00:00:00 Представление гостей
00:01:27 Роль Уоррена в Optimal Dynamics и книга
00:03:06 Проблемы и прогнозирование в грузоперевозках
00:04:31 Статья Уоррена и понимание неопределенности
00:06:41 Путь Жоаннеса и успех в программном обеспечении
00:08:12 Принятие неопределенности и академическая перспектива на снабженческую цепь
00:09:39 Последовательные решения и сложность сотрудничества в отрасли
00:11:13 Вероятностное против детерминированного прогнозирования
00:13:27 Метрики для вероятностных прогнозов и понимание трудностей
00:15:28 Важность покрытия прогноза и точных прогнозов
00:17:09 Путь Lokad с вероятностными прогнозами и проблемы
00:19:15 Трудность проблем неопределенности и отсутствие единого сообщества
00:21:05 Решения и неопределенность в математическом программировании
00:23:03 Разнообразный опыт в лаборатории и применение книги ADP
00:25:07 Необходимость инструментария в снабженческой цепи и переход к новому подходу
00:27:35 Детерминированная оптимизация и приближение функции стоимости
00:29:57 Google Maps как пример предварительного просмотра
00:31:51 Стохастический просмотр вперед и приближение функции стоимости
00:33:21 Взгляд Жоаннеса на принятие решений и постановку проблемы
00:35:29 Важность правильного состояния, функции перехода и функции стоимости
00:37:28 Учет размерности проблемы и проблемы большого масштаба
00:39:15 Хрупкость решений и сравнение сети супермаркетов
00:41:16 Подход к решению проблем и написанию книги по аналитике снабженческой цепи
00:43:44 Простота в проектировании модели и различные типы неопределенности
00:45:13 Важность быстрой итерации и ограничений реального мира
00:47:51 Важность вычислительной применимости и разработка графического инструмента
00:50:27 Роль инструментации в оптимизации и проблемы отрасли
00:53:11 Работа с перевозчиками и критика академического подхода
00:55:23 Путь Жоаннеса от прогнозирования к принятию решений
00:58:28 Трудность доступа к данным и работа с будущим прогнозированием
01:00:32 Важность учета крупных нарушений и принятие пессимистичных моделей
01:02:45 Вариабельность в снабженческой цепи и мода
01:04:43 Ежегодное обновление продуктов и прогнозирование новых продуктов
01:06:27 Важность моделирования неопределенности и критика корпоративных правил
01:08:16 Подход Уоррена к стохастической оптимизации и управлению запасами
01:09:56 Планирование на случай непредвиденных ситуаций и принятие решений в условиях неопределенности
01:11:39 Важность оперативной диспетчеризации в грузоперевозках и правильного выбора нагрузки
01:13:27 Проблемы принятия решений в условиях неопределенности и проблемы с образованными людьми
01:15:45 Ограничения Excel в работе с неопределенностью и понимание руководителями
01:19:30 Ограничения книг по снабженческой цепи и важность удобных инструментов
01:21:46 Образовательные инициативы Lokad и создание актуальных наборов данных
01:25:01 Три важных вопроса для решения проблем и разработки категорий решений
01:27:48 Проблемы не-квантитативного MBA и компании, зарывающие решения под рабочими процессами
01:30:26 Цена простоты и последовательное обучение как инструмент принятия решений
01:32:33 Обучение концепции стремления к большему и проблемы жестких политик
01:34:34 Трудность понимания концепции исследования и важность активного обучения
01:37:41 Различия между грузоперевозками и снабженческой цепью и размер бизнеса грузовых перевозок
01:40:04 Название книги, ее цель, стиль преподавания и пять элементов моделирования
01:42:39 Похвала Optimal Dynamics, Lokad и обмен академическими идеями
01:43:22 Заключительные замечания и благодарности

О госте

Уоррен Б. Пауэлл - профессор эмеритус Принстонского университета, где он преподавал 39 лет, и в настоящее время является главным инновационным директором Optimal Dynamics. Он был основателем и директором CASTLE Lab, который занимался стохастической оптимизацией с применением в грузовой транспортной системе, энергетических системах, здравоохранении, электронной коммерции, финансах и лабораторных науках, получив более 50 миллионов долларов финансирования от правительства и промышленности. Он разработал новую универсальную методологию, которая может быть использована для моделирования любой последовательной проблемы принятия решений, включая выделение четырех классов политик, охватывающих все возможные методы принятия решений. Это описано в его последней книге с Джоном Уайли: Обучение с подкреплением и стохастическая оптимизация: унифицированная методология последовательных решений. Он опубликовал более 250 статей, пять книг и выпустил более 60 аспирантов и постдоков. В 2021 году он стал лауреатом Премии имени Роберта Хермана за достижения всей жизни от Общества транспортных наук и логистики, а в 2022 году получил Премию имени Саула Гасса за экспозиционное письмо. Он является членом Informs и лауреатом множества других наград.

Резюме

В недавнем интервью для LokadTV Конор Доэрти, Жоанн Верморель и гость Уоррен Пауэлл обсудили вероятностное прогнозирование и принятие решений в цепях поставок. Уоррен Пауэлл, бывший профессор Принстонского университета и главный инновационный офицер Optimal Dynamics, поделился своим карьерным путем и пониманием планирования в условиях неопределенности. Жоанн Верморель, генеральный директор Lokad, рассказал о своем переходе от детерминированных методов к вероятностному прогнозированию, критикуя академическое сообщество за отсутствие применения в реальном мире. Оба согласились в превосходстве вероятностного прогнозирования, несмотря на его сложность и трудности бизнеса в его применении. Беседа подчеркнула необходимость более широкого взгляда и единого подхода к работе с неопределенностью в принятии решений.

Расширенное резюме

В недавнем интервью, проведенном Конором Доэрти, руководителем по коммуникации в Lokad, Уоррен Пауэлл, бывший профессор Принстонского университета и главный инновационный офицер Optimal Dynamics, и Жоанн Верморель, генеральный директор и основатель Lokad, вступили в размышления о вероятностных прогнозах и последовательном принятии решений в цепях поставок в условиях неопределенности.

Уоррен Пауэлл, опытный специалист в области принятия решений в сложных сферах, начал с рассказа о своем карьерном пути. Его работа началась с дерегуляции грузовых перевозок в Соединенных Штатах, что привело его к фокусу на планирование в условиях неопределенности. Он также обсудил свою роль в Optimal Dynamics, стартапе, с которым он сотрудничает, где он руководит своими бывшими аспирантами и размышляет о новых направлениях для компании.

Беседа затем перешла к книге Пауэлла “Обучение с подкреплением и стохастическая оптимизация”, которая затрагивает область распределительного или вероятностного прогнозирования. Пауэлл поделился историей о компании, которая хотела понять ценность предложения скидки грузоотправителю, если он сможет предсказать будущие загрузки. Это привлекло его интерес к этой теме и побудило исследовать проблемы прогнозирования в грузовых перевозках грузовых перевозках из-за их стохастической природы.

Жоанн Верморель, с другой стороны, рассказал о своем пути от детерминированных методов к вероятностному прогнозированию. Он обсудил свое понимание того, что детерминированные методы не работают, и необходимость принятия неопределенности в проблемах цепей поставок. Он также высказал критику академического сообщества за отсутствие применения в реальном мире и фокусировку на доказательствах теорем и численных исследованиях.

Дальше в беседе обсуждалась разница между детерминированным и вероятностным прогнозированием. Пауэлл пояснил, что детерминированное прогнозирование предоставляет одно действенное число, но не учитывает реальную изменчивость. Он утверждал, что распределительное прогнозирование, которое предоставляет диапазон возможных результатов, является превосходным, хотя бизнесы часто борются с пониманием и применением этой концепции.

Верморель согласился с Пауэллом, добавив, что вероятностное прогнозирование требует более сложных метрик и глубокого понимания вероятностных распределений. Он сравнил детерминированное прогнозирование с рассмотрением маленького детального участка стола через микроскоп, в то время как вероятностное прогнозирование предоставляет более широкий и полный обзор.

Беседа завершилась рассказом Вермореля о его опыте внедрения вероятностного прогнозирования в Lokad. Он отметил, что потребовалось несколько лет, чтобы разработать оптимальные решения на основе этих прогнозов. Он также обсудил отсутствие единого сообщества или парадигмы для работы с неопределенностью в принятии решений. Пауэлл согласился, описав область принятия решений и неопределенности как “джунгли” из-за разнообразия различных сообществ, языков и систем обозначений. Он поделился своим разнообразным опытом в различных областях, от грузовых перевозок до энергетических систем, и как эти опыты привели его к осознанию ограничений определенных подходов и необходимости более широкого взгляда.

Полный транскрипт

Conor Doherty: Добро пожаловать назад. Определение и оценка жизнеспособных решений в сфере поставок является сложной задачей, особенно если вы все еще используете традиционные метрики. Уоррен Пауэлл, наш сегодняшний гость, провел 40 лет анализируя процесс принятия решений в различных сложных областях. Кроме того, он написал пять книг, около 250 статей и является профессором Принстонского университета. Итак, Уоррен, прежде всего, добро пожаловать в Lokad. Во-вторых, для тех, кто мог пропустить ваше первое выступление, не могли бы вы представить себя заново и рассказать всем, чем вы занимались?

Warren Powell: Спасибо за приглашение. У меня была интересная карьера. Моя карьера началась, когда грузовые перевозки в Соединенных Штатах были дерегулированы, и я попал в эту отрасль, называемую грузовыми перевозками полными грузовиками. Одной из первых проблем, о которых они говорили, была неопределенность и вопрос о том, как планировать в условиях неопределенности, и это практически определило мою карьеру. Я занимался различными приложениями.

В конце концов, я закончил свою карьеру, помогая своей стартап-компании Optimal Dynamics в грузовых перевозках полными грузовиками, с чего началась моя карьера. Мы используем различные техники, но к счастью, мне удалось поработать над достаточным количеством различных приложений, чтобы понять, что в этом наборе инструментов для работы с неопределенностью есть более одного инструмента. Так что я с нетерпением жду этой дискуссии. Приятно поговорить с другими людьми, разделяющими мою страсть к моделированию неопределенности.

Conor Doherty: Спасибо. И вы упомянули Optimal Dynamics. Вы являетесь главным инновационным офицером, CIO. Я никогда раньше не слышал этого термина. Можете ли вы объяснить, чем вы занимаетесь там?

Warren Powell: Они любят называть меня Йодой. Я не участвую в управлении. Никто не работает на меня. У меня работают пять моих бывших аспирантов, и я в основном работаю с ними так же, как работал, когда был профессором в лаборатории. Я жду, когда они поднимут руку и скажут: “Эй, нам нужна помощь”. В остальное время я думаю о вещах и также размышляю о новых направлениях для компании, если появится возможность.

Но время от времени меня все же зовут, чтобы помочь с проблемой, и я придумал несколько новых инноваций, которые помогли. Но я действительно здесь, чтобы помогать компании, когда они нуждаются в помощи, и в остальное время я предпочитаю не мешать им. Я понял, что в качестве ученого одна из самых больших проблем, особенно когда ты работаешь с умными людьми, - это знать, когда помочь, а когда не мешать. И, к счастью, это дало мне много времени для написания книг и других вещей.

Conor Doherty: Кстати, упоминая написание книг, одна из ваших книг, “Обучение с подкреплением и стохастическая оптимизация”, - это то, о чем мы больше всего хотели поговорить с вами. Ваш подход к принятию решений и я знаю, что вас интересует подход к прогнозированию с распределением или вероятностным подходом, который использует Lokad. Итак, чтобы начать интервью правильно, что именно в прогнозировании с распределением вас так увлекает и привело к нашему разговору сегодня?

Warren Powell: Самая большая проблема, когда я приступил к моделированию моей проблемы с грузовиками, заключается в том, что в грузовых перевозках полными грузовиками очень мало грузов. Может быть груз, идущий между парой городов, а может и не быть. Когда вы отправляете водителя, скажем, из Чикаго в Атланту, когда вы приезжаете в Атланту, там есть грузы, идущие в совершенно разных направлениях. Может быть груз, идущий в Техас, а может и не быть. Итак, у вас есть что-то, что равно 0 или 1. Что вы прогнозируете? Делаете ли вы ноль или один, или прогнозируете 0,2, что является более реалистичным ожиданием?

