Yapay Zeka Çağında Yöneylem Araştırması Neden Hala Önemli

"Yapay zeka kullan yeter" yaklaşımının sorunu

Her hafta, yeni bir araç yapay zeka ile operasyonlarınızı optimize etmeyi vaat ediyor. Verilerinizi besleyin, modelin çözmesine izin verin ve verimliliğin artışını izleyin. Söylem çekici. Gerçeklik ise daha karmaşık.

Operasyonel sorunların çoğu tahmin problemi değildir. Bunlar karar problemleridir — ve bu ayrım önemlidir. Talebi tahmin etmek faydalıdır. Ancak zaman pencereleri, kapasite sınırlamaları ve maliyet kısıtları olan 400 teslimat için karma bir filoyu nasıl tahsis edeceğinize karar vermek temelden farklı bir zorluktur. İkinci problemin bir yapısı vardır ve bu yapı metodolojiye yanıt verir.

Yöneylem araştırması gerçekte ne yapar

Yöneylem araştırması (OR), karar verme süreçlerine matematiksel ve analitik yöntemler uygulama disiplinidir. Doğrusal programlama, tamsayılı optimizasyon, kısıt karşılama, ağ akış modelleri, çizelgeleme teorisi ve simülasyonu kapsar.

Bunlar yeni teknikler değildir. Onlarca yıldır lojistik, üretim, enerji, telekomünikasyon ve savunmada kullanılmaktadır. Yeni olan, ne kadar erişilebilir hale geldikleri — ve büyük kuruluşlar dışında ne kadar az şirketin bunlardan yararlandığıdır.

OR'nin temel değeri şudur: bir dizi kısıt altında en iyi kararı bulur. Yaklaşık bir cevap değil. Tarihsel veriden öğrenilmiş bir örüntü değil. Eldeki belirli durum için matematiksel olarak optimal — veya optimale yakın — karar.

OR'nin genel amaçlı yapay zekadan daha iyi performans gösterdiği yerler

Bir teslimat rotalama problemini düşünün. Tarihsel rotalar üzerinde eğitilmiş bir makine öğrenimi modeli, tipik günler için makul planlar üretebilir. Ancak kısıtlar değiştiğinde — bir araç bozulduğunda, yeni bir teslimat penceresi eklendiğinde, bir depo kapandığında — modelin fizibilite hakkında akıl yürütme mekanizması yoktur. Yalnızca daha önce gördüklerinden enterpolasyon yapabilir.

Bir optimizasyon modeli ise aksine kısıtları açıkça kodlar. Neyin uygulanabilir, neyin uygulanabilir olmadığını bilir. Maliyeti veya süreyi minimize ederken her operasyonel kısıtı karşılayan yeni bir planı dakikalar içinde üretebilir. Problem değiştiğinde model uyum sağlar — çünkü örüntülerden değil, yapıdan yola çıkarak akıl yürütür.

Bu, yapay zekanın hiçbir rolü olmadığı anlamına gelmez. Tahmin modelleri talep tahmini, anomali tespiti ve sınıflandırma görevleri için değerlidir. Ancak temel zorluk kısıtlar altında bir karar vermek olduğunda, yöneylem araştırması doğru araçtır.

Neden yetersiz kullanılmaya devam ediyor

Üç neden öne çıkıyor:

1. Alan modellemesi gerektirir. OR tak-çalıştır bir araç değildir. Problemi matematiksel olarak formüle edecek kadar iyi anlamanız gerekir — bu da işletmeyi, kısıtları ve hedefleri anlamak demektir. Bu zaman ve uzmanlık gerektirir.

2. Pazarlaması kolay değildir. "Karma tamsayılı doğrusal program geliştirdik" ifadesi, "Yapay zeka geliştirdik" ile aynı heyecanı yaratmaz. Öz orada, ancak anlatıyı satmak daha zordur.

3. Yetenek açığı gerçektir. Çok az yazılım ekibinin optimizasyon modelleme deneyimi vardır. Çoğu geliştirici bir CRUD uygulaması oluşturabilir veya bir API entegre edebilir, ancak bir araç rotalama problemini MILP modeli olarak formüle etmek farklı bir düşünce biçimi gerektirir.

Fırsat

Operasyonel karmaşıklığa sahip şirketler için — lojistik, üretim, saha hizmetleri, enerji, sağlık — yöneylem araştırması önemli ve çoğu zaman kullanılmayan bir verimlilik kaynağını temsil eder. İyileştirmeler marjinal değildir. Kendi çalışmalarımızda, teslimat planlamasına uygulanan optimizasyon modellerinden %15-25 maliyet düşüşleri gördük.

Bu disipline yatırım yapan şirketler yapısal bir avantaja sahip olacaktır: daha iyi kararlar, daha düşük maliyetler ve değişen koşullara uyum sağlayan sistemler — en son trendi benimsedikleri için değil, doğru probleme doğru metodolojiyi uyguladıkları için.