00:00:00 Введение в интервью
00:00:42 Карьера Майнольфа Зелльманна и принятие решений InsideOpt
00:03:47 Нарушения и чрезмерный оптимизм в оптимизации
00:06:18 Открытие и влияние стохастической оптимизации Вермореля
00:08:10 Обеспечение выполнения заказов электронной коммерции и прогнозирование цепей поставок
00:09:56 Подход «предсказать, а затем оптимизировать» и его последствия
00:11:41 Улучшение операционных результатов и бизнес-затраты
00:14:08 Непредсказуемость и хаос в цепи поставок
00:16:16 Привлекательность прогнозирования и рационального принятия решений
00:18:43 Рациональное принятие решений и игра с перебронированием
00:21:55 Пример супермаркета и доступность товара
00:24:27 Стохастическая оптимизация и сезонная изменчивость продаж
00:28:53 Влияние изменения цен и совместное апостериорное распределение
00:30:39 Эвристики решения проблем и преодоление сложности
00:33:10 Проблемы с перишабельными товарами и апостериорное распределение
00:36:01 Трудности рассуждения и создание осознания решения
00:38:40 Проблема обжарки кофе и планирование производства
00:42:20 Моделирование бизнеса и реальность сложных переменных
00:45:34 Игнорируемые проблемы в оптимизации и поиск универсального решения
00:49:00 Советы генерального директора и понимание бизнес-процессов
00:51:58 Вместимость склада и неопределенность поставки от поставщика
00:54:38 Восприятие уровня обслуживания и упражнение по краткому описанию
00:57:33 Финансовые потери авиакомпаний и принятие технологий
01:00:10 Преимущества поиска на основе искусственного интеллекта и совместимость оборудования
01:03:05 Выпуклость в оптимизации и полезность над доказательством
01:06:06 Сходимость машинного обучения с техниками оптимизации
01:09:34 Возможности времени выполнения и расширение горизонта поиска
01:12:22 Микрокоррекции и риски операций на складе
01:16:09 Поиск хорошего компромисса и страхование от неопределенности
01:19:11 Ожидаемый рост прибыли с использованием стохастической оптимизации
01:22:23 Пример из аэрокосмической промышленности
01:24:30 Принятие хороших решений и контроль ущерба
01:25:19 Эффективность цепи поставок
01:26:22 Обратная связь клиента и важность технологий
01:26:56 Конец интервью
О госте
Доктор Майнольф Зелльманн является основателем и главным техническим директором InsideOpt, американской стартап-компании, которая разрабатывает универсальное программное обеспечение для автоматизации принятия решений в условиях неопределенности. Он является бывшим директором по оптимизации сети в Shopify, директором лабораторий по машинному обучению и представлению знаний в Глобальном исследовательском центре General Electric, старшим менеджером по когнитивным вычислениям в IBM Research и доцентом по компьютерным наукам в Брауновском университете. Майнольф разработал системы, такие как система расчетов по сделкам ЕЦБ, которая обрабатывает более 1 триллиона евро еженочно, опубликовал более 80 статей в международных конференциях и журналах, имеет шесть патентов и выиграл более 22 первых призов на международных программных соревнованиях.
Резюме
В недавнем интервью для LokadTV Конор Доэрти, Йоаннес Верморель и гость Майнольф Зелльманн обсудили роль стохастической оптимизации в управлении цепями поставок. Они подчеркнули важность учета изменчивости и неопределенности в процессах принятия решений. Традиционные детерминированные методы часто не справляются с реальными сценариями, что приводит к оптимистичным планам оптимизации. Оба Верморель и Зелльманн критикуют подход “предсказать, а затем оптимизировать”, предлагая компаниям достигать лучших результатов, учитывая изменчивость прогнозов во время оптимизации. Они подчеркивают необходимость выполнимых планов и измеряемой эффективности в любой модели оптимизации.
Расширенное резюме
В недавнем интервью, проведенном Конором Доэрти, руководителем по коммуникации в Lokad, доктор Майнольф Зелльманн, главный технический директор InsideOpt, и Йоаннес Верморель, генеральный директор Lokad, обсудили сложности принятия решений в условиях неопределенности в управлении цепями поставок. Разговор касался концепции стохастической оптимизации, метода, который учитывает врожденную изменчивость и непредсказуемость в процессах цепей поставок.
Доктор Зелльманн, награжденный ученый-компьютерщик и исследователь в области искусственного интеллекта, начал свой профессиональный путь через IBM, GE, Shopify и теперь InsideOpt. Он подчеркнул, как машинное обучение все больше становится частью его работы, и как традиционные детерминированные методы оптимизации часто не справляются с реальными сценариями. Он подчеркнул, что принятие решений в условиях неопределенности является неотъемлемой частью управления цепями поставок, и именно на это фокусируется InsideOpt.
На примере авиационной отрасли доктор Зелльманн проиллюстрировал сложности оптимизации в условиях неопределенности. Он объяснил, что хотя планы оптимизации могут выглядеть отлично на бумаге, они часто терпят неудачу в практике из-за непредвиденных обстоятельств. Это приводит к пониманию того, что оптимизация страдает от оптимизма.
Верморель согласился с точкой зрения доктора Зелльманна, поделившись своим опытом открытия концепции стохастической оптимизации. Он отметил, что идея неопределенности часто отсутствует в традиционной литературе по оптимизации. Верморель также обсудил идею овладения будущим для устранения неопределенности, концепцию, которая привлекала внимание уже почти столетие. Он упомянул попытку Советского Союза прогнозировать и ценообразовывать 30 миллионов товаров на пять лет вперед, что закончилось неудачей. Несмотря на это, идея все еще привлекает ученых и определенные типы управления из-за своего топ-даун подхода.
Dr. Sellmann критиковал традиционный подход “предсказать, а затем оптимизировать”, когда одно отделение делает прогноз, а другое использует этот прогноз для оптимизации. Он утверждал, что этот подход игнорирует изменчивость прогноза и предложил, что компании могут достичь значительно лучших операционных результатов, учитывая изменчивость прогноза во время оптимизации.
Vermorel использовал пример перепродажи авиабилетов, чтобы проиллюстрировать нелинейность некоторых проблем, где незначительные отклонения могут быстро привести к серьезным проблемам. Dr. Sellmann использовал пример супермаркета, который продает масло и наборы для загара, чтобы проиллюстрировать важность изменчивости спроса. Он утверждал, что крайне важно иметь весь ассортимент товаров в наличии в нужное время, особенно для сезонных продуктов, таких как загар.
В беседе также затронута разница между здравым смыслом и использованием программного обеспечения в управлении цепочкой поставок, важность прогнозирования потенциальных сценариев для всех продуктов и сложности планирования производства. Dr. Sellmann объяснил, что хотя идеальная точность была бы идеальной, это невозможно из-за неопределенностей в прогнозировании. Вместо этого следует изучить, как прогнозы ошибаются, и использовать эту информацию для принятия лучших решений.
В заключение, в интервью была подчеркнута важность стохастической оптимизации в управлении цепочкой поставок. Как Dr. Sellmann, так и Vermorel подчеркнули необходимость учета изменчивости и неопределенности в прогнозах при принятии решений, а также важность неупрощения моделей. Они предложили рассматривать любую модель оптимизации как симуляцию того, что произойдет в определенных условиях, и крайне важно убедиться, что план выполним и его эффективность может быть измерена.
Полный текст
Conor Doherty: Добро пожаловать. Неопределенность и стохастичность - это самая суть цепочки поставок. Наш сегодняшний гость, доктор Майнольф Селлман, хорошо знаком с этим. Он - награжденный компьютерный ученый, удостоенный исследователь и технический директор InsideOpt. Сегодня он поговорит со мной и Йоаннесом о принятии решений в условиях неопределенности. Майнольф, добро пожаловать в Lokad.
Meinolf Sellman: Большое спасибо, Конор, и очень приятно познакомиться с вами, Йоаннес. Я с нетерпением жду обсуждения.
Conor Doherty: Хорошо, спасибо вам за присоединение. Извините за краткое введение. Мне нравится сразу переходить к гостю, но в результате я не описываю достаточно подробно фон того, с кем мы разговариваем. Так что, сначала, пожалуйста, простите меня, а затем расскажите нам немного о вашем опыте.
Meinolf Sellman: Конечно. Я думаю, вы охватили основное. В душе я - человек оптимизации. Это то, что двигало моей дипломной работой. Немецкая система очень похожа на французскую. Моя дипломная работа состояла в создании решателя смешанного целочисленного программирования для компьютерной алгебраической системы. Так что, даже с самых ранних студенческих лет, я занимаюсь принятием решений, исследуя, как мы можем использовать компьютеры для принятия лучших решений.
Я был постдоком в Корнелле, профессором в Брауне, затем старшим менеджером в IBM, техническим директором в GE, затем директором в Shopify, и теперь я CTO в InsideOpt. В ходе этого путешествия вы можете видеть, что все больше и больше машинного обучения проникает в нашу работу.
Традиционная оптимизация является детерминированной. У вас есть полное знание о том, что происходит, и вы просто пытаетесь найти лучший путь действий. Как только вы сталкиваетесь с практикой, вы понимаете, что это не так. Вам нужно внедрять все больше и больше технологий, которые позволяют вам принимать решения в условиях неопределенности, и именно это волнует нас здесь, в InsideOpt.
Conor Doherty: Спасибо. Опять же, вы упомянули много крупных компаний, таких как IBM, General Electric и Shopify. Не нарушая возможные соглашения о неразглашении, какие детали или опыт могли оказать наибольшее влияние на вашу точку зрения на прогнозирование и принятие решений сейчас, когда вы находитесь в InsideOpt?
