Полная расшифровка
Conor Doherty: Это Supply Chain Breakdown, и в течение примерно 30 минут мы разберем шумиху вокруг цифровых двойников, особенно в цепочке поставок. Меня зовут Конор, я директор по коммуникациям в Lokad, и ко мне в студии слева, как всегда, неописуемый Жоаннес Верморель, основатель и CEO Lokad.
Прежде чем начать, оставляйте комментарии внизу — во-первых, откуда вы, а во-вторых, что вы думаете о цифровых двойниках? Помните, мы здесь, чтобы обсудить ваши вопросы. Также задавайте вопросы в любое время. Если услышите что-то от Жоаннеса и захотите его подтолкнуть, не стесняйтесь, напишите об этом, и я спрошу его примерно через 20 минут.
Итак, хватит терять время. Жоаннес, убери всю шумиху вокруг цифровых двойников, потому что они уже давно существуют, но объясни суть: что такое цифровой двойник в простых, базовых терминах? И, кроме того, какую проблему, по крайней мере, предполагается решать цифровыми двойниками?
Joannes Vermorel: Итак, что такое цифровой двойник, я бы сказал, что если взять консалтинговую версию — а я ею не следую — то вам скажут: это точное представление вашей цепочки поставок, полностью цифровое, которое позволяет проецировать практически всё в будущее. Как будто у вас есть полноценная симуляция, идеально точная, вашей всей цепочки поставок. По крайней мере, такова идеальная концепция цифровых двойников для цепочки поставок.
Идея цифровых двойников существует и в других областях, и для некоторых из них можно создать очень точную симуляцию физической системы. Но что это такое на практике? На практике это просто перепакованный симулятор Монте-Карло. Эти симуляторы существуют уже около четырех десятилетий. Их ключевая особенность в том, что их очень, очень легко реализовать, и это относительно весело, как игрушечный проект, реализовать симулятор Монте-Карло системы, если вас не волнует что-то вроде точности симуляций.
Conor Doherty: Я сразу вмешиваюсь, потому что вы подняли несколько интересных моментов. Итак, вы предложили как минимум два применения. Одно — как цифровые двойники могут маркетироваться в контексте цепочки поставок — это один класс. Но вы сказали, что существует предварительное или более устойчивое применение; вы говорили о физических продуктах. Не могли бы вы подробнее разобрать это разделение?
Joannes Vermorel: Да. То есть идея использования симуляторов сводится к трем ключевым концепциям: микроаналитической, дискретной и стохастической. Это три аспекта. Когда люди думают о симуляторах Монте-Карло, эти три аспекта и имеют значение.
Микроаналитический означает, что вы хотите разложить вашу систему на что-то подобное атомам или очень, очень маленьким элементам, которые обладают простым поведением, регулируемым простыми законами, которые можно полностью количественно описать. Это микроаналитический подход. Затем дискретный: для вашего компьютера вы предполагаете, что всё ведёт себя с четкими шагами — в цепочке поставок это имеет смысл — включая измерение времени. Так что вы скажете: “Хорошо, я создам симулятор, который работает с одним шагом в день,” или что-то в этом роде.
И последнее — стохастический аспект: некоторым поведением вы просто добавляете случайность. Именно поэтому я говорю о симуляторе Монте-Карло. Вы приписываете некоторым процессам случайное или стохастическое поведение, а затем можете многократно запускать симулятор, чтобы, якобы, спроецировать будущее состояние вашей цепочки поставок, или, по крайней мере, позволить симулятору двигаться во времени. И поскольку он должен быть цифровым двойником вашей цепочки поставок, он представляет будущее вашей цепочки.
Conor Doherty: Спасибо, и я думаю, это снова поднимает ключевой момент, где можно разделить разговор. Когда люди говорят о применении цифрового двойника в, скажем, производстве или ремонте, можно сказать: “У меня есть цифровой двойник. Это детерминированное представление целого самолёта.” Так, A320 имеет примерно 320 000 деталей. Вы знаете, сколько деталей; вы можете смоделировать это; оно фиксировано. Это цифровая реплика или цифровое представление физического, известного продукта или объекта.
Насколько хорошо можно применить ту же концепцию к географически распределенной сети, такой как цепочка поставок, которая включает не только физические компоненты, такие как продукты и грузовики, но и поведения, тенденции, политику — всё, что влияет на эти вещи?
Joannes Vermorel: Основная проблема — это законы, управляющие вашими атомами, вашими элементарными единицами симуляции. Если вы в физическом мире, вы буквально можете применить электромагнетизм и тому подобное, чтобы добиться физически точной эволюции вашей системы, потому что вы предполагаете, что если разобьёте вещи достаточно, то оставшееся будет подчиняться очень, очень хорошо известным законам. Если вы хотите описать жидкость, протекающую через различные трубки и тому подобное, у вас есть микрофлюидные уравнения, и вы можете провести конечный элементный анализ.
Но ключевой вывод здесь заключается в том, что предполагается наличие законов, управляющих элементами вашей системы, которые практически идеально известны, и тогда единственный недостаток — это разрешение вашей симуляции, которое может быть недостаточным для сверхточности. Проблема цифрового двойника в цепочке поставок заключается в том, что проблема не в разрешении. Проблема в том, что совершенно не ясно, есть ли у вас какое-либо релевантное предварительное знание о поведении этих простых единиц, потому что эти простые единицы — допустим, вы хотите смоделировать поставщика — совершенно не просты.
Нет — вы можете делать упрощённые предположения о поведении этого поставщика сколько угодно, но то, что вы придумали предположение об этой сущности, не означает, что оно будет истинным. То же самое можно сказать обо всём: о клиентах, складах, маршрутах, соединяющих всю вашу цепочку поставок и т.д. Так что здесь действительно существует фундаментальная проблема: да, вы можете создать симулятор, разложив вашу систему и просто приписав поведения всем атомам, но являются ли эти поведения корректными? Это огромная, огромная задача, и, как правило, об этом никогда не говорят в контексте цифровых двойников для цепочки поставок — о корректности моделирования.
