美國工程院院士Glynn：基于數(shù)據(jù)的決策，仿真與庫存管理
2018-08-16 來源：raincent
美國工程院院士、斯坦福大學(xué)教授Peter W. Glynn
Peter W. Glynn：
今天我主要是基于相關(guān)的研究問題，給大家分享一個(gè)觀點(diǎn)——基于數(shù)據(jù)的決策。為解決各類問題，給大家展示一個(gè)由機(jī)器學(xué)習(xí)、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(jìn)行決策，尤其是在庫存管理的背景下。機(jī)器學(xué)習(xí)和人工智能正對世界產(chǎn)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(dāng)今的商業(yè)環(huán)境給予我們許多機(jī)遇和挑戰(zhàn)。一是，更多的數(shù)據(jù)被收集，如各類數(shù)據(jù)在店鋪層面、顧客層面和供應(yīng)鏈層面被收集;二是，數(shù)據(jù)更加復(fù)雜，更多公司參與了零售環(huán)節(jié)，線上銷售占據(jù)了更大比例，讓人深思未來產(chǎn)業(yè)鏈的分配模式和新興科技例如自動(dòng)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(dòng)進(jìn)行的。四是，對實(shí)時(shí)決策的需求突出。
最核心的問題是如何利用數(shù)據(jù)做更好的決策。當(dāng)然我們都知道，機(jī)器學(xué)習(xí)和人工智能被廣泛且有效地在這一領(lǐng)域得以應(yīng)用。
機(jī)器學(xué)習(xí)和人工智能并不是僅有的途徑，對于特定情境下的問題，機(jī)器學(xué)習(xí)并不適用，尤其是回答一些“what if”的問題時(shí)。當(dāng)過去已發(fā)生過類似的例子并收集到大量的數(shù)據(jù)時(shí)，機(jī)器學(xué)習(xí)可以被應(yīng)用，但很多時(shí)候我們沒有足夠的數(shù)據(jù)，或者無法獲取這些歷史數(shù)據(jù)，這時(shí)候機(jī)器學(xué)習(xí)就沒有那么有效。
比如，第一個(gè)例子，一個(gè)零售商想要新建一個(gè)自動(dòng)化的配送中心，來取代現(xiàn)在的人力配送。這是一項(xiàng)花費(fèi)巨大的工程，所以管理層會(huì)想要關(guān)心這個(gè)中心能幫助提高多少配送時(shí)間和顧客滿意度。這不是一個(gè)機(jī)器學(xué)習(xí)或者人工智能可以大放異彩的問題，因?yàn)槲覀冋诿媾R一個(gè)嶄新的決策，并沒有相關(guān)的歷史數(shù)據(jù)能告訴我們這個(gè)新技術(shù)給公司層面帶來的利益如何。
第二個(gè)例子，近年來線上銷售大紅大紫，在零售商利潤中占據(jù)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(gè)自然的問題是，線上訂單會(huì)給線下商店帶來什么影響。顯然會(huì)有更多的到店訂單，但與此同時(shí)貨架上的商品也會(huì)減少。這其中也有許多“what if”問題會(huì)顯著影響到公司的成功與否。
第三個(gè)例子是供應(yīng)鏈管理中的大危機(jī)，例如日本地震時(shí)主要的供應(yīng)鏈被中斷了幾個(gè)月，很多工廠、零售商必須連夜之間重新配置供應(yīng)鏈。這些危機(jī)也許在未來會(huì)更普遍，因?yàn)槲覀兊墓⿷?yīng)鏈趨向于全球化，因而也更有可能被潛在的危機(jī)影響。但是，對于這些問題嚴(yán)重缺乏歷史數(shù)據(jù)，所以機(jī)器學(xué)習(xí)和人工智能難以適用。
但這些都是仿真可以代替機(jī)器學(xué)習(xí)起到作用的情景。仿真通過利用計(jì)算機(jī)和計(jì)算機(jī)實(shí)驗(yàn)來進(jìn)行決策，主要的想法是建立供應(yīng)鏈或者庫存管理模型，迅速進(jìn)行大量計(jì)算機(jī)實(shí)驗(yàn)來尋找主要會(huì)發(fā)生的典型情景，尋找出系統(tǒng)發(fā)生大變化時(shí)產(chǎn)生的主要影響。仿真的作用就是在問題真實(shí)發(fā)生和決策被實(shí)施之前了解到它們并及早采取措施。
