программного обеспечения: Kardinalзанимается оптимизацией маршрутов, то есть принятием решений, которые могут быть пересмотрены каждую минуту или около того. Это не совсем микросекунды, так как вы не управляете роботами в режиме реального времени, которые собирают товары на складе. Это должно быть быстрым, но не на уровне микросекунд. Напротив, Lokad фокусируется на принятии решений на завтра или на период до одного года вперед, так что это временной диапазон. Факт того, что Lokad может оптимизировать цепи поставок, обычно включает принятие решений на более длительные периоды времени.
Киран Чандлер: Мы обсуждаем перебалансировку запасов между местами, такими как магазины или склады. Это в значительной степени зависит от гибкости инструментов, таких как оптимизация маршрутов, предоставляемых компаниями, такими как Kardinal. Чем больше гибкости у вас есть с вашими маршрутами, тем проще перебалансировать запасы между магазинами, что снижает стоимость оптимизации. Как развивалась оптимизация маршрутов за последние несколько лет, особенно учитывая наше все большее полагание на смартфоны и системы GPS?
Седрик Эрве: Оптимизация маршрутов имеет две основные проблемы. Первая - это переход от одной точки к другой и поиск правильной дороги, для чего и предназначены инструменты, такие как Google Maps. Вторая, более сложная проблема - это наличие n остановок для посещения и определение порядка, в котором вы посетите все эти остановки, с учетом таких факторов, как трафик. Наш фокус - на этой второй проблеме. Чтобы решить ее эффективно, вам нужны более умные алгоритмы, чем простое перечисление всех возможных комбинаций, и вот тут вступает математика.
Возможность моделирования этой проблемы и разработки алгоритмов существует с 1960-х годов. Однако фактическая реализация этих алгоритмов в значительной степени зависит от наличия точных данных, таких как данные о трафике. Если данные, предоставленные алгоритму, неверны или неточны, он будет создавать невозможные маршруты. В Kardinalмы фокусируемся на предоставлении маршрутов, которые являются выполнимыми и практичными для водителей.
Киран Чандлер: Говоря о доступности данных, кто является ключевыми игроками, которые способствовали росту и экспертизе в области оптимизации маршрутов?
Джоаннес Верморел: В онлайн-решениях для различных проблем произошло интенсивное развитие. Исторически одной из компаний, которая оказала значительное влияние в этой области, была Google. До Google поисковые системы, такие как Yahoo и AltaVista, обновляли свои индексы раз в квартал, что приводило к устаревшим результатам поиска. Google был инновационным во многих отношениях, включая его способность предоставлять более актуальные результаты поиска.
Киран Чандлер: Итак, Джоаннес, расскажите нам о переходе, который вы сделали, с того, чтобы быть компанией по оптимизации поисковых систем, на компанию по оптимизации цепи поставок?
Джоаннес Верморел: Изначально мы начали с онлайн-решений для предоставления лучших результатов для запросов. Однако реальность заключается в том, что новые страницы постоянно добавляются в индекс, и изначально мы делали только еженедельное обновление. Но это уже было в 20 раз быстрее, чем у большинства наших конкурентов. Так что произошел переход к проблеме, где мы хотели всегда иметь актуальные результаты в изменяющихся условиях. Lokad и Kardinalне используют алгоритмы Google, специально разработанные для поисковых систем, но это было источником вдохновения для нас, чтобы увидеть, что можно сделать в масштабе с доказательством того, что это действительно работает.
Седрик Эрве: И многие другие игроки начали делать похожие вещи в разных типах проблем. Я думаю, что появилась новая волна людей, которые задумывались о том, как иметь онлайн-версию проблемы, которая была бы гораздо умнее и очень отличалась от того, что сейчас делает Кардинал по сравнению с тем, что люди делали в 50-х годах. Все эти ограничения и нелинейности делают оптимизацию сложной для представления. У вас есть нелинейные ограничения, такие как то, что, возможно, ваш водитель не может водить больше X часов, потому что есть норматив, который так говорит.
Киран Чандлер: Седрик, расскажите нам о данных, которые действительно интересны Кардиналу и откуда вы их получаете?
Седрик Эрве: Конечно. Есть два основных источника данных. Первый, очевидно, от наших клиентов, которые предоставляют нам заказы, которые мы должны оптимизировать. Они дают нам самое точное описание своей деятельности, такие как юридические ограничения для рабочих часов водителей, доступность водителей, где они начинают, где они берут услугу, какой вид транспортного средства они водят, какая вместимость требуется и могут ли они перевозить опасные грузы или выполнять определенные технические вмешательства, требующие определенных навыков. Вся эта информация определяет ограничения их деятельности, и нам нужно ее понять. Второй источник - это данные, поступающие от клиента, описывающие сами заказы, такие как пакеты для доставки или вмешательства, например, по ремонту ИТ-оборудования. Мы полагаемся на технологических партнеров, таких как HERE Technology, который является нашим партнером для получения данных о расстоянии, которые нам нужны, чтобы понять, сколько времени занимает переезд с одной остановки на другую и как меняется трафик со временем. Нам также необходимо получать обновления о трафике в режиме реального времени, чтобы адаптироваться при необходимости. HERE предоставляет нам эти данные, и мы используем наши алгоритмы для предоставления обновленных решений.