Conor Doherty: Корректность и другие показатели мы обсудим позже, но я хочу углубиться немного дальше. На самом деле, я собираюсь зачитать вам очень чёткое определение. Независимо от того, согласны вы с ним или нет, это ясное определение, и я хочу узнать ваше мнение. Я пока не скажу, откуда оно, — можно будет догадаться позже, — но оно эффектно поднимает тему. Итак, цитирую: “Цифровые двойники могут использоваться для моделирования взаимодействия между физическими и цифровыми процессами на всей цепочке поставок — от зарождения идеи продукта и производства до складирования и распределения, от покупок в магазине или онлайн до доставки и возврата. Таким образом, цифровые двойники рисуют ясную картину оптимального end-to-end процесса цепочки поставок.” Теперь, каково ваше мнение по этому поводу? С какими элементами вы не согласны?
Joannes Vermorel: Это определение говорит ничего, кроме намерения. Оно просто говорит: “Хорошо, намерение — иметь нечто, что делает всё, что описано в определении,” то есть детерминированное представление от начала до конца и так далее. Это намерение. Оно ничего не говорит о том, как это делается. И моё послание: важно как.
Вы можете изобрести или пожелать множество невероятных инструментов. Я бы хотел — что такое идеальный AI-ассистент? Это нечто, что обладает намного большим интеллектом, чем человек, и может делать всё, что делает человек, но просто лучше. Ладно, я только что определил, каким должен быть идеальный AI-ассистент. Значит ли это, что он уже существует? Проблема в том, что если вы определяете что-то по его намерению, это ничего не говорит о осуществимости или о том, что это вообще реально.
Итак, у нас есть хорошее определение, основанное на намерении. А я, когда говорю “симулятор Монте-Карло”, делаю прямо наоборот. Я начал с вопроса: “Что компании делают под капотом, когда используют модное словечко «цифровой двойник»?” И мой ответ, насколько я могу судить, таков: симулятор Монте-Карло. Почему? Потому что его чрезвычайно легко реализовать. Буквально студент первого курса компьютерных наук может сделать это за несколько дней — возможно, даже умные смогут сделать это за один день. И да, если вас не волнует, имеет ли ваша симуляция какое-либо отношение к реальному миру, это очень просто реализовать.
Conor Doherty: Возвращаясь к теме, вы говорите об намерении. Цель, по крайней мере, как представлено многими людьми, состоит в том, чтобы — дать вам что обсудить — многие поставщики, консультанты и сторонники цифровых двойников утверждают, что цифровой двойник улучшает принятие решений за счёт того, что предоставляет — даже если это через Монте-Карло — песочницу, в которой можно поиграть с гипотетическими сценариями, например, “Что если поставщик опоздает? Что если произойдёт блокировка Суэцкого канала?” или что-то подобное.
Joannes Vermorel: Искусственный общий интеллект по определению улучшает прибыльность любой компании. Если у вас есть нечто, что столь же умно, как человек, но не требует зарплаты, то да, это улучшает ситуацию. Ладно. Но вернёмся к вопросу: доступно ли это на самом деле и какие используются технологии? Эти стороны представляют это как фактическую данность: оно уже существует, у нас есть это, и у него есть все эти хорошие свойства. Но, подождите — что у вас под капотом?
И моё послание таково: насколько я знаю, буквально все компании, которые продвигают цифровых двойников, использовали ничего, кроме наивных симуляторов Монте-Карло, что, на мой взгляд, соответствует уровню игрушечного проекта. Это шикарно. Это то замечательное упражнение, которое я бы дал студентам первого курса компьютерных наук. Да, это весело и легко реализовать. Но проблема в том, что, опять же, это просто полностью выдумано.
Да, вы можете разложить вашу цепочку поставок на список SKU, список клиентов, список поставщиков, и назначить поведение для всех этих сущностей, а затем запустить симуляцию — безусловно. Но является ли это действительно корректным? Это очень большой вопрос. Аналогией станет, например, игра SimCity 2000 — старая видеоигра. В ней есть редактор карт. Вы буквально можете отредактировать карту, которая будет выглядеть как Париж, проложить все дороги точно так, как они есть в Париже — почти, опять же, возникает проблема дискретизации, так что это не совсем те же дороги, но достаточно близко. Затем вы можете сказать: “Эта зона — жилой фонд, эта — промышленная, эта — коммерческая.” Да, вы можете сделать это, а затем позволить симуляции в игре двигаться вперёд.
Даст ли это вам точную симуляцию будущего парижской городской среды? Мой ответ — абсолютно нет, особенно когда появляется Годзилла; это катастрофа, которая происходит в игре. Это не потому, что создать это очень легко. Снова повторяю: симуляторы создать очень легко, и это весело. Вопрос в том, почему вы вообще думаете, что это будет хоть как-то точно?
В других областях, таких как физические науки — скажем, материаловедение — ваш симулятор хорош, потому что он подчиняется фундаментальным законам физики, которые очень хорошо известны и проверены. Таким образом, в основе ваше поведение не выдумано: вы буквально берёте учебники по физике и применяете электромагнетизм или динамику жидкостей и тому подобное, и это поведение управляет вашими элементами, вашими атомами. Но в цифровом двойнике цепочки поставок вам приходится изобретать и придумывать их — или как-то обнаруживать — это поведение, и это очень, очень сложный момент. Насколько мне известно, поставщики цифровых двойников для цепочки поставок, люди, которые их продвигают, вообще ничего об этом не говорят, и вот в чём суть отклонения.
Conor Doherty: Вы упомянули точность и корректность, и опять, чтобы возразить — кстати, это предыдущее определение было от McKinsey, с которым вы не согласились. И от одного к другому, потому что это теперь от BCG — ой, простите, вы хотите что-то сказать?