У меня была компания здесь, в Соединенных Штатах, Schneider National, которая в 1970-х годах поняла, что наступает дерегуляция, и они сотрудничали с преподавателем Университета Цинциннати в разработке ранних оптимизационных моделей, но все они были детерминированными. И кто-то из Schneider навестил меня в Принстоне и посмотрел на меня и сказал, и это был человек с магистром по операционному исследованию: “Уоррен, грузовые перевозки полными грузовиками являются стохастическими.

Мы не знаем, какие грузы будут доступны даже завтра. Мы бы хотели знать, какова была бы стоимость предоставления скидки грузоотправителю, если бы он сообщил нам о грузах в будущем”. И я помню, как сидел за этим ужином и думал: “О боже, какой интересный вопрос”. Не то чтобы я не знал ответа, а то, что я не знаю, как об этом думать.

Позже, в 1980-х годах, я написал статью, которую я называю своей музейной статьей. Фактически, она есть в интернете под названием музейная статья. У меня есть пять разных способов моделирования этих проблем с грузовыми перевозками, каждый из которых рассматривает неопределенность по-разному, и я полностью осознавал, что ни один из них не сработает. И вот я был, в конце 1980-х годов, и думал: “Я не знаю, что еще делать. Ничто, что выходит из академического сообщества, не работает”.

Так начался этот многолетний процесс, когда я начал понимать и иметь эти моменты “аха”. И вот один из таких моментов произошел в начале 2000-х годов. Schneider на самом деле обратился ко мне и сказал: “Эй, Уоррен, нам действительно нужна помощь. Не могли бы вы построить нам эту модель?” Эта модель впоследствии стала основным программным обеспечением для Optimal Dynamics. Но даже после того, как была создана эта модель, которая могла учитывать неопределенность, моя работа по приближенному динамическому программированию только начиналась.

Я бы сказал, что каждые несколько лет у меня возникают такие большие моменты “аха”. Фактически, даже после окончания университета у меня было еще несколько таких моментов “аха”. Я имею в виду, эта область просто поразительно богата, и у меня постоянно возникают такие мысли: “О боже, я никогда не думал об этом так”.

Конор Доэрти: Джоаннес, соответствует ли это вашему пути к вероятностному прогнозированию? Много моментов “аха”?

Джоаннес Верморель: Да, в какой-то мере. Для меня это был немного другой путь, потому что когда я основал Lokad в 2008 году, я сразу же приступил к основным теориям цепей поставок. Так что это не было так, что кто-то подошел ко мне и даже произнес слово “стохастический”. Я уверен, что большинство людей, с которыми я встречался до очень позднего времени в своей жизни, если бы я произнес слово “стохастический”, они бы не были уверены, что я говорю о чем-то вроде варианта эластичности или чего-то подобного.

Но в любом случае, они были умными, но они не были статистиками или вероятностниками или чем-то подобным. Итак, мой путь был таким, что в течение первых нескольких лет работы в Lokad я фактически применял эти детерминированные методы с большим успехом в качестве поставщика программного обеспечения для предприятий, что означает, что вам удается продать свои товары. Это не означает, что они действительно работают, это две разные метрики. Вы можете быть успешным поставщиком предприятий и все равно не иметь ничего, что действительно работает.

Были конкуренты, которые сделали всю свою карьеру только на этом. Но мне понадобилось несколько лет, чтобы понять, что это просто не работает и никогда не будет работать. Основная перспектива, перспектива цепей поставок, которая основана на полностью детерминированной перспективе, что нет никакой неопределенности, что успех был за углом, не была верной. Это не было о том, чтобы достичь еще 1% точности прогнозирования, которая вдруг заставит это работать.

Нет, мне понадобилось довольно много лет, скорее четыре года, чтобы отказаться от идеи, что несмотря на прогресс в прогнозировании, несмотря на улучшение процесса, улучшение всего, нет, успеха не было. Итак, у нас был этот момент “аха”, но он возник больше из-за отчаяния, а не в результате отличной беседы с кем-то, кто просветил меня. В любом случае, мы пришли к этому немного. Это заняло время. Но я бы сказал, что пройдя десять лет, это теперь очевидно. Я бы сказал, что мои первые несколько лет в Lokad были посвящены попыткам решить проблемы цепей поставок, не принимая во внимание неопределенность. Это был тупик, и мне понадобилось несколько лет, чтобы понять это.

Уоррен Пауэлл: Какие проблемы я обнаружил, если могу, так как я пришел с академической стороны, так что, Джоаннес, когда я говорю с вами, я почти чувствую, что говорю с коллегой-академиком, но вы приходите с промышленной стороны. Моя лаборатория была необычной с самого начала. Мне пришлось выйти на улицу, поговорить с компаниями и получить деньги. Национальный научный фонд, который финансирует многих ученых, имел явную политику в моей области. Они сказали: “Мы не финансируем исследования. Мы благословляем их. Получите деньги от промышленности, и тогда мы посыплем вас ангельской пылью Национального научного фонда”.

Но у нас слишком много академиков, и это все еще продолжается и сегодня, когда они не работают с промышленностью, поэтому они работают с выдуманными моделями, они доказывают свои теоремы, выполняют численные расчеты, и все это полностью в академическом сообществе. И это особенно верно для стохастической оптимизации. Это не так с машинным обучением. Машинные обучатели выходят, получают реальные наборы данных, подгоняют модели.

Это даже не так с детерминированной оптимизацией. Не существует дефицита реальной детерминированной оптимизации. Но то, что я теперь называю последовательными решениями, это, кстати, уводит меня от этого слова “стохастический”, есть что-то в этой области, где есть огромное количество статей о моделях, созданных академиками, которые на самом деле не понимают, каковы настоящие проблемы, потому что они трудно работают с промышленностью, и вам нужно получить компании, и у меня были компании. Они должны были работать над тем, что они позже назвали передовым краем, где им пришлось быть компанией, где я узнал, что работает и что нет.

Так что это действительно проблема в работе академиков. Одно, у меня была успешная карьера публикаций, но, черт возьми, к концу я подумал: “Знаете, это некоторая игра”. Знаете, чтобы быть опубликованным, вы должны следовать определенному стилю, который хотят журналы, и сообщество стохастической оптимизации - это не одно сообщество. Их более дюжины. У них всех есть свои языки, стили и маленькие инструменты и техники, и они все очень гордятся этим, и они доказывают свои теоремы, и даже выполняют расчеты, но почти ничего из этого не работает на практике.

Конор Доэрти: Ну, спасибо. Чтобы подчеркнуть этот момент, разницу между чисто академическим подходом и более практическим, мы говорили о детерминированном подходе к прогнозированию по сравнению с распределительным или вероятностным. Я просто буду использовать термин “вероятностный” для удобства. Уоррен, сначала вам, чтобы набросать для людей, которые могут услышать это в первый раз, снова эту дихотомию. В чем разница с вашей точки зрения между детерминированным подходом к прогнозированию и вероятностным, и почему, скажем, вероятностный подход, по вашему мнению, превосходит?

Уоррен Пауэлл: Хорошо, каждый раз, когда я встречаю кого-то из бизнеса, кто использует слово “прогноз”, я сразу говорю, хорошо, он имеет в виду точечный прогноз. Все любят точечный прогноз. Они хотят знать: “Я продам 500 виджетов или две машины или будет шесть грузовиков груза”. Они любят это число, потому что оно действенно. Оно говорит: “О, будет шесть грузовиков, поэтому мне нужно иметь шесть водителей”.

Проблема в том, и, кстати, это происходит каждый день в грузовых перевозках. У вас может быть горячий грузоотправитель, но он знает, что он один из ваших лучших грузоотправителей, и он позвонит и, чтобы процитировать слова одного диспетчера, скажет: “Посмотрите, этот парень может позвонить и понадобиться от 10 до 20 грузовиков”. Что довольно раздражает, но это реальный мир в диспетчерской. Но в прогнозных моделях вся математика разработана для получения одного числа.

Людям также нравится одно число. Оно действенно, его легко понять. Если вы скажете: “Посмотрите, это будет где-то между 10 и 20”, знаете ли, сколько водителей мне нужно, чтобы удовлетворить спрос, который находится где-то между 10 и 20? Я расскажу вам, что делают грузовики. Они скажут: “Ну, это действительно важный грузовик. Может быть, у меня не будет 20 водителей, но может быть, у меня будет 17. Но если он придет и ему понадобится только 12, тогда я возьму этих пятерых водителей и отправлю их куда-нибудь еще”. И у них будет то, что в оптимизации называется рекурсом. Это как “Ну, если это произойдет, то я сделаю это”.

Но всем нравится этот точечный прогноз. Я начал заниматься вероятностным прогнозированием в 1990-х годах, когда работал в Yellow Freight. Я сказал: “Я бы хотел делать доверительные интервалы”, и они ответили: “Наши ребята просто не знают, как с этим справиться”. Наша самая большая проблема заключается в том, что недавно мы работали с крупным перевозчиком, и они очень заинтересовались вероятностным прогнозированием, а затем повернулись и сказали: “Да, давайте возьмем его и посмотрим, насколько точным он является”. Я вижу, что Йоаннес улыбается. Это как будто говорит: “Хорошо, как вы справляетесь с вопросом: ‘О, это здорово, вероятностное прогнозирование, звучит круто. Насколько точно это?’ Как вы отвечаете на этот вопрос, Йоаннес?”

Йоаннес Верморель: Да, я имею в виду, с помощью таких метрик, как перекрестная энтропия или любая другая метрика, которая работает для вероятностного прогнозирования, CRPS - еще одна из них. Но, действительно, это так. Когда вы входите в область этих вероятностных распределений, у вас все равно есть метрики, но они не такие простые и интуитивные, как те, которые можно понять даже детям из средней школы. Норма один, норма два, средняя школа, вы понимаете. Что такое расстояние?

Когда вы переходите к вероятностным распределениям, честно говоря, это не так сложно. Это не особенно сложно, если вы выбираете, скажем, метод максимального правдоподобия или что-то в этом роде. Вам не нужно иметь докторскую степень по статистике, чтобы понять это, но это займет больше, чем 2 минуты. И затем интуиция, вам, вероятно, придется пройти через формализм, и это займет примерно полчаса, может быть два часа, если вы очень невежественны.

Уоррен Пауэлл: Да, и на этом моменте бизнесмены начинают терять интерес и говорят: “О да, я понял. Но насколько точно это?”

Йоаннес Верморель: Это касается более полного прогноза. Когда у нас есть решения, которые мы хотим оптимизировать, это связано с улучшением глубины вашего видения. Что вы видите? Я имею в виду, вы делаете прогноз о будущем, заявление о будущем. Но насколько не точно, а насколько полно, насколько широкий охват у вашего прогноза?

Поэтому это необычно, потому что люди скажут, что у них есть точечный прогноз, который является невероятно точным. Это немного похоже на то, если вы возьмете микроскоп и просто увеличите в тысячу раз точку на вашем столе. Таким образом, вы можете взять микроскоп и посмотреть на один квадратный миллиметр на вашем столе и иметь идеальное видение, но остальную часть стола вы не видите. И люди говорят: “О, знаете что? Я думаю, мне нужен больший микроскоп, чтобы я мог рассмотреть этот один квадратный миллиметр еще более четко”. А вероятностный прогноз говорит: “Нет, вам, вероятно, стоит посмотреть на остальную часть стола, а не сосредотачиваться только на этой одной точке, которую вы уже видите достаточно четко по сравнению со всем остальным”.