Киран Чандлер: Седрик, вы упомянули растущий рост онлайн-решений. С технической точки зрения, какие вызовы это представляет в плане работы в режиме реального времени?
Седрик Эрве: Работа в режиме реального времени вносит много осложнений. Во-первых, не существует такого понятия, как реальное время, потому что скорость света конечна. Несмотря на то, что она невероятно быстра, все равно требуется время. Проблема возникает, когда у вас есть распределенные компьютерные системы, и вам нужно перемещаться туда и обратно из нескольких центров обработки данных. Если вы делаете тысячи обращений, это занимает секунды, чтобы получить результаты.
Киран Чандлер: Достижение систем реального времени может быть довольно сложной задачей, когда вы работаете в глобальном масштабе. С какими трудностями вы сталкиваетесь?
Жоанн Верморель: Ну, есть много вещей, которые могут помешать вам иметь хорошую систему реального времени. Например, наши компьютеры могут казаться очень быстрыми в среднем, но бывают моменты, когда они застревают из-за обновлений или по другим причинам. Так что на самом деле компьютеры могут быть довольно медленными в худшем случае. Кроме того, скорость вашей системы обычно будет определяться самым медленным из ваших компонентов. Это означает, что если у вас много машин, самая медленная из них может быть очень медленной. Работа в режиме реального времени сама по себе представляет собой набор сложных задач. Еще одной сложностью является то, что введение зависимости от партнеров означает, что вам нужно сделать свою службу очень доступной и надежной, даже если ваши партнеры этого не делают. Чем больше зависимости у вас есть, тем больше потенциальных проблем с простоями. Ваша служба хороша только насколько хороши ваши зависимости, что означает, что каждый раз, когда вы двигаетесь вниз по цепочке, вы получаете что-то с более низкой доступностью, более низким временем работы и всем остальным. Так что работа в режиме реального времени - это довольно сложная задача.
Седрик Эрве: Да, я согласен. И сейчас мы вступаем в эру, когда мы можем фактически контролировать эти данные. Например, с помощью Waze вы теперь можете сообщить о наличии полицейской камеры скорости где-то. Вы считаете, что это положительное влияние? Факт того, что мы теперь можем контролировать эти данные, очевидно, очень важен для того, чтобы иметь такую возможность, особенно в контексте, о котором я говорил ранее. В Kardinal мы очень внимательно следим за тем, чтобы люди оставались в системе, потому что как только они потеряют контроль над ней, и все станет слишком автоматизированным, они уже не смогут проверить, что алгоритм делает что-то. Они теряют такое понимание происходящего, что уже не могут предоставить свою экспертизу. И у них всегда есть экспертиза. У меня есть такая история, когда мы начали делать то, что мы делаем, мы пытались оспорить маршруты водителей и предлагали свои оптимизированные туры. У них всегда был пример чего-то, что алгоритм не мог увидеть. Забавный пример - у нас был очень красиво оптимизированный маршрут, который, очевидно, был идеальным способом посетить все эти остановки. Но когда водитель увидел это, он не сосредоточился на общем аспекте маршрута, который был лучше, чем то, что он все равно сделал бы. Он действительно сосредоточился на некоторых конкретных остановках. Он говорил нам: “Хорошо, вы говорите мне, что я доставлю этого человека сюда в 16:45, а здесь есть школа, и я знаю, что каждый родитель будет парковаться на этой улице, и я не смогу припарковаться, чтобы просто сделать эту доставку”. Это, очевидно, математически оптимально, но я знаю, что эта доставка в этот конкретный момент времени означает, что это всего лишь 15 минут, но невозможно доставить кого-то за эти 15 минут. И это действительно что-то. Для тех, кто работает с данными, стоимость знания этого заранее, чтобы избежать этого места, исправиться за 50 минут вперед, предвидя этот факт, очень дорога для нас. Это бессмысленно, потому что у нас есть человек в грузовике, который знает это. Ключевое взаимодействие, которое мы пытаемся реализовать с ними, - это хорошо. Вы знаете то, что мы никогда не узнаем, и мы никогда не будем действительно пытаться узнать это, потому что это обходится нам слишком дорого, поэтому просто дайте нам этот ввод. Хорошо, вы можете оспаривать алгоритмы, даже находясь на дороге. И то, что мы пытаемся сделать, - это то, что может произойти много событий. Это могут быть проблемы из…
Киран Чандлер: Можете ли вы объяснить нашим слушателям, как вы сочетаете пользовательский ввод и данные для принятия обоснованных решений?