Joannes Vermorel: Снова, проблема в том, что они описывают лишь намерение. Когда речь идёт о технологии, я предпочитаю фокусироваться на том, как она работает. Определять технологию через намерение того, чего вы хотите достичь, — это хорошо, но затем вы не можете рассуждать о том, хороша эта технология или нет. Я не не согласен с намерением — намерение нормально, да. Вопрос в том, есть ли у вас определение, которое позволяет определить, является ли эта технология лучше или хуже другой технологии для вашей цепочки поставок?
Conor Doherty: И, кстати, согласно — опять же, с цитированием — согласно Boston Consulting Group, компании с цифровыми двойниками улучшили точность прогнозов на 20–30%. Разве это не то, за что большинство компаний пойдут на всё? Неправильно ли они это преследуют?
Joannes Vermorel: Насколько мне известно, цифровые двойники никогда не появлялись в каких-либо соревнованиях по прогнозированию. Существует множество соревнований по прогнозированию; используются десятки техник для создания более точных прогнозов на этих соревнованиях. Я никогда не слышал о чем-либо, связанном с цифровыми двойниками, что бы что-то делало в области прогнозирования.
Так что видите, проблема в том, что, по мне, поскольку они не определяют, о каких именно методах идёт речь, это может быть что угодно. Моя точка зрения — и это эмпирическая оценка — заключается в том, что компании, продвигающие цифровых двойников, по сути строят симуляторы Монте-Карло, и они не обеспечивают более высокую точность. Снова, я не знаю, как были собраны эти цифры, но реальность такова, что это даже не находится в области технологий, способных действительно улучшить точность прогнозирования.
Conor Doherty: Но, конечно, есть ещё один момент, который стоит принять во внимание, а именно: ведёт ли большая точность по своей сути к лучшему принятию решений, чего люди пытаются достичь с помощью цифровых двойников? Таким образом, существует вспомогательное использование и то, чего вы действительно пытаетесь достичь — цель, намерение.
Joannes Vermorel: Да. Если мы говорим, что хотим принимать лучшие решения с более высокой отдачей инвестиций, то в концептуальном плане цифровой двойник мог бы сказать: если у меня есть политика A, я пропускаю её через своего цифрового двойника, оцениваю отдачу инвестиций; затем у меня есть политика B, делаю то же самое, и выбираю ту политику, которая обеспечивает лучшую отдачу. В концептуальном плане — почему бы и нет?
Но, опять же, всё это зависит от того, что ваш цифровой двойник даёт вам правильную экономическую оценку. Таким образом, проблема точности возвращается к вам в денежном выражении: у вас есть доходность для политики A, доходность для политики B. Но, опять: обладает ли ваш цифровой двойник какой-либо корректностью? Почему вы должны ему доверять? Это очень сложный вопрос.
Мы можем вернуться к SimCity 2000 и Парижу. Я могу запустить игру с различными уровнями налогообложения для города — это реализовано в игре. Но сможет ли эта система дать мне что-то действительно точное о городе Париже? Я думаю, было бы совершенно безумно предполагать, что видеоигра может быть использована для точного моделирования эволюции настоящего мегаполиса. Это та же самая проблема, что и с цифровыми двойниками в цепи поставок. Если не добавить множество дополнительных факторов, то у вас просто останется желание, но не реальность.
Да, было бы замечательно, если бы у нас было что-то, что могло бы делать всё это с высокой точностью. Если вы скажете, что этот метод Монте-Карло — нечто революционное, что сделает это возможным, я действительно так не думаю. В лучшем случае это лишь маленький ингредиент: очень простой. Это немного похоже на то, как будто говорят: “В процесс будут вовлечены компьютеры.” Да, вероятно. Это хорошая идея — задействовать компьютеры, как и использование симулятора Монте-Карло является неплохой техникой. Но это всего лишь маленькая деталь; я не стану спорить. Это просто, очень, очень поверхностно. Это немного как: “Для автомобиля лучше использовать металл.” Конечно, металл будет задействован, но этого недостаточно, чтобы получить автомобиль.
Conor Doherty: Я не хочу слишком увлекаться этим, так как у нас есть вопросы из зала, и я также хочу поговорить о некоторых вещах, упомянутых на LinkedIn, но прежде чем продолжить, последний, пожалуй, технический вопрос. Одна из причин, почему людям нравятся цифровые двойники — и они так популярны — заключается в том, что их превозносят, их рекламируют как способ борьбы с волатильностью и противостояния неопределённости. Теперь я знаю, что для нас в Lokad, а также для многих других специалистов, вероятностное прогнозирование — это путь к решению этих задач. Итак, в общих чертах, каковы ограничения? Как, по вашему мнению, вероятностное прогнозирование заполняет пробелы, которые оставляет цифровой двойник?
Joannes Vermorel: Во-первых, симулятор Монте-Карло в масштабе вашей цепи поставок фактически является ничем иным, как моделью вероятностного прогнозирования. Это буквально то, чем он и является. Когда мы говорим «вероятностное прогнозирование», мы не вдаёмся в подробности, какие модели именно используются в основе. В лекции я привожу серию примеров того, как можно построить эти модели. Но когда вы просто говорите «вероятностное прогнозирование», вы не раскрываете ничего о самой модели.
Вы можете построить модель вероятностного прогнозирования с помощью симулятора Монте-Карло. Вы просто запускаете симуляцию, собираете эмпирические распределения вероятностей, и если запустить симуляцию тысячи раз, вы получите красивые многомерные гистограммы, которые дадут вам распределения вероятностей, и вот у вас уже есть вероятностный прогноз. Таким образом, существует двойственность между симулятором Монте-Карло и вероятностным прогнозом. Из вероятностей можно получить отклонения — это отражает стохастическое поведение. Но если у вас есть стохастическое поведение, вы можете провести его симуляцию и получить распределения вероятностей. По сути, это одно и то же.
