Экспериментальная оптимизация - Лекция 2.2

00:12 Введение
02:23 Фальсифицируемость
08:25 До сих пор
09:38 Моделирование подходов: Математическая оптимизация (MO)
11:25 Обзор математической оптимизации
14:04 Основная теория цепи поставок (резюме)
19:56 Масштаб перспективы математической оптимизации
23:29 Эвристика отклонения
30:54 На следующий день
32:43 Исправительные качества?
36:13 Моделирование подходов: Экспериментальная оптимизация (EO)
38:39 Обзор экспериментальной оптимизации
42:54 Корневые причины неразумности
51:28 Выявление неразумных решений
58:51 Улучшение инструментации
01:01:13 Улучшение и повторение
01:04:40 Практика EO
01:11:16 Резюме
01:14:14 Заключение
01:16:39 Предстоящая лекция и вопросы аудитории

Описание

Далеко от наивной декартовой перспективы, где оптимизация сводится к разработке оптимизатора для заданной функции оценки, цепь поставок требует гораздо более итеративного процесса. Каждая итерация используется для выявления «неразумных» решений, которые должны быть исследованы. Часто корневая причина заключается в неправильных экономических стимулах, которые необходимо переоценить с учетом их непреднамеренных последствий. Итерации прекращаются, когда числовые методы перестают давать неразумные результаты.

Полный транскрипт

Привет всем, добро пожаловать на эту серию лекций по цепи поставок. Я Йоанн Верморель, и сегодня я буду рассказывать о «Экспериментальной оптимизации», которая должна пониматься как оптимизация цепей поставок с помощью серии экспериментов. Для тех из вас, кто смотрит лекцию в прямом эфире, вы можете задавать вопросы в любой момент времени через чат YouTube. Однако, я не буду читать чат во время лекции; я вернусь к чату в самом конце лекции, чтобы ответить на найденные там вопросы.

Целью для нас сегодня является количественное улучшение цепей поставок, и мы хотим достичь этого способами, которые контролируемы, надежны и измеримы. Нам нужно что-то вроде научного метода, и одной из ключевых характеристик современной науки является то, что она тесно связана с реальностью или, более точно, с экспериментом. В предыдущей лекции я кратко обсудил идею экспериментов в цепях поставок и упомянул, что на первый взгляд они кажутся длительными и затратными. Длительность и стоимость могут даже противоречить самой цели, по которой мы проводим эти эксперименты, настолько, что это может и не стоит того. Но проблема в том, что нам нужен лучший способ подхода к экспериментам, и вот в чем именно заключается экспериментальная оптимизация.

Экспериментальная оптимизация - это в основном практика, возникшая в Lokad около десяти лет назад. Она предоставляет способ проведения экспериментов в цепях поставок, которые действительно работают, которые можно проводить удобно и прибыльно, и это будет конкретной темой лекции сегодня.

Но сначала давайте вернемся на секунду к самой природе науки и ее отношению к реальности.

Есть одна книга, “Логика научного открытия”, которая была опубликована в 1934 году и ее автором был Карл Поппер, которая считается абсолютным веховым произведением в истории науки. Она предложила совершенно потрясающую идею - фальсифицируемость. Чтобы понять, как возникла эта идея фальсифицируемости и что она означает, очень интересно вспомнить путь самого Карла Поппера.

Вы видите, в своей молодости Поппер был близок к нескольким кругам интеллектуалов. Среди этих кругов было два ключевых интереса: один - круг социальных экономистов, обычно сторонников марксистской теории в то время, и другой - круг физиков, в который входил, в частности, Альберт Эйнштейн. Поппер видел, что социальные экономисты имели теорию с целью создания научной теории, которая могла бы объяснить эволюцию общества и его экономики. Эта марксистская теория фактически делала предсказания о том, что произойдет. Теория указывала, что будет революция, и что революция произойдет в стране, которая является наиболее индустриализированной и где наибольшее количество рабочих фабрик будет найдено.

Оказалось, что революция действительно произошла в 1917 году; однако она произошла в России, которая была наименее индустриализированной страной в Европе и, следовательно, полностью противоречила тому, что предсказывала теория. С точки зрения Поппера, была научная теория, делающая предсказания, а затем произошли события, которые противоречили теории. Он ожидал, что теория будет опровергнута, и люди перейдут к чему-то другому. Вместо этого он увидел нечто совершенно иное. Приверженцы марксистской теории изменили теорию, чтобы она соответствовала событиям, как они разворачивались. Таким образом, они постепенно сделали теорию невосприимчивой к реальности. То, что началось как научная теория, постепенно превратилось в нечто совершенно невосприимчивое, и ничто из того, что могло произойти в реальном мире, не противоречило бы теории.

Это было в ярком противоречии с тем, что происходило в кругах физиков, где Поппер видел, как люди вроде Альберта Эйнштейна создают теории, а затем прилагают огромные усилия, чтобы придумать эксперименты, которые могли бы опровергнуть их собственные теории. Физики не тратили всю свою энергию на доказательство теорий, а скорее на их опровержение. Поппер задумался, какой подход является лучшим способом заниматься наукой, и разработал концепцию фальсифицируемости.

Поппер предложил, что фальсифицируемость является критерием для определения, может ли теория считаться научной. Он сказал, что теория является научной, если она удовлетворяет двум критериям. Первый - теория должна быть подвержена риску с точки зрения реальности. Теория должна быть выражена таким образом, чтобы реальность могла противоречить тому, что говорится. Если теория не может быть опровергнута, это не означает, что она истинна или ложна; это не имеет значения, по крайней мере с научной точки зрения. Таким образом, для того чтобы теория считалась научной, она должна нести определенную степень риска с точки зрения реальности.

Вторым критерием является то, что степень доверия или доверия, которое мы можем положить в теорию, должно быть, в некоторой степени (и я упрощаю здесь), пропорционально количеству работы, которое ученые сами вложили в попытки опровергнуть теорию. Научная характеристика теории заключается в том, что она несет большой риск, и многие люди пытаются использовать эти слабости, чтобы опровергнуть теорию. Если они неоднократно терпят неудачу, то мы можем придать некоторую достоверность теории.

Эта перспектива показывает, что есть глубокая асимметрия между тем, что является истинным, и тем, что является ложным. Современные научные теории никогда не должны рассматриваться как истинные или доказанные, а только как ожидающие подтверждения. Тот факт, что многие люди пытались опровергнуть их безуспешно, увеличивает достоверность, которую мы можем им придать. Это понимание имеет критическое значение для мира цепочки поставок, и в частности, это понятие фальсифицируемости питает многие из самых потрясающих достижений в науке, особенно в современной физике.

До сих пор это третья лекция второй главы этой серии о цепочке поставок. В первой главе пролога я представил свои взгляды на цепочку поставок как на область исследования и практику. Одним из ключевых выводов было то, что цепочка поставок охватывает набор сложных проблем, в отличие от простых проблем. Эти проблемы не предназначены для прямого решения. Поэтому нам нужно уделять большое внимание методологии, которую мы используем для изучения и практики цепочки поставок. Эта вторая глава посвящена этим методологиям.

В первой лекции второй главы я предложил качественный метод для получения знаний и последующего улучшения цепочки поставок с помощью понятия персонажей цепочки поставок. Здесь, в этой третьей лекции, я предлагаю количественный метод: экспериментальную оптимизацию.

Когда речь идет о достижении количественного улучшения в цепочках поставок, нам нужна количественная модель, числовая модель. Есть как минимум два подхода к этому: основной подход, математическая оптимизация, и другая перспектива - экспериментальная оптимизация.

Основной подход к достижению количественного улучшения в цепочке поставок - это математическая оптимизация. Этот подход в основном заключается в создании длинного каталога пар проблема-решение. Однако я считаю, что этот метод не очень хорош, и нам нужна другая перспектива, которая и является экспериментальной оптимизацией. Это следует понимать как оптимизацию цепочек поставок с помощью серии экспериментов.

Экспериментальная оптимизация не была изобретена в Lokad. Она возникла в Lokad как практика первым делом и была концептуализирована как таковая годы спустя. То, что я сегодня представляю, не является тем, как она постепенно возникла в Lokad. Это был гораздо более постепенный и запутанный процесс. Я пересмотрел эту возникшую практику годы спустя, чтобы укрепить ее в виде теории, которую я могу представить под названием экспериментальная оптимизация.