Уоррен Пауэлл: Вот что любой бизнесмен, особенно в розничных продажах, абсолютно понимает - это покрытие спроса. И они скажут: “Мы хотим удовлетворить 97% спроса”. Теперь это необычная просьба. Как удовлетворить 97% без понятия о вероятностном прогнозе? Поэтому вы можете вернуться и сказать: “Да, но вы хотите покрыть 97% спроса. Я не могу сделать это, пока у меня нет вероятностного прогноза. Мне нужно 20 дополнительных единиц или 200 дополнительных единиц?” Так что это, возможно, вводная часть, чтобы сказать: “Слушайте, ребята, вы хотите покрыть высокий процент вашего спроса. Ведь никто не хочет покрывать средний спрос. Вы будете недостаточными в половине случаев. Так что нам somehow нужно научиться привнести эту очень знакомую бизнесу требование в ‘Ну, если вы хотите этого, то нам нужно делать вероятностный прогноз или вероятностное прогнозирование’”.

Joannes Vermorel: И интересно, что когда мы начали это делать в Lokad в 2012 году, и, как переход к вашей книге, нам потребовалось несколько лет после начала вероятностного прогнозирования, чтобы мы действительно смогли разобраться, как делать любые сложные оптимизации на его основе. Потому что, я бы сказал, вероятностный прогноз был трудно принять тот факт, что нам нужно было это делать. Так что это была первая часть моего пути в Lokad.

Оказалось, что в 2012 году вероятностный прогноз стал довольно популярным по совершенно другим причинам в глубоком обучении. Они были очень популярны в глубоком обучении, потому что метрики перекрестной энтропии, такие как эта, дают очень крутые градиенты, которые помогают для оптимизации. Так что сообщество глубокого обучения использовало эти вероятностные прогнозы, хотя они абсолютно не интересовались вероятностями. Их интересовал только точечный прогноз, но супер крутые градиенты, которые можно получить с помощью перекрестной энтропии, были очень хорошими числовыми свойствами, чтобы заставить эти модели работать.

Так что это было как, хорошо, немного отклонение. Мы начали использовать эти вероятностные прогнозы ради самих себя, а не просто как хитрые числовые трюки для градиентов. Но затем, когда у вас есть это, вы понимаете, что у вас есть решения, которые вы хотите оптимизировать. Вы хотите выбрать лучший вариант, и, очевидно, это будет повторяющийся бизнес, поэтому есть такая последовательность решений.

И тогда вы оказываетесь с вопросом: “Что мне нужно в качестве программного инструмента, чтобы просто решить это?” И вот здесь, как переход к вашей книге, это очень сложная проблема, потому что главная проблема, с которой я столкнулся, была даже полувакуумом в терминах парадигм. Нет, как вы сказали, у вас было около полудюжины сообществ, в которых вы могли публиковаться, но, на мой взгляд, даже сегодня еще нет действительно объединенного сообщества, которое просто берет эти проблемы с неопределенностью, где вы хотите делать оптимизацию, и просто работает с ними. Этого просто нет.

Так что это было как попадание или промах. Я немного занимался обучением с подкреплением, занимался классической оптимизацией. Моя проблема действительно заключалась в отсутствии парадигм. И это довольно интересно в этой очень объемной, знаете, 1100 страницах, что вы на самом деле идете и предлагаете свои собственные парадигмы, чтобы просто продумать домен и разделить его на части. И да, я имею в виду, эта книга все еще, знаете, уникальна. Их не так много.

Я имею в виду, если вы хотите иметь книгу о, скажем, классификаторах, то, знаете, для машинного обучения будет 500 книг, которые дадут вам все классические методы от классификаторов, от линейной классификации до методов опорных векторов и градиентных деревьев. Есть около 500 книг, которые формулируют проблему классификации и тому подобное. Здесь же это все еще очень, я бы сказал, это все еще что-то, из-за чего, извините за мой очень длинный ответ, сообщество все еще просто не смотрит на эту проблему.

Warren Powell: Да, проблема принятия решений и неопределенности - это удивительно богатая область. Если вы обратитесь к детерминированному математическому программированию, да, есть много детерминированных математических программ, но все они следуют основной парадигме, которая была установлена с Джорджем Данцигом. У вас есть целевая функция, у вас есть ограничение, у вас есть переменная решения, у вас есть алгоритм. Итак, потому что все вписываются в эту рамку, машинное обучение, статистика, машинное обучение снова, очень сильно, у вас есть некоторая функция, вы пытаетесь подогнать ее под данные.

Теперь есть много разных наборов проблем, но потому что они все в основном в этом же подходе, вот одна из семьи функций. И поэтому большинство популярных книг по статистике познакомят вас со всеми различными функциями. И поэтому вы берете курс по статистике или машинному обучению, практически все выходят с примерно одним и тем же набором инструментов. И это также позволяет им использовать этот общедоступный программный продукт.

Когда вы смешиваете решения и неопределенность, в 2014 году я провел эту лекцию, учебное пособие на INFORMS, и назвал ее “Очистка джунглей стохастической оптимизации”. И мне пришлось написать учебную статью. Я всегда помню один из отчетов рецензента. Рецензент говорит: “О, это не так уж и плохо. Может быть, вам стоит назвать это ‘Сад стохастической оптимизации’”. И я рассмеялся и сказал: “Вы никогда не пытались опубликовать статью в этих областях. Это джунгли, потому что у вас есть все эти разные сообщества, более десяти, и они говорят на разных языках. Я посчитал восемь фундаментально разных систем обозначений. И, конечно же, вы получаете производные.

Таким образом, обучение с подкреплением приняло обозначение процессов принятия решений Маркова, но стохастическое управление имеет свое обозначение, и стохастическое программирование имеет свое обозначение, деревья решений. И это просто беспорядок. Но у каждого из них есть довольно многочисленное сообщество. И у них есть своя группа людей, которые говорят на одном языке. И когда вы пишете статьи, они ожидают определенных вещей.

Я руководил лабораторией, которая была достаточно большой и разнообразной. Так что, начав и закончив с грузовой перевозки, посередине я руководил всей лабораторией по энергетическим системам. Я провел кучу работы по оптимальному обучению и материаловедению. Это был интересный опыт на некоторое время. Электронная коммерция, финансы, и у меня, в Принстоне, вы должны написать выпускную работу бакалавра. Так что я руководил около 200 дипломных работ. И скажу вам, когда вы руководите достаточным количеством студентов и решаете достаточно широкий спектр проблем, когда-то, когда я только что написал свою книгу по ADP, я подумал: “Вау, ADP - это здорово. Посмотрите, я могу оптимизировать грузовые компании. И это не фальшивка. Это настоящее. Было время, когда я говорил: “Но это не просто какое-то шуточное применение. Это реальное промышленное применение. Он должен быть способен делать все”. Боже, как я ошибался.

Хорошо, во втором издании моей книги по ADP я действительно написал главу, главу шесть, в которой сказал: “Знаете, кажется, есть эти четыре класса политики”. Теперь у меня не было всех четырех. У меня было только три. Четвертый я ошибся. И через шесть месяцев после отправки его издателю, я понял, что нашел четвертый класс политики. И с тех пор, пока не вышла большая книга в 2022 году, я продолжал развиваться, и я написал еще одну учебную статью в 2016 году, а затем большое событие - Европейский журнал операционных исследований пригласил меня написать обзорную статью.

Это, ээ, Роман Словинский, один из ведущих редакторов, пригласил меня сделать это, и эта статья в итоге стала основой для этой большой книги. Как только я сделал эту статью, я подумал: “Хорошо, это новая книга”, и я хотел сделать третье издание моей книги по ADP, и я говорю: “Нет, я просто не могу, ADP, конкретно означает приближение функции стоимости, это очень мощный инструмент для очень небольшого числа проблем, и если у вас есть молоток, и у вас есть ваш любимый молоток, и у нас всех есть наши любимые молотки, каждый в академии имеет свои любимые молотки, вы можете найти проблемы, подходящие под ваш молоток.

Но если вы занимаетесь областью применения, возьмем богатую область применения, например, управление цепями поставок, вам понадобится набор инструментов. Вы не можете заниматься управлением цепями поставок с каким-то молотком, и мне все равно, каким молотком вы обладаете, вам придется войти с полным набором инструментов, потому что прогнозирование распределения хорошо, но в конечном итоге вам придется принять решение, что означает, что вы принимаете решение в условиях неопределенности.

Конор Доэрти: Хорошо, если я могу продолжить, потому что это идеальный переход. Когда вы говорите о наборе инструментов и о подчеркиваете, что акцент делается на вероятностном прогнозировании, предоставляя нечто действенное, и люди хотят что-то действенное, то, пожалуйста, разберите набор инструментов и объясните, в контексте управления цепями поставок, как ваша универсальная методика последовательного принятия решений на самом деле приводит к лучшим решениям?

Уоррен Пауэлл: Одно из моих самых больших изменений заключается в том, что у меня есть этот слайд PowerPoint, который мне очень нравится. На нем изображено около 15 книг, все они посвящены какой-то последовательной проблеме принятия решений. Каждая из этих книг, включая мою книгу по ADP, является молотком, ищущим гвоздь. У каждого из нас есть своя любимая техника принятия решений, поэтому книги были написаны вокруг одного или двух основных молотков.

Если вы работаете с приложениями, вы начинаете понимать, что все эти молотки хороши. Ни один из них не работает для всех проблем. Когда вы действительно работаете с приложением, вы не можете выбирать свою проблему. Так что ученые, работающие над методами, выбирают проблему, на которой тестировать свои методы. Когда вы работаете с приложением, вы не можете. Вам говорят: “Вот проблема, которую я должен решить. Что вы собираетесь делать?” И моим большим достижением в карьере было понять, что все методы попадают в эти четыре класса, а затем в статье 2019 года я понял, что эти четыре класса попадают в две основные категории.

Проще категория принимает решение на основе некоторой функции, которая не планирует будущее, но имеет настраиваемые параметры, которые нужно настроить так, чтобы они хорошо работали в будущем. Самый простой пример в цепях поставок - это заказ запасов. Когда запасы опускаются ниже определенного уровня, вы заказываете до другого уровня. Я не смотрю в будущее. Я не планирую. Это просто правило, но эти уровни заказа должны быть настроены так, чтобы они хорошо работали со временем.

Второй из самых простых - обычно это детерминированная оптимизационная модель, упрощенная, но с настраиваемыми параметрами. Теперь это то, что я назвал “приближение функции стоимости”. Вы не найдете этого нигде, кроме моей большой книги, но широко используется в промышленности. Люди из промышленности скажут: “Да, мы делаем это все время. Мы просто думали, что это хак промышленности”.

Я понял, что если взять линейную программу, которая является приближением какой-то грязной стохастической проблемы, а затем ввести настраиваемые параметры для учета таких вещей, как буферные запасы или поправки на выход или резерв, знаете ли, авиакомпании будут делать это, просто скажут: “Хорошо, когда я лечу из Атланты в Нью-Йорк, может быть задержка из-за погоды. Я добавлю еще 20 минут”.

Решение этих детерминированных проблем с настраиваемыми параметрами является чрезвычайно мощным. Ученые любят относиться к этому как к “некоторому детерминированному бессмыслице”. Я решил, что это действительно не отличается от параметрического прогнозирования. Так что, когда вы делаете прогнозирование, вы хотите знать, спрос - это функция цены. Ну, более высокая цена приведет к снижению спроса. Давайте придумаем некоторую нисходящую функцию, может быть просто линию, может быть S-образную кривую, а затем найдем лучшую функцию. Мы можем сделать то же самое с параметризованными детерминированными моделями.

Теперь, ученые любят другой класс политик. Это политики, которые принимают решение сейчас, планируя будущее. Одно из них - если я принимаю решение сейчас, я совершаю действие. Допустим, у меня есть определенное количество запасов. Я заказываю больше запасов. Это помещает меня в состояние в будущем, и я получаю ценность нахождения в этом состоянии. Это то, что они называют динамическим программированием или уравнением Беллмана. Ученые обожают уравнение Беллмана, или если вы из области инженерии, они называют его уравнением Гамильтона-Якоби. И если вы посещаете любой курс в любом хорошем университете, где преподают, как принимать решения со временем в условиях неопределенности, первое, что они вам покажут, это уравнение Беллмана.