Однако есть один ключевой момент: как только вы начинаете рассматривать ваш симулятор Монте-Карло как вероятностный прогнозирующий двигатель, вы можете оценить его точность — что также очень важно, и чего, на мой взгляд, крайне не хватает у поставщиков цифровых двойников. Они даже не упоминают о том, что у них есть именно вероятностный прогнозирующий двигатель, и, следовательно, его необходимо оценивать с точки зрения точности с использованием метрик, релевантных для вероятностного прогнозирования.
Conor Doherty: Хорошо. Я знаю, что мы могли бы говорить об этом бесконечно, но опять же, тема, как было заявлено, посвящена именно цифровым двойникам. Пару дней назад вы провели опрос на LinkedIn, где спросили свою аудиторию: “Какие самые большие препятствия для цифровых двойников?” ведь многие, кто сейчас смотрит и кто увидит это позже, — это компании, которые рассматривают возможность внедрения этой технологии или уже внедряют её.
Теперь, в этом опросе 52% респондентов заявили, что самым большим препятствием являются неструктурированные или неполные данные. Во-первых — и это то, что я помню, вы говорили несколько лет назад — учитывая размер компаний, которые могут использовать цифрового двойника, речь идёт о очень крупных компаниях; предположительно, у них есть дорогие и надёжные ERP-системы. Так что вопрос заключается в следующем: как именно неструктурированные или неполные данные становятся препятствием для чего-то, что, как вы говорили, довольно просто реализовать?
Joannes Vermorel: Здесь, если под неполными данными понимать поведение — то, что характеризует работу всех этих сущностей — я бы сказал, что да. Но никогда, как мне кажется, не ожидалось, что в ERP найдутся параметры, которые могли бы охарактеризовать поведение, скажем, любого из ваших клиентов. Так что я не думаю, что именно это имеется в виду — без сомнения.
На мой взгляд, данные всегда становятся козлом отпущения. Когда технология оказывается чрезвычайно поверхностной и не даст обещанного результата, неизбежно виним плохие данные. Это совсем не соответствует нашему опыту в Lokad. По моему опыту, у компаний с годовым доходом свыше одного миллиарда долларов или евро данные отличного качества. Они практически точно знают, что продают, что покупают и что у них есть на складе. Да, иногда случаются канцелярские ошибки, но речь идёт примерно о 0,1% ошибок такого рода.
В целом, если говорить о точности данных, она идеальна. Весь поток товаров — от закупок, транспортировки, переработки до распределения — известен с почти полной уверенностью. Качество этих данных очень высокое. Да, некоторые другие данные могут быть несколько расплывчатыми, особенно если речь идёт о промо-планах или подобном, но основная история транзакций безупречна. Технически говоря, это единственное, что действительно нужно для создания симулятора. У вас есть системы, которые развиваются со временем, генерируя транзакции, и ваш цифровой двойник должен быть способен зеркально отображать это в будущее и прогнозировать будущее состояние ваших систем.
Но они этого не делают. Вот в чем проблема. По их версии, они не способны, а затем данные оказываются под ударом. Каждый раз, когда я слышу эти рассказы о проблемах с данными, я слышу, что технология неадекватна и фактически генерирует ерунду, и люди говорят: “О, результат — мусор”, но это должно быть потому, что ввод — мусор (проблема GIGO: garbage in, garbage out). Но что, если входные данные совершенно нормальны? По моему мнению, входные данные вполне нормальны, практически идеальны — и были таковыми последние два десятилетия — для подавляющего большинства крупных компаний.
Это не означает, что проблем с данными нет. Одна из основных проблем заключается в том, что если вы взглянете на ERP, там 10 000 таблиц, и каждая таблица содержит порядка 50 полей. Это огромная проблема. Но это не значит, что данные в них — ерунда. Это просто отражает тот факт, что ваши бизнес-системы не были разработаны так, чтобы жизнь специалиста по цепям поставок была лёгкой при создании симулятора Монте-Карло. Это совершенно другая проблема.
Conor Doherty: Говоря о проблемах, ещё одна проблема, названная 21% респондентов, — это хрупкое или ошибочное моделирование. Вы ранее говорили, что установка этого не является особенно сложной — это то, что мог бы выполнить студент первого курса информатики. Так что, снова возвращаюсь к вопросу: если у вас есть многомиллиардные компании и процесс, который является очень прямолинейным, почему пятая часть опрошенных утверждает, что проблема в моделировании?
Joannes Vermorel: Симуляторы Монте-Карло концептуально очень просты, а с точки зрения реализации — предельно прямолинейны. Однако очень быстро вы столкнётесь с базовыми проблемами производительности. Позвольте объяснить. О скольких SKU мы говорим? Миллион — примерно столько для компании с доходом выше миллиарда. Допустим, миллион SKU.
Затем, сколько тактов процессора нам нужно, чтобы смоделировать один SKU для описываемого поведения? Допустим, минимум 10 тактов, и мы будем считать это суперэффективным. А затем, сколько дней? Пусть у нас симулятор, который моделирует один день за раз — 100 дней. Так что речь идёт о 1 миллион умножить на 1 000 — миллиард процессорных операций — для моделирования 100 дней, примерно.
Проблема в том, что всё является стохастическим — это микроаналитический, дискретный, стохастический симулятор, — поэтому вам нужно повторять прогоны. Сколько раз нужно запустить симуляцию, чтобы получить хоть какую-то надёжную статистику? Из-за проблемы разрешения нужно повторить как минимум тысячу раз. Итак, получается тысяча миллиардов операций. Это не проблема для современных компьютеров, если, конечно, вы не делаете что-то очень сложное с параллелизацией и прочим. Речь идёт о 20 минутах вычислений, и, опять же, существует множество решений для параллелизации всего этого, но люди, которые делают простую и быструю симуляцию, не станут этим заниматься. Поэтому мы предполагаем что-то простое — хорошо. 20 минут кажутся неплохо — но только.