Сначала нам нужно прояснить термин математическая оптимизация. У нас есть две разные вещи, которые нам нужно различать: математическая оптимизация как самостоятельная область исследования и математическая оптимизация как перспектива для количественного улучшения цепочки поставок, которая является сегодняшней темой интереса. Давайте на секунду отложим вторую перспективу в сторону и проясним, в чем суть математической оптимизации как самостоятельной области исследования.

Это область исследования, заинтересованная в классе математических проблем, которые представлены, как описано на экране. По сути, вы начинаете с функции, которая переходит от произвольного множества (заглавная A) к вещественному числу. Эта функция, часто называемая функцией потерь, обозначается f. Мы ищем оптимальное решение, которое будет точкой x, принадлежащей множеству A, и не может быть улучшено. Очевидно, что это очень широкая область исследования с множеством технических деталей. Некоторые функции могут не иметь минимума, в то время как другие могут иметь много различных минимумов. Как область исследования, математическая оптимизация была плодотворной и успешной. Было разработано множество техник и введено множество концепций, которые с успехом применяются во многих других областях. Однако сегодня я не буду обсуждать все это, так как это не является целью этой лекции.

То, что я хотел бы сказать, заключается в том, что математическая оптимизация, как вспомогательная наука, касающаяся цепочки поставок, имела значительную степень успеха сама по себе. В свою очередь, это глубоко повлияло на количественное изучение цепочек поставок, о чем и идет речь в математической оптимизации перспективы цепочки поставок.

Вернемся к двум книгам, которые я представил в своей первой лекции о цепочке поставок. Эти две книги представляют, на мой взгляд, основную количественную теорию цепочки поставок, воплощающую последние пять десятилетий как научных публикаций, так и производства программного обеспечения. Это не только опубликованные статьи, но и программное обеспечение, которое было внедрено на рынок. Что касается количественной оптимизации цепочек поставок, все делается и было сделано давно с помощью программных инструментов.

Если вы посмотрите на эти книги, каждая глава может быть рассмотрена как применение математической оптимизационной перспективы. Все сводится к постановке проблемы с различными наборами предположений, за которыми следует представление решения. Правильность и иногда оптимальность решения затем доказываются с учетом постановки проблемы. Эти книги по сути являются каталогами пар проблема-решение, представляющими собой математические оптимизационные задачи.

Например, прогнозирование можно рассматривать как проблему, где у вас есть функция потерь, которая будет вашей ошибкой прогнозирования, и модель с параметрами, которые вы хотите настроить. Затем вы хотите узнать численный процесс оптимизации, который дает вам оптимальные параметры. Тот же подход применяется к политике запасов, где вы можете делать предположения о спросе, а затем доказывать, что у вас есть решение, которое оказывается оптимальным с учетом только что сделанных предположений.

Как я уже рассказывал в самой первой лекции, у меня есть серьезные опасения относительно этой основной теории цепочки поставок. Упомянутые книги не являются случайным выбором; я считаю, что они точно отражают последние несколько десятилетий исследований в области цепочки поставок. Теперь, рассматривая идеи о фальсифицируемости, введенные Карлом Поппером, мы можем более ясно увидеть, в чем проблема: ни одна из этих книг на самом деле не является наукой, так как реальность не может опровергнуть то, что представлено. Эти книги по сути полностью невосприимчивы к реальным цепочкам поставок. Когда у вас есть книга, которая по сути является сборником пар проблема-решение, нет ничего, что можно опровергнуть. Это чисто математическая конструкция. Факт того, что цепочка поставок делает это или то, не имеет никакого отношения ни к доказательству, ни к опровержению чего-либо из того, что представлено в этих книгах. Это, вероятно, моя самая большая озабоченность этими теориями.

Здесь речь идет не только о научных исследованиях. Если посмотреть на то, что существует в области программного обеспечения для предприятий, обслуживающего цепи поставок, то можно увидеть, что существующее на рынке программное обеспечение в значительной степени отражает эти научные публикации. Это программное обеспечение не было изобретено отдельно от этих научных публикаций; обычно они идут рука об руку. Большинство программного обеспечения для предприятий, предназначенного для решения проблем оптимизации цепей поставок, является отражением определенной серии статей или книг, иногда написанных теми же людьми, которые создали программное обеспечение и написали книги.

Факт, что реальность не имеет никакого отношения к представленным здесь теориям, я считаю очень правдоподобным объяснением того, почему так мало теорий, представленных в этих книгах, на самом деле полезны в реальных цепях поставок. Это довольно субъективное утверждение, которое я делаю, но за свою карьеру я имел возможность обсудить это с несколькими сотнями директоров по цепям поставок. Они знакомы с этими теориями, и если они не очень хорошо знакомы с ними, у них есть люди в их команде, которые хорошо разбираются в них. Очень часто используемое компанией программное обеспечение уже реализует ряд решений, представленных в этих книгах, и тем не менее они не используются. Люди возвращаются к своим собственным таблицам Excel по разным причинам spreadsheets.

Так что это не незнание. У нас есть этот очень реальный проблема, и я считаю, что корень проблемы заключается в том, что это не наука. Вы не можете опровергнуть ничего из того, что представлено. Не то, чтобы эти теории были неверными - они математически верны - но они не являются научными в том смысле, что они даже не квалифицируются как наука.

Теперь вопрос будет следующим: насколько серьезна проблема? Потому что я выбрал только две книги, но какова на самом деле степень этой математической оптимизации в цепях поставок? Я бы сказал, что эта перспектива абсолютно огромна. В качестве анекдотического доказательства этого я недавно использовал Google Scholar, специализированный поисковик, предоставляемый Google, который предоставляет результаты только для научных публикаций. Если вы ищете “оптимальный запас” только за 2020 год, вы получите более 30 000 результатов.

Это число следует воспринимать с некоторой осторожностью. Очевидно, в этом списке, вероятно, есть множество дубликатов, и, скорее всего, будут ложные срабатывания - статьи, в которых и в заголовке, и в аннотации присутствуют слова “запас” и “оптимальный”, но статья вообще не о цепях поставок. Это просто случайность. Тем не менее, беглый осмотр результатов очень явно указывает на то, что мы говорим о нескольких тысячах статей, публикуемых ежегодно в этой области. В качестве базового значения это очень большое число, даже по сравнению с областями, которые абсолютно огромны, например, глубокое обучение. Глубокое обучение, вероятно, является одной из теорий компьютерных наук, которая имеет наибольшую степень успеха за последние два или три десятилетия. Так что то, что запрос “оптимальный запас” возвращает результат, который составляет примерно одну пятую от результата для глубокого обучения, на самом деле очень поразительно. Оптимальный запас, очевидно, является только частью того, о чем идут квантитативные исследования в области цепей поставок.

Этот простой запрос показывает, что математическая оптимизация является действительно огромной, и я бы сказал, хотя это может быть немного субъективно, что в качестве количественных исследований цепей поставок она действительно доминирует. Если у нас есть несколько тысяч статей, предлагающих оптимальные политики запасов и модели оптимального управления запасами для управления компаниями, публикуемых ежегодно, то, безусловно, большинство крупных компаний должны работать на основе этих методов. Речь идет не только о нескольких статьях; речь идет о абсолютно огромном количестве публикаций.

На моем опыте, с несколькими сотнями данных о цепях поставок, которые я знаю, это действительно не так. Эти методы практически нигде не встречаются. У нас есть абсолютно поразительное расхождение между состоянием области, когда речь идет о статьях, которые публикуются, и, кстати, о программном обеспечении, потому что программное обеспечение в значительной степени отражает то, что публикуется в научных статьях, и тем, как на самом деле функционируют цепи поставок.

Вопрос, который у меня возник, заключается в следующем: с тысячами статей можно ли найти что-то хорошее? Мне посчастливилось изучить сотни количественных статей о цепях поставок, и я могу дать вам ряд эвристик, которые позволят вам с высокой степенью уверенности сказать, что статья не представляет никакой добавленной ценности для реальных цепей поставок. Эти эвристики не являются абсолютно верными, но они очень точны, с точностью более 99%. Они не являются абсолютно точными, но почти полностью точными.

Итак, как мы определяем статьи, которые приносят реальную ценность, или, наоборот, как мы отвергаем статьи, которые не приносят никакой ценности? Я перечислил несколько эвристик. Первая из них заключается в том, что если статья делает какое-либо утверждение о какой-либо оптимальности, то можно с уверенностью сказать, что эта статья не приносит никакой ценности реальным цепям поставок. Во-первых, потому что это отражает тот факт, что авторы даже не понимают или имеют самое малейшее представление о том, что цепи поставок в основном являются сложной проблемой. Факт, что вы говорите, что у вас есть оптимальное решение - давайте вернемся к определению оптимального решения: решение, которое является оптимальным, если его нельзя улучшить. Говорить, что у вас есть оптимальное решение для цепи поставок, очень похоже на то, что существует жесткий предел человеческого изобретательства. Я не верю в это ни на мгновение. Я считаю, что это совершенно неразумное предложение. Мы видим, что есть очень большая проблема с подходом к цепям поставок.