Meinolf Sellman: Посмотрите на отрасль авиаперевозок. Традиционно, здесь существует огромные затраты на оптимизацию. Это одна из отраслей, которая, вероятно, инвестировала раньше всего и больше всего десятилетий в технологию оптимизации. И теперь посмотрите, как весело управлять авиакомпанией. У них есть потрясающие планы, верно? У них есть планы экипажей. Они должны решить, какой пилот будет на каком самолете, какой бортпроводник будет на каком самолете, какие самолеты использовать для каких рейсов. Они также должны решить, какие виды рейсов предлагать, какие прямые рейсы предлагать, а затем как сделать их маршрутами, им нужно заниматься управлением доходами. Для всех этих операционных решений они используют оптимизацию, и на бумаге эти планы выглядят фантастически. Они, как правило, могут предоставить не только доказуемую оптимальность, но и гарантию производительности.
Но когда вы управляете авиакомпанией, вы знаете, что в день операции все идет не так, как ожидалось. Погода не такая, как вы ожидали, диспетчеры воздушного движения во Франции считают, что им платят недостаточно, гейт занят, какое-то оборудование сломалось. Все эти вещи могут пойти не так. И если вы когда-либо летали, вы знаете, что девиз авиакомпании звучит так: “Если сегодня все испорчено, то сегодня все испорчено. Давайте позаботимся о том, чтобы завтра не было испорчено”. Именно так они относятся к вам. Им не важно, что вы сегодня доберетесь до нужного места, они хотят быть в плане завтра, потому что если они придут с плохой ситуацией на завтра, то завтра тоже будет испорчено.
Что это говорит вам? Это говорит о том, что оптимизация страдает от чрезмерного оптимизма, что все пойдет по плану. И это то, что мы хотим изменить.
Conor Doherty: Спасибо. Джоаннес, согласно ли это вашему мнению?
Joannes Vermorel: Абсолютно. Для меня это было очень любопытно, потому что я относительно поздно открыл для себя понятие стохастической оптимизации. В свои 20-е годы я был очень знаком с обычной оптимизацией, вы знаете, выпуклой оптимизацией, прочитал целые книги по этим вещам. И такая классическая оптимизация, которая начинается с линейной алгебры и таких вещей, эти вещи преподаются не в школе, а сразу после нее.
Затем я изучал несколько лет, когда был студентом, исследования операций, это традиционное название данной темы. И снова, вы можете пройти буквально сотни страниц ситуаций, где у вас есть фабрики, самолеты, все виды распределения активов, машин, людей и так далее. И все же ни на одном этапе они никогда не обсуждают сложности, которые могут возникнуть. У вас просто есть моделирование ситуации, которое может быть неправильным, и все, что вы оптимизируете, оказывается чрезвычайно хрупким.
Момент, когда я понял, насколько глубока кроличья нора, был, когда я прочитал книгу “Антихрупкость” от Нассима Николаса Талеба. Это было довольно давно, но тогда я понял, что существует отсутствующая парадигма, которая действительно повсеместна. И тогда я начал проявлять общий интерес к этой оптимизации. Для меня самым удивительным является то, насколько она отсутствует в буквально всей литературе, которая рассматривает эту идею неопределенности, неполного знания вашей функции потерь, это буквально отсутствующее измерение. Здесь отсутствует целое измерение, и сложно увидеть то, чего вы не видите. Это не означает, что это неправильно, скорее это означает, что отсутствует целое измерение, которое отсутствует в очень большом, очень обширном, очень старом поле исследований.
Конор Доэрти: Ну, на самом деле, если я могу продолжить на эту тему. Когда вы упомянули идею отсутствующих парадигм и полностью отсутствующих вещей, это хорошо сочетается с одной из причин, по которой мы обратились к Майнольфу. Ваша точка зрения на то, что мы могли бы назвать традиционным планированием, прогнозированием и политиками учета запасов обычно относится к подходу “сначала прогноз, затем принимайте решения”, что парадигматически совершенно отличается от того, что, я думаю, все в комнате поддерживают. Итак, сначала я брошу это вам, Майнольф. Можете ли вы наметить различия между традиционным подходом и отсутствующими парадигмами, которые вы и Йоаннес видите?
Майнольф Зеллман: Да, так что, как вы можете себе представить, если вы управляете системой выполнения, у вас есть интернет-магазин, и вам нужно где-то в вашем складе разместить товары, которые вы надеетесь, что люди купят. Возникает проблема в том, что вы не знаете, сколько будет куплено где. Поэтому вам нужно сформулировать ожидание, скажем так. Так что вам нужно сделать прогноз или предсказание в более общем смысле. И есть люди, которые делают это за вас, и это обычно ваш отдел машинного обучения. Эти ребята знают все о “О, здесь отсутствуют значения”. Правильно, скажем, у вас были дефициты товара в какой-то момент, что означает, что вы на самом деле не знаете, сколько было бы продано, потому что товара не было. Так что вы на самом деле не знаете, сколько бы вы могли продать, если бы у вас было больше. Они занимаются выбросами, отсутствующими значениями, шумом и всем, что неопределенно и выходит за рамки этого, они делают прогноз, предсказание.
И затем у вас есть второй отдел, о котором Йоаннес сказал вполне правильно, что эти люди обычно не имеют дело с неопределенностью. Они говорят: “О, отличный прогноз. Давайте вставим его в мою модель оптимизации, как будто он был дан Оракулом Дельфийским или что-то в этом роде”. Так что это, как будто у вас есть идеальное знание о будущем. Вы просто обрабатываете эти числа, которые у вас есть, и говорите: “О, мой спрос на солнцезащитный крем на следующей неделе - 20 тюбиков. Так что давайте положим их на полку”, не обращая внимания на любую изменчивость, которая есть.
Это “прогнозирование, а затем оптимизация”, это то, как это называется, частично связано с тем, что у вас есть два разных отдела, которые имеют очень разные наборы навыков. И вам было бы очень сложно сказать: “О, теперь машинным обучающимся нужно узнать все об оптимизации” или, может быть, оптимизаторам нужно узнать больше о машинном обучении. Поэтому это обычно то, от чего компании стараются избегать. Вот почему существует такое разделение.
Но важно понимать, что если вы передаете неопределенность из одного отдела в другой, она не исчезает. Просто игнорируя ее, вы на самом деле упускаете много денег. И это вторая причина, почему люди не рассматривают это более пристально, потому что им кажется, что машинные обучающиеся сделали свою работу. Они возвращаются, они делают вещи, например, после построения модели они тестируют свою машинерию через то, что называется, например, кросс-валидацией. Так что вы бы пошли в известные данные и сказали бы: “Эй, если бы у меня был только этот фрагмент данных, и мне бы пришлось сделать прогноз для другой части данных, насколько хорошо бы это сработало?” Таким образом, вы можете убедить себя в том, что вы получите очень хорошие прогнозы от отдела машинного обучения.
И они делают это, и вы контролируете это, и вы говорите: “О, это потрясающе. У них хорошие прогнозы”. И тогда оптимизаторы все равно возвращаются и говорят: “У меня есть ограничение производительности или, эй, у меня есть, вероятно, оптимальное решение здесь”. Так что, если вы владеете компанией, вы бы не ожидали, что есть место для улучшения, сделав эти отделы работающими лучше вместе. И на самом деле, вы очень легко можете получить на 15%, 20%, 25% лучшие операционные результаты, если вы действительно учитываете изменчивость прогноза при оптимизации. Но люди этого не видят.
Частично, это структурно обусловлено тем, что “предсказывание и оптимизация” настолько актуальны, что вы не хотите смешивать навыки. Другая часть заключается в том, что вы не видите, насколько многое остается нереализованным, смешивая эти вещи более тесно. Потому что это звучит как “Замечательный прогноз, доказуемая оптимальность, замечательно. Все остальное - это просто стоимость бизнеса”. Но это не так. Я думаю, что это то, что мы сегодня хотим сказать аудитории вместе с Йоаннесом. Это не стоимость бизнеса.
Conor Doherty: Хорошо, Йоаннес, это стоимость бизнеса? Прав ли Майнольф?
Joannes Vermorel: Да, и я думаю, что есть еще одно измерение. Идея овладения будущим так, чтобы полностью устранить неопределенность, была на протяжении почти столетия очень соблазнительной идеей. Советский Союз рухнул, но идея составления пятилетнего плана и оркестрации всего не умерла вместе с Советским Союзом. В какой-то момент, я думаю, у них было около 30 миллионов продуктов, которые им нужно было ценообразовать и прогнозировать на пять лет вперед. Это был полный провал на прагматическом уровне.
Привлекательность этой идеи не умерла вместе с Советским Союзом. Она все еще привлекательна, особенно для академиков. Идея того, что вы можете описать будущее мира таким образом, чтобы у вас был прогноз, и это будет правдой, а затем это просто вопрос оркестрации. Она также резонирует с определенными типами управления, потому что имеет очень вертикальный подход.
Она обладает привлекательностью простоты. Очевидно, это заблуждение, потому что вы не контролируете все. Ваши клиенты имеют свои собственные планы, они могут принимать другие решения. Ваш поставщик старается сделать все возможное, но иногда его лучшее все равно не очень хорошо. Плюс, у вас есть потрясения. Иногда это что-то очень драматическое, например, война, иногда это что-то очень глупое, например, судно, застрявшее в канале Суэц, и все ваши импортные поставки задерживаются из-за глупого события. Но какова бы ни была причина, будущее - это беспорядок.
Очень сложно рационализировать этот хаос. Его сложнее объяснить. Рассуждать о идеальном будущем просто. Такой отзыв мы получали в первые годы работы Lokad. “Мистер Верморель, просто дайте нам точные прогнозы. Ограничьтесь погрешностью в 3% и все будет хорошо”. И, очевидно, если бы мы смогли это сделать, то не было бы никаких реальных преимуществ от объединения прогнозирования и оптимизации.