Но теперь вы хотите проверить варианты. Например: “Стоит ли разместить эту единицу здесь или ту единицу там?” Каждую опцию, которую вы исследуете, вам придётся пересчитывать, потому что сначала вы запускаете симуляцию для базового сценария, а затем пробуете что-то новое и запускаете снова. Если у вас просто общий вопрос — например, “Что если изменится стоимость оборотного капитала? Я просто хочу знать результат” — это нормально: вы запускаете его дважды, и получаете разницу.
Но если вы захотите задавать вопросы вроде: “Сколько единиц мне следует размещать в каждой конкретной точке магазина?” вам придётся запускать симулятор тысячи и тысячи раз — по одному для каждого микро-вопроса, ответ на который вы хотите получить. Внезапно люди понимают: “О, 20 минут — это слишком медленно. Мне нужно запускать это сотни тысяч раз, возможно, миллионы — по одному для каждого SKU или чему-то подобному.” Тогда это становится большой проблемой. Решение заключается в следующем: этот микроаналитический подход, при котором я моделирую всё на уровне SKU, — ох, это становится таким обременительным. “Так что мы перейдём к симуляции на гораздо более агрегированном уровне.”
Но теперь у нас возникает ещё одна серьёзная проблема: всё зависело от того, что поведение отдельных единиц симуляции корректно на уровне SKU. Уже было натянуто предполагать, что это просто, что у вас есть очевидные закономерности, которые применимы. Если вы начнёте агрегировать на уровне распределительного центра (DC), почему вы должны думать, что когда-нибудь сможете установить правильные законы, регулирующие поток товаров внутри и вне распределительного центра? Это очень сложная часть вашей сети. Нет оснований полагать, что простые законы смогут управлять этим процессом. То же самое, если говорить о клиенте в B2B — клиенте, заказывающем тонны очень разнообразных продуктов по разным графикам и так далее.
Таким образом, у вас возникла проблема симулятора. Симулятор прост на микроуровне, но очень быстро возникают проблемы с производительностью. Вы можете выполнить агрегацию, но если вы агрегируете, проблема обеспечения точных моделей поведения становится совершенно усугублённой.
Conor Doherty: Я думаю, что важной частью этого, на случай если кто-то впервые слышит нас, является следующее: когда речь идёт о решениях, решения в рамках Lokad не ограничиваются лишь тем, что “у меня есть одна единица; я отправлю её туда или нет.” Имеется множество комбинаций для всех этих решений. Я могу отправить одну единицу туда или ни одной; могу отправить одну туда и одну сюда или ни одной, или две туда и одну сюда, или ликвидировать, или поднять цену за одну единицу здесь, в этом месте. Локальный подход невероятно детализирован, на случай если вам не совсем понятно, насколько детализировано мы говорим. Это как под микроскопом — вот насколько детально.
И, кстати, причина, по которой мы так детализированны, заключается в том, что если мы вернёмся к моделированию этих поведений, если мы хотим иметь хоть какую-то уверенность в экономическом результате, нам нужно рассматривать всё до мельчайших деталей. Это единственная область, где мы можем действительно соотнести, сколько стоило произвести товар, сколько клиент платит за именно эту единицу и так далее.
Joannes Vermorel: Именно. Вот почему мы находимся на самом нижнем уровне. Проблема цифровых двойников заключается в том, что они очень быстро — с их симуляторами Монте-Карло — понимают, что у них возникают проблемы с производительностью, и поэтому сразу переходят на более высокий уровень агрегации, который легче вычислить. Но затем проблема корректного моделирования становится абсолютно огромной, и да, получается симулятор, который потенциально может быть чрезвычайно неточным. Даже неясно, почему вообще следует доверять симулятору, ведь те модели поведения, которые управляют отдельными единицами, полностью вымышлены.
Conor Doherty: Снова, мы вернёмся к обсуждению ценности решений — недавно мы говорили об этом с Адамом Деджансом-младшим и Уорреном Пауэллом. Всем, кто хочет узнать больше, смотрите самое последнее видео здесь. К тому же, ещё одно ключевое препятствие для принятия, названное вашей аудиторией, — это управление изменениями. Это то, что обычно возникает практически для любой технологии. Но когда речь идёт о чем-то — вы использовали образ зеркального отображения — вы описали это как, по сути, так: если всё работает хорошо, у вас имеется зеркальное отображение того, что уже существует. Так в чём же вопрос: почему зеркальное отображение существующего состояния требует масштабного управления изменениями?
Joannes Vermorel: Если у вас было — и я действительно оспариваю, что компании, продвигающие эти технологии, так и делают — нечто, что является высокоразмерным предсказателем будущего состояния вашей цепочки поставок, что, вдохновенно, и является целью цифровых двойников, то интересное заключается в том, что если это реализовано сквозным образом, то больше не существует силосов. Вы буквально можете смоделировать эффект каждого изменения политики, которое будет осуществляться в каждом отдельном силосе, и затем получить показатель рентабельности для всей компании. Это очень привлекательно. Я не отрицаю этого. Lokad движется в том же направлении.
Я думаю, что это, в свою очередь, требует массы управления изменениями — ведь если у вас есть технология, позволяющая обойти все силосы компании, то это создаст проблемы повсюду. Внезапно вы поймете, что политика, принятая, скажем, в одном подразделении, на самом деле вредна для всей компании. Возможно, это улучшает ключевые показатели этого подразделения, но за счет общей производительности. Так что да, количество изменений и сопротивления, естественно, будет очень высоким. Эта часть, на мой взгляд, разумна.