Еще одна проблема заключается в том, что всякий раз, когда делается утверждение об оптимальности, за ним обязательно следует решение, которое очень сильно зависит от предположений. У вас может быть решение, которое доказано оптимальным согласно определенному набору предположений, но что, если эти предположения нарушаются? Будет ли решение по-прежнему хорошим? Напротив, я считаю, что если у вас есть решение, оптимальность которого можно доказать, то у вас есть решение, которое крайне зависит от сделанных предположений, чтобы быть хотя бы приблизительно правильным. Если вы нарушаете предположения, полученное решение, скорее всего, будет абсолютно ужасным, потому что оно никогда не было разработано для устойчивости к чему-либо. Утверждения об оптимальности можно сразу отбросить.

Второе - нормальные распределения. Всякий раз, когда вы видите статью или программное обеспечение, которое утверждает, что использует нормальные распределения, можно быть уверенным, что то, что предлагается, не работает в реальных цепях поставок. В предыдущей лекции, где я представил количественные принципы для цепей поставок, я показал, что все интересующие нас популяции в цепях поставок имеют распределение Ципфа, а не нормальное распределение. Нормальные распределения нигде не встречаются в цепях поставок, и я абсолютно уверен, что это результат, известный уже десятилетиями. Если вы находите статьи или программное обеспечение, которые полагаются на это предположение, можно с высокой степенью уверенности сказать, что у вас есть решение, которое было разработано из удобства, чтобы было легче написать математическое доказательство или программное обеспечение, а не потому, что было желание иметь производительность в реальном мире. Присутствие нормальных распределений - это просто лень или, в лучшем случае, признак глубокого непонимания того, о чем говорят цепи поставок. Это можно использовать для отклонения таких статей.

Затем, стационарность - этого не существует. Это предположение, которое кажется нормальным: вещи стационарны, больше того же самого. Но это не так; это очень сильное предположение. Оно фактически говорит о том, что у вас есть некий процесс, который начался в начале времени и будет продолжаться до конца времени. Это очень неразумная перспектива для реальных цепей поставок. В реальных цепях поставок любой продукт был введен в определенный момент времени, и любой продукт будет выведен из рынка в определенный момент времени. Даже если вы смотрите на достаточно долгоживущие продукты, как, скажем, в автомобильной промышленности, эти процессы не являются стационарными. Они будут длиться, может быть, максимум десять лет. Продолжительность интереса, временной промежуток интереса, является конечным, поэтому стационарная перспектива является абсолютно неверной.

Другой элемент, который позволяет определить, что количественное исследование не будет работать, - это отсутствие самой идеи замены. В реальных поставочных цепях замены повсюду. Если мы вернемся к примеру поставочной цепи, который я представил две недели назад на предыдущей лекции, вы увидите, что по крайней мере в полдюжины ситуаций были замены - на стороне поставки, на стороне преобразования и на стороне спроса. Если у вас есть модель, в которой концептуально замена даже не существует, то у вас есть нечто, что действительно противоречит реальным поставочным цепям.

Аналогично, отсутствие глобальности или отсутствие голистического подхода к поставочной цепи также является явным признаком того, что что-то не так. Если я вернусь к предыдущей лекции, где я представил количественные принципы для поставочной цепи, я заявил, что если у вас есть что-то, похожее на локальный процесс оптимизации, вы не оптимизируете ничего; вы просто перемещаете проблемы внутри вашей поставочной цепи. Поставочная цепь - это система, сеть, и поэтому вы не можете применять какую-то локальную оптимизацию и надеяться, что это будет действительно во благо всей поставочной цепи. Это просто не так.

С помощью этих эвристик я думаю, что вы можете почти полностью исключить большую часть количественной литературы по поставочной цепи, что само по себе поразительно.

Дело в том, что если бы я смог убедить каждый редакционный совет каждой конференции и журнала по поставочной цепи в том, что они должны использовать эти эвристики для фильтрации низкокачественных материалов, это не сработало бы. Авторы просто адаптировались бы и обходили процесс, даже если мы добавляли бы эти рекомендации для публикации в журналах по поставочной цепи. Если аналитики рынка добавляли бы их в свой список проверок, то авторы статей и программного обеспечения просто адаптировались бы. Они усложняли бы проблему, делая более сложные предположения, где уже нельзя было видеть, что это сводится к нормальному распределению или стационарному предположению. Просто это формулируется очень непрозрачно.

Эти эвристики хороши для выявления низкокачественных материалов, как статей, так и программного обеспечения, но мы не можем использовать их просто для фильтрации того, что является хорошим. Нам нужны более глубокие изменения; нам нужно пересмотреть всю парадигму. В данный момент нам все еще не хватает опровержимости. Реальность нигде не может ударить назад и каким-то образом опровергнуть то, что представлено.

В качестве последнего элемента, чтобы завершить эту часть лекции о математической оптимизации, можно ли найти какое-либо спасительное качество в этом огромном количестве статей и программного обеспечения? Мой очень субъективный ответ на этот вопрос - абсолютно нет. Эти статьи, и я прочитал множество количественных статей по поставочной цепи, неинтересны. Напротив, они чрезвычайно скучны, даже лучшие из них. Когда мы смотрим на вспомогательные науки, там нет никаких интересных находок. Вы можете посмотреть на все эти статьи, и я перечислил тысячи из них. С математической точки зрения это очень скучно. Не представлены никакие великие математические идеи. С алгоритмической точки зрения это просто прямое применение того, что давно известно в области алгоритмов. То же самое можно сказать о статистическом моделировании и методологии, которые являются чрезвычайно низкими. В методологии все сводится к математической оптимизации, где вы представляете модель, оптимизируете что-то, предоставляете решение и доказываете, что это решение имеет некоторые математические характеристики с учетом постановки проблемы.

Нам действительно нужно изменить не только поверхностно. Я не критикую подход. Есть исторические прецеденты для этого. Может показаться совершенно поразительным, что я утверждаю, что у нас есть десятки тысяч статей, которые совершенно бесплодны, но это исторически происходило. Если вы посмотрите на жизнь Исаака Ньютона, одного из отцов современной физики, вы увидите, что он провел около половины своего времени, работая над физикой, оставив огромное наследие, и другую половину времени, работая над алхимией. Он был блестящим физиком и очень плохим алхимиком. Исторические записи показывают, что Исаак Ньютон был таким же блестящим, преданным и серьезным в своей работе над алхимией, как и в своей работе над физикой. Из-за того, что алхимическая перспектива была плохо сформулирована, вся работа и интеллект, который Ньютон вложил в эту область, оказались совершенно бесплодными, без какого-либо наследия. Моя критика заключается не в том, что у нас есть тысячи людей, публикующих идиотские вещи. Большинство из этих авторов очень умны. Проблема в том, что сама структура бесплодна. Вот что я хочу сказать.

Теперь перейдем к второму подходу к моделированию, который я хочу представить сегодня. В начальные годы методология Lokad была глубоко укоренена в математической оптимизации. В этом отношении мы были очень стандартными, и это работало очень плохо для нас. Одна вещь, которая была очень специфичной для Lokad, и почти случайной, заключалась в том, что в какой-то момент я решил, что Lokad не будет продавать корпоративное программное обеспечение, а будет продавать непосредственно конечные решения для цепей поставок. Я действительно имею в виду точные количества, которые определенная компания должна закупить, количества, которые компания должна произвести, и сколько единиц нужно переместить из места А в место Б - независимо от того, должна ли какая-либо отдельная цена снижаться - Lokad занималась продажей конечных решений для цепей поставок. Из-за этого полуслучайного решения мы брутально столкнулись с нашими собственными несовершенствами. Нас поставили на испытание, и была очень жесткая проверка реальности. Если мы производили решения для цепей поставок, которые оказывались плохими, клиенты сразу же начинали кричать на меня, потому что Lokad не предоставляла удовлетворительного результата.

В некотором смысле в Lokad возникла экспериментальная оптимизация. Она не была изобретена в Lokad; это была возникшая практика, которая была просто ответом на то, что мы были под огромным давлением со стороны наших клиентов, чтобы что-то сделать с этими дефектами, которые были повсюду в начале. Нам пришлось придумать некий механизм выживания, и мы попробовали многое, иногда довольно случайно. То, что возникло, называется экспериментальной оптимизацией.