在現(xiàn)實(shí)世界中，大多重要的管理啟發(fā)并不是量化的，但在機(jī)器學(xué)習(xí)中我們得到的經(jīng)驗(yàn)和啟示都是量化的。對于一個(gè)大規(guī)模的系統(tǒng)，機(jī)器學(xué)習(xí)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(gè)供應(yīng)鏈優(yōu)于另一個(gè)的原因。
想要把一個(gè)系統(tǒng)的機(jī)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(jìn)行大筆金額投資時(shí)，我們傾向于看到各種可能結(jié)果的分布，而不是僅僅一個(gè)可能的結(jié)果。因?yàn)檫@一結(jié)果與隨機(jī)發(fā)生的事件有關(guān)，是一個(gè)有特定原因的結(jié)果，而我們?nèi)绾卫斫膺@一結(jié)果對于如何決策至關(guān)重要。
仿真不僅僅能夠補(bǔ)充機(jī)器學(xué)習(xí)完成其不能，同時(shí)適用于優(yōu)化領(lǐng)域。因?yàn)閮?yōu)化方法在處理現(xiàn)實(shí)問題時(shí)，傾向于抽象并簡化很多現(xiàn)實(shí)世界中的特點(diǎn)與條件，而運(yùn)行仿真系統(tǒng)，可以包括更多的細(xì)節(jié)來驗(yàn)證優(yōu)化問題的結(jié)論或觀點(diǎn)對于真實(shí)世界是否適用。
所有的仿真模型需要數(shù)據(jù)，我們通過服從指定的分布生成隨機(jī)變量的方式形成數(shù)據(jù)。例如在分配中心問題中，我們需要運(yùn)送時(shí)間的數(shù)據(jù)，線下商店需要實(shí)現(xiàn)當(dāng)?shù)乜蛻粜枨笏ㄙM(fèi)的時(shí)間。
其核心問題是如何建立概率模型來進(jìn)而建立仿真模型。我們想要知道對于一個(gè)特定的投資組合的決策有多大的風(fēng)險(xiǎn)，利用計(jì)算機(jī)來進(jìn)行仿真是預(yù)測風(fēng)險(xiǎn)的一個(gè)經(jīng)典方法。例如模擬并計(jì)算未來30天內(nèi)有巨大財(cái)產(chǎn)損失的概率，仿真對于極端事件非常敏感，所以我們想要關(guān)注的其實(shí)是極端的價(jià)格變化，常用的數(shù)據(jù)統(tǒng)計(jì)方法把所有數(shù)據(jù)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(dān)心典型的供應(yīng)鏈行為，而更關(guān)注5%的極高顧客需求或系統(tǒng)負(fù)荷反常行為帶來的影響。這和我們傳統(tǒng)的數(shù)據(jù)處理和仿真模擬的想法完全不同，蘊(yùn)含了很多具體有趣的研究問題，正在被我們關(guān)注。
另一個(gè)研究問題是數(shù)據(jù)仿真，這個(gè)概念在天氣預(yù)測中最容易得到解釋。我們得到各種各樣的測量工具和數(shù)據(jù)，如何通過這些數(shù)據(jù)更好地預(yù)測天氣就是一個(gè)核心問題，事實(shí)上人們做的事情正是一個(gè)初始化的仿真系統(tǒng)，求解一個(gè)基于前向時(shí)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(shí)某地天氣的預(yù)測。這類問題也越來越多的產(chǎn)生于零售業(yè)中，同樣有大量不同來源種類的數(shù)據(jù)，具有不同的可靠程度和穩(wěn)定性等，如何整合這些數(shù)據(jù)并做出更好的決策是一個(gè)即將變得愈發(fā)重要的數(shù)據(jù)仿真問題。
總的來說，機(jī)器學(xué)習(xí)和人工智能將會(huì)是變革世界的重要科技，但仿真可以作為評估和補(bǔ)充它們的有效工具。
標(biāo)簽：
版權(quán)申明：本站文章部分自網(wǎng)絡(luò)，如有侵權(quán)，請聯(lián)系：west999com@outlook.com
特別注意：本站所有轉(zhuǎn)載文章言論不代表本站觀點(diǎn)！
本站所提供的圖片等素材，版權(quán)歸原作者所有，如需使用，請與原作者聯(lián)系。
上一篇:為什么Python這么慢？