Но вот мы, спустя 15 лет. Даже если Lokad очень хорошо справляется с прогнозированием, для большинства бизнесов погрешность в 3% просто неприемлема. Мы даже близко не подходим к этому. Мы никогда не будем близки к этому на уровне SKU.
Meinolf Sellmann: Да, звучит резко сравнивать промышленную практику с Советским Союзом, но я недавно видел рекламу решателя MIP, где говорилось: “С помощью нашего решателя MIP эта авиакомпания оптимизировала свой пятилетний план”. И я думаю, что я оставил комментарий, что Хрущев был бы так горд. Это правда, это очень привлекательно сказать: “Я могу прогнозировать будущее, искусственный интеллект - это здорово, а затем я его оптимизирую и все будет хорошо”.
Joannes Vermorel: Я думаю, что привлекательность этой идеологии сильна. Я думаю, что люди отвергают это, говоря: “О нет, я за рынок, я не коммунист”. Но они упускают то, что делало эту идеологию такой привлекательной. Даже если вы занимаетесь наукой, вы часто встречаете сторонников таких взглядов. Идея контроля над своим будущим очень привлекательна. Идея возможности применения сверху вниз неких научных методов и рационализации с помощью большого плана - это полностью рациональное управление сверху донизу. На бумаге это выглядит как современное управление. Оказывается, что это на самом деле не современное управление, а скорее современное некомпетентное управление, но я чувствую привлекательность и видимость рациональности.
Но это сопряжено с побочными эффектами, которые являются иатрогенными, то есть непреднамеренными, но фундаментально подрывают эти планы. Вы оказываетесь с предположительно оптимальными решениями, которые оказываются невероятно хрупкими, где даже малейшее отклонение приводит к неожиданным последствиям.
Meinolf Sellmann: Это, вероятно, самая распространенная заблуждение. Люди думают: “Может быть, я не могу точно предсказать будущее, но даже если будут небольшие отклонения, мои решения, скорее всего, будут примерно одинаковыми”. Именно это не верно. Такого непрерывного изменения, которое вы ожидаете, на самом деле нет на практике. Вот почему, несмотря на то, что звучит так рационально сделать прогноз и затем принять решение на его основе, это на самом деле самая иррациональная вещь, которую вы можете сделать. Вы должны ожидать, что у вас нет доступа ко всей информации, которой вы должны обладать.
На самом деле, рациональный подход - это делать то, что делает Lokad, то, для чего мы создаем наше программное обеспечение для вас внутри Opt, это учитывать изменчивость, которую вы должны ожидать в своем прогнозе, при принятии решений.
Joannes Vermorel: Да, и приведу один пример для аудитории. Если вы хотите играть в игру с перебронированием в авиакомпаниях, это нормально. Всегда есть несколько пассажиров, которые не являются, поэтому вы можете продать несколько билетов больше, чем мест в самолете. Но проблема в том, что в какой-то момент у вас действительно не хватает мест. У вас было всего 200 мест, вы продали 220, полагая, что будет 20 человек, которые не явятся, но на самом деле явилось 205 человек. Таким образом, у вас есть пять человек, которые, как бы вы ни поступили, не поместятся в самолете. Да, вы можете предложить им компенсацию и играть во все виды игр, но в конечном итоге у этих пяти человек будет ужасное качество обслуживания на рейсе, который они купили у вас.
Таким образом, это очень нелинейная вещь, где первые несколько мест, да, вы можете перебронировать самолет, но затем есть предел, и достижение этого предела является жестоким, особенно для тех людей, если у них было что-то действительно важное. Это совершенно не похоже на мягкую линейную проблему, где просто немного больше того же самого. Нет, есть какой-то предел, и затем это становится настоящей проблемой, очень быстро.
Conor Doherty: Чтобы продолжить и объединить несколько мыслей, потому что вы оба сказали очень интересные вещи, которые приводят к следующему моменту. Джоаннес, ваш пример с перебронированием и Майнольф, ваш пример с измерением спроса. Например, я продал 20 единиц крема для кожи в прошлом месяце. Хорошо, вы продали, но у вас закончился товар, поэтому вы на самом деле не знаете, каким был спрос.
Когда вы рационально мыслите о проблеме, это естественным образом приводит вас к стохастической оптимизации, к принятию этой неопределенности. Нет идеального ответа, и я думаю, у вас есть фраза в ваших видеолекциях на YouTube, что-то вроде “Сейчас я его испорчу, потому что хорошее решение сейчас лучше, чем идеальное поздно” или что-то в этом роде.
Meinolf Sellmann: Да, это также другой момент, когда время, которое вам нужно найти хороший ответ, влияет на качество самого ответа. Да, вам определенно это нужно. Но к вашему вопросу, почему изменчивость имеет значение? Давайте объясним это на примере. Предположим, вы ведете супермаркет в Париже, и у вас есть разные товары, которые вы ставите на полки. Есть масло и наборы для загара. Два очень разных товара. Если у вас есть прогноз, что вы продадите 300 таких наборов в следующие 30 дней, стоит ли говорить, что это 10 в день? Нет. С маслом вы можете сделать это, потому что у масла постоянный спрос, и в основном ваш прогноз всегда около его среднего значения, с небольшими отклонениями влево и вправо. Но с набором для загара это больше похоже на то, что сейчас погода плохая, погода плохая, погода плохая, а затем наступает один уикенд, когда выходит солнце, и все готовятся и покупают наборы для загара, в основном на весь летний сезон. Если у вас нет всего ассортимента доступного в супермаркете в это время, вы просто упустили это. Это не значит, что потому что у вас сегодня было всего 10 таких наборов, вы сможете компенсировать остальные 290 завтра. Нет, начиная с понедельника, вы больше не будете продавать ни одного из них.
И вот в чем разница, верно? Таким образом, ожидаемое значение может быть одинаковым, но очень важно, насколько близко изменчивость распределена вокруг этого ожидаемого значения или есть огромное расхождение, когда можно сказать, что это либо ничего, либо большое значение. И если вы не учитываете это при принятии решений, вы просто упускаете это, верно? И если вы так обращаетесь с продуктами, например, то оставляете на столе много денег. Я надеюсь, что это некоторым образом иллюстрирует то, о чем мы говорим здесь, верно? Ожидаемые значения - это ожидаемые значения, но то, что вам нужно знать, - это какие сценарии вам действительно нужно рассмотреть. И вот что делает стохастическая оптимизация. Она рассматривает различные потенциальные будущие события и пытается найти компромиссное решение сегодня.
Итак, для вещей, которые вам нужно решить сегодня, когда вы не можете ждать, чтобы увидеть, как выглядит будущее, для этих решений она пытается найти хорошую отправную точку, чтобы вы могли хорошо действовать, когда будущее станет ясным. Вот что такое стохастическая оптимизация, и это, на мой взгляд, то, что каждый человек делает каждый день. Потому что мы забываем об этом, как только начинаем использовать компьютер для этих задач.
Conor Doherty: Спасибо, Майнольф. Йоаннес, как это соотносится с вашим пониманием стохастической оптимизации?
Joannes Vermorel: Да, это случай, когда, как упоминал Майнольф, солнцезащитный крем имеет сезонный характер, но начало сезона меняется в зависимости от погоды с года на год. Это очень классический случай. Есть множество продуктов, которые попадают в эту категорию. Еще один тип продукта, где применимо подобное розничное пример, - это магазин товаров для самостоятельного ремонта (DIY), где люди покупают, например, четыре или восемь единиц сразу, потому что это выключатели и они не хотят иметь в своей квартире четыре или восемь выключателей, которые выглядят по-разному. Поэтому, когда они покупают, они хотят иметь четыре или восемь одинаковых выключателей в одно и то же время.
Если вы думаете, что иметь три на полке означает, что у вас нет нехватки товара, это неправильно. Фактически, человек заходит в магазин и говорит: “Я хочу четыре”, а их всего три, поэтому они идут в другое место, где могут найти четыре одинаковых единицы. Таким образом, крупность спроса действительно имеет значение, и это то, где внимание к деталям важнее, чем что-то, что усредняется за длительный период времени.
И действительно, это то, что интуитивно знает человек, управляющий магазином. Один выключатель бесполезен. Мне нужно иметь или коробку с одинаковыми выключателями, или лучше вообще не иметь их, потому что люди даже не будут обращать внимание на отдельный продукт. Отдельный молоток в порядке, потому что люди не приходят и не покупают четыре одинаковых молотка, но выключатели - нет. И это нечто, что очень, я имею в виду, это не ракетная наука в математике, когда вы об этом думаете.
Я думаю, что вы абсолютно правы. Я наблюдал то же самое. Люди, особенно практики в сфере цепей поставок, знают это интуитивно. Им не нужна математика, но как только они попадают в область программного обеспечения предприятия, вдруг скользящая средняя и немного экспоненциального сглаживания должны решить все проблемы. И они говорят: “Не волнуйтесь, если скользящая средняя недостаточна, у нас есть ABC-классы, чтобы уточнить вещи”. И я думаю, что это все равно не помогает. И я согласен, есть такое расхождение, когда, предположительно, когда мы входим в эту область программного обеспечения, люди оставляют свой здравый смысл за дверью, думая, что это машина, это слишком сложно. Так что, очевидно, если они используют экспоненциальное сглаживание, в термине есть слово “экспоненциальное”, значит, это должно быть научно и продвинуто, верно?