Экспериментальная оптимизация - это очень простой метод. Цель состоит в том, чтобы производить решения для цепей поставок, написав рецепт, управляемый программным обеспечением, который генерирует решения для цепей поставок. Метод начинается следующим образом: шаг ноль, вы просто пишете рецепты, которые генерируют решения. Здесь представляют интерес большое количество ноу-хау, технологий и инструментов. Это не является темой этой лекции; это будет подробно рассмотрено в последующих лекциях. Итак, шаг один, вы просто пишете рецепт, и, скорее всего, он будет не очень хорошим.

Затем вы входите в практику неопределенной итерации, где сначала вы запускаете рецепт. Под “запуском” я имею в виду, что рецепт должен иметь возможность работать в производственной среде. Речь не только о наличии алгоритма в лаборатории по науке о данных, который можно запустить. Речь идет о наличии рецепта, который обладает всеми необходимыми качествами, чтобы, если вы решите, что эти решения достаточно хороши для внедрения в производство, вы можете сделать это одним щелчком. Вся среда должна быть готова к производству; в этом заключается суть запуска рецепта.

Следующее, что вам нужно сделать, это выявить неразумные решения, что было рассмотрено в одной из моих предыдущих лекций о поставке, ориентированной на продукт, для цепей поставок. Для тех из вас, кто не посетил эту лекцию, вкратце скажу, что мы хотим, чтобы инвестиции в цепи поставок были капиталистическими, прирастающими, и для этого мы должны убедиться, что люди, работающие в этом подразделении цепей поставок, не занимаются тушением пожаров. Ситуация по умолчанию в подавляющем большинстве компаний в настоящее время заключается в том, что решения для цепей поставок генерируются программным обеспечением - большинство современных компаний уже широко используют куски корпоративного программного обеспечения для управления своими цепями поставок, и все решения уже генерируются через программное обеспечение. Однако очень большая часть этих решений просто безумна. Большинство команд по цепям поставок занимаются ручной проверкой всех этих безумных решений и ведут постоянную борьбу с ними. Таким образом, все усилия исчерпываются операционной деятельностью компании. Вы решаете все свои исключения однажды, а затем возвращаетесь на следующий день с новым набором исключений, и цикл повторяется. Вы не можете капитализировать; вы просто тратите время своих экспертов по цепям поставок. Идея Lokad заключается в том, что мы должны рассматривать эти неразумные решения как дефекты программного обеспечения и полностью их устранять, чтобы у нас был капиталистический процесс и практика самой цепи поставок.

После того, как у нас есть это, нам нужно улучшить инструментарий и, в свою очередь, улучшить сам численный рецепт. Всю эту работу проводит ученый по цепям поставок, понятие, которое я представил в своей второй лекции первой главы “Количественная перспектива цепи поставок”, как видно от Lokad. Инструментарий представляет особый интерес, потому что именно через лучший инструментарий вы можете лучше понять, что происходит в вашей цепи поставок, что происходит в вашем рецепте и как вы можете его дальше улучшить, чтобы решить те безумные решения, которые продолжают возникать.

Давайте на мгновение вникнем в коренные причины безумия, которые объясняют эти безумные решения. Часто, когда я спрашиваю директоров цепи поставок, почему они думают, что их корпоративные программные системы, управляющие операциями цепи поставок, продолжают принимать эти безумные решения, очень распространенный, но ошибочный ответ, который я получаю, звучит так: “О, это просто потому, что у нас плохие прогнозы”. Я считаю, что этот ответ ошибочен по крайней мере по двум причинам. Во-первых, если вы перейдете от точности, которую вы можете получить от очень простой модели скользящего среднего, к современной модели машинного обучения, то, возможно, можно повысить точность на 20%. Да, это значительно, но это не может сделать разницу между очень хорошим решением и полностью безумным решением. Во-вторых, самая большая проблема с прогнозами заключается в том, что они не видят все альтернативы; они не являются вероятностными. Но я отвлекся; это будет темой для другой лекции.

Если мы вернемся к корневой причине безумия, я считаю, что, хотя ошибки прогнозирования являются проблемой, они абсолютно не являются главной проблемой. Из десятилетнего опыта в Lokad я могу сказать, что это в лучшем случае второстепенная проблема. Основная проблема, самая большая проблема, которая порождает безумные решения, - это семантика данных. Помните, что вы не можете наблюдать цепь поставок непосредственно; это невозможно. Вы можете наблюдать цепь поставок только как отражение через электронные записи, которые вы собираете с помощью корпоративного программного обеспечения. Наблюдение, которое вы делаете о своей цепи поставок, является очень косвенным процессом через призму программного обеспечения.

Здесь речь идет о сотнях связанных таблиц и тысячах полей, и семантика каждого из этих полей действительно имеет значение. Но как вы знаете, что у вас есть правильное понимание и подход? Единственный способ узнать наверняка, что вы действительно понимаете, что означает определенный столбец, - это проверить его экспериментом. В экспериментальной оптимизации экспериментальное испытание - это генерация решений. Вы предполагаете, что этот столбец что-то значит; это ваша научная теория, так сказать. Затем вы генерируете решение на основе этого понимания, и если решение хорошее, то ваше понимание правильное. В конечном счете, единственное, что вы можете наблюдать, - это, приводит ли ваше понимание к безумным решениям или нет. Вот где реальность возвращается.

Это не маленькая проблема; это очень большая проблема. Корпоративное программное обеспечение сложно, мягко говоря, и в нем есть ошибки. Проблема с математической оптимизационной перспективой заключается в том, что она рассматривает проблему так, будто это простая последовательность предположений, и затем вы можете развернуть относительно простое, математически элегантное решение. Но реальность заключается в том, что у нас есть слои корпоративного программного обеспечения поверх слоев, и проблемы могут возникать везде. Некоторые из этих проблем очень обыденные, такие как неправильное копирование, неправильная привязка между переменными или системы, которые должны быть синхронизированы, выходят из синхронизации. Могут быть обновления версий программного обеспечения, создающие ошибки, и так далее. Эти ошибки повсюду, и единственный способ узнать, есть ли у вас ошибки или нет, - это снова посмотреть на решения. Если решения выходят правильными, то либо ошибок нет, либо ошибки, которые есть, незначительны и нам все равно.

Что касается экономических факторов, то при обсуждении с директорами цепей поставок часто возникает еще один неправильный подход. Они часто просят меня доказать, что их компания получит какую-то экономическую отдачу. Мой ответ на это заключается в том, что мы даже не знаем экономических факторов еще. Мой опыт в Lokad показал мне, что единственный способ узнать наверняка, какие экономические факторы существуют - и эти факторы используются для построения функции потерь, которая, в свою очередь, используется для выполнения фактической оптимизации в самом численном рецепте - это фактически проверить их, снова, через опыт принятия решений и наблюдение, являются ли эти решения безумными или нет. Эти экономические факторы должны быть обнаружены и проверены на опыте. В лучшем случае у вас может быть только интуиция о том, что является правильным, но только опыт и эксперименты могут сказать вам, действительно ли ваше понимание является правильным.

Затем есть также все непрактичности. У вас есть численный рецепт, который генерирует решения, и эти решения, кажется, соответствуют всем правилам, которые вы установили. Например, если есть минимальные объемы заказа (MOQ), вы генерируете заказы, соответствующие вашим MOQ. Но что, если поставщик сообщает вам, что MOQ - это что-то другое? В ходе этого процесса вы можете обнаружить множество непрактичностей и кажущихся осуществимых решений, которые, когда вы пытаетесь проверить их в реальном мире, оказываются невозможными. Вы обнаруживаете все виды крайних случаев и ограничений, иногда таких, о которых вы даже не думали, где мир отвечает вам и вам нужно исправить это тоже.

Затем есть еще ваша стратегия. Вы можете подумать, что у вас есть общая стратегия для вашей цепи поставок, но она правильная? Просто чтобы дать вам представление, давайте возьмем Amazon в качестве примера. Вы можете сказать, что вы хотите быть ориентированными на клиента. Так, например, если клиенты покупают что-то онлайн и им это не нравится, они должны иметь возможность очень легко вернуть это. Вы хотите быть очень щедрыми, когда дело доходит до возвратов. Но что происходит, если у вас есть противники или плохие клиенты, которые обманывают систему? Они могут заказать дорогой смартфон стоимостью $500 онлайн, получить его, заменить подлинный смартфон поддельным, стоящим всего $50, а затем вернуть его. Amazon оказывается с поддельными товарами на своем складе, даже не понимая этого. Это очень реальная проблема, о которой много раз говорили онлайн.

