Эли Шрагенхайм опубликовал статью, которую они написали вместе с сыном Амиром Шрагенхаймом, посвященную возможностям сочетания Искусственного интеллекта и Теории ограничений.
Местами они повторяют то, что писали раньше, местами дают новые вводные. Есть даже место, где мне сильно хотелось поспорить. Но… Не здесь. Здесь место для оригинального текста авторов.
Как обычно, ссылка на оригинал и картинка из поста автора.
Ваш Дмитрий Егоров
P.S.: «Очепятки» возможны, так как вычитывать времени не было. И это… очень «многа букафф»…
Эли и Амир Шрагенхайм
Любая мощная новая технология обладает потенциалом получения огромных выгод, но точно также она может причинить огромный ущерб. Поэтому обязательно нужно тщательно анализировать ее возможности. Мы считаем что обязанностью экспертов ТОС является провести такой тщательный анализ искусственного интеллекта (ИИ) и понять, как максимально извлечь из него выгоды, при этом исключив или значительно уменьшив возможные негативные последствия.
Современные системы ИИ способны делать предсказания, основываясь на больших объемах данных и моделируемых результатах, а также предпринимать какие-либо действия (как это делают роботы) или поддерживать человека в процессе принятия решений. Важным примером может выступать способность понимать язык, его реальные смыслы и генерировать разнообразные сервисы. «Опыт» создается с помощью предоставляемого набора данных, который должен быть очень большим. Этот способ обучения пытается сымитировать обучение человека на собственном опыте, но с тем преимуществом, что появляется возможность обучения на ОГРОМНОМ объеме опыта с, надеюсь, меньшими предубеждениями.
Сегодня ИИ главным образом создает ценность, заменяя людей в относительно простых видах деятельности, выполняя их быстрее, точнее и с меньшим уровнем «шума».
У ИИ есть несколько критически важных ошибок. Одна из них – это невозможность объяснить, как пришли к конкретному решению Его зависимость как от больших наборов данных, так и от обучения, делает невозможность объяснить решение потенциальной угрозой совершения ошибок, которые бы не сделали большинство людей. Даже огромные наборы данных содержат искажения, поскольку они были собраны в определенное время, в определенном месте и при определенных условиях, вследствие чего они могут неправильно интерпретировать конкретную ситуацию.
Данная статья посвящена потенциальной ценности для управления организациями, которую можно получить, комбинируя Теорию ограничений и ИИ. В ней не рассматриваются другие полезные способы применения ИИ.
ТОС фокусируется на достижении как можно лучшего достижения цели, поэтому с точки зрения менеджмента она в первую очередь будет стараться найти то, что мешает управленческой компании лучше/больше достигать цели.
Она концентрируется на поиске вариантов прорывов, пытаясь найти, где находятся существующие пределы[i] в достижении цели. Поэтому мы бы хотели изучить может ли быть использована мощь ИИ для преодоления этих лимитов.
Без глубокого понимания потребностей менеджмента, ценность ИИ или любой другой новой технологии будет ограничена потребностями, которые очевидны для всех. На такие потребности ИИ способен ответить с помощью автоматизации, не добавляя новых элементов к работающим решениям. В более сложном случае использования роботов для перемещения товаров на огромном складе, мы имеем дело с очевидной комбинацией двух технологий: ИИ и робототехники, использованной для удовлетворения потребности в замене низкоквалифицированных рабочих и, возможно, еще и улучшению скорости и уменьшению ошибок (или повышения качеству).
Когда дело доходит до поддержки принятия решений на уровне топ-менеджеров, то ценность от ИИ менее очевидна. Один аспект принципиально отличает существующее использование ИИ: человек, принимающий решение, полностью отвечает за последствия этого решения. Это значит, что ИИ может рекомендовать или просто предоставлять информацию и варианты, но не может принимать решения. Это предъявляет несколько жестких требований к технологии ИИ, но, если эти требования удовлетворяются, появляются новые возможности по извлечению ценности.
Такой возможностью является предоставление абсолютно необходимой информации, которая сегодня или отсутствует, или опирается на предвзятую и неточную интуицию человека.