Жоанн Верморель: Клиенты - не единственный источник данных. Ввод пользователя также является для нас событием, и если вы считаете, что что-то действительно лучше, вы можете выбрать по-другому. То, что мы предлагаем, - это всего лишь рекомендация, и вы можете принять обоснованное решение. Вы действительно будете хозяином своей области, потому что, вероятно, знаете то, чего мы не знаем. Чтобы действительно ответить на ваш вопрос, важно иметь контроль над данными, потому что сами по себе данные бессмысленны, если у вас нет чего-то, что говорит вам, что эти данные на самом деле означают. Но как только вы можете предоставить понимание того, что означают данные и какие решения вы предоставляете, люди не удаляются, но они усиливаются. Они могут принимать лучшие решения, потому что у них есть информация о влиянии наших вычислений, и с учетом других вещей, которые они имеют в виду, они могут принять наилучшее возможное решение. Именно это мы пытаемся достичь - правильное сочетание между двумя.
Седрик Эрве: Еще один пример - это лесные пожары в США. Когда люди вводили свои маршруты, чтобы попытаться уйти от этих пожаров, очевидно, дороги, где были пожары, показывались им как свободные, и они фактически направляли их туда. Имея возможность корректировать это и учитывать факторы вне контекста, это необходимо, когда вы делаете то, что мы делаем.
Киран Чандлер: Можно ли сказать, с точки зрения данных, что мы слишком полагаемся на некоторые крупные компании, такие как Amazon, Google и Microsoft?
Жоанн Верморель: Я бы сказал, что, вероятно, да, но также тот факт, что технологии очень быстро развиваются. Если посмотреть на картографические данные, то в мире нет так много поставщиков. Вопрос в том, должны ли картографические данные быть общественным достоянием. Есть люди, которые пытаются сделать это с помощью открытых карт и тому подобного. Реальность заключается в том, что когда у вас есть технология, которая очень быстро развивается, многим компаниям сложно конкурировать. Обычно, когда люди говорят “победитель забирает все”, то они забывают, что в технологиях часто все меняется быстро. Так что да, на рынке карт сейчас нет так много игроков, но я вижу много изменений, когда вещи, которые раньше считались очень сложными для доступа, теперь становятся более похожими на общественные блага с открытыми картами и тому подобным. Это займет много времени, но я подозреваю, что в большинстве случаев эти вещи становятся товаром, и проблема перемещается к чему-то другому. Так что, в итоге, сейчас, пока есть некоторая альфа-конкуренция, я считаю, что конкуренция есть. Для карт, вероятно, есть четыре или пять игроков, и это квалифицируется, но, конечно, это все еще довольно концентрированный рынок.
Киран Чандлер: И если это не заканчивает на сегодня, вы очень активно занимаетесь исследованиями и разработкой. Какие реальные вещи с точки зрения исследований и разработки вас волнуют в ближайшие несколько лет?
Седрик Эрве: Ну, во-первых, это то, что мы делаем в Кардинале.
Киран Чандлер: Итак, Жоанн, какие недавние достижения в области оптимизации вас больше всего впечатлили?
Жоанн Верморель: Мы - аспиранты, работающие над решением онлайн-версии оптимизации, расширяя область исследования операций как математической дисциплины для правильного решения проблем. Мы также видим другие вещи, происходящие в сообществе искусственного интеллекта в целом. Обучение с подкреплением - это другой подход от того, что мы делаем с исследованиями операций. Это обучение алгоритмов лучшему решению без явного указания, какое решение является правильным, что философски совсем иное от того, что мы делаем в Кардинале. Мы сообщаем алгоритму глобальную область возможных решений проблемы и какое решение лучше другого, чтобы мы могли сосредоточиться на поиске решения внутри закрытого набора возможных решений. Обучение с подкреплением предоставляет другой способ сделать это и, вероятно, очень подходит для принятия решений в реальном времени.
Седрик Эрве: Ограничение этого подхода сегодня заключается в том, что он не может обрабатывать разнообразие ограничений, с которыми мы сталкиваемся в наших методах. Но кто знает, мы были очень удивлены тем, что обучение с подкреплением может сделать в Pingo или даже в видеоиграх. Теперь они могут побеждать очень сильных игроков. Это то, что мы следим, и это действительно перспективно. Но мы видели, что Google объявил о достижении квантового превосходства, что означает, что квантовые компьютеры могут решать проблемы за короткое время, которые недоступны для обычных компьютеров. Они должны были перечислить все решения, и мы знаем, что существуют квантовые алгоритмы, подходящие для решения проблемы коммивояжера, например, которая является одной из наших основных проблем. Они могут решить ее за секунды, в то время как для обычных компьютеров потребуется тысячи лет только на перечисление. Это то, что нам нужно следить. Конечно, это очень долгосрочная перспектива, и с нашими умными алгоритмами мы уже можем сравняться со скоростью квантовых алгоритмов. Но квантовые вычисления предоставляют своего рода демократизацию, делая все эти проблемы, которые по своей природе сложны, легкими для решения, что довольно интересно для нас. Если наши проблемы станут легкими для решения завтра, нам придется быть на переднем крае использования этой технологии, чтобы помочь нашим клиентам работать гораздо лучше, чем сегодня.
Киран Чандлер: Великолепно. Ну, спасибо вам за ваше время сегодня. Это действительно интересно. Большое спасибо. Итак, что-то на этой неделе. Большое спасибо за внимание, и увидимся в следующий раз. Пока!