У вас может быть стратегия, которая говорит, что вы хотите быть ориентированными на клиента, но может быть вашей стратегией должно быть быть ориентированными на клиента только для честных клиентов. Так что это не просто все клиенты; это подраздел клиентов. Даже если ваша стратегия приблизительно правильная, дьявол кроется в деталях. Опять же, единственный способ узнать, правильны ли детали вашей стратегии, - это экспериментировать, где вы можете рассмотреть детали.

Теперь давайте обсудим, как мы определяем безумные решения. Как мы отличаем здравые решения от безумных? Под “безумным решением” я имею в виду решение, которое не является разумным для вашей компании. Это тип проблемы, который действительно требует общего человеческого интеллекта. Нет никакой надежды, что вы сможете решить эту проблему с помощью алгоритма. Это может быть парадоксом, но это именно тот тип проблемы, который требует интеллекта на уровне человека, но не обязательно очень умного человека.

В реальном мире есть множество других проблем, подобных этой. Например, аналогией являются ошибки в фильмах. Если бы вы попросили студии Голливуда предоставить алгоритм, который может идентифицировать все ошибки в любом фильме, они, вероятно, сказали бы, что не знают, как создать такой алгоритм, так как это кажется задачей, требующей человеческого интеллекта. Однако, если вы преобразуете проблему в такую, где вам просто нужны люди, которых можно обучить быть очень хорошими в идентификации ошибок в фильмах, задача становится гораздо более простой. Очень просто представить, что вы можете создать справочник всех трюков для идентификации ошибок в фильмах. Вам не нужно иметь людей, которые являются исключительно умными, чтобы выполнить эту работу; вам просто нужны люди, которые разумно умны и преданные. Вот в чем именно дело.

Итак, какова ситуация с точки зрения цепи поставок? Если мы хотим конкретно рассмотреть проблему, в основном мы будем искать выбросы. Нам просто нужно начать с определенного угла. Допустим, например, мы вернемся к персонажу Парижа, о котором я рассказывал две недели назад. Это модная компания, которая управляет большой розничной сетью модных магазинов. Допустим, например, нас интересует качество обслуживания.

Давайте начнем с дефицита товара. Если мы просто выполним запрос по всем товарам и всем магазинам, мы увидим, что у нас есть тысячи случаев дефицита товара в сети. Так что это действительно не помогает; у нас их тысячи, и вопрос “и что?” Может быть, дело не только в дефиците товара; на самом деле интересно, есть ли дефицит товара в магазинах с большими продажами. Именно здесь это имеет значение, а не дефицит товара для любых товаров, а именно для топовых продуктов. Давайте сузим наш поиск дефицита товара, который происходит в магазинах с большими продажами для топовых продуктов.

Затем мы можем рассмотреть одну единицу складского учета (SKU), где товар оказывается равным нулю. Но при ближайшем рассмотрении мы увидим, что, возможно, в начале дня товар был на самом деле тремя единицами, и последняя единица была продана только за 30 минут до закрытия магазина. Если мы обратим внимание, мы увидим, что три единицы будут пополнены на следующий день. Итак, здесь у нас ситуация, когда мы видим, что у нас есть дефицит товара, но это действительно важно? Ну, оказывается, на самом деле нет, потому что последняя единица была продана прямо перед закрытием магазина вечером, и количество будет пополнено. Более того, если мы посмотрим дальше, мы увидим, что, возможно, в магазине нет места для размещения более трех единиц, поэтому мы ограничены здесь.

Итак, это не совсем значительная проблема. Может быть, мы должны сузить поиск до случаев дефицита товара, когда у нас была возможность пополнить запасы - топовый магазин, топовый продукт - но мы этого не сделали. Мы находим пример такого SKU и затем видим, что в центре распределения не осталось запасов. Итак, в этом случае это действительно проблема? Мы могли бы сказать нет, но подождите минуту. У нас нет товара на складе распределения, но для того же продукта давайте посмотрим на всю сеть в целом. У нас все еще есть товар на складах где-то?

Допустим, для этого продукта - топового продукта, топового магазина - у нас много слабых магазинов, в которых все еще осталось много товара для того же продукта, но они просто не продвигаются. Здесь мы видим, что у нас действительно есть проблема. Проблема не заключается в том, что в топовом магазине недостаточно товара; проблема заключается в том, что было выделено слишком много товара, вероятно, во время начального выделения для магазинов новой коллекции, для очень слабых магазинов. Итак, мы шаг за шагом идем к выявлению корневой причины проблемы. Мы можем проследить ее до проблемы с качеством обслуживания, вызванной не отправкой недостаточного количества товара, а, наоборот, отправкой слишком большого количества, что в конечном итоге оказывает системный эффект на качество обслуживания для этих магазинов с большими продажами.

То, что я сделал здесь, очень сильно противоречит статистике, и это важно, когда мы ищем “неразумные” решения. Вы не хотите агрегировать данные; наоборот, вы хотите работать с данными, которые полностью дезагрегированы, чтобы все проблемы проявились. Как только вы начинаете агрегировать данные, обычно эти тонкие поведения исчезают. Хитрость обычно заключается в том, чтобы начать с самого дезагрегированного уровня и пройти через сеть, чтобы точно понять, что происходит, не на статистическом уровне, а на очень базовом, элементарном уровне, где вы можете понять.

Этот метод также очень хорошо подходит для перспективы, которую я представил в количественном управлении цепями поставок, где я говорю, что вам нужно иметь экономические стимулы. Это все возможные будущие сценарии, все возможные решения, а затем вы оцениваете все решения в соответствии с экономическими стимулами. Оказывается, что эти экономические стимулы очень полезны, когда дело доходит до сортировки всех этих SKU, решений и событий, которые происходят в цепи поставок. Вы можете сортировать их по убыванию долларового влияния, и это очень мощный механизм, даже если экономические стимулы частично неверны или неполны. Оказывается, что это очень эффективный метод для исследования и диагностики с высокой производительностью того, что происходит в данной цепи поставок.

По мере исследования “нелепых” решений в ходе инициатив, где вы внедряете этот экспериментальный метод оптимизации, происходит постепенный переход от действительно нелепых, дисфункциональных решений к просто плохим решениям. Они не разрушат вашу компанию, но они просто не очень хорошие.

Здесь мы имеем глубокое расхождение с математической оптимизацией в цепи поставок.

В экспериментальной оптимизации сама функция потерь, поскольку экспериментальная оптимизация использует внутренние инструменты математической оптимизации, обычно в основе численных методов, генерирующих решение, имеет компонент математической оптимизации. Но это всего лишь средство, а не цель, которое поддерживает ваш процесс. Вместо того, чтобы пройти через математическую оптимизацию, где вы формулируете свою проблему и затем оптимизируете ее, здесь вы постоянно вызываете сомнения в том, что вы даже понимаете о самой проблеме и изменяете саму функцию потерь.

Чтобы получить понимание, вам нужно инструментировать практически все. Вам нужно инструментировать сам процесс оптимизации, сам рецепт численных методов и все характеристики данных, с которыми вы работаете. Это очень интересно, потому что, с исторической точки зрения, когда вы смотрите на многие из самых крупных научных открытий, где были сделаны значительные открытия, обычно за несколько десятилетий до этих открытий происходил прорыв в области инструментирования. Когда дело доходит до открытия знаний, обычно вы сначала открываете новый способ наблюдать за вселенной, делаете прорыв на уровне инструментирования, а затем вы можете сделать прорыв в том, что интересно в мире. Вот что здесь происходит. Кстати, Галилео сделал большую часть своих открытий, потому что он был первым человеком, у которого был собственный телескоп, именно поэтому он открыл спутники Юпитера, например. Все эти метрики - это инструменты, которые действительно движут вас вперед.

Теперь вызов состоит в том, что, как я уже сказал, экспериментальная оптимизация - это итерационный процесс. Очень важный вопрос здесь заключается в том, меняем ли мы одну бюрократию на другую. Одно из моих самых серьезных критических замечаний по поводу основного управления цепями поставок заключается в том, что мы оказываемся с бюрократией людей, которые просто тушат пожары, преодолевают все эти исключения на ежедневной основе, и их работа не является капиталистической. Я представил контрастную перспективу ученого в области цепей поставок, где их работа должна быть капиталистически аккретивной. Однако все сводится к тому, какую производительность можно достичь с учеными в области цепей поставок, и этим людям нужно быть очень продуктивными.