Я написал 500-страничную книгу, построенную вокруг приближения уравнения Беллмана. Я был очень горд этим. Это мощная техника, которая работает с таким количеством проблем. Хорошо, я имею в виду, честно говоря, выйдите в деловое сообщество, где люди принимают последовательные решения, и спросите: “Сколько из вас хотя бы слышали об уравнении Беллмана?”, и почти никто. Никто не использует уравнение Беллмана.

Последний класс - это полноценный прогноз в будущее. Я использую в качестве примера Google Maps. Если вы хотите спланировать маршрут к месту назначения, вам нужно спланировать все до конца. Существует несколько моделей планирования, которые должны планировать в будущее. Они не используют функцию стоимости. Они явно создают модель на будущее, и это делается гораздо чаще, чем применение приближения функции стоимости.

Таким образом, ученые очень любят эти более сложные техники. Когда вы выходите в реальный мир, вы в основном сталкиваетесь с одним из трех классов политик: простыми правилами, такими как “заказывать до”, “покупать дешево, продавать дорого” или “надевать пальто”. Для более сложных проблем я использую детерминированную модель, которая не слишком сложна. Я добавляю некоторые настраиваемые параметры, а затем настраиваю их. Третья техника - это детерминированный прогноз в будущее, как Google Maps. Вот эти три основные техники.

Я думаю, что если бы вы могли составить список всех решений, которые принимают все люди в любой ситуации, то 97% этих решений были бы приняты с использованием этих трех классов политик. Угадайте, что? Они не акцентируются в книгах. Вот куда я иду. Многие из этих мыслей я приписываю вам; вы не найдете этого обсуждения даже в моей большой книге, поэтому это придется подождать второго издания.

Это мой момент “аха”, когда я сказал, знаете ли, давайте возьмем четыре класса политик, давайте возьмем прогноз в будущее и разделим его на две части: детерминированный прогноз в будущее и стохастический прогноз в будущее. Теперь у меня есть пять политик, и я спрашиваю, какие из них используются чаще всего? Категория один, широко используемая, включает первые три: приближения функции политики, такие как простые правила, приближения функции стоимости, которые являются параметризованными детерминированными, и детерминированный прогноз в будущее. Вот эти три основные техники.

Теперь, есть моменты, когда нам нужен стохастический прогноз в будущее. Например, я заказываю из Китая; обычно это занимает пять недель, но может занять семь. Что, если вы скажете, что я спланирую на семь, это на самом деле форма стохастического прогноза в будущее, называемая робастная оптимизация с использованием вероятностного прогноза. Потому что я спланировал наибольшее возможное время, а не то, что обычно бывает.

Приближения функции стоимости, тема моей предыдущей книги, находится внизу. Я действительно думаю, что это отличный инструмент для многих проблем. Если вам действительно это нужно, вам лучше обратиться к эксперту, но для повседневных вещей вы просто не будете его использовать. Это слишком сложно.

Теперь некоторые люди говорят о обучении с подкреплением. Обучение с подкреплением в ранние годы было просто другим названием для приближенного динамического программирования. Это были просто разные слова для одного и того же. Сообщество ORL открыло то, что я открыл; они обнаружили, что это не всегда работает. Если вы перейдете от первого издания книги Саттона и Барто, где вы увидите только приближенное динамическое программирование, и перейдете ко второму изданию, если вы знаете, что ищете, вы можете найти все четыре класса политик в их втором издании. Но я все еще думаю, что большинство людей, когда они говорят, что они используют обучение с подкреплением, имеют в виду приближенное динамическое программирование. Компьютерные ученые гораздо лучше нас в маркетинге своих инструментов.

Conor Doherty: Ну, спасибо. Я сразу же передам слово вам, Йоаннес. Соответствует ли это вашему представлению о том, как мы принимаем решения здесь, в Lokad?

Joannes Vermorel: Ну, не совсем, но, честно говоря, это разделение, я считаю, очень технически правильное в том, как вы разделяете эту область. Я не буду оспаривать этот момент. И когда я говорю об области, я имею в виду наличие согласованной интеллектуальной модели, где у нас есть функции перехода состояний и функция вознаграждения, а затем мы хотим оптимизировать эти решения и т.д. Так что здесь, если мы рассмотрим это с этой точки зрения, я бы сказал, что ваше описание правильное.

Но я лично подхожу к проблеме с совершенно других ракурсов. Мой первый взгляд, даже до рассмотрения списка техник, будет таким: а что насчет самой постановки проблемы? Путь к постановке проблемы является ключевым. Это немного несправедливая критика этой книги, потому что она уже имеет 1100 страниц, и, по-видимому, вашим издателям не хотелось 3000-страничной книги.

В Lokad, когда мы подходим к этому, первый вопрос, который мы задаем, - это насколько мы должны приближать состояние. Люди могут подумать, что это данность, но это не так. Вы всегда моделируете реальный мир, и вы не моделируете его до положения каждого атома, поэтому есть огромное количество свободы в том, что вы решаете считать состоянием. Затем у вас есть функция перехода, которая также имеет огромное количество свободы в определении того, как вы можете перейти от одного состояния к другой версии этого состояния.

Я считаю, что это часть решения проблемы. Если вы сделаете неправильный выбор на этом этапе, если у вас будет слишком детализированное состояние или слишком сложная функция перехода, ваш инструментарий просто развалится после этого. Поэтому первое, что для меня важно, - это сделать правильный выбор и иметь правильную парадигму для этого. То же самое относится к функции стоимости или функции вознаграждения.

У нас есть классический случай для клиентов, которым необходимо оценить стоимость отсутствия товара на складе или стоимость предоставления скидки. Если вы даете скидку один раз, вы отдаете часть своей маржи. Это нормально, вы можете измерить это, это довольно просто. Но затем вы создаете плохую привычку, потому что люди будут ожидать, что эта скидка будет применяться снова. Таким образом, вы создаете проблему для себя в будущем.

Очень сложно оценить поведение, насколько люди будут помнить ваши предыдущие скидки и так далее. Это ваша функция перехода; вам нужно приблизить ее. Мое первое действие - это приближения перед приближением различных звеньев алгоритмического процесса с помощью этой структуры.

Мой подход начинается с самого определения моделей. Я не считаю, что модель в целом, которую вы хотите оптимизировать, является данностью. Для меня это часть методологии. Это было бы первое. Извините, я еще не закончил. Второе, но это больше связано с моим компьютерным научным бэкграундом, - это анализ размерности проблемы.

Это совершенно разное дело, если вы решаете маленькую проблему, например, несколько тысяч решений, таких как маршрут в городе с несколькими сотнями доставок и так далее. Тысяча решений - это очень маленькая проблема по моему мнению. У нас есть проблемы, где у нас до миллиарда переменных. Если мы говорим о большой поставочной цепи, например, в гипермаркете может быть 100 000 SKU. Если у вас тысяча гипермаркетов, то у вас будет 100 миллионов SKU. Для каждого SKU у вас есть полдюжины решений, и вы повторяете это через несколько недель вперед. Вы можете столкнуться с проблемами, которые могут быть либо очень маленькими, например, оптимизация маршрута, либо очень большими, когда они даже не помещаются в память.

Так что для меня это будет то, с чего я начну, чтобы попытаться уловить ключевые характеристики проблемы. Размерность - одна из них. Еще одна очень важная - это то, насколько сложно найти лучшее решение. Если я возьму эти два примера, оптимизация маршрута - это нечто очень нелинейное, очень хрупкое. Вы просто перемещаете, меняете два места, и вы можете перейти от очень плохого решения к очень хорошему, просто поменяв две точки. Так что ваше решение ведет себя немного как кристалл; у него есть такая хрупкость. Очень легко нарушить решение и перейти от хорошего к очень плохому.

С другой стороны, если я рассмотрю этот спектр проблем с моей сетью супермаркетов и решу поместить одну единицу, которая должна была быть где-то еще, проблема будет очень незначительной. Вы можете иметь большую свободу действий. Вы хотите иметь что-то, что будет более направленным. Этот спектр охватывает свойства кристалла и свойства грязи. Свойства кристалла хрупкие и ломкие, и они легко ломаются, тогда как свойства грязи не имеют формы. Пока вы направлены правильно, это нормально. Это будет второе соображение.

Третьим соображением будет время, которое вам нужно. Характеристики времени варьируются от управления роботами на складе, где вам нужны постоянные ответы в течение миллисекунд, до другой проблемы, например, закупки из-за рубежа, где доставка из Китая займет 10 недель. Если ваш расчет занимает 24 часа, это не проблема. Мы можем позволить себе эти 24 часа; у нас нет никаких ограничений.

Вот как я разделяю и анализирую предметную область. Я понимаю, что способ, которым я разделяю и анализирую предметную область, не говорит много о тех алгоритмах, которые вы хотите использовать, но я использую это как способ исключить то, что я даже рассмотрю в качестве потенциальных решений для тех проблем, которые меня интересуют.

Уоррен Пауэлл: Мне нравится, что вы исходите из прикладной области. Одна из вещей, которую я обнаружил, когда начал писать свою книгу по аналитике цепей поставок, которая является первой книгой, которую я когда-либо написал по классу проблем, заключается в том, что все мои другие книги были в основном методическими книгами, и это очень интересно.

Теперь, дайте моей большой книге заслугу за одну вещь: у меня есть целая глава, длиной 90 страниц, посвященная моделированию, но моделированию в очень общем виде. Я абсолютно ценю весь ваш описанный процесс. Это является переменной состояния. В сложных проблемах у меня есть некоторые учебные пособия, где я говорю, что у нас есть пять элементов проблемы, начиная с переменных состояния. Но когда я делаю моделирование, я делаю переменную состояния последней.

Кроме того, это действительно итеративный процесс. У вас будет процесс, в котором вы пройдете через моделирование. Переменная состояния - это просто информация. Вы проходите через модель и говорите: хорошо, мне нужна эта информация, эта информация, эта информация - ах, вот моя переменная состояния. Но, например, как вы принимаете решения? Это зависит от того, как вы моделируете неопределенность. Как вы моделируете неопределенность? Это зависит от того, как вы принимаете решения.

Так что я описываю процесс моделирования неопределенности и принятия решений как подъем по двум лестницам. Не используйте невероятно сложный метод принятия решений в условиях неопределенности, если ваша модель имеет очень простую вероятностную модель. В случае сложных проблем мы можем создавать модели неопределенности так сложными, как нам угодно.

Обычно вы не начнете с самой сложной модели. Вы начнете с чего-то более простого. Затем вы захотите иметь что-то, что принимает решения. Вам не нужно делать что-то невероятно сложное, потому что это просто базовая модель. Как только у вас есть хорошая модель принятия решений, вы можете вернуться к своей модели неопределенности, потому что, возможно, теперь вы хотите получить другие показатели риска.

Теперь вы хотите иметь решения, которые отражают риск. Так что вы поднимаетесь по этой лестнице, и я уверен, что весь ваш процесс в Lokad был итеративным. Мы всегда хотим самую простую модель, которая решает проблему. Вопрос в том, что нужно сделать, чтобы достичь бизнес-целей, и это процесс обучения.

Жоанн Верморель: Абсолютно. Я признаю вашу книгу. Я думаю, что там вы перечисляете, я думаю, что около 15 различных типов неопределенности, и это, вероятно, самый длинный список, который я видел, и да, это очень реальная проблема. Когда вы говорите о неопределенности, люди думают, что вы говорите только об неточностях точечного прогноза. И я бы сказал, что это совершенно не так, есть так много источников неопределенности. Это может быть цена товаров, от которых вы зависите, которая меняется, это может быть рабочая сила, от которой вы зависите, которая забастовала или просто не квалифицирована или ее просто нет.

Это может быть возможность возникновения проблем с жильем в ваших местах. Это рассмотрение неопределенности только через призму неточностей ваших продаж, потому что это только одна вещь, спрос на прогноз продаж, точечный прогноз продаж, это очень узкое понимание. Я полностью согласен с вами. Быть очень итеративным в Lokad - это именно то, что мы делаем, что вызывает еще один вопрос, большую проблему, а именно производительность инженеров, которых вам приходится задействовать для более быстрой итерации.

