本講座選自美國工程院院士、斯坦福大學教授Peter W. Glynn近日在2018第二屆杉數科技AI大師圓桌會上所做的題為《Simulation and Inventory Management: Where, How, When, and Why》的演講。

 

 

美國工程院院士、斯坦福大學教授Peter W. Glynn

Peter W. Glynn：

今天我主要是基于相關的研究問題，給大家分享一個觀點——基于數據的決策。為解決各類問題，給大家展示一個由機器學習、人工智能和其他工具共同搭建的平臺。

我們討論利用仿真來進行決策，尤其是在庫存管理的背景下。機器學習和人工智能正對世界產生著巨大影響，近幾年的影響可能比過去幾十年的總和還要突出，但這并不意味它們能解決所有的決策問題。而仿真也正在解決令人興奮的決策問題，在決策中同樣舉足輕重。

當今的商業(yè)環(huán)境給予我們許多機遇和挑戰(zhàn)。一是，更多的數據被收集，如各類數據在店鋪層面、顧客層面和供應鏈層面被收集;二是，數據更加復雜，更多公司參與了零售環(huán)節(jié)，線上銷售占據了更大比例，讓人深思未來產業(yè)鏈的分配模式和新興科技例如自動駕駛帶來的影響。三是，很多決策過程甚至不需要人類的參與而是自動進行的。四是，對實時決策的需求突出。

 

 

最核心的問題是如何利用數據做更好的決策。當然我們都知道，機器學習和人工智能被廣泛且有效地在這一領域得以應用。

 

 

機器學習和人工智能并不是僅有的途徑，對于特定情境下的問題，機器學習并不適用，尤其是回答一些“what if”的問題時。當過去已發(fā)生過類似的例子并收集到大量的數據時，機器學習可以被應用，但很多時候我們沒有足夠的數據，或者無法獲取這些歷史數據，這時候機器學習就沒有那么有效。

比如，第一個例子，一個零售商想要新建一個自動化的配送中心，來取代現在的人力配送。這是一項花費巨大的工程，所以管理層會想要關心這個中心能幫助提高多少配送時間和顧客滿意度。這不是一個機器學習或者人工智能可以大放異彩的問題，因為我們正在面臨一個嶄新的決策，并沒有相關的歷史數據能告訴我們這個新技術給公司層面帶來的利益如何。

第二個例子，近年來線上銷售大紅大紫，在零售商利潤中占據了的很大比例，傳統(tǒng)零售業(yè)更多地參與到線上銷售的過程中，他們需要更多地了解線上銷售來定位自己在線上銷售中的位置。有一個自然的問題是，線上訂單會給線下商店帶來什么影響。顯然會有更多的到店訂單，但與此同時貨架上的商品也會減少。這其中也有許多“what if”問題會顯著影響到公司的成功與否。

第三個例子是供應鏈管理中的大危機，例如日本地震時主要的供應鏈被中斷了幾個月，很多工廠、零售商必須連夜之間重新配置供應鏈。這些危機也許在未來會更普遍，因為我們的供應鏈趨向于全球化，因而也更有可能被潛在的危機影響。但是，對于這些問題嚴重缺乏歷史數據，所以機器學習和人工智能難以適用。

但這些都是仿真可以代替機器學習起到作用的情景。仿真通過利用計算機和計算機實驗來進行決策，主要的想法是建立供應鏈或者庫存管理模型，迅速進行大量計算機實驗來尋找主要會發(fā)生的典型情景，尋找出系統(tǒng)發(fā)生大變化時產生的主要影響。仿真的作用就是在問題真實發(fā)生和決策被實施之前了解到它們并及早采取措施。

 

 

在現實世界中，大多重要的管理啟發(fā)并不是量化的，但在機器學習中我們得到的經驗和啟示都是量化的。對于一個大規(guī)模的系統(tǒng)，機器學習的量化信息可能無法幫助我們理解系統(tǒng)的本身的工作原理，但是仿真也許能讓我們追溯到模型的源頭，了解一個供應鏈優(yōu)于另一個的原因。

想要把一個系統(tǒng)的機理完全用量化的方式來衡量并不是一件容易的事。另外，在制定重大決策或者進行大筆金額投資時，我們傾向于看到各種可能結果的分布，而不是僅僅一個可能的結果。因為這一結果與隨機發(fā)生的事件有關，是一個有特定原因的結果，而我們如何理解這一結果對于如何決策至關重要。

 

 

仿真不僅僅能夠補充機器學習完成其不能，同時適用于優(yōu)化領域。因為優(yōu)化方法在處理現實問題時，傾向于抽象并簡化很多現實世界中的特點與條件，而運行仿真系統(tǒng)，可以包括更多的細節(jié)來驗證優(yōu)化問題的結論或觀點對于真實世界是否適用。

 

 

所有的仿真模型需要數據，我們通過服從指定的分布生成隨機變量的方式形成數據。例如在分配中心問題中，我們需要運送時間的數據，線下商店需要實現當地客戶需求所花費的時間。

其核心問題是如何建立概率模型來進而建立仿真模型。我們想要知道對于一個特定的投資組合的決策有多大的風險，利用計算機來進行仿真是預測風險的一個經典方法。例如模擬并計算未來30天內有巨大財產損失的概率，仿真對于極端事件非常敏感，所以我們想要關注的其實是極端的價格變化，常用的數據統(tǒng)計方法把所有數據視為同等重要來考慮，然而我們考慮的并不是分布的中間，而是分布的兩邊(尾部)。

同樣在庫存管理中，我們并不是非常擔心典型的供應鏈行為，而更關注5%的極高顧客需求或系統(tǒng)負荷反常行為帶來的影響。這和我們傳統(tǒng)的數據處理和仿真模擬的想法完全不同，蘊含了很多具體有趣的研究問題，正在被我們關注。

另一個研究問題是數據仿真，這個概念在天氣預測中最容易得到解釋。我們得到各種各樣的測量工具和數據，如何通過這些數據更好地預測天氣就是一個核心問題，事實上人們做的事情正是一個初始化的仿真系統(tǒng)，求解一個基于前向時間的微分方程來理解大規(guī)模的天氣系統(tǒng)，例如對未來二十四小時某地天氣的預測。這類問題也越來越多的產生于零售業(yè)中，同樣有大量不同來源種類的數據，具有不同的可靠程度和穩(wěn)定性等，如何整合這些數據并做出更好的決策是一個即將變得愈發(fā)重要的數據仿真問題。

 

 

總的來說，機器學習和人工智能將會是變革世界的重要科技，但仿真可以作為評估和補充它們的有效工具。

 

標簽：

版權申明：本站文章部分自網絡，如有侵權，請聯(lián)系：west999com@outlook.com
特別注意：本站所有轉載文章言論不代表本站觀點！
本站所提供的圖片等素材，版權歸原作者所有，如需使用，請與原作者聯(lián)系。