Здесь я даю вам краткий список ключевых показателей эффективности для того, что включает в себя эта производительность. Во-первых, вы действительно хотите иметь возможность пройти через конвейеры данных менее чем за час, от начала до конца. Как я уже сказал, одной из основных причин безумия является семантика данных. Когда вы понимаете, что у вас есть проблема на семантическом уровне, вы хотите проверить ее и вам нужно перезапустить весь конвейер данных. Ваша команда цепи поставок или ученый в области цепей поставок должны иметь возможность делать это несколько раз в день.

Когда речь идет о численном рецепте, который сам по себе выполняет оптимизацию, на этом этапе данные уже подготовлены и объединены, поэтому это подмножество всего конвейера данных. Вам понадобится очень большое количество итераций, поэтому вы хотите иметь возможность делать десятки итераций каждый день. Было бы замечательно иметь реальное время, но реальность в том, что локальная оптимизация в цепи поставок только смещает проблемы. Вам нужно иметь голистическую перспективу, и проблема с наивными или тривиальными моделями вашей цепи поставок заключается в том, что они не будут очень хороши в терминах их способности охватить все сложности, которые можно найти в цепях поставок. У вас есть компромисс между выразительностью и способностью численного рецепта и временем, необходимым для его обновления. Обычно баланс хороший, пока вы выполняете вычисления в течение нескольких минут.

Наконец, и этот момент также был рассмотрен в лекции о поставке программного обеспечения, ориентированной на продукт, для цепи поставок, вам действительно нужно иметь возможность внедрять один новый рецепт в производство каждый день. Это не совсем то, что я рекомендую делать, а скорее, вам нужно иметь возможность делать это, потому что неожиданные события будут происходить. Это может быть пандемия, а иногда это не так экстравагантно. Всегда есть возможность того, что склад может быть затоплен, у вас может произойти производственный инцидент или у вас может быть большая рекламная акция от конкурента. Все возможные ситуации могут произойти и нарушить вашу работу, поэтому вам нужно иметь возможность быстро применять корректирующие меры. Это означает, что вам нужно иметь среду, в которой можно внедрять новую итерацию вашего рецепта цепи поставок каждый день.

Теперь практика экспериментальной оптимизации интересна. Подход Lokad был всплывающей практикой и постепенно стал ежедневной практикой уже десять лет. В первые годы у нас был своего рода прото-экспериментальный процесс оптимизации. Основное отличие заключалось в том, что мы все еще итерировались, но использовали математические модели цепи поставок, полученные из литературы по цепям поставок. Оказалось, что эти модели обычно являются монолитными и не подходят для очень итеративного процесса, о котором я говорю с экспериментальной оптимизацией. В результате мы итерировались, но далеко не могли внедрять один новый рецепт в производство каждый день. Это было скорее так, что требовалось несколько месяцев, чтобы создать новый рецепт. Если вы посмотрите на веб-сайт Lokad о пути, который мы прошли, последовательные итерации, которые мы проводили с нашим прогностическим движком, отражали этот подход. Практически требовалось 18 месяцев, чтобы перейти от одного прогностического двигателя к следующему поколению прогностических двигателей, с короткой серией, возможно, одной большой итерации в квартал или что-то в этом роде.

Это было то, что было до этого, и где игра действительно изменилась, это введение программных парадигм. В моем прологе есть предыдущая лекция, где я представил программные парадигмы для цепи поставок. Теперь, с этой лекцией, должно стать яснее, почему нам так важны эти программные парадигмы. Именно они питают этот экспериментальный метод оптимизации. Это парадигмы, которые вам нужны, чтобы создать численный рецепт, где вы можете эффективно итерировать каждый день, чтобы избавиться от всех этих безумных решений и двигаться в сторону чего-то, что действительно создает большую ценность для цепи поставок.

Теперь экспериментальная оптимизация в дикой природе, моя вера в то, что это нечто, что возникло. Она не была изобретена в Lokad; скорее, она возникла там, просто потому что мы снова и снова сталкивались с нашей собственной несостоятельностью, когда дело доходило до реальных решений в цепи поставок. Я сильно подозреваю, что другие компании, подверженные тем же силам, разработали свои собственные процессы экспериментальной оптимизации, которые являются лишь неким вариантом того, что я представил вам сегодня.

Здесь, если вы посмотрите на гигантов технологической отрасли, таких как GAFA, у меня есть контакты, которые, не раскрывая торговые секреты, кажется, намекают на то, что такая практика имеет разные названия, но уже очень распространена в этих технологических гигантах. Вы даже можете увидеть это как внешний наблюдатель по тому факту, что многие из опубликованных ими инструментов с открытым исходным кодом действительно имеют смысл, когда вы начинаете думать о том, какие инструменты вы хотели бы иметь, если бы вы проводили инициативы, следуя этому методу экспериментальной оптимизации. Например, PyTorch не является моделью; это метарешение, парадигма программирования для машинного обучения, поэтому оно вписывается в эту рамку.

Затем вы можете задаться вопросом, почему, если это так успешно, оно не признается как таковое. Когда дело доходит до признания экспериментальной оптимизации в дикой природе, это сложно. Если вы сделаете снимок компании в определенный момент времени, он будет выглядеть точно так же, как математическая оптимизационная перспектива. Например, если Lokad сделает снимок любой из компаний, которым мы обслуживаем, у нас будет постановка проблемы на этот момент времени и решение, которое мы предлагаем. Так что на этот момент времени ситуация выглядит точно так же, как математическая оптимизационная перспектива. Однако это только статическая перспектива. Как только вы начинаете смотреть на временное измерение и динамику, все меняется радикально.

Также важно отметить, что хотя это итерационный процесс, он не является сходящимся. Это может быть немного беспокойно. Идея, что у вас может быть итерационный процесс, который сходится к чему-то оптимальному, похожа на то, что существует жесткий предел человеческого изобретательства. Я считаю, что это экстравагантное предложение. Проблемы цепи поставок являются сложными, поэтому нет сходимости только потому, что всегда есть вещи, которые могут радикально изменить игру. Это не узко определенная проблема, где вы можете надеяться найти оптимальное решение. Кроме того, еще одна причина, почему в практике нет сходимости, заключается в том, что мир продолжает меняться. Ваша цепь поставок не работает в вакууме; ваши поставщики, клиенты и ландшафт меняются. Любой числовой рецепт, который у вас был в определенный момент времени, может начать принимать неразумные решения только потому, что рыночные условия изменились, и то, что было разумным в прошлом, больше не является разумным. Вам нужно перестраиваться, чтобы соответствовать текущей ситуации. Просто посмотрите, что произошло в 2020 году с пандемией; очевидно, произошло так много изменений, что то, что было разумным до пандемии, не могло остаться разумным во время нее. То же самое произойдет снова.

Подведем итоги: у нас есть две разные перспективы: математическая оптимизационная перспектива, где мы имеем дело с четко определенными проблемами, и экспериментальная оптимизационная перспектива, где проблема является сложной. Вы даже не можете определить проблему; вы можете только двигаться к проблеме. В результате наличия четко определенной проблемы в рамках математической оптимизационной перспективы вы можете иметь четкий алгоритм в качестве предлагаемого решения, и вы можете упаковать его в программное обеспечение, доказывая его правильность и оптимальность. Однако в мире экспериментальной оптимизации вы не можете упаковать все, потому что это слишком сложно. То, что вы можете иметь, это парадигмы программирования, инструменты, инфраструктуру, и здесь все зависит от человеческого интеллекта. Это означает думать дважды, измерять трижды и делать шаг вперед. Здесь нет ничего, что можно автоматизировать; все сводится к человеческому интеллекту ученого в области цепи поставок.

В терминах фальсифицируемости моя основная пропозиция заключается в том, что математическая оптимизационная перспектива не является наукой, потому что вы не можете опровергнуть то, что она производит. Таким образом, в конечном итоге вы оказываетесь в гонке за усовершенствованием - вы хотите модели, которые всегда более сложны, но это не значит, что они более научны или создают больше ценности для компании. В ярком контрасте с этим экспериментальная оптимизация основана на фальсификации. Все итерации основаны на том факте, что вы ставите ваши числовые рецепты на испытание реальным миром, генерируя решения и определяя правильные решения. Этот экспериментальный тест можно проводить несколько раз в день, чтобы проверить вашу теорию и снова и снова доказать ее неправильность, итерируясь оттуда и, надеюсь, принося много ценности в процессе.