В Lokad мы обычно подходим к таким стохастическим задачам оптимизации, идентифицируя парадигмы программирования. У нас есть коллекция таких парадигм. Они не унифицированы, скорее похожи на небольшую библиотеку инструментов, которые можно использовать. Эти парадигмы дают вам возможность быстро реализовать свой солвер. Здесь я полностью согласен с итеративным процессом. Проблема, с которой мы сталкиваемся с бизнес-точки зрения, заключается в том, что мои клиенты очень нетерпеливы.

Нам нужно очень быстро итерироваться, но мы имеем дело с чем-то сложным, связанным с сложной алгоритмикой. Им нужно реализовать свой алгоритм в конечное время. Еще одно соображение, о котором никогда не говорят, заключается в том, что многие методы, которые я видел в книгах, работают, если у вас есть умные университетские профессора, которые готовы потратить десятилетия на реализацию алгоритма. В реальном мире, если у вас есть 100 часов, чтобы его реализовать, некоторые методы крайне сложно реализовать на уровне кода. Вот почему наличие этих программных парадигм помогает. Они предоставляют способ написать код таким образом, чтобы он работал в производстве в конечное время при итерации над задачей.

Уоррен Пауэлл: В конце главы 11, я думаю, в самом последнем разделе, у меня есть подраздел о мягких аспектах оценки политик. Так в книге я всегда пишу, что оптимизация политики - это максимизация по политикам, ожидание чего-то. В конце главы 11, которую можно скачать с веб-сайта, я рассматриваю около пяти различных качеств, таких как методологическая сложность. Когда вы рассматриваете метод, абсолютно то, что вы только что сказали, очень важно, это вычислительная разрешимость, прозрачность. Мы все кодировали алгоритмы, и ответ получается каким-то и мы думаем и клиент не понимает, и вы хотите иметь возможность сказать, вот почему он получился таким, потому что это может быть ошибка данных, это может быть изменение правил.

Я имею в виду, в Optimal Dynamics мы получаем эти данные от компаний по перевозке грузов, и мы сталкиваемся с теми же проблемами, с которыми вы сталкиваетесь, и когда им не нравится ответ, они хотят, чтобы его исправили довольно быстро. Одним из самых мощных и важных инструментов, которые я разработал в своей лаборатории в университете, является графический инструмент под названием Pilot View, в котором есть два модуля. Один - это карта, где вы можете видеть потоки и фильтровать их разными способами, а другой, я называю его моим электронным микроскопом, позволяет мне просматривать отдельных водителей и отдельные грузы и щелкать на любом из них, чтобы узнать, какому водителю был назначен какой груз, но не только какому водителю был назначен какой груз, но и какие грузы мы рассматривали, потому что если у меня есть тысяча водителей и тысяча грузов, я не могу рассмотреть все возможные комбинации тысячи водителей на тысячу грузов, и это никак не связано с алгоритмом, это связано с генератором сети.

Так что мы используем сложные вещи, но у меня может быть водитель, которого я не назначил на груз, почему? Ну, может быть, потому что штрафы были слишком высокими, может быть, потому что стоимость была слишком высокой, или может быть, что одно из моих правил обрезки просто не рассматривало его, и у нас это случалось. И, конечно, когда клиент жалуется, вам нужен ответ очень быстро, потому что, как только вы находитесь в поле, сложные алгоритмы уже не помогут.

Жоанн Верморель: Я очень сильно с этим связываюсь. Я не придумал это наблюдение, я нашел его в интернете, не помню точно, кто сказал, но суть его была в том, что для отладки алгоритма требуется быть вдвое умнее, чем для его реализации.

Поэтому, если вы выбираете алгоритм, который уже, когда вы его реализуете, будет настолько умным, насколько только может быть, то это означает, что когда вы будете в производстве и захотите отладить его, вам придется быть вдвое умнее, а это даже невозможно, потому что реализация алгоритма уже была вашим лучшим. Поэтому вам нужно решение, которое не является вашим лучшим, чтобы вы могли его отлаживать. Кроме того, я очень согласен с тем, что вы описываете, а именно с этим поддерживающим инструментом. Роль инструментации абсолютно фундаментальна, и я думаю, что это также что-то, но это сложно. В этой книге содержится так много, я вам признаюсь в этом, это не совсем книга, которая бедна идеями, роль инструментации является важнейшей.

Классическое оптимизационное сообщество в детерминистском смысле просто говорит, сколько секунд процессорного времени вам нужно и какова производительность получаемого решения, и все. Но когда вы входите в эту область стохастической оптимизации, вам понадобится обширная инструментация для понимания того, что происходит. И я думаю, что это то, где также есть этот своего рода парадигматический разрыв в способе взгляда на это, потому что это означает, что это не только инструмент, который позволяет вам генерировать решение, но и все виды инструментов, которые вы можете использовать поверх этого, чтобы вы могли как-то осмыслить свой процесс принятия решений, не обязательно только одно решение, но процесс принятия решений, и без этого люди будут поднимать вопросы, и вы застрянете и не сможете просто сказать: “Поверьте мне, это хорошо”. В стохастической оптимизации это не работает так же хорошо, как в классической математической оптимизации.

Уоррен Пауэлл: Да, работа с промышленностью, конечно, интересное испытание. У меня был такой опыт с самого начала моей карьеры. Это было только в 1990-х годах, когда я создал свою лабораторию и нанял нескольких профессиональных программистов, все с докторскими степенями, но они были там только для написания кода, и без этих двух людей моя лаборатория никогда бы не стала успешной. Удивительно, как, не знаю, сталкивались ли вы с этим, когда ваш алгоритм предлагает решение, которое вам не нравится, и клиенту оно тоже не нравится, и все сидят за столом, почесывая голову и говорят: “Что, по-вашему, не так?” И сколько раз мы делали эту упражнение, и разные люди имели свою теорию, отражающую их набор навыков. Вот я, о боже мой, думаю, что алгоритм мог бы быть более изысканным, а этот парень беспокоится о данных, а этот парень беспокоится о программной ошибке, и сколько раз мы сидели и размышляли и все ошибались.

Это действительно удивительно. Конечно, я бы хотел посидеть с вами в какой-то момент и узнать больше о ваших проблемах с получением исходных данных. В моей отрасли грузоперевозок мы работаем только с перевозчиками, которые уже работают с какой-то коммерческой системой TMS, и это не означает, что она идеальна, но это означает, что мы на гораздо более высоком уровне. Но это вызов, это очень интересно. Одно, чего мне хотелось бы сделать больше, это бросить вызов академическому сообществу реальными проблемами, и я как бы отказался от академического сообщества.

Они не здесь, чтобы решать проблемы, они здесь, чтобы доказывать теоремы и писать статьи. Я жил в этом мире почти 40 лет, и я это понимаю, но я считаю, что это фундаментально ошибочно. Так что одно, что у меня было с моими компаниями по грузоперевозкам, это то, что все они были готовы делиться данными. Это не относится к грузоотправителям.

Я никогда не сталкивался с грузоотправителем, который был бы готов делиться данными цепи поставок. Это исключено, они не сделают этого. Я делал большой проект по цепи поставок для Pratt and Whitney, производителя авиационных двигателей, и он финансировался правительством и все было одобрено компанией, которая владела ими, называлась United Technologies, но они даже не стали рассматривать предложение о совместном использовании своих данных. Они сказали: “О, боже мой, это слишком проприетарно”.

Итак, они с удовольствием приняли участие в проекте, где нам пришлось создать собственный генератор данных и выдумать случайные потребности по всему миру, и они сказали: “Некоторые из наших поставщиков действительно секретны, вы знаете, мы даже не можем позволить кому-то знать, что есть поставщик, который делает это где-то в штате Коннектикут”. Они просто сказали нет, это было бы слишком много информации.

Так что сложно решать эти реальные проблемы в среде, где нельзя получить данные. Я зарегистрировался в университете Рутгерс, теперь я являюсь исполнительным резидентом в их отделе управления цепями поставок, и я надеюсь убедить их создать симулятор с фиктивными данными и попытаться заставить их хотя бы работать с симулированными реалистичными проблемами.

Joannes Vermorel: Я очень хорошо понимаю серию проблем, с которыми вы столкнулись. Думаю, я пришел из другого спектра мира цепей поставок. С одной стороны спектра у вас есть грузоперевозки, которые почти являются окончательными относительно краткосрочными решениями, еще более экстремальным является управление роботами, это один конец спектра.

С другой стороны спектра у вас есть S&OP, планирование продаж и операций, супер-макро план, корпоративный уровень и так далее. Затем у вас есть все, что находится между ними. Мой собственный путь начался с другого конца, с S&OP, очень стратегического, очень ориентированного на прогнозирование. Первые несколько лет работы Lokad не включали принятие решений, это было просто чистое прогнозирование.

Возвращаясь к вашим опасениям, моя проблема заключалась в том, что я видел в академической среде, кстати, я бросил аспирантуру, поэтому я не сделал своего научного руководителя гордым и бесстыдно бросил аспирантуру, чтобы создать Lokad. Академия сосредоточена на точности прогнозирования, публикуя 20 000 моделей для более точного прогнозирования продаж практически с самого начала.

В индустрии у нас именно та ситуация, о которой вы говорите: 10 человек сидят за столом, они смотрят на проблему со своей точки зрения, и когда речь идет о прогнозе, который является предварительной стадией принятия решения, перед тем, как принять решение, сначала они хотят сделать прогноз. Люди борются, чтобы повысить или понизить прогноз.

В S&OP у вас есть продавцы, которые хотят занизить прогноз продаж, чтобы они могли превзойти ожидания. Затем у вас есть производственные работники, которые хотят завысить прогноз, потому что если они завысят прогноз, у них будет больше бюджета на свои производственные активы, и, таким образом, какой бы заказ они ни получили для производства, если у них будет больше мощности, это будет проще.

У вас есть эта борьба, где продажи хотят сбросить цифры на землю, производство хочет отправить их в небо, и это не слишком рационально. Интересно то, что в академической среде люди публикуют статью, в которой они находят невероятно сложный способ, используя малоизвестную русскую теорию, чтобы устранить 0,1% смещения.

Затем вы оказываетесь в этой комнате, где люди буквально говорят: “Я хочу минус 50%”, и другой парень говорит: “Я хочу плюс 50%”. Это дает вам такое отчуждение. Получить доступ к данным всегда было невероятно сложно.

Warren Powell: Один вопрос по прогнозированию, и мне было бы интересно узнать, что вы делаете с этим. Есть много математики, связанной с использованием истории для прогнозирования будущего, но мы знаем, что часто будущее может быть очень отличным от прошлого по множеству причин, и особенно, я не знаю, будет ли будущее идти вверх или вниз, но я знаю, что оно может быть совершенно отличным от всего, что я видел в прошлом. Можно ли спросить, как вы с этим справляетесь?

Joannes Vermorel: Да, конечно. Так, типичный способ - мы хотим ввести некоторую макро-неопределенность, которая не совсем обоснована. Это звучит странно. Вы подумали бы, хорошо, у нас есть прогноз спроса, хорошо, и мы собираемся сказать, давайте добавим переменную, где у нас есть 4% шанс каждый год на резкое снижение спроса, активности, всего.

Затем люди говорят: “Вау, 30% снижение за один год, это огромно. Почему бы вам когда-либо это учитывать?” Мое мнение заключается в том, что если вы посмотрите на 20-й век, было две мировые войны, целая серия других войн. Затем недавно у нас были глобальные блокировки и прочее. Так что сказать, что каждые 25 лет у вас на лице астероид, который наносит ущерб вашей отрасли, я не думаю, что это настолько нереально.

Но люди ожидают, что они прогнозируют то, что они знают, а здесь мы говорим, нет, вам действительно не нужно знать точно. Вы можете просто сказать, что мы предполагаем большое нарушение, что бы это ни было, а затем мы придумаем числа. Эти числа полностью выдуманы, 4% ежегодная вероятность, 30%, вы можете изменить ее, вы можете сказать пять, и вы можете сказать 50%.

