數(shù)據(jù)驅(qū)動AI技術(shù)如何補強傳統(tǒng)規(guī)劃方式？

文：黃正傑 2020-07-07

發(fā)布時間： 2020-07-06 11:34:00

規(guī)劃 機器學(xué)習(xí) 深度學(xué)習(xí) 人工智慧 數(shù)據(jù)驅(qū)動 企業(yè)規(guī)劃

人類為達(dá)到特定目的，會透過有邏輯、有順序地規(guī)劃處理，並運用圖形化管理工具、電腦化規(guī)劃與排程系統(tǒng)來提升規(guī)劃效率。如何利用機器學(xué)習(xí)、深度學(xué)習(xí)等數(shù)據(jù)驅(qū)動技術(shù)，補強傳統(tǒng)電腦規(guī)劃方法不足，提供更有效率、動態(tài)及持續(xù)改進(jìn)的人工智慧規(guī)劃系統(tǒng)? 本文將介紹利用數(shù)據(jù)驅(qū)動人工智慧技術(shù)來增強企業(yè)規(guī)劃系統(tǒng)。

規(guī)劃是人類管理能力

規(guī)劃 (planning) 是人類或動物長久演化以來而具備的能力。人類根據(jù)特定的目的，如：覓食、求偶、走路到車站、人員排班等，安排事件或行動順序，以達(dá)到目的。當(dāng)然，人類的有些行為不需要規(guī)劃，如：駕駛汽車、騎乘腳踏車、無目的購物等。這是因為規(guī)劃與排程需要耗費許多精力，且在有限精力與腦力下不見得能達(dá)到最具效率、成本、效益最佳等的排程。

以此，聰明的人類開始發(fā)展各種工具協(xié)助各種耗費精力的規(guī)劃工作。18世紀(jì)工業(yè)革命後，人類開始發(fā)展工廠、企業(yè)組織，需要各種工具協(xié)助以企業(yè)活動中的複雜規(guī)劃；於是發(fā)明了圖形式的圖表協(xié)助規(guī)劃，例如：專案計畫的甘特圖就是這時開始發(fā)展與演變。

1957年，第一臺電腦UNIVAC1發(fā)展後，美國海軍運用電腦安排飛彈發(fā)射準(zhǔn)備順序。1959年，人工智慧「達(dá)茅斯會議」後，Herbert Simon等人發(fā)表了運用一般化問題解決方法來解決規(guī)劃與排程問題，即指出規(guī)劃的問題來自於搜尋問題的空間。Herbert Simon等人也發(fā)展「啟發(fā)法」(Heuristics)以減少規(guī)劃過程中，記憶、選擇適當(dāng)操作過於複雜而造成的效率問題。

以此，奠定了人工智慧自動化規(guī)劃與排程理論基礎(chǔ)。之後，物料規(guī)劃系統(tǒng)(MRP)、先進(jìn)排程(APS)、運籌規(guī)劃等系統(tǒng)，均基於理論基礎(chǔ)及後續(xù)數(shù)學(xué)家發(fā)展而運用在各種自動化系統(tǒng)中。

數(shù)據(jù)驅(qū)動突破規(guī)劃盲點

然而，傳統(tǒng)規(guī)劃方法要解決更複雜人類認(rèn)知問題，遭遇到極大困難。例如：規(guī)劃機器人的行走方式，需分解為可能行為、狀況及反應(yīng)。專家僅能設(shè)想列舉數(shù)種假設(shè)的可能情境；一旦機器人脫離實驗室，常無法面對各種動態(tài)的情況。

如以人工智慧下棋為例，同樣遭遇困難。1997年，IBM運用傳統(tǒng)規(guī)劃方法結(jié)合深藍(lán)電腦高運算能力，針對每次下棋後的最佳棋步進(jìn)行搜尋，打敗了世界西洋棋冠軍。然而，20年之間尚未有人工智慧系統(tǒng)可以突破更複雜搜索空間的圍棋系統(tǒng)，打敗人類高手。

如圖所示，傳統(tǒng)人工智慧方法進(jìn)行棋類遊戲時，在每一步下棋後，利用規(guī)劃演算法搜尋下一步(下A或下B)、下下一步(下C、D或E)... ，最有贏面棋子應(yīng)該下在哪裡。然圍棋具備19*19棋盤空間的複雜性，讓傳統(tǒng)規(guī)劃搜索方法遭遇複雜計算的困難。

圖、人工智慧圍棋是一種搜尋規(guī)劃系統(tǒng) (資料來源：顏士淨(jìng)等人，2003年)

2016年，AlphaGO在機器學(xué)習(xí)、深度學(xué)習(xí)相關(guān)數(shù)據(jù)驅(qū)動的技術(shù)協(xié)助下，補強過去規(guī)劃方法的限制，打敗了人類圍棋高手。AlphaGO運用CNN深度學(xué)習(xí)算法，學(xué)習(xí)過去許多圍棋高手對弈盤勢的經(jīng)驗，並配合蒙地卡羅搜尋樹傳統(tǒng)規(guī)劃方法，減少規(guī)劃搜尋廣度與深度；在下棋過程中，評估當(dāng)前態(tài)勢最好的下子位置；在每次訓(xùn)練後，利用增強式學(xué)習(xí)不斷改進(jìn)評估方法。以此，AlphaGO最後突破傳統(tǒng)人工智慧下圍棋複雜搜索問題，進(jìn)而打敗人類圍棋高手。