Это интересно, потому что, с точки зрения конечной цели, экспериментальная оптимизация не является гонкой к сложности; это гонка к основам. Речь идет о понимании того, что делает вашу цепочку поставок, фундаментальных элементов, которые управляют цепочкой поставок, и о том, как вы должны понимать, что происходит внутри ваших числовых алгоритмов, чтобы они не продолжали принимать неразумные решения, которые наносят вред вашей цепочке поставок. В конечном итоге, вы хотите создать что-то очень хорошее для вашей цепочки поставок.

Это была долгая лекция, но основная идея заключается в том, что математическая оптимизация - это иллюзия. Это обольщающая, сложная и привлекательная иллюзия, но иллюзия, тем не менее. Экспериментальная оптимизация, насколько я знаю, - это реальный мир. Мы используем ее уже почти десять лет для поддержки процесса реальных компаний. Lokad - всего лишь одна точка данных, но с моей точки зрения, это очень убедительная точка данных. Это действительно вопрос получения представления о реальном мире. Кстати, этот подход очень тяжел для вас, потому что, когда вы выходите в реальный мир, реальность отвечает вам. У вас были хорошие теории о том, какой числовой алгоритм должен работать для управления и оптимизации цепочки поставок, а затем реальность отвечает вам. Иногда это может быть невероятно разочаровывающе, потому что реальность всегда находит способы разрушить все умные вещи, о которых вы могли подумать. Этот процесс намного более разочаровывающий, но я считаю, что это доза реальности, которая нам нужна, чтобы действительно доставлять реальную, прибыльную отдачу от ваших цепочек поставок. Я считаю, что в будущем наступит момент, когда экспериментальная оптимизация, или, возможно, потомок этого метода, полностью заменит математическую оптимизацию в контексте исследований и практик цепочки поставок.

В следующих лекциях мы рассмотрим фактические методы, числовые методы и числовые инструменты, которые мы можем использовать для поддержки этой практики. Сегодняшняя лекция затрагивала только метод; позже мы будем заниматься ноу-хау и тактикой, необходимыми для его работы. Следующая лекция состоится через две недели, в тот же день и время, и будет посвящена отрицательным знаниям в цепочке поставок.

Теперь давайте посмотрим на вопросы.

Вопрос: Если научные статьи о цепочке поставок не имеют никакого отношения к реальности, даже отдаленно, и любой реальный случай будет под НСД, что вы порекомендуете тем, кто хочет заниматься исследованиями в области цепочки поставок и публиковать свои результаты?

Мое предложение - вызвать сомнения в методе. Методы, которыми мы располагаем, не подходят для изучения цепочки поставок. Я представил два подхода в этой серии лекций: персонал цепочки поставок и экспериментальную оптимизацию. Есть еще много работы, которую можно сделать на основе этих методологий. Это всего лишь два метода; я уверен, что есть еще много других, которые еще предстоит открыть или изобрести. Мое предложение - вызвать сомнения в основе того, что делает дисциплину настоящей наукой.

Вопрос: Если математическая оптимизация не является лучшим отражением того, как должна работать цепочка поставок в реальном мире, почему метод глубокого обучения будет лучше? Разве глубокое обучение не принимает решения на основе предыдущих оптимальных решений?

В этой лекции я провел четкое разграничение между математической оптимизацией как самостоятельной областью исследований и глубоким обучением как самостоятельной областью исследований, а также математической оптимизацией как перспективой, применяемой к цепочке поставок. Я не критикую то, что математическая оптимизация как область исследований является недействительной; наоборот. В этом методе экспериментальной оптимизации, о котором я говорю, в основе числового алгоритма обычно лежит алгоритм математической оптимизации какого-то вида. Суть в том, что математическая оптимизация как перспектива; в этом я вызываю сомнения. Я знаю, что это тонкая разница, но это критическая разница, которую я делаю. Глубокое обучение - это вспомогательная наука. Глубокое обучение - это отдельная область исследований, так же как математическая оптимизация - отдельная область исследований. Они оба являются отличными областями исследований, но они полностью независимы и отличаются от исследований цепочки поставок. Нас сегодня действительно интересует количественное улучшение цепочек поставок. Вот что я делаю - методы доставки количественных улучшений в цепочке поставок таким образом, чтобы они были контролируемыми, надежными и измеримыми. В этом и заключается суть.

Вопрос: Может ли обучение с подкреплением быть правильным подходом к управлению цепочкой поставок?

Сначала я бы сказал, что это, вероятно, правильный подход для оптимизации цепочки поставок. Это различие, которое я сделал в одной из своих предыдущих лекций - с точки зрения программного обеспечения у вас есть сторона управления средствами предприятия, а затем у вас есть сторона оптимизации. Обучение с подкреплением - это еще одна область исследований, которая также может использовать элементы глубокого обучения и математической оптимизации. Это своего рода ингредиент, который вы можете использовать в этом экспериментальном методе оптимизации. Критической частью будет то, есть ли у вас программные парадигмы, которые могут импортировать эти методы обучения с подкреплением таким образом, чтобы вы могли работать очень плавно и итеративно. В этом есть большая сложность. Вы хотите иметь возможность итерироваться, и если у вас есть сложная, монолитная модель обучения с подкреплением, то вы будете испытывать трудности, как и Lokad в первые годы, когда мы пытались использовать такие монолитные модели, где наши итерации были очень медленными. Для того, чтобы сделать итерацию более плавным процессом, требовались серия технических прорывов.

Вопрос: Является ли математическая оптимизация неотъемлемым элементом обучения с подкреплением?

Да, обучение с подкреплением является подобластью машинного обучения, а машинное обучение можно рассматривать как, в некотором смысле, подобласть математической оптимизации. Однако, дело в том, что когда вы это делаете, все находится внутри всего, и то, что действительно отличает все эти области, - это то, что они не принимают одну и ту же перспективу на проблему. Все эти области связаны, но обычно то, что действительно их отличает, - это намерение, которое вы имеете.

Вопрос: Как вы определяете безумное решение в контексте методов глубокого обучения, которые часто думают о многих будущих решениях?

Безумное решение зависит от будущих решений. Именно это я продемонстрировал на примере, когда сказал: “Является ли нехватка товара проблемой?” Хорошо, это не проблема, если вы видите, что следующее решение, которое собирается быть принятым, - это пополнение запасов. Таким образом, то, является ли эта ситуация безумной или нет, фактически зависит от решения, которое собирается быть принятым. Это усложняет исследование, но именно об этом я говорю, когда говорю о необходимости иметь очень хорошую инструментацию. Например, это означает, что при исследовании ситуации с отсутствием товара вы должны иметь возможность прогнозировать будущие решения, которые вы собираетесь принять, чтобы вы могли видеть не только данные, которыми вы располагаете, но и решения, которые вы прогнозируете, будут приняты в соответствии с вашим текущим числовым рецептом. Видите ли, дело в том, чтобы иметь подходящую инструментацию, и снова, это не так просто. Это требует интеллекта на уровне человека; вы не можете просто автоматизировать это.

Вопрос: Как работает экспериментальная оптимизация, выявление безумия и поиск решений на практике? Я не могу ждать, пока безумие не произойдет на самом деле, верно?

Абсолютно верно. Если я вернусь к началу этой лекции, я упомянул две группы людей: современных физиков и марксистов. Группа физиков, когда я сказал, что они занимаются настоящей наукой, не была пассивной, ожидая опровержения своих теорий. Они прилагали все усилия, чтобы разработать невероятно умные эксперименты, которые имели бы шанс опровергнуть их теории. Это был очень активный механизм.

Если посмотреть на то, что сделал Альберт Эйнштейн в течение большей части своей жизни, он искал умные способы проверить свои физические теории, которые он изобрел, по крайней мере частично. Так что да, вы не ждете, пока произойдет безумное решение. Поэтому вам нужно иметь возможность запускать свой рецепт снова и снова и тратить время на поиск безумного решения. Очевидно, есть некоторые решения, такие как решение с непрактичностью, где нет надежды - вы должны сделать это в производстве, и тогда мир ответит. Но для подавляющего большинства безумные решения могут быть выявлены просто путем проведения экспериментов изо дня в день. Но вам нужны данные, и вам нужно иметь реальный процесс, который генерирует реальные решения, которые могут быть внедрены в производство.

Вопрос: Если рецепт может быть нарушен из-за математического метода и/или перспективы, и если вы не знаете об этой другой перспективе, как вы можете обнаружить, что у вас проблема с перспективой, а не с методом, и привести себя к открытию другой перспективы, которая лучше подходит для решения проблемы?