Это заставляет вас постоянно учитывать ваше крупное нарушение. Мы, например, обслуживали клиентов в авиации. Люди говорили: “О, это не так часто”. Но это часто, потому что, когда вы смотрите на отрасль, например, Boeing 737 Max был заблокирован. Для моего клиента, который обслуживал самолеты и имел десятки таких самолетов, это была серьезная проблема.

Главное - принять то, что ваши модели содержат крайне пессимистичные вещи. Это обычно очень сложно продать, потому что это не консенсус. Проблема не в том, что математика недостаточна, а в том, что это пугает, и люди не хотят быть напуганными. Но если вы не готовитесь к этим большим событиям, которые оказывают сильное влияние, то вы будете неподготовлены. Это так просто.

Другое дело - это будет одна сторона, очень пессимистичная сторона, вам нужно смотреть на эти большие нарушения, быть в порядке с этим и принять тот факт, что это произойдет с вероятностью 100%, если вы дадите этому достаточно времени. Это один аспект.

Другой аспект заключается в том, что большинство моих клиентов, когда они смотрят на неопределенность и неопределенность решений, видят только плохой результат. Я думаю, проблема заключается в изменчивости. Люди равняют плохие результаты. В производстве люди, как Деминг, популяризировали идею о том, что вам нужно быть последовательным. Это кардинальная добродетель. Вы должны быть абсолютно последовательными. Нормально делать плохие продукты, если вы делаете плохие всегда одинаково. Это будет дешево, и люди знают, чего они могут ожидать.

Но нормально делать что-то хорошее, что-то плохое. Нет, вы должны быть абсолютно последовательными все время. Так что люди равняют изменчивость производства с чем-то плохим. Но это так ли? Когда вы выходите из мира производства, изменчивость такая плохая вещь? Не обязательно.

Прекрасным примером является мода. Мода, вы создаете продукты, которые могут быть успешными или нет. Если вы можете увеличить дисперсию ваших успехов и неудач из-за того, что у вас есть низкое значение, которое будет являться толстым хвостом, это означает, что если вы можете увеличить дисперсию, да, у вас будет больше неудач, но у вас может быть успехи, которые будут в десятки раз больше.

Вариабельность в производстве плоха, но в цепочке поставок в целом это не так плохо. Если у вас есть практически полностью стабильный поток возможностей, очень стабильный, но если вы нарушены, это убьет вас, в отличие от чего-то, что является отчасти неустойчивым, отчасти неровным, но где есть много постоянного риска, который вы тщательно управляете с помощью решений, оптимизированных в условиях неопределенности, чтобы, когда вы совершаете ошибку, она не убивает вас.

Возможно, вы окажетесь в ситуации, когда наступает нарушение, и оно не оказывает такого сильного влияния. Например, если вы занимаетесь бизнесом, в котором вы ожидаете, что 98% ваших продуктов будут продолжены с одного года на следующий, и если закон изменится и 20% ваших продуктов будут признаны незаконными, потому что вы использовали неправильный продукт, неправильный процесс, неправильное что-то, это будет огромный удар.

Раньше вы занимались бизнесом, в котором каждый год менялось два процента ваших продуктов, а теперь 20% исчезает из-за регулирования. Но если вы занимаетесь бизнесом, в котором каждый год обновляется, скажем, 15% ваших продуктов, ну хорошо, есть год, когда у вас 20%, но вы сможете восстановиться намного быстрее, потому что у вас есть такое стремление к новизне, которое вы сохраняете.

Не все неопределенности плохи. Иногда немного преследования этого хорошо. Например, большинство практиков прогнозирования не любят прогнозирование новых продуктов, потому что у них нет истории для временных рядов. Если посмотреть на литературу по прогнозированию временных рядов, 99% времени исключаются продукты, для которых нет истории. С моей точки зрения, прогнозирование продуктов без истории - самая интересная вещь.

Вот где происходят настоящие битвы в цепочке поставок. Это те продукты, которые новые, которые могут быть успешными и могут изменить ход для компании. Так что это долгий ответ на ваш вопрос.

Уоррен Пауэлл: Я хотел бы сделать один заключительный комментарий. Одно из самых ценных вещей в моей системе с четырьмя классами политик - это то, что она позволяет мне сказать: не беспокойтесь о решении. Мы выберем один из четырех классов, мы выберем что-то разумное, не беспокойтесь. Это не самая большая проблема. Самая большая проблема - это моделирование неопределенности. Если я смогу отвлечь людей от сложностей принятия решений в условиях неопределенности и сосредоточить их на моделировании неопределенностей, это будет большая победа.

Жоанн Верморель: Я полностью согласен с вами. Крупные корпорации, сталкивающиеся с неопределенностью, одно из самых плохих, что они могут сделать, это придумывать правила для снижения неопределенности. Вы будете изобретать правила только для упрощения вашей проблемы. Например, они прочитали, что UPS делает только левые повороты на своих маршрутах, и тогда они говорят: хорошо, мы сами будем делать только левые повороты, потому что это упрощает что-то.

Вы видите, что когда у вас было так много потенциала и набора вариантов, так много неопределенности, и я думаю, что один из самых неблагоприятных способов подхода к проблеме - это придумывать целую серию ограничений, которые являются полностью выдуманными ограничениями, чтобы ваша проблема стала более управляемой. Чтобы перейти к вашим рамкам, я бы сказал, что это неправильный путь, потому что есть варианты решения настоящих проблем.

Поэтому не начинайте изобретать ограничения просто ради этого, просто потому, что вы боитесь, что никогда не будет решения для рассмотрения вашей проблемы. Есть множество решений, поэтому вам нужно отложить изобретение правил и ограничений просто ради упрощения процесса принятия решений.

Conor Doherty: Что ж, я все еще здесь, и это нормально. Я сделал три или четыре отдельные страницы заметок, но одна из вещей, и это продолжение, вы используете термин управление финансовыми рисками, и я написал trade-offs, деловые вопросы, оценка производительности и управление финансовыми рисками.

Итак, Уоррен, как возможность подвести итоги вашей системы и вашего подхода к стохастической оптимизации, я знаю, что ваша точка зрения заключается в управлении деловыми вопросами и управлении компромиссами, которые присущи процессу принятия решений. Так что, возьмите столько времени, сколько вам нужно, но как именно ваша система управляет финансовым риском, связанным с оптимизацией маршрутизации или управлением запасами или прогнозированием и управлением запасами для продуктов, для которых у нас нет истории?

Warren Powell: Конечно. Прежде всего, я думаю, что одним из побочных продуктов, над которыми мы оба работаем с Йоханнесом, являются реальные проблемы. И когда вы работаете над реальными проблемами, вы приходите к определенным вещам, с которыми мы все согласны, одна из которых - сначала моделируйте, затем решайте. Вы должны понять проблему. Вы упомянули риск, и это подчеркивает, что вам нужно говорить об неопределенности, и это намного сложнее, чем нормальное распределение.

Люди, занимающиеся статистикой, любят, когда вы имеете дело с неопределенностью, первое, что они сделают, это представят вам нормальное распределение. Они скажут: хорошо, у нас есть среднее значение и дисперсия. Вокруг среднего значения есть случайность, и они, кажется, не осознают, что самый большой источник неопределенности - это среднее значение. Мы не знаем, каким будет среднее значение. Среднее значение движется. Теперь есть шум вокруг среднего значения, но самое плохое - это движение среднего значения.

И эти события, которые на самом деле не принадлежат вероятностному распределению, это контингентности. Это похоже на то, что я не знаю о вероятности, но вот что может произойти. Что бы я сделал в случае такой контингентности? И мне не важна вероятность этого. Есть вещи, которые, по-моему, могут произойти, и я должен знать, что произойдет, если этот корабль прибудет с месячным опозданием. Что, если этот порт закроется? Что, если произойдет землетрясение в Японии? Есть такие большие события. Мне не обязательно нужно знать точно, какое событие, но я должен планировать контингентности.

Вся проблема принятия решений в условиях неопределенности, одно из первых, что я хотел бы сказать, это то, что, блин, здесь много сложной математики, но вы понимаете, что мы, люди, все время принимаем решения в условиях неопределенности? И в начале своей карьеры, когда я действительно боролся с проблемами своих грузовиков, я подумал, но диспетчеры грузовиков уже делают это. Мы должны напомнить себе, что одно из удивительных качеств человеческого мозга - это принятие решений в условиях неопределенности.

Многие из этих вопросов, люди скажут: “О, я не люблю стохастические вещи”. И в то же время та же самая персона будет планировать случайные события, неопределенности и контингентности. Это просто что-то, что встроено в человеческий мозг, потому что, я думаю, мы, животные, должны были иметь дело с этим в течение всей нашей эволюции. Самая большая проблема не в принятии решений в условиях неопределенности. Самая большая проблема - научить компьютеры принимать решения в условиях неопределенности.

И поэтому я не думаю, что этот разговор когда-нибудь закончится. Нам нужно количественно оценивать, нам нужно использовать компьютеры, потому что идея комнат, полных людей, принимающих решения, становится немного устаревшей. В компаниях по грузоперевозкам у нас есть целый набор моделей в Optimal Dynamics, от стратегических до реального времени. Но продукт, который абсолютно является основой того, что мы продаем, - это тот, который делает диспетчеризацию в реальном времени, потому что нет ни одного руководителя грузовиков в Соединенных Штатах, который не считает, что главная проблема его компании - это диспетчерский отдел, верно или нет, это их убеждение.

Я понял, что самое важное - это выбор правильной нагрузки, а не поиск подходящего водителя для перевозки. Это похоже на управление доходами в авиакомпаниях. Вам нужно немного запланировать в будущем, но так сложно найти подходящего водителя, который вернется домой, удовлетворит требования DOT и все остальное, что все становятся слишком сосредоточены на проблеме отправки водителя.

Но дело в том, что сложно найти правильную нагрузку, потому что мне может потребоваться заранее запланировать несколько дней или неделю, и я не знаю, где будут находиться мои водители и что я смогу справиться. Поэтому вы должны уметь планировать в условиях неопределенности. Диспетчеры это знают, и, возможно, у них нет причудливых инструментов, но у них есть интуитивное чувство, что “это хорошее место. У меня, вероятно, будет водитель там”.

Я видел, как люди откровенно говорят, что они не имеют дело с неопределенностью, потому что главные исполнительные директоры не понимают стохастический процесс. Нет, они не понимают слово “стохастический”, они все понимают неопределенность. Теперь, кстати, нам нужно преодолеть их настойчивость в достижении прогноза.

Я думаю, что одна из самых больших проблем с людьми, связанными с транспортом, я говорю о стороне цепочки поставок, заключается в том, что у них всех есть бюджет на транспорт, в частности на полную загрузку грузовиков, и ни у кого из них не получается уложиться в бюджет. Всегда есть оптимистическая оценка их транспортных расходов, и они всегда умудряются потратить больше, и это просто неотъемлемая часть работы специалиста по цепочке поставок, который должен планировать транспортные активы.

Так что, много интересных проблем. Я не думаю, что у нас когда-нибудь закончатся темы для обсуждения.

Joannes Vermorel: Да, и, честно говоря, чтобы вернуться к вашему случаю, когда человеческий разум естественно принимает решения в условиях неопределенности, я полностью согласен. И я вижу очень особую ситуацию, когда самые сложные дискуссии происходят не с людьми, которые не образованы в математике, или с людьми, которые очень образованы в математике. Это и есть сложные моменты, когда человек немного образован в искусстве. Это означает Excel, Microsoft Excel.

Самая сложная ситуация для меня - это то, что на самом деле довольно сложно заставить компьютер работать с неопределенностью. Я очень согласен, и что это означает для человека, который немного образован в этом искусстве? Это означает Excel, Microsoft Excel.

И проблема в том, и я видел это очень часто, что они знают немного, поэтому они знают Excel, и теперь есть проблема в том, чтобы смотреть на мир только через решение, которое вы можете придумать. Таким образом, вы оказываетесь с человеком, который ничего не знает о Excel, поэтому он просто, знаете, как играть в покер, он стал хорошим благодаря привычкам. У него нет теорий, но он смог играть в покер и неплохо справляться.