Conor Doherty: Joannes, мы беседовали примерно 35 минут, и на самом деле накопилось несколько вопросов. Сейчас я перейду к вопросам аудитории. Пожалуйста, задавайте вопросы до завершения. Но в качестве заключительной мысли для этого раздела — учитывая всё, о чем мы говорили — каков ваш прощальный совет менеджерам цепочки поставок и руководителям, которые либо находятся в процессе внедрения этой технологии, либо рассматривают возможность её внедрения?
Joannes Vermorel: Вам действительно нужно серьезно взглянуть на то, что происходит «под капотом». По моему мнению — как и в случае с “demand sensing” и другими модными терминами в кругах цепочки поставок — где, я думаю, в случае с demand sensing ничего нет, а в случае с цифровыми двойниками обычно присутствует хоть немного чего-то: это всего лишь симулятор Монте-Карло. Но вам действительно следует поставить под сомнение то, что находится под капотом.
Да, на этом можно построить всевозможные красивые пользовательские интерфейсы. Могут быть эффектные графики. Если добавить карту, можно получить даже анимированную карту и тому подобное. Это продажа мечты. Вам действительно нужно проверить, что находится внутри этой «штучки». Примените принцип “механического сочувствия”: вы должны потребовать от своего поставщика: “Пожалуйста, объясните, почему эта вещь будет работать.” И не путайте намерение с результатом. Люди говорят: “Это оптимизирует то.” Нет, подождите. Вы оптимизируете прибыль — оптимизация является результатом. Я не спрашиваю вас о результате. Вы предлагаете мне нечто очень позитивное для компании, но объясните, как это реализуется численно.
Исследуйте. Если в итоге вы увидите, что это просто жестко закодированные правила, применяемые последовательно в этом симуляторе Монте-Карло, тогда император лишен одежды. Это просто очень, очень поверхностно.
Conor Doherty: Подытоживая ваши мысли: в начале я говорил, что этот разговор состоялся до моего прихода сюда. Еще в августе 2022 года по этой теме вы сказали, и цитирую: “Мое восприятие цифровых двойников таково, что это просто одно из модных слов. Это выглядит не более чем восхваляемый симулятор.” Итак, подводя итог, за последние три года вы остаетесь при этом мнении?
Joannes Vermorel: Поскольку речь идет об идее — “цифровой двойник” — я не видел ни одного поставщика, который бы предлагал что-то по-настоящему технологически существенное. Я не оспариваю саму идею. Если завтра кто-то придет и скажет: “У меня есть цифровой двойник, но вместо того чтобы делать просто супер-наивный симулятор Монте-Карло уровня первокурсника по информатике, у меня есть эта удивительная новая методика, и я предоставлю вам ее чертеж; она очень изысканная и работает намного лучше этого наивного Монте-Карло,” я бы сказал: “Да, конечно, возможно, это действительно имеет значение.”
Это как если кто-то скажет “AGI — это великолепно,” я отвечу: “Да, AGI великолепно. А у вас есть такой?” Таким образом, я не оспариваю само намерение, связанноe с этим, а ставлю под сомнение набор техник, лежащих в основе. И до сих пор, спустя три года, я не видел ни одного поставщика, который бы предложил техники, которые я бы назвал выдающимися.
Есть ли такой поставщик — и мне было бы очень интересно, если аудитория сможет что-то предложить — который сказал бы: “Joannes, взгляните на эти по-настоящему выдающиеся техники; они раздвигают границы современного состояния дел в стохастических симуляциях”? Я бы сказал: я открыт для ваших предложений. Такого я не видел.
Conor Doherty: Это открытый вызов. Если у кого-то есть что рассказать Joannes, свяжитесь с ним и сделайте это. В любом случае, Joannes, я переключаюсь на вопросы аудитории. Их несколько, так что слушайте внимательно.
От Филипа: давайте возьмем инцидент в Суэцком канале в качестве примера. Предположим, что моя модель оценивает один месяц срок поставки для доставки товаров из Австралии во Францию при нормальных условиях дорожного движения. А что, если судно неожиданно блокирует канал, как это происходило ранее? Модель не сможет предвидеть такое нарушение, и я столкнусь с серьезными задержками и трудностями. Вопрос: как нам справляться с такими непредсказуемыми событиями в моделировании цепочки поставок?
Joannes Vermorel: Это отличный вопрос. На самом деле, стандартный симулятор — Монте-Карло — предоставляет достаточно неплохое понимание, и именно то понимание, которое использует Lokad. Это программный подход. Симулятор Монте-Карло по существу представляет собой программную парадигму: вы реализуете в относительно общем языке программирования правила, характеризующие поведения.
В Lokad это делается так, что значительная часть поведения обучается на исторических данных. Но поскольку это программа, вы можете вмешаться в нее и внести преднамеренное, программное изменение. Зачем это нужно? Потому что вам необходимо убедиться, что вы выборочно увеличиваете прогнозируемые сроки поставки для поставщиков, которые пострадают из-за проблемы в этом канале.
Например, если у вас поставщики из Азии, но они отправляют товары воздушным транспортом, вы не хотите увеличивать их срок поставки. Поэтому нужно быть очень осторожным, и, возможно, проверить в исторических данных, у каких поставщиков сроки поставки соответствовали грузоперевозке морским транспортом — или если у вас есть эта информация —, а затем программно добавить этот дополнительный сдвиг. Я считаю, что использование программного подхода здесь является выигрышным. Что касается цифровых двойников, я полагаю, что они подходят к решению проблемы с правильной точки зрения, используя программные методы, как и Lokad. В этом отношении все в порядке. Ситуация на самом деле гораздо понятнее по сравнению с альтернативными непрограммными подходами, которые полагаются на меню и кнопки, чтобы охватить каждую возможную ситуацию. Если у вас есть доступ к языку программирования в основе модели, вы всегда можете реализовать индивидуальные правила для непредвиденных событий.