Meinolf Sellmann: Нам нравится декомпозировать проблемы. Вот почему мне нравится термин “грубость”, о котором вы упомянули. Это прекрасно, что это не технический термин, который можно использовать. Но это даже пересекает продукт. Если вы владеете супермаркетом и повышаете цены на молоко, вдруг становится меньше людей, приходящих в ваш магазин, потому что они больше не получают свои основные продукты там. Внезапно, каяки или что-то еще, что вы продаете сезонно, также больше не продаются, потому что у вас просто гораздо меньше посетителей в магазине. Так что вам действительно нужно некоторое совместное апостериорное распределение, где вы прогнозируете потенциальные сценарии того, как все движется.
Conor Doherty: Это описание, в частности о продуктах первой необходимости и взаимосвязи, звучит замечательно похоже на перспективу корзины, о которой мы говорим. Вы заходите, вам может понадобиться купить молоток, ну его нет, я ухожу. Я захожу, я хочу купить много вещей, я хочу составить полный список покупок, молока нет, хорошо, я пойду куда-то еще, где я могу купить молоко, а также все остальное. Таким образом, штраф за отсутствие молока не ограничивается утратой продажи молока, это все. Потому что наличие молока означало бы, что я бы продал масло, хлеб, джем, мороженое, бекон, что угодно. Но снова, и теперь это связано с следующим вопросом, который задается Майнольфу, чтобы защитить принцип милосердия для тех, кто может не согласиться, людям нравятся эвристики. Когда вы говорили о декомпозиции проблем, людям нравятся эвристики. Идея класса ABC, экспоненциального сглаживания, это вещи, которые легче понять, знаете ли, правила приближения. Стохастическая оптимизация сложнее, чем это, справедливо сказать. Не так ли?
Meinolf Sellmann: Ну, я думаю, что справедливо сказать, что у нас раньше не было инструментов, чтобы аккуратно решать эту проблему для отдела, сохраняя при этом разделение между машинным обучением и оптимизацией. Вы не хотите, чтобы все в вашей команде переобучались, чтобы делать все это. Итак, это было бы справедливо до, не знаю, может быть, пять лет назад. Но с сегодняшней технологией я бы не сказал, что это сложнее для людей, которым приходится создавать такие решения.
Conor Doherty: Хорошо, тогда следующий вопрос, и снова я обращусь к Йоаннесу специально по этому вопросу, но снова, ранее говоря о точности, как точность, что традиционно считается абсолютным показателем KPI для любого прогноза, влияет на стохастическую оптимизацию? Или это просто еще одна эвристика, которая отходит на второй план, когда вы начинаете думать о решениях?
Meinolf Sellmann: Да, очевидно, если бы кто-то мог сказать вам, какие будут лотерейные номера на следующую субботу, это было бы потрясающе. Проблема в том, что вам нужно делать прогнозы, и они сопровождаются неопределенностью. Вы не знаете все о мире, чтобы знать, что произойдет. Так что если вы владеете магазином и должны решить, какие суши вы туда положите, продукты первой необходимости, все применяется к тому, о чем ранее говорил Йоаннес, о продаже слишком много мест на самолете. Если вы не продаете суши, вам придется выбросить их. И это означает, что весь затраты на производство, транспортировку, ценообразование и размещение просто теряются, если вы не продаете это. Поэтому вы не хотите иметь избыток этих относительно низкомаржинальных товаров по сравнению с затратами, которые вы теряете, когда они портятся.
Вы знаете, есть ли эти пять молодых матерей, которые решили: “Отлично, мы снова можем есть суши” и собираются устроить вечеринку и набрать 40 этих суши? Вы не знаете, вы просто не знаете, что они внезапно появятся и купят 40 этих суши. И вы не можете знать эти вещи. Так что здесь есть неопределенность. Если бы у вас был идеальный прогноз, это было бы потрясающе. Но теперь, видя, что у вас его нет, вы делаете следующее лучшее - вы пытаетесь узнать, как ошибаются мои прогнозы. И это то, что мы называем апостериорным распределением. Так что мы говорим, хорошо, вы знаете, означает ли это, если я положу эти суши туда, означает ли это для моего ожидаемого значения, которое у меня здесь, скажем, 50 блюд или около того, что большую часть дней это 50 блюд, иногда 48, иногда 42, хорошо. Или означает ли 50 блюд, ну да, это либо 25, либо 75. Большая разница. Точность одинаковая, ожидаемое значение - 50, верно? Но сценарии, которые вам нужно рассмотреть, и решения, которые вы должны извлечь оттуда в терминах того, что вы собираетесь положить на полку, очень, очень разные. Так что это немного вводит в заблуждение. Точность была бы потрясающей, если бы вы могли получить 100%. Если вы не можете получить 100%, вам нужно сделать следующее лучшее - вам нужно прогнозировать и оценивать, как вы ошибаетесь.
Joannes Vermorel: Да, и чтобы вернуться к комментарию Майнольфа о сложности или воспринимаемой сложности, мое мнение по этому поводу заключается в том, что очень часто, когда мы подходим к ситуации, инстинкт говорит начать с решения. Очень трудно представить проблему, пока у вас нет решения. Это очень странно. Вы знаете, снова, декартовское мышление будет заключаться в том, чтобы рассмотреть эту проблему и исследовать решение, но это абсолютно не то, как люди, даже я сам, работают. Это больше похоже на то, что у меня есть этот набор решений, которые я могу представить, и из этого я могу восстановить проблему, которую я могу решить. Знаете, это типично наоборот.
Итак, вы начинаете с решения или набора решений, которые вы готовы рассмотреть, а затем на основе этого вы выбираете проблему, которую вы думаете, что можете решить. Потому что есть множество проблем, которые были бы фантастическими, но вы просто не можете их решить. Знаете, у меня нет понятия, как создать антигравитационный двигатель, поэтому я даже не трачу время на то, чтобы рассмотреть, какой был бы лучший дизайн для летающей машины, потому что это настолько далеко от того, чтобы сделать это, что это даже не проблема, которая стоит моего времени.
Итак, вернемся к этому, я думаю, когда мы переходим к неопределенности в прогнозе, а затем к работе с этой неопределенностью на стороне оптимизации, это стохастическая оптимизация. Я думаю, что элемент, и я с вами согласен с прогрессом технологий, заключается в том, что это требует технологических компонентов, концепций, парадигм, нескольких вещей. Они не являются естественно очень сложными, но если вы изначально живете с теми вещами, которых совершенно нет, очень трудно представить их из ничего. Это просто, фундаментально, они не очень сложные, но они очень странные.
Люди сегодня принимают как должное, что они могут позвонить кому-то, кто находится на другом конце света, и это данность. Скажите это человеку 200 лет назад, и он подумает, что это полная магия. Знаете, идея о том, что вы можете сделать такую вещь, была просто непостижимой. Так ли люди могут делать это сейчас? Да, довольно легко. Но снова же, они знают решение, поэтому мысли о проблеме намного проще.
Итак, вернемся к этому, я считаю, что вызов заключается в том, что до тех пор, пока у вас нет решения, очень трудно рассуждать об этом. И если вы перейдете, может быть, к продукту, который вы делаете в InsideOpt, с помощью Seeker, то если у вас есть только инструменты оптимизации, которые не учитывают никакую неопределенность, то все проблемы оптимизации, которые вы готовы рассмотреть, по своей сути, из-за вашего инструмента, те, где вы парадигматически устраняете неопределенность.
Это мое серебряное ядро, поэтому мне нужна проблема, которая подходит. И вот она. Вот где я вижу самую большую проблему - иногда просто создание осознания существования класса решений, чтобы люди могли даже думать о классе проблем. Я знаю, что я очень мета здесь.
Конор Доэрти: Ну, на самом деле, чтобы продолжить, потому что это идеальный переход, возможно, непреднамеренный, но я все равно дам вам за это заслугу. Когда вы говорите о первоначальных принципах, начиная с проблемы и затем переходя к решению, в одной из ваших лекций вы говорите о проблеме обжарки кофе. Не могли бы вы это набросать, пожалуйста? Потому что снова это очень яркий, очень приятный пример. Определите, в чем заключается проблема, а затем объясните, как мы можем решить эту проблему стохастической оптимизацией или с использованием стохастической оптимизации.
Майнольф Зелльманн: Это на самом деле очень классическая задача в оптимизации. Она называется планированием производства. Если вы когда-либо проходили курс по стандартной рабочей программе, на которую вы только что ссылались, которая является серебряной пулей для всего в оптимизации, то есть смешанное целочисленное программирование, вы, вероятно, сталкивались с примером планирования производства.
Итак, что такое планирование производства? У вас есть ограниченные ресурсы для создания продуктов, которые вы хотите производить, и у каждого из этих продуктов есть ожидаемая прибыль. Но эти продукты используют общие производственные возможности. Например, машины, которые могут выполнять несколько разных продуктов, уличные упаковочные линии, обжарщики в случае с кофе, иногда они используют общие ингредиенты. Разные виды кофе могут использовать одинаковые виды зерен. Обычно это смесь зерен, которая туда попадает.
Итак, вопрос заключается в том, что я буду производить на какой производственной возможности и в какое время? Это необходимо делать каждый день, чтобы производить кофе. Должен быть кто-то, кто скажет: “давайте обжарим эти сырые зерна здесь, давайте храним их в том силосе, потому что их нельзя использовать сразу. Они должны остыть перед упаковкой”.
Затем вы идете и забираете их снова. Вам также нужно решить, когда вы возьмете что-то из какого силоса, а затем переместите его на уличные упаковочные линии, которые имеют ограниченные возможности. Пока все хорошо.
