Автор: Йенс Шульц, старший инженер

Когда мы делаем покупки в Интернете, будь то мода, электроника или путешествия, мы видим специальные предложения, как будто они созданы специально для нас. Мы видим рекомендации по продуктам и чувствуем себя вау, это полезно! Эти предложения ускоряют наш поиск: рождественские подарки — проверьте! Самый дешевый перелет и гостиница — забронированы! В мгновение ока мы закончили с покупками, и внезапно у нас появилось больше времени для кофе и других удовольствий. Но есть в этом что-то немного пугающее, верно? Кто-то или что-то знает о наших привычках и анализирует нас. В целом, однако, это кажется чрезвычайно полезным. Что стоит за всем этим? Все эти удобства нам все чаще приносят искусственный интеллект (ИИ) и машинное обучение (МО).

Многие крупные компании стремятся разработать аналогичные рекомендательные системы для своих бизнес-задач, таких как: планирование производства, маршрутизация железных дорог и авиакомпаний, планирование персонала и многое другое. Это классические приложения в области исследования операций. Итак, зачем нужны сложные математические модели? Разве компьютер не должен быть в состоянии учиться и решать такие задачи? AI и ML — наши модные словечки дня. Мы можем услышать что-то вроде: «Давайте изучим машинное обучение!» или «давайте попробуем глубокое обучение для нашей самой сложной задачи планирования производства!» Эти методы должны решить эту проблему, верно? Ответ и да, и нет. Они не могут волшебным образом решить эти проблемы сами по себе. Однако они могут существенно поддержать и улучшить многие проекты по оптимизации.

Машинное обучение и математическая оптимизация
Начнем с основ машинного обучения и оптимизации. Оба вращаются вокруг данных и генерируют идеи из данных; и на основе этих идей мы принимаем решения или предлагаем альтернативные действия.

При оптимизации мы решаем такие проблемы, как оптимизация графика производства, максимизация ожидаемой доходности портфеля продуктов при приемлемом риске или изучение стратегических инвестиционных проектов. Разработана математическая модель, которая дает абстракцию реального мира. Он состоит из целевой функции (наши бизнес-цели и ключевые показатели эффективности), переменных решений (рычаги, которые мы можем использовать) и ограничений. Алгоритм оптимизации, известный как решатель, вычисляет лучшие рычаги для данной модели и набора данных. Если бы только наши компьютеры были достаточно мощными, чтобы перечислить все возможности, нам не нужно было бы беспокоиться об алгоритмах, ветвях и границах и так далее.

В ML задача немного другая. Обычно данные объемом от гига до терабайт («большие данные») снабжены некоторыми характерными функциями и метками. Цель состоит в том, чтобы изучить базовую модель (т. е. вы хотите «узнать», какие метки следует ожидать на основе особенностей данных). При этом вы можете предсказать метки для новых, но похожих данных. Метки могут быть: да/нет, хорошо/плохо или реальные значения. Короче говоря, в основном речь идет о прогнозировании на основе данных, используемых для обучения модели (этап 1 ниже). В то время как фаза обучения может занять от нескольких часов до нескольких дней, использование самого прогноза (этап 2) происходит в пределах от миллисекунд до нескольких секунд.

Доказано, что машинное обучение является рабочей лошадкой для таких приложений, как Chess или Go, рекомендательных систем, диагностического обслуживания и многого другого.

Следовательно, оба подхода обеспечивают прогнозы или предлагаемые решения для ситуаций (данных), которых раньше не было, полагаясь на модель и данные, предоставленные им при обучении. Поскольку машинное обучение «изучает» модель, качество модели сильно зависит от данных, введенных на первом этапе, в то время как при оптимизации качество модели зависит от способности эксперта по моделированию улавливать сложность реального мира.

Интеграция машинного обучения в решения по оптимизации
Учитывая мощь машинного обучения, оптимизации и растущей доступности данных, в FICO мы разработали различные решения, которые выигрывают от их сочетания. Вот несколько лучших практик, основанных на нашем опыте:

  • Улучшение качества данных. Каждый проект по оптимизации начинается с данных. Машинное обучение может улучшить качество данных приложений оптимизации. Например, он может предоставлять более точные прогнозы и предсказания объема/цены. Однако вам также следует использовать тестирование A/B или Champion/Challenger, чтобы сделать данные более полными для вашей бизнес-задачи и помочь выявить и компенсировать потенциальную погрешность данных.
  • Используйте своих экспертов. Модели оптимизации разрабатываются на основе экспертных знаний. ML может поддерживать эти знания, выявляя шаблоны (например, в производственных системах). Таким образом выявляются неизвестные взаимозависимости, что может значительно улучшить качество модели.
  • Используйте объяснимый ИИ. С помощью объяснимого ИИ вы можете понять и количественно определить почему. Важно, чтобы функции, определенные вашей моделью машинного обучения, были подходящими, а не просто отображали систематическую ошибку или шум в данных.
  • Объединение машинного обучения и алгоритмов поиска по дереву для быстрого решения проблем. Встраивание машинного обучения в алгоритмы поиска по дереву, такие как «Ветви и границы», или имитация поиска по дереву под управлением машинного обучения может иметь огромный потенциал для быстрого поиска хороших (не обязательно оптимальных) ) решения реальных проблем.
  • Сокращение времени принятия решения. Если решение проблемы оптимизации занимает больше 5 минут, а решение нужно принять быстро, бизнес-пользователи часто расстраиваются. Аспект «обучения» можно перенести с ML на оптимизацию. Учитесь заранее, заранее моделируя потенциальные предстоящие ситуации, чтобы вы могли быть готовы, когда это действительно произойдет. Например, рейс может быть задержан на 5, 10, 15… минут. Запустив сценарии оптимизации, вы можете заранее знать, какие действия предпринять. Это связующее звено между многими историями успеха в области оптимизации и машинного обучения. Вместо того, чтобы настраивать и запускать оптимизацию, лицо, принимающее решение, уже знает потенциальное решение.

Расширенная аналитика в FICO Decision Management Suite
В FICO мы внедрили и объединили многие из этих методов расширенной аналитики, от «машинного обучения для оптимизации» до «оптимизации для машинного обучения». Успех заключается в интеграции, позволяющей каждой методологии (правила, моделирование, машинное обучение и оптимизация) выполнять задачу, которую она может выполнять наиболее эффективно.

Если вам интересно узнать больше об этой теме, посетите нашу Группу сообщества оптимизаторов.

Первоначально опубликовано на community.fico.com.