Это очень большая проблема. Как можно увидеть то, чего нет? Если я вернусь к примеру сотрудников цепочки поставок в Париже, компании модной одежды, предположим на секунду, что вы забыли подумать о долгосрочном эффекте, который оказываете на привычки ваших клиентов, предоставляя скидки в конце сезона. Вы не осознаете, что создаете привычку у своей клиентской базы. Как вы когда-либо сможете это понять? Это проблема общего интеллекта. Здесь нет магического решения.

Вам нужно провести мозговой штурм, и, кстати, очень конкретный ответ от Lokad заключается в том, что компания базируется в Париже. Мы обслуживаем клиентов в более чем 20 отдаленных странах, включая Австралию, Россию, США и Канаду. Почему я собрал всех своих специалистов по цепочке поставок в одном месте, а не распределил их по всему миру? Ответ заключается в том, что мне нужно было, чтобы эти люди находились в одном месте, чтобы они могли общаться, проводить мозговые штурмы и приходить к новым идеям. Опять же, это очень простое решение, но я не могу обещать ничего лучшего. Когда есть что-то, чего вы не видите, например, необходимость думать о долгосрочных последствиях, и вы просто забыли об этом или никогда не думали об этом, эта проблема может быть очень очевидной и незаметной. В одной из моих предыдущих лекций я привел пример с чемоданом. Понадобилось 5000 лет, чтобы придумать, что было бы хорошей идеей добавить колеса к чемоданам. Колеса были изобретены тысячи лет назад, а лучшая версия чемодана была изобретена десятилетия спустя после того, как люди побывали на Луне. Вот такие вещи могут быть очевидными, но вы их не видите. Здесь нет рецепта; это просто человеческий интеллект. Вы просто делаете то, что у вас есть.

Вопрос: Постоянно меняющиеся условия будут делать оптимальное решение для вашей цепочки поставок постоянно устаревшим, верно?

Да и нет. С точки зрения экспериментальной оптимизации, не существует такого понятия, как оптимальное решение. У вас есть оптимизированные решения, но это делает всю разницу. Оптимальное - это как сказать, и я повторяюсь, что существует жесткий предел человеческого изобретательства. Так что здесь нет ничего оптимального; есть только оптимизированное. И да, с каждым прошедшим днем рынок отклоняется от всех экспериментов, которые вы провели до сих пор. Просто эволюция мира разрушает вашу оптимизацию. Вот таков мир. Бывают дни, например, когда происходит пандемия, и расхождение значительно ускоряется. Опять же, таков мир. Мир меняется, и ваш числовой рецепт должен меняться вместе с ним. Это внешняя сила, поэтому да, здесь нет пути к уходу; решение придется постоянно пересматривать.

Вот почему Lokad продает подписку, и мы говорим нашим клиентам: “Нет, мы не можем продать вам специалиста по цепочке поставок только на этапе внедрения. Это бессмысленно. Мир будет продолжать меняться; этот специалист по цепочке поставок, который разработал числовой рецепт, должен будет быть здесь до конца времен или пока вы не надоесте нам”. Таким образом, этот человек сможет адаптировать числовой рецепт. Здесь нет пути к уходу; это просто внешний мир, который продолжает меняться.

Вопрос: Путь к проблеме, хотя и правильный, сводит с ума высших руководителей. Они просто не могут понять это; они думают: “Как можно несколько раз пересматривать проблему в течение жизни проекта?” Какие известные аналогии из жизни вы предложили бы для таких разговоров, чтобы доказать, что это широко распространенная проблема?

Сначала, это именно то, что я сказал на последнем слайде, где я вставил скриншот из фильма “Матрица”. В какой-то момент вам нужно решить, хотите ли вы жить в фантазии или в реальном мире. Надеюсь, если ваше высшее руководство в вашей компании - это просто группа идиотов, мой единственный совет - вам лучше уйти в другую компанию, потому что я не уверен, что эта компания продержится долго. Но реальность в том, что я думаю, что менеджеры не глупы. Они не хотят иметь дело с выдуманными проблемами. Если вы менеджер в крупной компании, к вам приходят люди десять раз в день с “серьезной проблемой”, которая на самом деле не является проблемой. Реакция руководства, которая является правильной реакцией, - “Проблемы вообще нет, просто продолжайте делать то, что вы делали. Извините, у меня нет времени переделывать мир с вами. Это просто неправильный способ смотреть на проблему”. Они правы, потому что, благодаря десятилетиям опыта, они могут разобраться в этом. У них есть лучшие эвристики, чем у тех, кто находится ниже в иерархии.

Но иногда есть очень реальные проблемы. Например, ваш вопрос заключается в том, как убедить высшее руководство двадцать лет назад в том, что электронная коммерция станет доминирующей силой, с которой нужно будет считаться через двадцать лет. В какой-то момент вам просто нужно выбирать свои битвы с умом. Если ваше высшее руководство не глупо и вы приходите на встречу хорошо подготовленным, говоря: “Эй, босс, у меня есть проблема. Это не шутка. Это очень важная проблема, связанная с миллионами долларов. Я не шучу. Это огромные деньги, которые мы упускаем. Что хуже, я подозреваю, что большинство наших конкурентов съедят наш обед, если мы ничего не сделаем. Это не мелочь; это очень реальная проблема. Мне нужно, чтобы вы уделили 20 минут вашего внимания”. Опять же, в крупных компаниях редко бывает так, что высшее руководство - это группа полных идиотов. Они могут быть заняты, но они не идиоты.

Вопрос: Какова должна быть правильная ландшафтная среда для производственных компаний: экспериментальная оптимизация, такая как Lokad, плюс ERP, плюс визуализация? Как насчет роли систем одновременного планирования в режиме онлайн?

Большинство наших конкурентов придерживаются математической оптимизации в области цепей поставок. Они определили проблему и реализовали программное обеспечение для ее решения. Что я говорю, это то, что когда они ставят программное обеспечение на испытание, оно неизменно приводит к множеству безумных решений, и они говорят: “О, это потому, что вы не настроили программное обеспечение правильно”. Это делает программный продукт невосприимчивым к проверке реальностью. Они находят способы отклонить критику, а не решить ее.

В Lokad этот метод появился только потому, что мы сильно отличались от наших конкурентов. У нас не было возможности придумать оправдание. Как говорится, “Вы можете либо иметь оправдания, либо результаты, но не и то, и другое”. В Lokad у нас не было возможности оправдываться. Мы предоставляли решения, и с клиентской стороны не было ничего, что можно было бы настроить или настроить. Lokad прямо сталкивался со своими недостатками. Насколько мне известно, все наши конкуренты твердо укоренились в математической оптимизации и страдают от проблем, связанных с некоторой невосприимчивостью к реальности. Если быть честным, они не полностью невосприимчивы к реальности, но их процесс улучшения очень медленный, как я описывал для Lokad в первые годы. Они не полностью невосприимчивы к реальности, но их процесс улучшения движется очень медленно, а мир продолжает меняться.

Неизменно происходит то, что корпоративное программное обеспечение не меняется так быстро, чтобы быть в курсе мира в целом, поэтому вы получаете программное обеспечение, которое просто устаревает. Оно на самом деле не становится лучше, потому что с каждым годом, проходящим, программное обеспечение улучшается, но мир становится все более странным и отличается от того, откуда оно происходит.

Вопрос: Какова должна быть правильная ландшафтная среда для производственных компаний?

Правильная ландшафтная среда - это инструменты управления предприятием, которые могут управлять всеми транзакционными аспектами. Кроме того, очень важно иметь решение, которое очень интегрировано, когда речь идет о вашем числовом рецепте. Вы не хотите иметь стек технологий для визуализации, еще один для оптимизации, еще один для исследования и еще один для подготовки данных. Если у вас получится полдюжины технологических стеков для всех этих разных вещей, вам понадобится армия программных инженеров, чтобы все это объединить, и в результате вы получите нечто, что является противоположностью гибкости.

Требуется такое мастерство в программной инженерии, что не остается места для реального мастерства в управлении цепочкой поставок. Помните, это была суть моей третьей лекции о поставке программного обеспечения, ориентированного на продукт. Вам нужно что-то, что специалист по цепочке поставок, а не программный инженер, может управлять.

Это все. Увидимся через две недели, в тот же день и в то же время, на “Отрицательных знаниях в цепочке поставок”.

Ссылки

• Логика научного открытия, Карл Поппер, 1934 год