Если бы вы знали точно, сколько времени занимает обжарка кофе, жизнь была бы намного проще. Также, если бы вы знали точно, сколько времени занимает остывание зерен, жизнь тоже была бы намного проще. Проблема в том, что у вас есть только оценки для обоих случаев. Так в зависимости от того, насколько сухие зерна, поступающие на фабрику по обжарке, обжарка может занимать меньше или больше времени, чтобы достичь идеального состояния зерен. И это, конечно же, все портит, потому что вы не можете просто оставить обжарщик без присмотра.
Если вы не обжариваете ничего дольше 10 минут или около того, вам нужно выключить его, и если вы его выключите, потребуется полчаса, чтобы снова включить его. Так что внезапно вы сталкиваетесь с этими нелинейностями, где вы думаете: “ну хорошо, теперь обжарщик просто выключился и теперь удачи попытаться обжарить в следующие полчаса”.
Теперь вы можете сказать: “ну, какой вред, если я начну обжаривать следующую вещь раньше?” Ну, вы не знаете, куда положить эту вещь, потому что силосы полны, а упаковка не следует за ними. Чтобы освободить место для следующего продукта, который должен выйти из обжарщика, вам нужно освободить эту возможность, но это означает создание напряжения в другой части системы.
И теперь вы сидите и вам нужно придумать план. Вы обнаруживаете, что обжарщики на самом деле стоят некоторое время, просто потому что не знают, куда хранить готовый, но неупакованный продукт. И это, конечно же, огромная нагрузка на операционные расходы такого бизнеса.
Йоанн Верморель: Я думаю, это отражает тот факт, что нужно быть осторожным с упрощенной моделированием. В бизнесе есть высокая степень детализации, и это также требует другого. Большинство моделей, опубликованных в литературе, и большая часть того, что вы получаете на курсах, дают вам прямое, более или менее сложное решение для хорошо себя ведущей проблемы.
Таким образом, у вас есть проблема, которая имеет хорошую структуру, что-то, что потому что преподаватели, я преподавал в университете, вы не хотите тратить два часа, просто пиша все переменные. Поэтому вы представите проблему так, чтобы у нее было не более 10 переменных, чтобы вы не тратили два часа на представление всех факторов проблемы. Поэтому вы хотите, чтобы у вас было не более 10 переменных, не более трех уравнений, и все.
Что вводит в заблуждение, потому что реальность приходит с множеством деталей, и поэтому, что это оставляет вас? Это оставляет вас с тем, что получение готового решения, модели, бесполезно. Это недостаточно. Это недостаточно, потому что, ну, вы никогда не знаете точно свою ситуацию. Вы попытаетесь ее смоделировать, затем вы что-то обнаружите, и затем вы пересмотрите свою моделирование.
И, возможно, вы скажете: “Хорошо, эта вещь слишком сложна для моделирования, я сдаюсь”. Но мне нужно вернуть эту другую переменную, которую я игнорировал, потому что, на самом деле, было ошибкой ее игнорировать. Она действительно влияет на мою деятельность. Итак, сама модель, снова, если мы смотрим на типичную перспективу академии, модель дана. Будет доказательство, будут какие-то канонические формы и так далее.
И это именно то, что вы получите с помощью смешанного целочисленного программирования, где у них есть ряд проблем, которые можно легко решить с помощью канонических форм и так далее. Но реальность заключается в том, что когда вы имеете дело с реальной цепочкой поставок, у вас постоянно меняющаяся проблема, и вы учитесь, применяя инструмент, какой бы он ни был, к проблеме и пересматриваете ее.
И вдруг вы понимаете, что важно то, что вам нужно что-то, что снова более абстрактно, что позволяет вам быстро и эффективно переключаться с одного экземпляра проблемы на следующий экземпляр проблемы и продолжать делать это. Что означает все виды вещей. Он должен быть вычислительно быстрым, он должен быть универсальным, чтобы вы могли выразить все виды разнообразных решений. Он должен быть довольно удобным для подключения к остальной части вашего прикладного ландшафта.
Поэтому это сопряжено с множеством дополнительных проблем, которые, снова же, если вы посмотрите на типичную математическую оптимизационную литературу, эти проблемы, которые я только что упомянул, даже не перечислены. Вы можете пройти от первой страницы до последней страницы книги, и ни на одной странице они не обсудят, что, кстати, этот метод очень медленный, непрактичный, или этот подход настолько жесткий, что при малейшем изменении модели вам придется полностью отказаться от него и начать сначала.
Или этот подход настолько подвержен ошибкам, что, да, в теории, вы могли бы сделать это таким образом, если вы, например, NASA, и у вас есть очень умные инженеры и десятилетие для решения проблемы. Но на практике, если вы спешите и тому подобное, это никогда не сработает. Так что есть много мета-проблем, которые очень, очень важны. И снова, я считаю, что это может быть связано с тем, что вы делаете с Seeker и как вы даже мыслите этот класс проблем.
Майнольф Зеллман: Да. И я имею в виду, если вы посмотрите на то, что вы сказали раньше, что мы всегда ищем серебряную пулю здесь, верно? Так что, вы абсолютно правы, Йоанн, что когда люди моделируют бизнес, и, вероятно, это то, что интересует аудиторию здесь, они хотят сказать: “Эй, как мы можем получить лучшие результаты, более конкретные для бизнеса?”
Вам, до некоторой степени, приходится приближать реальную жизнь на компьютере и как бы симулировать ее, верно? Я имею в виду, в какой-то степени, вы можете рассматривать любую оптимизационную модель как симуляцию того, что произойдет, если я сделаю это? И затем вы вычисляете, что произойдет, верно? Можно ли все еще выполнить этот план, который мы называем выполнимым в терминологии оптимизации?
Итак, он выполняет все побочные ограничения? Это выполнимо. Но, во-вторых, насколько это хорошо на самом деле, верно? Это целевая функция, так мы измеряем ключевые показатели эффективности, которые мы пытаемся оптимизировать. Вы бы знали, так, так было бы лучше. Но суть в том, что если вы бегаете и единственный инструмент, который вы знаете, это молоток, то в конечном итоге вы обнаружите, что кладете гвозди на верх окон, чтобы повесить занавески.
И это очень, очень плохая идея. И это то, что делают люди, занимающиеся МИП, когда они имеют дело с вещами, такими как цепочка поставок и оптимизация при неопределенности в общем. Потому что они используют инструмент, созданный для детерминированной оптимизации, и для этого он абсолютно фантастический. Но он заставляет вас приближать как на стороне детерминизма, так и на стороне недетерминизма или неопределенности, я должен сказать, потому что недетерминизм имеет другое значение в этом контексте.
Линеаризация всего, в бизнесе есть так много отношений, которые просто не являются линейными. И тогда вопрос в том, хорошо, можно ли как-то приблизить это? Можно ли подогнать некоторую кусочно-линейную функцию к вашей нелинейной функции? Можно ли бинаризовать вещи? Это то, что происходит?
Теперь, чтобы сделать это более конкретным для аудитории, если вы ведете бизнес, скажем, вы являетесь генеральным директором компании, конечно, вы можете просто обратиться в Lokad и сказать: “Привет, мы купим это у вас”, и они позаботятся о вас. Но предположим, у вас есть другая компания, которая делает это для вас, или у вас есть собственное подразделение, которое этим занимается, что вам следует сделать, чтобы улучшить операции?
Итак, вас может заинтриговать и вы можете подумать: “О, есть еще вся эта другая вещь, и вы знаете, 20% лучшая операционная стоимость звучит потрясающе. Как я могу это получить?” Первое, что вам нужно сделать, это спросить: “Каков наш процесс? Это процесс прогнозирования и оптимизации?” Но во-вторых также: “Какие свободы мы взяли при моделировании реальной системы, с которой мы на самом деле работаем? Где мы приближаем?”
Итак, то, что вы должны сделать для обоих, чтобы увидеть, в чем разница, это сказать: “Хорошо, ваша оптимизационная модель имела целевую функцию. Она говорила, что я предпочитаю этот вариант решения перед другим, потому что моя целевая функция, которая должна приближать реальные ключевые показатели эффективности, лучше для этого решения по сравнению с другим. Теперь скажите мне, для оптимального решения, каково ожидаемое значение моего ключевого показателя эффективности?”
И отслеживайте это, отслеживайте это и сравнивайте с вашими фактическими решениями и результатами в вашей системе, которые вы на самом деле получаете. Так что, если вы минимизируете затраты, отслеживайте затраты и смотрите на разницу между тем, что МИП думал, что затраты будут, и тем, каковы ваши реальные затраты на самом деле. Или, знаете, если вы максимизируете прибыль, ну, вы отслеживаете это. Но суть в том, отслеживайте это, смотрите на разницу между тем, что использовалось для принятия решения, и тем, что на самом деле реализуется.
И есть два источника любой разницы. Первый - вы были вынуждены вписать свою систему в слишком ограниченную модель. Это плохо. Или другой - вы просто полностью игнорировали наличие неопределенности, и именно оттуда и идет разница. Если вы видите более 5% разницы там, вам нужно поговорить с одним из нас.
Joannes Vermorel: И я бы добавил к вашему рецепту, и я согласен с вашим описанным мыслительным процессом, я бы даже добавил нечто, что я обычно рекомендую даже перед этим процессом. Так что что-то, что с самого, самого начала, это потому что была проблема с неправильными инструментами, но я бы сказал, что даже перед этим есть проблема с неправильными концепциями, неправильными идеями.
Просто чтобы дать вам пример, понятие выполнимости, которое находится в классической литературе по оптимизации. Люди говорят: “О, есть решение, которое выполнимо или невыполнимо”. Хорошо, давайте рассмотрим конкретный пример. Это действительно такое черно-белое?
Просто чтобы привести пример, мы находимся на складе и регулярно передаем заказы поставщикам. И на складе есть конечная емкость для приема. Так что в любой день, скажем, он может принять максимум 1000 единиц. Больше этого нельзя. И есть вещи, которые просто накапливаются перед складом, потому что люди не могут принести коробки и так далее.