Conor Doherty: Спасибо. Перейдем к следующему вопросу — от Мануэля: “В теории эта технология, цифровые двойники, может существенно повлиять на поддержку принятия решений в цепочке поставок. Что вы думаете об эволюции этой технологии и реализации ее потенциала?” Думаю, мы уже немного это обсудили.
Joannes Vermorel: В качестве вдохновляющего направления, идея создания сквозного моделирования цепочки поставок — это отличная мысль. Lokad тоже движется в этом направлении. Какие же ключевые составляющие? Их очень много: дифференцируемое программирование — одна из них; алгебра случайных величин — одна из них; реляционная алгебра — также одна из них. Существует масса составляющих.
Идея использования симуляторов Монте-Карло — кстати, например, Lokad также применяет компоненты Монте-Карло — открывает интересные возможности. Если у вас есть случайное поведение — намеренно случайное — то часть этого процесса Монте-Карло создает очень тонкую проблему с точки зрения отладки. Вы запускаете вашу программу: она падает — это плохо. Запускаете снова: не падает — и это еще хуже, потому что ошибка возникает время от времени, и когда вы хотите рассмотреть ее поближе, она исчезает. В Lokad мы называем такие проблемы “Хейзенбаги”. Это ошибка, которая возникает прерывисто; когда вы пытаетесь рассмотреть ее подробнее, она исчезает.
Это огромный недостаток классического упрощенного подхода к симулятору Монте-Карло. С чем столкнулся финансовый сектор в начале 90-х. То, что вам необходимо, — это псевдослучайность и, собственно, нечто полностью детерминированное, даже если у вас запущен симулятор Монте-Карло. Это требует относительно хитрых решений. Кроме того, вы хотите, чтобы эта детерминированность сохранялась даже при распределенных вычислениях, когда вся система работает на многих процессорах и, возможно, на многих машинах — потому что, как я уже отметил, если у вас один процессор, один поток, вы очень быстро столкнетесь с проблемами производительности. Нет проблем: вы можете масштабировать на множество процессоров и машин. Но это требует инструментов, в которых, даже если возникают ошибки или сбои, вся система остается полностью детерминированной.
На мой взгляд, существует множество аспектов, которые в конечном итоге позволяют инженерам создавать цифровых двойников, которые поставщики могут предложить. Я надеюсь, что Lokad предлагает немало из них. Суть моей критики в том, что люди, рекламирующие себя под этим ярлыком, этим модным словом, не предлагают ничего существенного. Это очень, очень поверхностно, и когда вы смотрите, что скрывается внутри — попросите демонстрацию — вы видите всего лишь очень упрощенный, наивный симулятор Монте-Карло, который просто не сможет обеспечить заявленные результаты.
Conor Doherty: Отличный переход к третьему вопросу, спасибо. От Шашанка — простите, если я неправильно произношу: “Joannes, как вы смотрите на симулятор Монте-Карло по сравнению с агентскими стохастическими моделями в сетях цепочки поставок?”
Joannes Vermorel: Существует несколько точек зрения. Монте-Карло — это очень полезный инструмент; это числовой трюк. Он очень полезен — как, например, линейная алгебра, это супербазовый, фундаментальный трюк. Сам по себе он весьма полезен. Теперь, в симуляторе Монте-Карло вся интеллектуальная нагрузка лежит в моделировании поведения, ведь по сути симулятор Монте-Карло выглядит так: у меня есть миллион элементов; я беру первый элемент; у меня есть поведение; я его применяю; появляется случайное отклонение — недетерминированное поведение — и я получаю это отклонение на выходе первого элемента. Затем я повторяю для второго, третьего и так далее, для каждого временного периода.
Вся суть заключается в этих моделях поведения, и это действительно, действительно сложно. Плюс числового трюка Монте-Карло в том, что он отлично вписывается в очень количественный, высокоразмерный мир цепочки поставок. Если говорить об агентском ИИ — конкретно, скажем, больших языковых моделях (LLMs) — то LLM, с другой стороны, работают с последовательностями символов. Большая языковая модель — это машина для предсказания будущих последовательностей символов, называемых токенами.
Что касается соответствия имеющимся данным, это не так очевидно. LLM не является суперочевидным соответствием для вашей системы цепочки поставок. По моему мнению, в будущем, через 10 лет, симуляторы Монте-Карло все еще будут использоваться? Да, потому что это такой базовый строительный блок. Это как спрашивать: “Будут ли в вашей системе квадратные корни?” Да. Агентский ИИ, такой как LLM, — я думаю, что у них есть своя роль, но их роль может быть не в количественной оценке цепочки поставок. Их роль больше на периферии, где требуется взаимодействовать с клиентами, поставщиками или даже третьими сторонами посредством текстовых диалогов. Это способ получить некоторые данные или завершить взаимодействие, но это не является ядром оптимизации.
Conor Doherty: Спасибо. Перейду к Тао: “На ваш взгляд, настоящая проблема цифровых двойников в том, что инструменты, используемые для моделирования цепочки поставок, несовершенны, или же правильный инструмент для оптимизации цепочки поставок может вообще не требовать цифрового двойника?”
Joannes Vermorel: Именно по первой причине. Эти инструменты имеют недостатки — и в очень специфическом смысле. Это сверхповерхностный, легко реализуемый инструмент. Люди думают, что в мире enterprise software, как только дело доходит до совещаний с советом директоров или CEO, цена будет огромной — даже если вы продаете по сути ничто. Это может звучать странно, но в enterprise software вы будете продавать нечто за более чем 100 000 долларов в год, практически независимо от того, что именно вы продаете.
Таким образом, постоянно появляются участники, которые выходят на рынок и говорят: “Смотрите, у меня есть эта вещь, и если я смогу создать достаточный ажиотаж, некоторые компании за это заплатят.” Для них это капля в море. Если вы многомиллиардная компания и платите 100 000 долларов в год за какой-либо гаджет, это незначительно; это не поставит под угрозу вашу прибыль. Но вследствие этого руководители высшего звена — CEO и совет директоров — не обязательно будут вдаваться в детали того, что они именно покупают, особенно если цена не заоблачная. Для корпоративного уровня 100 000 долларов — это не заоблачная сумма. За такую цену CEO миллиардной компании не будет тратить дни на проверку этих вещей; решение должно быть принято очень быстро.