Лучший способ компенсировать не очень хорошую интуицию это заменить ее на рассмотрение очень широкого объема данных, выполнение большого числа расчетов, поиска корреляции и паттернов, имитирующих мышление человека, стимулируя лицо, принимающее решение (ЛПР), искать лучший способ получения поддерживающей информации, что все вместе может улучшить качество принимаемых решений. В конце концов, ему может быть нужно добавить к принятию решений факты, которые отсутствуют в наборах данных, и использовать интуицию и интеллект, чтобы дополнить информацию для принятия важных решений.
Оценка неопределенности и ее влияния.
Самая сложная часть в прогнозах – это понимание того, что нам надо получить не точное значение, но также и разумный диапазон отклонений. Любой прогноз будущего неточен, поэтому должен быть ключевой вопрос: чего мы можем разумно ожидать?
В ТОС были разработаны инструменты, необходимые для поддержания стабильного потока продуктов и материалов, несмотря на весь шум (повседневную и ожидаемую неопределенность), используя видимые буферы как неотъемлемую часть планирования, и управление буферами для определения приоритетов в процессе исполнения. Этот способ мышления должен быть ядром разработки инструментов ИИ для поддержки управления организацией.
Самая насущная потребность в управлении цепочкой поставок (и других критически важных решений в бизнесе) – это получить прогноз спроса на завтра, на следующей неделе, в следующем месяце, а также в долгосрочной перспективе. Оценка потенциального спроса на следующий год(ы) критически важна для инвестирования в мощность или в НИОКР (R&D). Не существует НИ ОДНОГО СПОСОБА получить сейчас надежную и точную цифру завтрашнего спроса, и чем дальше в будущее мы отодвигаемся, тем хуже становится ситуация (так работает неопределенность).
Пример: Предположим, что самый лучший алгоритм прогнозирования дает вам прогноз, что спрос на следующей неделе для SKU13 составляет 1237 единиц, но фактический оказался 1411.
Был ли первоначальный прогноз ошибочным?
Теперь предположим, что первый алгоритм включат в себя оценку среднего отклонения – «ошибку прогноза». Оценка была плюс-минус 254. Это сразу представляет первый прогноз в лучшем свете, потому что прогноз включает в себя вероятность получения фактического результата 1411. Если второй алгоритм не содержит «ошибки прогноза», как мы можем на него полагаться?
Результативные менеджеры должны понимать каким спрос может быть. Когда они сталкиваются с прогнозом из одной цифры, то не важно насколько хорош алгоритм прогнозирования, они часто терпят неудачу в принятии хороших решений, основываясь на данной информации.
Таким образом, важнейшим требованием к любому типу прогнозирования является определение величины неопределенности и связанным с ней влиянием на поведение критически важных переменных для принятия решений. Необходимость жить в условиях неопределенности означает признание ущерба, когда фактический спрос отличается от прогноза из одной цифры. Относительный размер ущерба, когда спрос оказался меньше прогноза и, когда он больше спроса, должен привести менеджера к выбору, который в значительной мере влияет на решение.
Существуют метапараметры алгоритма ИИ, которые определяют возможное решение. Изменяя эти метапараметры можно легко получить результат, который будет более консервативным или более оптимистическим (наприме: вместо использования порога в 0,76, мы можем использовать 0,7 в одном случае или в 0,82 в другом). Таким образом, доступ к обоим прогнозам дает ЛПР более полную информацию для рассмотрения наиболее подходящего действия, не привыкая к использованию стандартного отклонения или другим параметрам разброса.
Получение более ценной информации о состоянии рынка
Критически важной потребностью любого менеджмента является предсказание реакции рынка на действия, направленные на привлечение дополнительного спроса или возможности большего заработка с уже имеющегося спроса. Большинство методов прогнозирования, за небольшими исключениями, предполагают отсутствие изменения на рынке. Таким образом, помимо вопросов качества прогнозирования спроса, опирающегося лишь на данные прошлых периодов, существует необходимость оценить влияние предлагаемых изменений, а также ожидаемых изменений, вызванных внешними событиями, на рыночный спрос.
Анализ потенциальных изменений на рынке с использованием логических инструментов Мыслительных процессов обычно может с достаточной надежностью предсказать общие тенденции, которые могут породить предлагаемые изменения. Но Мыслительные процессы не могут дать четкого представления о масштабах изменения на рынке. Если предлагаемые изменения вызывают разные реакции, вроде значительного изменения внешнего дизайна/эстетики продуктов, прогнозы человека являются особенно рискованными.