Проблема в том, что предположим, вы передаете заказы на закупку зарубежным поставщикам. Вы не контролируете точные даты доставки. Вы знаете, что если вы все организуете, в среднем вы должны придерживаться своих ограничений. Но все равно вы можете быть неудачливыми, и тогда был заказ, который отложили, другой, который пришел немного быстрее, и вот они, вы оказываетесь в понедельник с 2000 единицами, которые приходят в один и тот же день. Но эти заказы были куплены за месяц заранее.
Так вот, вы видите, что это решение, где для каждого принятого вами решения есть вероятность того, что вы окажетесь в невыполнимой ситуации. Это не полностью под вашим контролем. Так что снова, это то, что я называю неправильными концепциями, это очень опасно, когда вы анализируете ситуацию с устаревшими или слишком жесткими или неуместными концепциями, проблема в том, что вы даже не можете войти в интеллектуальное настроение, которое позволяет вам оценить, что лучший инструмент на самом деле принесет вам.
Так что вы застряли с выполнимым, невыполнимым. Хорошо, когда вы понимаете, что на самом деле выполнимость не полностью зависит от вас, очевидно, есть вещи, которые будут сталкиваться. Так что если вы заказываете поставщиков из одного и того же региона, в один и тот же день, с одинаковым количеством и т.д., вероятность того, что все придет к вам в дверь в точности в один и тот же день, довольно высока. Так что вы бы разбросали, но даже там у вас есть своего рода риск.
И это происходит во многих, многих ситуациях. И это пример. Так что здесь мы видим, что то, что принимается как должное, выполнимое решение, невыполнимое решение, это не совсем так. Вы видите, концепция немного неправильная.
Другой способ - это уровень сервиса. Люди думают в терминах уровня сервиса, да, но это действительно то, что люди воспринимают? Вот где обычно я вступаю в дискуссию о качестве обслуживания. И качество обслуживания может включать возможность каннибализации замен или даже готовность людей отложить. И внезапно мы оказываемся перед чем-то совершенно другим.
И когда вы сразу же переходите к проблеме с концепциями, которые у вас были из этого мира, где не существует неопределенности, где ваш оптимизатор всегда классический, нестохастический, то мое мнение заключается в том, что, скорее всего, путь, который вы предлагаете, будет непонятным. Поэтому обычно я настоятельно рекомендую своим потенциальным клиентам просто остановиться и действительно провести упражнение по брифингу и начать смотреть на мир через другие призмы и просто уделить время рассмотрению этих вещей с таким своего рода интуитивным чувством, прежде чем погружаться в технические детали, которые могут очень отвлекать, потому что они немного технические, плюс это программное обеспечение, плюс это немного математики, плюс это и так далее, и так далее. И это может быть огромным отвлечением, особенно если у вас есть конкурирующие поставщики, которые бросают кучу глупостей в смесь вроде: “О, вы хотите все это сделать? Знаете что, у меня есть ответ для вас, LLMы. И знаете что, у вас была эта неопределенность, но у нас есть LLMы, большие языковые модели. Вы не поверите, насколько хороши будут эти прогнозы. И оптимизация с LLMами, это так хорошо.”
Это так? Очевидно, когда люди думают: “Хорошо, я просто…” Да, потому что по крайней мере в Lokad, когда мы говорим с потенциальными клиентами, проблема в том, что мы никогда не говорим одни с потенциальным клиентом. Есть еще полдюжины других поставщиков, которые также предлагают свои товары, и часто они предлагают много глупостей. И потенциальные клиенты просто перегружены всеми этими блестящими вещами и этими нелепыми утверждениями.
Conor Doherty: Ну, мне приходит в голову, что вы оба в основном только наметили одну из ключевых проблем, связанных с привлечением людей к стохастической оптимизации и любой другой технологии, связанной с черным ящиком. Это может быть вероятностное прогнозирование или что-либо, связанное с математикой в основном, есть определенный барьер для вхождения. Итак, Майнольф, вернемся к вам, по вашему опыту, как вы пытаетесь, потому что вы очень хорошо умеете преподавать, как именно вы заставляете людей комфортно принимать такую неопределенность, о которой мы говорили в течение часа?
Meinolf Sellman: Возможно, сейчас у аудитории есть психологическое разрыв, когда они говорят: “Хорошо, вы сказали нам, что авиакомпании теряют деньги в день операции, но по какой-то причине они уже десятилетия используют эту технологию. Почему, черт возьми, они не используют то, о чем говорят Lokad и InsideOpt?” И причина именно в том, о чем вы намекаете.
Если бы вы хотели использовать стохастическую оптимизацию для чего-то вроде авиакомпании, вы бы увеличили размер проблемы до такой степени, что уже не смогли бы ее решить. Люди, работающие в авиационной отрасли и занимающиеся оптимизацией, очень опытны и, конечно же, знают о стохастической оптимизации и традиционной оптимизации, но она всегда была основана на MIP.
Я не хочу слишком углубляться в технические детали, но существует два способа поиска чего-либо. Один из них заключается в том, чтобы сказать: “О, я нашел что-то, что уже хорошо. Давайте посмотрим, смогу ли я сделать это лучше”. И другой способ заключается в том, чтобы сказать: “Я никогда не найду что-то здесь”. MIP работает так: “О, мне не нужно искать здесь. Здесь этого быть не может”, и затем ищет где-то еще.
Теперь, если ваше пространство поиска огромно, и если эта вещь, которая говорит вам: “Вам не нужно искать здесь”, не работает очень хорошо, то это как бы говорит: “Да, это не выглядит так, но я не могу исключить эту возможность”, тогда вы продолжаете искать везде, и становится намного эффективнее искать там, где уже выглядит приятно, так сказать.
Итак, если вы пытаетесь использовать стохастическую оптимизацию с помощью смешанного целочисленного программирования, которое работает примерно так, что вы говорите: “О, я знаю, что там ничего быть не может”, ваши так называемые двойные оценки никогда не будут достаточно хорошими, чтобы сократить пространство поиска до такой степени, чтобы вы могли себе позволить выполнить поиск. И вот где люди застревали 20-25 лет.
И теперь есть новый способ делать вещи, который в основном основан на искусственном интеллекте, который говорит: “Слушайте, мне все равно, получу ли я какое-то качественное решение, но вместо этого я уверяю вас, что я потрачу все свое время, пытаясь найти лучшее решение, которое я только могу в отведенное мне время”. Это очень прагматично и практично, и теперь это существует.
В этой рамке вы освобождаете себя также от всех других оков, с которыми вам приходилось иметь дело раньше, таких как линеаризация и бинаризация всего. Все эти вещи исчезают. Вы можете выполнять недифференцируемую, неконвексную оптимизацию с помощью инструмента, такого как InsideOpt Seeker, и моделирование этих проблем на самом деле уже не является проблемой.
Есть еще несколько других преимуществ, которые вы получаете от этого, например, параллелизация смешанного целочисленного программирования. Этот подход ветвей и границ очень сложно выполнить. Ускорение, которое вы получаете, ограничено. Если вы получите пятикратное ускорение на достаточно большой машине, то это удача. Этот поиск на основе искусственного интеллекта действительно выигрывает от использования 40-100 ядер для решения проблемы.
Итак, это связано также с развитием аппаратного обеспечения, и это может быть действительно лучшей технологией для использования. Но главное заключается в том, что, используя другой способ поиска в этих огромных пространствах, вы позволяете пользователям гораздо комфортнее моделировать реальную систему, а не какое-то грубое приближение этой системы.
И в то же время обрабатывать такие вещи, как многокритериальная оптимизация. Редко бывает так, что важен только один показатель эффективности, обычно их несколько. Обрабатывать такие вещи, как “О, я хочу, чтобы это правило соблюдалось в основном здесь, но если иногда оно нарушается, это нормально”. Так что, если есть сценарий, где это условие не выполняется, вы можете очень легко моделировать это.
И, конечно же, вы можете проводить стохастическую оптимизацию, не только в том смысле, что вы оптимизируете ожидаемую прибыль, но вы даже можете активно оптимизировать, ограничивать, минимизировать риск, связанный с вашими решениями. И вот это и есть парадигменный сдвиг. Вот что, я думаю, движет Lokad и InsideOpt, чтобы сказать: “Смотрите, у нас есть совершенно новая парадигма, которую мы можем применить, что позволяет нам делать все эти вещи, о которых просто не слышали в течение последних трех десятилетий”.
Conor Doherty: Джоаннес, та же самая вопрос.
Joannes Vermorel: Спасибо. Да, и я также хотел бы отметить, что в начале 2000-х, когда я начал свою докторскую программу, которую я так и не закончил, интересно то, что убеждение сообщества машинного обучения и сообщества оптимизации в отношении фундаментальных проблем оптимизации оказалось полностью неверным.
Когда я был на докторской программе, верили, что проклятие размерности. Если у вас есть проблема с очень высокой размерностью, вы не можете оптимизировать. И теперь, с моделями глубокого обучения, мы имеем дело с моделями, у которых миллиарды или даже триллионы параметров. Так что, по-видимому, да, мы можем оптимизировать проблемы, без проблем.
Затем они думали, что если это не выпуклое, вы ничего не можете сделать. Оказывается, что нет, вы можете сделать многое, даже если это не выпуклое. И действительно, у нас нет никакого доказательства, но если у вас есть что-то, что, согласно другим критериям, довольно хорошо и полезно, не имеет значения, что вы не можете доказать, что это оптимальное решение, пока у вас есть другие способы рассуждать о решении и вы можете сказать: “Ну, я не могу рассуждать об оптимальности, но я все равно могу рассуждать о том, что это отличное решение, даже если у меня нет математического доказательства”.