Следствием является то, что, к сожалению, на рынке появилось много участников, предлагающих очень простые технологии — суперупрощенные —, но они искусно владеют искусством упаковки. У вас есть симулятор Монте-Карло — если честно, это ничто, пустышка —, но с красивой, изысканной упаковкой. Затем вы предъявляете определение, как будто: “Кто не хотел бы иметь что-то, что оптимизирует то и это, и улучшает то и другое для производства и всего остального?” Да. “Какова цена этого прибора, делающего всю мою компанию лучше?” “Такой-то — 100 000 долларов.” “Хорошо, это супердёшево. Давайте попробуем.”
Но мой посыл таков: исследуйте, что находится под капотом. Есть ли в этом действительно суть? Упаковки недостаточно. Я вижу закономерность: “цифровой двойник” вышел с упаковкой. Как только вы увидите другого поставщика с такой же упаковкой, воспроизвести её будет легко, ведь упаковка — это буквально то, что видно снаружи. А то, что внутри — если это всего лишь симулятор Монте-Карло — вы можете нанять программиста, и эта штука будет реализована за считанные дни.
Все эти ингредиенты вместе создают искушение выйти на рынок с правильной упаковкой, обращаться к руководителям высшего звена по всему спектру, и если вам повезёт, вы заключите серию сделок — и вот, бац, у вас появляется бизнес. Я просто говорю, что это, как правило, тот самый тип анти-паттернов, который я наблюдаю в сфере корпоративного программного обеспечения.
Конор Дохерти: Спасибо. И, Жоаннес, это последний вопрос — мне кажется, я могу угадать ответ, но он от Мурти: “Как цифровые двойники могут эволюционировать из инструментов реактивного мониторинга в проактивных агентов принятия решений в реальных корпоративных экосистемах?”
Жоаннес Верморель: Во-первых, в данном определении и технической схеме, которую я только что представил, что делает цифрового двойника реактивным, а не проактивным? По сути, ничего. Почему бы не использовать этот симулятор — сверхдетальный, от начала до конца — чтобы проактивно оспаривать каждую политику, которую вы собираетесь применить к своей цепочке поставок? Очевидно, эта штука и предназначена для проактивности.
Так, если на практике его использование не является проактивным, то нам следует задаться вопросом почему. На бумаге, симулятор методом Монте-Карло: у вас есть нечто достаточно точное и представляющее вашу цепочку поставок и её будущее состояние; вы можете — поскольку он программируемый — внедрить в него любую политику. Фантастика. Это означает, что вы можете оспорить всё; очевидно, он создан для проактивного подхода.
Но это не так. Почему? Проанализируйте с точки зрения программного обеспечения: что они делают, как это реализовано? Это даст вам ответ. Ответ таков: мы возвращаемся к миллиону SKU, 10 CPU-циклам, 100 дням и т.д. В итоге получается: да, эта штука может дать вам симуляцию того, что произойдет, но если вы не приложите значительных инженерных усилий — а эти поставщики их не прилагают — вы получите один ответ, скажем, на каждые 20 минут, или даже на каждый час, если реализация не суперэффективна.
Внезапно вы понимаете, что возникла проблема, ведь как можно продвигаться вперёд, если возникает такая проблема с производительностью? Я даже не говорю о проблеме точности моделирования — речь идёт просто о базовой производительности в терминах вычислительных ресурсов, которые необходимо задействовать. Это действительно серьёзная проблема. Вот почему люди в итоге придерживаются весьма реактивного подхода, поскольку осознают, что всё работает чересчур медленно. По сути, вы пытаетесь задать системе миллионы вопросов, но если вам приходится ждать 20 минут на каждый ответ, это невероятно — и при этом вам нужно задавать эти миллионы вопросов каждый день.
В итоге у вас возникают самые базовые проблемы. Если вы повторно агрегируете данные, то вдруг вы не можете задавать вопросы, которые действительно имеют значение, потому что вы находитесь на уровне агрегации, который уже не соответствует тем решениям, которые вам нужно принимать, например: “Нужно ли мне это производить? Нужно ли перемещать запасы туда? Стоит ли повысить цену на эти продукты?” Внезапно, если вы на агрегированном уровне — скажем, если вы хотите анализировать ценообразование категории товаров — не имеет особого смысла говорить: “Я собираюсь повысить или понизить цену для всех продуктов в этой категории.” Вероятно, вы хотите дифференцировать, исходя из характеристик каждого отдельного продукта. Но, опять же, это противоречит идее полной агрегации.
Конор Дохерти: Для краткого упоминания, я знаю, что вы подробно рассматриваете концепцию выбора решений, присущую потоку физических товаров — ваше определение цепочки поставок. Думаю, это раскрыто в лекции 1.2, “Цепочка поставок в двух словах.”
Это буквально первая — ладно. Посмотрите первые две, если ничего другого, потому что затем вы переходите к “Количественной цепочке поставок в двух словах.” Это довольно неплохо — даже лучше, чем просто неплохо. В любом случае, Жоаннес, мы уже час идём. Вопросов больше нет, и время истекло. Как всегда, большое спасибо, что присоединились ко мне и за ваши ответы.
А всем остальным спасибо за участие. Спасибо за ваши вопросы. Если вы ещё не подписаны, пожалуйста, подпишитесь на Lokad в LinkedIn. И если вы ещё не на связи с нами, отправьте запрос на добавление в контакты. Мы всегда рады обсудить вопросы цепочки поставок. И на этом я говорю всем: возвращайтесь к работе.