Значительные изменения – это проблема при использовании существующей практики использования ИИ. Однако, уже существуют алгоритмы ИИ, которые определяют отклонения от определенной реальности. Такие алгоритмы все шире используются в предсказании необходимости обслуживания производственных мощностей. Такие сигналы ИИ указывают ЛПР, что реальность изменилась, сообщая им, что требуется ручное вмешательство.
Прогнозирование влияния больших изменений, решение о которых принимается внутри компании, таких как изменение цен, запуск маркетинговой акции и т.п. – это реальная потребность менеджмента. Хотя изменение цены на товар кажется простой задачей, сложно оценить все последствия на спрос других товаров и реакцию конкурентов. Плюс такие изменения происходят не очень часто, и внутренних данных, собранных за прошлые периоды, может быть недостаточно, чтобы создать эффективную модель ИИ, которая бы дала достаточно точный прогноз. Это создает возможностьи для сторонней организации, которая работает с Big Data. Такая организация может собирать данные множества заинтересованных организаций и использовать агрегированные данные для создания лучше модели ИИ, которая может быть использована для того, чтобы делиться данными с организациями результатами прогноза последствий от подобных действий. Это позволит выиграть всем участвующим сторонам и легко может покрыть связанные с этим операционные издержки. Такие организации должны гарантировать отсутствие утечки данных конкретных предприятий, и делиться только общими открытиями.
Предупреждение об изменениях в поставках
Для менеджмента является естественной концентрация сначала на рынке, а потом на операционной деятельности, которая отражает возможности организации по удовлетворению (или неудовлетворению) спроса, и возможности получения большего спроса.
Конечно, снабжение – это абсолютно необходимый элемент обеспечения бизнеса. Проблема в том, что когда у поставщика происходят изменения, которые негативно влияют на поставки, для некоторых клиентов потребуется значительное время, чтобы осознать эти изменения и вызываемый ими ущерб. Менеджмент не должен фокусироваться на обычных рутинных взаимоотношениях. Однако, если изменения в поведении обнаруживаются достаточно рано, возможно с использованием программного обеспечения, то это обеспечивает базовую потребность [организации??? – Д.Е.] Это особенно ценно, когда причина изменений неизвестна. Например, когда поставщик сталкивается с финансовыми проблемами или сменой руководства.
Достижение эффективного сотрудничества между ИИ, аналитикой и человеческой интуицией
ИИ имеет три ключевых ограничения, устанавливающих предел для его использования[ii]:
- ИИ – это «черный ящик», чьи рекомендации никак не объясняются.
- Существующая практика применения не использует причинно-следственную логику. Внутри процесса разработки ИИ есть тенденции к включению причинно-следственной логики когда-нибудь в будущем.
- ИИ полностью зависит от набора данных и процесса обучения.
Одним из способов преодоления этих пределов является использование программных модулей, которые использовали бы как причинно-следственную логику, так и «старомодный» статистический анализ, которые оценивали бы рекомендации ИИ и их обоснованность. Возможно был бы полезен повторный запуск модуля ИИ, чтобы проверить несколько иной запрос.
Пример.
Предположим, что ИИ прогнозирует спрос для продукта P1, который сильно отклоняется от обычных ожиданий (или обычного прогноза или просто текущего спроса), в этом случае модулю ИИ может быть поставлена задача спрогнозировать спрос для группы схожих продуктов, скажем от Р2 до Р5, исходя из предположения, что, спрос на Р1 действительно растет, то и спрос на похожие продукты должен показать аналогичную тенденцию. Прогноз спроса для группы продуктов не должен основываться на прогнозе для каждого отдельного продукта и последующем их суммировании, он должен повторить последовательность расчетов, с учетом суммарного спроса в прошлые периоды. Таким образом, появляется логическая обратная связь, проверяющая дает ли ИИ неожиданный прогноз или его рекомендации имеют смысл.
Другой способ – позволить пользователю принять или отвергнуть результаты работы ИИ. Желательно, чтобы отказ был выражен в виде причинно-следственных связей, которые могли бы быть использованы ИИ в будущем для расчета новых результатов.