И было много таких вещей, где долгое время единственный способ, который я использовал, когда я рассматривал стохастическую оптимизацию, люди говорили: “О, это то, о чем вы упоминали о расширении размерности. Скажите, хорошо, вы собираетесь перечислить тысячу сценариев и записать эти тысячу сценариев как одну ситуацию, которую вы хотите оптимизировать сразу”.
Это просто макрорасширение. Вы просто берете свою проблему, вы просто макрорасширяете эту проблему в тысячу экземпляров, и это дает вам проблему, в тысячу раз больше. И тогда вы говорите: “Хорошо, теперь я вернулся к исходной точке. Я могу оптимизировать это”. Но делая это, вы уже имели, с помощью старых парадигм ветвей и границ, ужасную масштабируемость.
Поэтому, если ваш первый шаг - макрорасширить вашу проблему в 1000 раз, это будет абсолютно ужасно медленно. И то, что, я думаю, так удивило, например, сообщество глубокого обучения, это невероятная эффективность стохастического градиентного спуска, где вы просто наблюдаете ситуации и каждый раз, когда вы что-то наблюдаете, немного корректируете параметры.
И было много открытий. И интересное, что я видел за последние два десятилетия, это то, что машинное обучение и оптимизация продвигались бок о бок, в основном разрушая предыдущие убеждения. Это был очень интересный процесс.
Большинство прорывов в глубоком обучении произошли благодаря лучшим инструментам оптимизации, лучшему использованию линейной алгебры и графических процессоров, специальных видов компьютерного оборудования и математической оптимизации. Все больше и больше используется методов машинного обучения, где вы не хотите искать случайным образом.
Есть места, где вы говорите: “Ну, эти вещи здесь, я ничего не могу доказать, но это выглядит ужасно”. Итак, и выглядит просто плохо, вся эта окрестность выглядит ужасно, поэтому мне нужно посмотреть в другом месте. И также другие соображения, такие как: “Я уже потратил много времени на поиск в этой области, поэтому, даже если это хорошая область в общем, я уже потратил так много времени там, может быть, мне стоит посмотреть в другом месте”.
И это своего рода техника оптимизации, но это очень, я бы сказал, ориентировано на мышление машинного обучения. И мое мнение заключается в том, что, возможно, через 20 лет может появиться одна область, которая объединит в себе машинное обучение и оптимизацию, и вы уже не будете делать различий между ними.
Это одна из вещей, которые я наблюдаю уже два десятилетия, и с каждым годом я вижу эту постепенную сходимость. И это очень интригует меня, потому что я чувствую, что еще есть концепции, которых пока нет.
Майнольф Зеллман: Да, и я сосредоточусь на одной вещи, которую вы сказали там. Машинное обучение замечательно, когда у вас есть повторяющиеся игры. Это похоже на подсчет карт в блэкджеке. Вы не можете гарантировать, что вы выиграете, все равно есть шанс, что прогноз окажется неверным, но если вы играете в эту игру многократно, вы внезапно получаете большое преимущество.
И вот почему я сказал раньше: “Посмотрите, отследите ваши операционные результаты, вашу прибыль, ваши затраты или что бы вы ни делали в течение некоторого времени”. Потому что в любой день решение, которое вы приняли, может быть неверным. Это немного похоже на то, что кто-то говорит: “О, я собираюсь бросить эту кость, и если выпадет четверка, то вы проиграете и должны заплатить мне доллар, чтобы поиграть. Но если это не четверка, я дам вам миллион долларов”. И тогда вы отдаете им доллар и бросаете кость, и выпадает четверка. Это было правильное решение, верно? Потому что если вы играете в эту игру многократно с этой стратегией принятия этой игры, потому что ожидаемая стоимость, конечно, очень высока, и потеря в любом случае очень выполнима, вы внезапно получаете реальное преимущество. И это именно то, что происходит, когда вы используете машинное обучение в оптимизации. Это именно этот парадигма поиска на основе ИИ. Мы называем это гиперреактивным поиском. Я не знаю, как вы это называете в Lokad, но это именно эта идея, верно?
Могу ли я, для ваших проблем, рассказать о том, что движет InsideOpt Seeker. Это то, что решатель будет делать для вас, когда вы узнаете, что ваша модель и какие проблемы вы решаете. И что, теперь каждый день, у вас есть эти операционные проблемы, которые вам нужно решить. Где я сегодня буду жарить? Сколько товара я сегодня перемещу и куда? И у вас есть эти случаи, которые вам нужно решить в течение многих разных недель и рабочих дней.
Затем вы обращаетесь к решателю и говорите: “Эй, посмотрите на свои стратегии по тому, как вы на самом деле ищете в этом пространстве. Могли бы вы найти лучшие решения, если бы вы искали по-другому?” И тогда он будет рассматривать именно такие временные характеристики, как та, о которой вы упомянули, Йоаннес, например, “О, как давно я искал в другом месте?” Так что кажется, что я тщательно исследовал эту идею здесь. Давайте посмотрим, что я могу сделать еще.
И другие подобные ему, верно? И эти временные характеристики влияют на другие решения, такие как то, сколько вещей я готов изменить одновременно, верно? Должен ли я провести расследование? Так что, если это только что случилось, что я пришел в какое-то пространство поиска, может быть очень, очень хорошей идеей быть очень жадным, чтобы сказать: “Эй, любое улучшающее движение я просто сейчас сделаю, чтобы найти хорошее решение в этом пространстве”.
Но потом, когда вы уже находитесь там некоторое время, вы думаете: “Ну, мне нужно немного расширить свой кругозор здесь, потому что я мог на самом деле застрять в чем-то, что является только локально оптимальным, но глобально я мог бы установить другие переменные намного лучше, чтобы в целом я мог что-то сделать лучше здесь”. И это своего рода парадигменный сдвиг прямо сейчас, верно? Так что это отходит от всего этого мышления вроде “Можете ли вы быстро обнаружить, что здесь ничего нет?” к “Могу ли я научиться искать лучше?” И это революция.
Joannes Vermorel: Чтобы перейти к поиску ИИ. Да, абсолютно. И особенно с такого рода проблемами, с которыми Lokad решает задачи для наших клиентов, большинство цепей поставок могут быть подходящими жадно, не полностью, но в значительной степени. И есть некоторые дарвиновские причины для этого. Если бы у вас были ситуации с цепями поставок, которые были действительно, я бы сказал, противоречивыми для жадного подхода, они уже были устранены, потому что у бизнеса не было возможности использовать супер-продвинутые инструменты оптимизации.
Поэтому им было необходимо, и очень часто это было буквально учетом дизайна, то есть “Могу ли я настроить свою цепочку поставок и свои процессы так, чтобы я мог двигаться в правильном направлении и все равно быть в порядке?” Это был типичный принцип, руководящий на уровне проектирования. И затем, действительно, когда вы погружаетесь в детали, вы понимаете, что да, вы можете застрять в некоторых плохих местах, даже если в целом вы все еще на правильном пути.
Так что, как правило, Lokad в значительной степени полагается на жадную перспективу, даже до конца с градиентами, когда они есть. И затем, действительно, делает локальные изменения, когда вы находитесь в конечной фазе, где вы хотите сделать микро-настройки и, возможно, стать немного более устойчивыми. Так что, если вы можете сделать некоторую настройку, которая вам мало стоит, но может дать вам гораздо больше свободы в операциях, это было бы просто, чтобы сделать это более конкретным для аудитории.
Допустим, например, вы управляете складом. Вы думаете, что есть, скажем, 0,1% шанса, что у вас закончится упаковочный картон для отправки ваших товаров. Это может показаться событием с низкой вероятностью, но с другой стороны, кажется очень глупым время от времени закрывать склад только потому, что у вас не хватает дешевого картонного материала. Поэтому вы бы сказали: “Хорошо, это так мало, что да, давайте иметь пару месяцев дополнительного картонного материала”.
Потому что они сложены, они занимают почти никакого места, они очень дешевые. Такие вещи, где немного дополнительной оптимизации скажут, люди скажут: “О, у нас есть три дня срок поставки для этих картонных коробок. У нас уже есть месяц на складе”. Люди скажут: “О, этого достаточно. У нас нет”. И затем вы делаете симуляцию и говорите: “Знаете что? У вас все равно есть это 0,1% риска. Это довольно глупо. Вам следует иметь, скажем, три месяца”.
И говорите: “Хорошо, это очень дешево, но кажется, что это много”. Но говорите: “Ну, это очень дешево. Это не занимает много места. И зачем рисковать?” Вы знаете, это такие вещи, которые немного противоречат интуиции, где вы понимаете, что это, да, это происходит только раз в несколько лет. Но затем у вас есть много вещей, которые происходят раз в несколько лет.
И вот там, где хорошая оптимизация позволит вам охватить те вещи, которые настолько редки, что для человеческого разума кажется, что это была другая жизнь. Люди меняются. Они редко остаются на одной и той же работе два десятилетия. Так что, вероятно, то, что происходит раз в три года, менеджер склада никогда не видел. Команды, большинство людей даже не помнят, что видели это.
Так что есть ограничение в том, что вы можете воспринять, когда это находится ниже порога восприятия, потому что это слишком редкое. И все же это экстремально. Есть так много разных вещей, что, когда вы объединяете их вместе, вы понимаете, что нет, я имею в виду, это 0,1% плюс еще одна вещь, которая равна 0 плюс еще одна вещь. И вы добавляете десятки и десятки и десятки, и в конечном итоге вы получаете что-то, где каждый месяц возникает одна из этих проблем, которую можно было предотвратить, если бы вы действительно учитывали риск.