И то же самое с выбором правильной нагрузки. Я уверен, что вы найдете много людей, которые не имеют никакого представления о вероятностях, но благодаря опыту стали очень хорошими игроками. У них есть интуиция, хотя у них нет формализма.

И между ними оказываются люди, которые знают Excel и говорят: “Хорошо, мне нужно реализовать это в Excel”. И Excel - ужасный инструмент для этого, потому что Excel не работает с вероятностями. Excel не предназначен для выполнения чего-либо, что похоже на Монте-Карло, и Excel - самый плохой инструмент для этого. Excel отлично подходит для учета, но абсолютно непригоден для работы с любым видом неопределенности.

И поэтому самая сложная ситуация - это люди, которые придерживаются решения в Excel. Если это вне Excel, и это может быть вне Excel, потому что это просто интуитивное чувство, которое более правильно, чем расчеты в Excel, или потому что это слишком сложно и больше не подходит для расчетов в Excel, возникает сильное отторжение.

Так что это очень интересно, и я очень сопереживаю, и у меня есть такие люди, которые привязали себя к таблицам Microsoft Excel, и это очень трудно.

И я думаю, что когда они говорят, что главный исполнительный директор этого не любит, очень часто я обнаруживаю, что это проекция их собственного восприятия проблемы. Главные исполнительные директоры почти всегда, я имею в виду после достижения определенного размера компании, это люди, которые отлично справляются с огромным количеством проблем.

Мне кажется, что очень сложно достичь должности главного исполнительного директора компании, скажем, с несколькими сотнями сотрудников и более, и не быть полностью непоколебимым перед тем, что мир суперхаотичен. Я имею в виду, это ваша повседневная жизнь, справляться с бессмыслицей, которая постоянно бросается вам на голову.

Так что мое мнение заключается в том, что я часто встречал такие случаи, когда люди говорят мне: “О, это слишком сложно. Главный исполнительный директор не поймет или что-то в этом роде”, нет, это их собственный страх, проецируемый на то, что у главного исполнительного директора в любом случае почти нет времени разбираться во всем этом. Так что это будет всего лишь одна из тысяч вещей, которые этот человек не понимает о своей собственной компании, и это не будет последней. Итак, это мое мнение. А что вы думаете?

Уоррен Пауэлл: Да, часто главные исполнительные директоры приходят из совершенно другого уровня. Они сосредоточены на общей картины финансов, особенно в крупных компаниях. Точные детали того, что происходит на производственном участке, вероятно, были пропущены в их карьере.

Я имею в виду, в старые дни, кстати, когда я учился в школе, многие даже студенты Принстонского университета могли устроиться на работу в Proctor and Gamble и провести полгода на производственном участке, а затем продвигаться по руководящим должностям. Итак, они были на быстром пути, но им говорили начинать с низов. Это закончилось в 1980-х годах.

В 1980-х годах, когда я начал преподавать в Принстоне, ни один из студентов Принстонского университета не работал в компаниях. Горячей темой было устроиться на работу в консалтинговые фирмы по управлению. Итак, они получали опыт работы в консалтинговой фирме, возвращались за MBA, работали еще несколько лет, а затем обычно уходили на высокопоставленную руководящую должность в одной из компаний. Таким образом, они обходили все эти детали.

Ваша мысль о Excel, когда я работал в грузоперевозочной отрасли, я встречал только диспетчеров и низших менеджеров. Очень мало людей могли делать даже базовую работу в таблице Excel. В то время как в сфере поставок есть миллионы людей, которые делают очень простые вещи.

Теперь посмотрите на книги. Когда я начал заниматься программой поставок в Рутгерсе, я прочитал все эти книги, и либо они были математическими играми, либо они очень упрощали. Так что у нас есть не только проблема с таблицами Excel. Мы должны подумать о том, кто будет решать эти проблемы и использовать их. Я очень согласен с вами в том, что нам нужны хорошие инструменты, где под капотом инструменты могут быть довольно сложными, но их нужно легко использовать.

Итак, в Optimal Dynamics мы очень сосредоточены на том, чтобы сделать наши инструменты легкими в использовании. Но внутри, пока они работают, люди действительно хотят лучшего возможного решения. Я чувствую, что в сфере поставок, начиная заглядывать в нее и заглядывая через плечо других людей, я понимаю, что есть этот интересный мир поставок, но то, что происходит, это то, что 93% людей планируют в таблице Excel.

Что ж, в таблице Excel есть свои ограничения. И когда вы начинаете говорить о запуске простых симуляций, я могу сделать простую симуляцию запасов в таблице Excel, но давайте начнем говорить о введении длительных сроков поставки у нескольких поставщиков, ну, вы знаете, это выходит за рамки возможностей таблицы Excel очень быстро. Это также выходит за рамки возможностей людей, которые кодируют эту таблицу Excel и думают, что могут сделать это сами.

Что ж, в таблице Excel есть свои ограничения. И когда вы начинаете говорить о запуске простых симуляций, я могу сделать простую симуляцию запасов в таблице Excel, но давайте начнем говорить о введении длительных сроков поставки у нескольких поставщиков, ну, вы знаете, это выходит за рамки возможностей таблицы Excel очень быстро. Это также выходит за рамки возможностей людей, которые кодируют эту таблицу Excel и думают, что могут сделать это сами.

У меня есть бывший студент аспирантуры, она теперь является нашим главным аналитиком, очень умная, но она провела восемь лет, занимаясь планированием операций в Kimberly Clark в Бразилии. Здесь есть длинная история, и в один момент она столкнулась с обычными проблемами планирования запасов. Так что она позвонила, она раньше работала ненадолго в МакКинзи, и позвала своих старых друзей из МакКинзи, и догадайтесь, МакКинзи знал только то, что было в учебниках, и она сразу поняла, что они не имеют понятия, о чем говорят, и выгнала их. Мы не учим даже лучших и самых ярких, как решать проблемы. Я не говорю о странной математике, я говорю о практических вещах, о том, какое моделирование абсолютно должно быть сделано для решения проблемы. Нигде этому не учат.

Conor Doherty: Если позволите, где-то этому учат. Бесстыжая реклама.

Joannes Vermorel: Бесстыжная реклама. В Lokad мы начали преподавать это в полдюжине университетов, которые в основном находятся в Париже. Мы также начали целую серию общедоступных семинаров по решению проблем в сфере поставок, и нашим самым большим вложением является создание наборов данных.

Так что мы создаем и публикуем соответствующие наборы данных, и, действительно, мое собственное мнение заключалось в том, что создание полностью синтетического набора данных слишком сложно, поэтому мы просто должны полностью анонимизировать существующие данные клиентов с их благословения. Мы берем реальные данные, полностью анонимизируем их, сохраняем странные шаблоны и упаковываем их в относительно небольшие и хорошо организованные наборы данных, чтобы студенты могли решать проблемы, не тратя три месяца на работу с разрозненными углами данных. Я очень согласен, кстати, мои двое родителей начали работать в Procter & Gamble, поэтому я очень хорошо понимаю это настроение.

Warren Powell: Итак, вы преподаете, какого типа студентов вы преподаете в школах вокруг Парижа?

Joannes Vermorel: О, это очень классический вариант. Французская система имеет два года подготовительной школы, это, по сути, национальный экзамен. Вы учитесь два года, сдаете национальные экзамены, все получают ранги, и ваши оценки публикуются в газете, так что если у вас плохие оценки, это будет в газете, это никакого давления. Затем есть то, что мы называем Grandes Écoles, но вы можете представить это как мини-французскую лигу Ivy League. Люди поступают в эти инженерные школы. Так что я говорю только о трех сегментах: инженерные школы, бизнес-школы и административные школы. Здесь я говорю только об инженерных школах.

Warren Powell: Инженеры, хорошо. Так в Принстоне я преподавал инженерам. Теперь, когда я связался с Рутгерсом, это будет первый раз в бизнес-школе, и мне уже нежно предупредили, что среди всех разных категорий студентов в бизнес-школе те, кто выбирает управление цепями поставок, склонны быть в нижней части списка по техническим навыкам. Те, кто выше, идут в финансы, и есть эффект стекания. Я еще не начал, я не собираюсь преподавать курс, я преподаю учителей, но я буду полагаться на них, чтобы сказать: “Слушай, Уоррен, нам просто не удастся сделать это”.

Одна из вещей, на которую я сосредоточиваюсь, - говорю: “Посмотрите, есть одна очень важная часть моей методики, которая не связана с математикой. Она включает в себя следующие три вопроса, и вы не можете ответить на них, вы не можете построить модель без этих трех вопросов”. Даже если вы не собираетесь строить модель, вы все равно должны ответить на следующие три вопроса: какие у вас метрики, какие типы решений вы принимаете, какие типы неопределенностей существуют?

На простом английском языке, так мы говорим здесь, и я говорю: “Никакой математики, но это вопросы, на которые я должен знать ответы, если я хочу построить математическую модель”. Так что я решил, пойти к деловому сообществу и спросить о метриках, они все знают о метриках, у них есть списки и списки метрик. Затем перейдите к решениям и скажите: “У вас есть маленькая красная книжка со списком принимаемых решений?” и они смотрят на вас с недоумением.

После этой беседы, Йоаннес, я начинаю составлять серию мыслей и заметок, которые я собираюсь поделиться с другими преподавателями Рутгерса. Это документ Google Docs, который может быть открыт для публичного редактирования, и вы увидите, как я разрабатываю различные категории. Я только начал раздел о решениях и отправлю его вам тоже, потому что думаю, что вам будет интересно. Это не для книги или чего-то еще, это просто болтовня, это мой способ обучать учителей, потому что я не могу им сказать, что делать, профессорам нужно сказать: “О, это хорошая идея, я думаю, я буду использовать ее”. Если они этого не делают, то идея не попадает в класс, но я должен доверять их знанию того, что делают студенты. Есть один курс по анализу операций, и это курс, где они занимаются проблемами инвентаризации. Я думаю, вы можете себе представить, что там преподают, это очень базовая презентация, и я говорю: “Извините, разве мы не должны хотя бы рассказать им, как даже в электронной таблице можно смоделировать очень простую проблему с инвентарем”.

Так что я отправлю вам ссылку на Google Doc. Одна из вещей, которую я хотел бы собрать, и я еще не сделал этого, я только начинаю думать об этом, но я не работал только в области управления цепями поставок, я работал над гораздо более широким набором проблем. Я хочу составить список решений. Это не будет маленьким делом; решения имеют множество разновидностей и категорий, это не только инвентарь. Есть финансы, есть информационные решения, и поэтому я хотел бы поместить это в электронную таблицу, а затем отправить ее и просто пригласить людей: “Эй, какая категория у вас или какие примеры решений?” потому что у меня есть такой слоган: “Если вы хотите улучшить что-либо, назовите это цепью поставок, вам нужно принимать лучшие решения”. Я никогда не слышал, чтобы кто-то не согласился с этим, все говорят: “Да, это верно”. Что ж, если вы хотите принимать лучшие решения, какой у вас список решений? И тогда я вижу эти недоумевающие взгляды.

Так что я собираюсь начать с очень неколичественного подхода, так что это будет интересно для вас, как для сторонника моделирования, и я думаю, что для неколичественного МВА это хороший вызов, потому что отвечать и, конечно же, насчет неопределенностей, на всю жизнь строятся на определении источников неопределенности для цепей поставок, но мне очень нравится вопрос о решениях. Разве мы все не должны знать, какие решения мы принимаем? Я понимаю, почему в бизнесе этого нет, потому что это как “Ну, это проблема кого-то другого, я просто оцениваю, насколько хорошо он делает”. Так что в бизнесе это полностью язык метрик, но разве где-то не должна быть маленькая красная книжка с решениями?

Joannes Vermorel: Да, я полностью согласен, и принятие решений очень сложно, потому что крупные компании склонны зарывать решения и процессы принятия решений под рабочие процессы и процессы. Фактически, они даже не видят решение, потому что применяется правило, которое на самом деле является процессом принятия решений. И это уже настолько окружающее, что они не видят его больше, оно просто управляет компанией. Это может быть плохая политика, она существует, она управляет бизнесом, она фактически принимает потенциально тысячи решений в день, и никто даже не видит этого. Когда она существует некоторое время, у этой вещи даже нет команды. Никто не отвечает за это, потому что это как свежий воздух в здании, это просто происходит, люди даже не знают точно, почему это так, оно просто есть.