Дополнительные вводные данные от пользователя.
У ИИ не может быть всех данных, необходимых для принятия критически важных решений. Если человек может внести дополнительные вводные данные для модуля ИИ и будет реализован необходимый уровень обучения, чтобы гарантировать, что дополнительные данные участвуют в обучении и расчете результатов модуля ИИ, то это может значительно улучшить юзабилити ИИ для поддержки принятия решений на высоком уровне управления.
Выводы и взгляд в будущее
ИИ – это мощная технология, которая может принести как большую пользу, так и большой вред. Чтобы приносить пользу ИИ должен исключить или сильно сократить существующие пределы его использования. Внедрение ИИ также должно учитывать существующие практики применения и очертить то, как ЛПР должны адаптироваться к новым практикам и как оценивать рекомендации ИИ до того, как начинать предпринимать какие-либо действия.
Поддержка управленческих решений – это перспективное следующее направление использования ИИ. Но ему совершенно точно необходимо концентрироваться на обеспечении действительно высокой ценности и защите от возможного ущерба.
TOC совершенно точно может внести свой вклад в фокусировку на реальных потребностях топ-менеджмента. Она также делает возможным анализ всех необходимых условий для удовлетворения потребности. Это значит, что хотя ИИ может быть необходимым элементом в принятии решений высокого уровня, в большинстве случаев применения ИИ будет недостаточно. Чтобы извлечь максимум ценности должны быть и другие элементы, например: возможность ввода ответственным человеком вводных данных, другие программные модули и соответствующее обучение пользователей.
TOC занимается тем, чтобы обеспечить правильный фокус менеджмента на том, что необходимо, чтобы лучше достигать цели организации. Помощь менеджерам в определении того, что требует немедленного внимания, так же как в понимании «внутреннего шума», и быстром определении сигналов – это критически важное направление сочетания ТОС и ИИ для улучшения управления организации. Даже интуиция людей может быть значительно улучшена, если будет сфокусирована на областях, где ИИ помочь не в состоянии.
Улучшения, которые ИИ может дать TOC
Предлагаемое сотрудничество между философией TOC и ИИ не должно быть односторонним. Решения TOC могут получить значительную поддержку со стороны ИИ, особенно в расчете уровней буфера и управления буфером.
Расчет размера буферов является чувствительной областью. Установление буферов для защиты, а на самом деле для стабилизации уровня выполнения заказов, на самом старте является проблемой. Но в этом месте ИИ не сможет нам помочь, потому что анализ истории до того, как начали активно использоваться решения ТОС бесполезен. Но после года-двух работы по правилам ТОС, ИИ может указать на слишком большие или слишком маленькие буферы. Динамическое управление буфером (DBM) – это процедура для управления буферами запасов, основанная на проникновении в Красную Зону может быть значительно улучшена с помощью ИИ. Еще одно потенциальное улучшение – это ответ на вопрос насколько увеличивать буфер. Аналогичные улучшения могут быть полезны при анализе слишком долгого нахождения в Зеленой зоне и сигналах о безопасном снижении буфера запасов.[iii]
Самая важное в использовании Управления буфером – это установление одной системы приоритетов для операционной деятельности, указывая, что является наиболее срочным, с точки зрения выполнения заказов в срок. Область, которая нуждается в улучшении, это определение, когда на самом деле необходимы действия по экспедированию, включая использование буферов мощности для восстановления стабильности в исполнении заказов. Предложить улучшенный прогноз текущего состояния заказов по отношению к обязательствам перед рынком – это критически важная задача ИИ.
На процедуры TOC оказало влияние понимание ограниченной мощности внимания менеджмента. Избавившись от некоторых постоянных, относительно рутинных случаев, где ИИ достаточно быстр и надежен, ТОС может сфокусироваться на наиболее критически важных стратегических шагах для следующих эпох.
[i] В тексте «limitations», специально не использую термин «ограничение», чтобы не путать с понятием «constraint». Прим. переводчика
[ii] В тексте также «limitations» — Прим. переводчика
[iii] Здесь не могу удержаться и не прокомментировать: мы значительно улучшили эту ситуацию, практически добавив ИИ в Динамическое управление буфером запасов. Подробнее ищите в материалах по Net Stock Pro. – ДЕ.