Но это немного противоречит интуиции, потому что это немного больше затраты во всех возможных местах. Почему дополнительно? Ну, дополнительно потому, что, хотя и редко, но почти наверняка вы столкнетесь с проблемами, если не будете учитывать их.
Meinolf Sellman: Да, и это на самом деле ловушка, в которую вы попадаете, когда у вас есть доказуемое оптимальное решение. Звучит как: “Хорошо, так что, знаете, это мое доказуемо оптимальное решение, и у меня есть хорошие прогнозы”. Но теперь, если прогнозы немного ошибочны, это доказуемо оптимальное решение, потому что оно выжал последнюю копейку из решения, становится крайне хрупким. И справа и слева от этого прогноза производительность падает и становится ужасной.
И вам нужна технология, которая позволяет вам сказать: “Да, ваша ожидаемая прибыль меньше на 80 центов, но теперь ваш риск закрытия склада снижен на 75%. Хорошая сделка, верно?” Это хорошая сделка. И это именно те виды сделок, которые вы хотите, чтобы технология находила для вас, потому что вам очень, очень сложно сказать: “Хорошо, знаете, давайте ограничим одно и оптимизируем другое”, потому что тогда вы попадаете в другую ловушку.
Вы хотите иметь возможность сказать: “Знаете, у меня есть все эти проблемы. Попробуйте найти хороший компромисс. Найдите мне самую дешевую страховку от такого-то события”. И это, знаете, может быть, закрывает круг с тем, с чего мы начали, с того, насколько сложно понять процесс принятия решений и неопределенность.
Но в сущности это и есть. Заблуждение заключается в том, что если у вас есть решение, которое оптимально для одного предсказуемого будущего, то оно, вероятно, также будет работать достаточно хорошо для будущих, которые являются лишь незначительными отклонениями от него. И это просто не так. Вам нужно активно искать отличный компромиссный операционный план, который работает против большой вероятности будущих событий, которые могут произойти. И вы хотите, чтобы это происходило таким образом, чтобы оно действительно учитывало ваш риск и ожидаемую прибыль в разумной манере.
Conor Doherty: Исправьте меня, если я не прав, но конечная цель стохастической оптимизации заключается в том, чтобы найти, я думаю, оптимальный компромисс или оптимальное решение, которое удовлетворяет всем ограничениям и всем компромиссам, которые вам приходится делать. И это не идеальное решение, но оно было бы лучшим компромиссом для удовлетворения всех решений или всех отдельных проблем, верно?
Meinolf Sellman: Верно. Мы могли бы сделать это математически, но я не хочу вводить людей в заблуждение. Суть в том, что если бы вы точно знали, что произойдет, то в большинстве случаев могло бы быть лучшее решение, которое вы могли бы принять. Но в отсутствие точного знания о будущем, и я имею в виду именно точное знание, а не просто, знаете, 99,9% точное знание, в отсутствие этого вам нужно принять компромисс, который в целом будет хорошим для всех разных вещей, которые могут произойти.
И вот именно это делает для вас стохастическая оптимизация. И тем самым она устраняет хрупкость. Мы можем сказать, что это робастная оптимизация, но это собственный термин технический, поэтому мы не можем его использовать. Но это то, что имеется в виду, верно? Вы хотите устранить хрупкость, вы хотите устранить хрупкость в своих операциях. Иметь очень надежные, постоянные, повторяющиеся результаты. Именно это даст вам стохастическая оптимизация. И в то же время, ваши ожидаемые прибыли фактически возрастут выше того, что вы считали возможным.
Потому что если вы просто ориентируетесь на производительность перекрестной проверки и доказуемую оптимальность, вы полностью упускаете суть. То, что вы считаете стоимостью отсутствия точного знания о будущем, это стоимость предположения в оптимизации, это стоимость предположения, что вы знали будущее точно. Вот что делает его хрупким, это предположение, что прогноз был правильным на 100%. Именно так функционирует традиционная технология оптимизации, и вам нужно от нее отказаться и начать работать с современной технологией, чтобы снизить операционные расходы на 20% и более.
Conor Doherty: Ну, спасибо. Я думаю, мы постепенно подходим к концу. Йоаннес, дайте вам последний комментарий, а затем передам слово Майнольфу для закрытия. Что-нибудь, что вы хотите добавить?
Joannes Vermorel: Я имею в виду, да, интересно то, что лучшая цепочка поставок, как она выглядит, это, и лучшие, знаете, решения с учетом рисков - это те, где компания продолжает работать плавно, знаете, где нет, я бы сказал, абсолютно критических катастрофических решений, которые приводят к полному краху всего.
И вот там люди ожидали бы, знаете, что самый блестящий план поставок когда-либо будет заключаться в том, чтобы определить этот один продукт, который полностью игнорировался рынком, и сказать: “Знаете что, мы должны полностью сосредоточиться на этом одном продукте, который был супер узконишевым, и бац, продать миллион единиц, пока никто не обращал внимания”. Я говорю, что это волшебство. Нет, я имею в виду, может быть, есть такие предприниматели, как Стив Джобс, которые могут это сделать, но это почти невозможно.
Так что идея о том, что вы можете предугадать будущее, определить золотую жилу, возможность, подобную биткойну, и полностью сосредоточиться на этом и разбогатеть, очень смешна. Как это выглядит, я бы сказал, отличное управление цепочкой поставок - это плавное функционирование. У вас есть решения, учитывающие риски, так что когда дела идут плохо, они на самом деле не очень плохи. Когда дела идут хорошо, большую часть времени они очень хороши, поэтому они очень надежно приносят прибыль. Когда дела идут плохо, это в какой-то степени ограничено и не ужасно.
И когда вы пересматриваете решение, вы возвращаетесь в прошлое и смотрите на него, да, если бы я знал, я бы поступил иначе. Но если я честно попытаюсь вернуться к тому, что я знал в то время, вы скажете: “Да, это было разумное решение на тот момент”. И не позволяйте взгляду в прошлое искажать ваше суждение об этом, потому что это очень плохо.
И я знал, например, некоторых наших клиентов, они больше не делают этого, но в авиакосмической отрасли, например, после каждого случая AOG (самолет на земле), когда отсутствует какая-то деталь и самолет больше не может летать, они проводили всю посмертную расследовательскую работу. Но реальность заключается в том, что когда у вас есть около 300 000 SKU, которые вам нужно держать на складе, чтобы самолеты летали все время, то, я бы сказал, нормально не иметь некоторые детали всегда под рукой.
Так что мы исследовали, например, эти случаи AOG, и они были точно такими, как ожидалось, согласно структуре риска их запасов. Так что нет смысла проводить какие-либо расследования. И это было бы моей заключительной мыслью, что, вероятно, самая сложная точка продажи для стохастической оптимизации - это довольно непримечательно. Вы знаете, это просто что-то, что просто, знаете, тихо жужжит. Проблемы гораздо меньше, успехи не такие крайние, но гораздо более частые.
Но опять же, что вы запоминаете? Вы запоминаете футбольную команду, которая последовательно выигрывает 60-70% своих матчей в течение последних 30 лет? Или вы запоминаете эту команду, которая продолжает проигрывать все матчи, но подряд выигрывает 10 матчей против самых престижных команд? Очевидно, вы запомните эту абсолютно крайнюю серию успехов и скажете: “О, это было невероятно”. И вы полностью забудете о скучной истории, где все просто отлично в среднем, но это просто среднее, поэтому вы не запомните это.
Вот моя точка зрения. И я думаю, что это часть принятия того, что вы получите от стохастической оптимизации - это тихие, непримечательные решения, которые в среднем оказываются довольно хорошими. Когда они плохие, они немного плохие, ничего серьезного. Здесь много контроля ущерба.
Итак, я имею в виду, что забавно то, что мы в Lokad, когда обсуждаем с нашими клиентами, очень часто они, когда мы работаем в течение нескольких лет, на самом деле мало что говорят. Знаете, лучший, я имею в виду, не лучший, но лучший вид комплимента - это, знаете, вы настолько неприметны, что мы относим поставку в цепи поставок в нашем списке проблем на второе место. Это просто, как иметь доступ к воде, знаете, это неприметно, поэтому вам не нужно уделять этому много внимания, это просто работает. И это нормально, знаете, мы не так хороши, знаете, очевидно, цепи поставок не такие неприметные, как поставка воды, пока что, но есть такая атмосфера.
Conor Doherty: Ну, спасибо, Йоаннес. Майнольф, как обычно, мы предоставляем последнее слово гостю. Так что, слово за вами, и затем мы закроемся, пожалуйста.
Meinolf Sellman: Да, спасибо еще раз, Конор и Йоаннес. Просто две секунды о том, что говорил Йоаннес, мы часто обнаруживаем, что наши операционные команды удивляются, а их клиенты не удивляются. И вот это и есть то, что вам нужно. Операционные команды удивляются тому, что вдруг все работает так гладко, где раньше всегда был один день ада в неделю, и вдруг проходит два месяца, и вы думаете: “Это просто работает, и нет никаких сумасшедствий, ничего”.
Но что еще важнее, их клиенты больше не удивляются, потому что они внезапно не остаются без услуги или чего-то подобного. И вот для этого ваш бизнес и существует, и поэтому вы должны использовать эту технологию для управления своими операциями, потому что вы не хотите плохо удивлять своих клиентов. И тогда вы можете выпить очень скучный маргариту на красивом острове и наслаждаться средними доходами, которые сопровождаются очень низкой дисперсией.
Conor Doherty: Ну, джентльмены, у меня больше нет вопросов. Йоаннес, большое спасибо за ваше время. Майнольф, абсолютное удовольствие, и спасибо, что присоединились к нам. И спасибо всем за просмотр. Надеюсь, увидимся в следующий раз.