Я полностью согласен с вашей идеей о решении. Это сложно, потому что у людей неправильное представление о решениях. Они думают, что решение - это то, где есть встреча, есть напряжение, есть начальник, будут представлены аргументы, и начальник примет решение. Это один тип решения, но есть гораздо более мелкие решения, которые имеют гораздо большее значение. Когда они настолько мелкие, что вы даже не видите их больше, это очень интересно.

Warren Powell: Потому что, как вы сказали, они уже выбрали политику, поэтому, как только вы исправите политику, это перестанет быть решением. И на самом деле решение - это не решение, решение - это политика.

Теперь позвольте мне предложить еще одно понимание. Вы знаете, я говорю о сложных политиках и простых политиках. Одна фраза, которую я, довольно уверен, использовал в своей большой книге, это цена простоты - настраиваемые параметры. Практически любая простая политика, такая как политика SS, имеет настраиваемые параметры, и настройка сложна. Настройка - это одна из этих универсальных типов решений. Это проблема активного обучения.

Я выступаю на конференции по аналитике цепей поставок в Рутгерсе в июне, и одна из вещей, на которую я обращаю внимание, это то, что абсолютно каждому, независимо от области, нужно понять. Существует класс последовательных проблем принятия решений, который называется обучением.

Он имеет много названий. Это может быть интеллектуальный метод проб и ошибок, стохастический поиск или многорукий бандит, но это проблемы обучения. Здесь нет ничего физического. Когда у вас есть что-то физическое, вещи становятся сложнее, но есть много проблем, где это не физическое, это просто обучение.

Вы попробовали это, это сработало или не сработало, я попробую что-то другое. Это последовательное решение, но единственное, что вы переносите из одного времени в другое, это то, что вы узнали и ваше представление о том, что работает лучше всего.

Последовательное обучение должно быть преподаваемо на уровне бакалавриата, не в одном курсе, а на протяжении всей программы, как статистика преподается в разных стилях. Активное обучение должно быть преподаваемо всем, кроме студентов гуманитарных наук.

Если вы не студент гуманитарных наук, назовите любую область, где вам не приходится делать какую-то форму интеллектуального проб и ошибок. Это фундаментальный человеческий процесс, и для этого есть простые инструменты, чтобы вы могли начать.

Существуют базовые политики, называемые политиками UCB, которые вы можете научить людей за минуту. Вы просто говорите, смотрите, у вас есть дискретные выборы, вот как я думаю, насколько хорош каждый из них, но вот моя неопределенность.

Есть простое упражнение, которое говорит, что если вы просто опираетесь на то, насколько хорошо вы думаете, что это может быть серьезно неоптимально. Вы хотите прицелиться немного выше, вы хотите прицелиться на то, насколько хорошо что-то может быть. Это понимание, которое можно научить за минуту, и все же есть тонкости, которые делают его намного более интересным, и это действительно нужно преподавать.

Joannes Vermorel: Я полностью согласен. Это очень забавно, потому что из машиностроительного фона, Lokad в основном занималась прогнозированием машинного обучения.

Типичная ситуация заключалась в том, что эти простые политики с настраиваемыми параметрами никогда не настраивались на практике. Когда вы наконец получаете данные компании, это сложно, но в Lokad мы наконец получаем данные.

Вы применяете свои алгоритмы обучения и понимаете, что есть очень мало, что можно узнать, потому что компания работает с невероятно жестким автопилотом так долго, что у вас может быть миллиарды долларов или евро истории, и все же так мало, что можно извлечь из-за того, что вы делали одно и то же снова и снова без вариаций.

Одной из проблем, с которыми мы сталкиваемся, является то, что часто, когда мы хотим учиться, нам нужно начать исследовать и добавить немного шума. Этот шум нужен только ради обучения.

Вы должны убедиться, что это не слишком дорого, но идея отклонения от того, что считается оптимальным, им неизвестна, но это определенно является стандартом, статус-кво, практикой.

Отклонение от практики для исследования случайным образом чего-то такого абстрактного, как сбор информации о том, как выглядит ландшафт, когда вы отклоняетесь от обычного, очень сбивает с толку.

Есть очень мало людей, которые прошли обучение в области бизнес-администрирования и тому подобное, и могут понять эту идею о том, что нужно сбрасывать капли. Если вы крупная компания, даже небольшая доза исследования, если вы работаете в масштабе, даст вам много информации со временем.

В производстве отклонение - это плохо. Вы хотите быть максимально жесткими и последовательными. Но в активном обучении, если вы делаете это в мире цепей поставок и вы настолько жестки и эта политика остается неизменной, вы почти ничего не узнаете.

Это очень странная концепция. Знакомство с идеей активного обучения, что вы можете выбирать свои отклонения, чтобы максимально информировать вас, так что это не просто делать что-то случайное, но с намерением узнать что-то, является важным.

Уоррен Пауэлл: Те идеи, которые вы только что изложили, настолько фундаментально важны, что их следует преподавать повсюду во всех областях, а не только в аналитических.

Вы можете преподавать это на продвинутом аналитическом уровне и на базовом уровне, в зависимости от студентов. Я не знаю, почему это не преподают.

Я пишу статью для Принстонского университета, чтобы сказать: “Эй, посмотрите, 40 лет Принстону, догадайтесь, какой курс мы не преподаем”. Около половины университета занимается отделами, где есть возможность проводить мыслительные эксперименты какой-то формы.

Мы можем продолжать еще несколько часов.

Конор Доэрти: Я вернусь и закрою одну тему. Одна из бесстыдных рекламных акций, чтобы прояснить, когда вы говорите о том, что студенты цепей поставок учатся, упомянутые вами мастер-классы фактически доступны на нашем веб-сайте.

Что касается изучения программирования для проблем цепей поставок, у нас есть общедоступные и полностью бесплатные ресурсы на нашем веб-сайте, docs.lokad.com. Это упражнения с пошаговым руководством, разработанные нашими специалистами по цепям поставок, чтобы имитировать решающие деревья, о которых вы говорите.

Если вы хотите оценить производительность, анализ поставщиков, у нас есть бесплатное пошаговое руководство, где вы можете увидеть все фрагменты кода, специально разработанные для таких задач, в отличие от грубого приближения в электронной таблице Excel.

Уоррен Пауэлл: Я знаю, что у Lokad есть свой собственный язык программирования. Мне это очень интересно. Мне нравятся ресурсы, которые вы предоставляете. Мы пытаемся сделать нечто подобное для грузоперевозок, но грузоперевозки - это совершенно другой бизнес.

Мы пытаемся предоставить очень образовательные материалы. Мы бы никогда не попытались сделать что-то подобное. Прежде всего, у нас нет такого простого кода, и внутри отрасли грузоперевозок нет никого.

Одна из интересных особенностей грузоперевозок - у нас нет много конкуренции. Это не масштаб бизнеса грузоперевозок, который в Соединенных Штатах составляет около 800 миллиардов долларов в год. Я имею в виду, это большой рынок, но это крошечная часть цепей поставок.

Цепь поставок - это настоящий океан, тогда как грузоперевозки - это море или что-то в этом роде. Но я обратил внимание вашим ресурсам отдела в Рутгерском университете, потому что я думаю, что это может быть очень интересно.

Мне приходится иметь дело с тем, что это студенты бизнеса, которых я должен научить. У них также есть отдел промышленной инженерии, и мне кажется, что это будет более инженерный уровень.

Фактически, я думаю, что два отдела должны работать вместе, потому что первый шаг этих трех вопросов, ответ на эти три вопроса, действительно сложен. Вам действительно нужно знать, о чем вы говорите. Поэтому вам нужно хорошее, умное мышление типа консалтинга по управлению, чтобы ответить на эти вопросы.

Как только вы на них ответите, вам понадобится другой набор навыков, чтобы превратить их в аналитику и использовать компьютер для помощи. Поэтому я надеюсь, что в Рутгерском университете я знаю людей в области промышленной инженерии довольно хорошо. Группа, которую я знаю не так хорошо, - это отдел управления цепями поставок. Они, кажется, нравится то, что я говорю, и я собираюсь попытаться объединить их.

Конор Доэрти: Я думаю, что это уже довольно долго, и я исчерпал все свои вопросы. Но в компании Lokad принято предложить последнее слово гостю. Так что, Уоррен, я позволю вам закончить с каким-либо призывом к действию или бесстыдной рекламой. Нам это не помешает.

Жоанн Верморель: Есть явный призыв к действию, который заключается в покупке книги. Это очень хорошая и крепкая книга.

Уоррен Пауэлл: Я рекомендую людям не начинать с большой книги, а начать с книги, которую они могут скачать бесплатно.

Tinyurl.com/SDAmodeling, это книга, которую я написал для бакалаврского класса. Она называется “Последовательная аналитика и моделирование принятия решений”. Я работаю с издательством, они не платят мне ничего, но они позволяют мне предлагать PDF-версию бесплатно, опубликованную версию.

Вот эта книга. Она использует стиль обучения на примерах. Так что, кроме главы первой, которая говорит о всеобщей структуре и содержит примеры инвентаризации, каждая глава, кроме главы 7, представляет собой просто разные примеры, все написанные в точно таком же стиле с акцентом на моделирование.

Итак, у меня есть пять элементов: состояние, решение, информация, переход, цель. Я всегда начинаю с повествования, простого английского повествования, а затем идут пять элементов. Затем я говорю несколько слов о моделировании неопределенности, но не очень много. Затем я говорю что-то о том, как мы можем принимать решения.

К моменту, когда я добрался до главы 7, я привел примеры всех четырех классов политик. Итак, глава 7 говорит: давайте на время остановимся и посмотрим, что мы только что сделали. Оставшиеся главы, с 8 по 14, представляют собой просто более сложные примеры, включая игру с пивом.

Игра с пивом - это мой шанс решить многозадачную проблему. Одна из моих любимых глав в моей большой книге - последняя глава о многозадачности. Я написал эту главу и сказал: если бы я начинал свою карьеру заново сегодня, многозадачность была бы такой интересной.

И, конечно, в мире цепей поставок все многозадачно. Это почти определяет проблему, что у вас нет одного. Как в моей работе по грузоперевозкам, хотя есть разные менеджеры, мы примерно действуем так, как будто грузовая компания - это один агент.

Цепь поставок - нет. Это просто не работает. Вы должны моделировать тот факт, что у вас есть все эти взаимодействующие компоненты, что открывает дверь для моделирования того, кто знает что. Так что теперь вы моделируете организацию информации, а не только заказ инвентаря.

Это такая невероятно богатая область. Я смотрю на 70 лет написания учебников и понимаю, что наши книги кажутся далеко позади того, что требуется для решения проблемы. Я немного удивлен этим. Это замечательная возможность. Жаль, что я несколько десятилетий моложе.

Итак, здорово, что вы делаете эту телевизионную серию. Я определенно буду ее продвигать. Я, конечно же, хотел бы разослать эту ссылку, но я также направлю людей на ваш веб-сайт, потому что мне нравится ваш академический стиль.

Optimal Dynamics - отличная компания. Я не могу сделать много наглой рекламы, потому что она действительно сосредоточена на перевозчиках полных грузов, но я сделаю наглую рекламу Lokad. Мне нравится ваш стиль. Я говорю о вас, потому что это говорит о том, что у вас очень академическая точка зрения.

Мне нравится, как вы любите делиться. Академики любят делиться. Да, мы хотели бы заработать немного денег, но мы все равно не можем не делиться нашими идеями и гордиться этим, как и положено. Я ценю это, потому что я внимательно изучил ваш веб-сайт, и он помогает мне учиться и подхватывать ваш стиль.

Conor Doherty: Большое спасибо. У меня больше нет вопросов. Джоаннес, я хочу сказать вам большое спасибо за ваше время, Уоррен. Большое спасибо и вам за ваше время. И спасибо всем за просмотр. Увидимся в следующий раз.