圖、AlphaGo實現(xiàn)規(guī)劃與深度學(xué)習(xí)演算法結(jié)合(資料來源：YouTube)

由上述AlphaGo案例可知，機器學(xué)習(xí)/深度學(xué)習(xí)等數(shù)據(jù)驅(qū)動方法可協(xié)助傳統(tǒng)規(guī)劃方法，在規(guī)劃前、中、後階段產(chǎn)生效益：

1. 在規(guī)劃前學(xué)習(xí)：學(xué)習(xí)過去的知識或經(jīng)驗，減少規(guī)劃/搜索範(fàn)圍過於龐大的計算成本。

2. 在規(guī)劃中學(xué)習(xí)：在規(guī)劃中學(xué)習(xí)自己或他人規(guī)劃經(jīng)驗，以提升規(guī)劃品質(zhì)。

3. 在規(guī)劃後學(xué)習(xí)：在規(guī)劃執(zhí)行後反饋結(jié)果，進(jìn)行檢討規(guī)劃效果，予以經(jīng)驗累積與學(xué)習(xí)。

事實上，這不就是你我在工作中常用的方法? 在事前，先看看前人的經(jīng)驗或者是接受老師的結(jié)構(gòu)化課堂教育訓(xùn)練；在事中，遭遇問題時，可以思索自己曾遇過的類似經(jīng)驗或詢問他人是否有較好的解決方法；在事後，檢討是否有改進(jìn)之處，寫下紀(jì)錄作為後續(xù)參考。

機器學(xué)習(xí)強化企業(yè)規(guī)劃

現(xiàn)今，已經(jīng)有愈來愈多企業(yè)/廠商，開始運用機器學(xué)習(xí)/深度學(xué)習(xí)等新興數(shù)據(jù)驅(qū)動人工智慧方法，強化傳統(tǒng)企業(yè)規(guī)劃算法。以下列舉幾個案例：

1.送貨運籌規(guī)劃：顧客線上訂貨、線下門市取貨，增加提貨點是不可逆的趨勢。然而，愈多提貨點，造成物流運送的油料成本壓力。如何計算最佳化的運送路徑? 一家網(wǎng)路設(shè)備公司運用機器學(xué)習(xí)數(shù)據(jù)模型，進(jìn)行鄰近提貨點分類，再進(jìn)行最短路徑派車傳統(tǒng)規(guī)劃。

2.物料搬運規(guī)劃：Amazon Kiva搬貨機器人，配置電腦視覺系統(tǒng)掃描地上條碼，可以知道每個搬貨機器人所在位置，進(jìn)行協(xié)同規(guī)劃，並搭配搬運路徑演算法，計算最適合路徑。

3.存貨分析：一家離散型製造公司為CTO組合式生產(chǎn)，一直到客戶進(jìn)行訂單組合後，才會確認(rèn)零件需求量，以組裝出貨。該公司依據(jù)訂單需求、供應(yīng)時間、品質(zhì)因素及零部件從供應(yīng)商到生產(chǎn)製程移動的歷史數(shù)據(jù)，進(jìn)行每一種零部件需求預(yù)測及存貨最佳化分析，再配合傳統(tǒng)MRP規(guī)劃系統(tǒng)。

4.生產(chǎn)排程：運用機器/深度學(xué)習(xí)等數(shù)據(jù)驅(qū)動技術(shù)學(xué)習(xí)動態(tài)狀況下參數(shù)組合以輔助先進(jìn)規(guī)劃系統(tǒng)(APS)生產(chǎn)規(guī)劃。進(jìn)一步，根據(jù)物料、溫度等不同動態(tài)情況下生產(chǎn)結(jié)果，利用機器學(xué)習(xí)技術(shù)分析最佳參數(shù)或建議生產(chǎn)工序與機臺適配組合。

結(jié)論

新興機器學(xué)習(xí)/深度學(xué)習(xí)協(xié)助傳統(tǒng)規(guī)劃算法，更能提升搜索效率、學(xué)習(xí)歷史搜索經(jīng)驗或者根據(jù)當(dāng)下即時數(shù)據(jù)進(jìn)行動態(tài)規(guī)劃。機器學(xué)習(xí)/深度學(xué)習(xí)技術(shù)不但強化傳統(tǒng)規(guī)劃系統(tǒng)效率，也發(fā)展創(chuàng)新規(guī)劃服務(wù)。

黃正傑

你喜歡挑戰(zhàn)不斷隆起的技術(shù)高原、探索無限寬廣的創(chuàng)新領(lǐng)域嗎? 那麼我們是同路人。

黃正傑，臺大資管博士，協(xié)助鼎新進(jìn)行前瞻技術(shù)研究與應(yīng)用發(fā)展。歷經(jīng)IT架構(gòu)技術(shù)顧問、供應(yīng)鏈管理顧問、軟體產(chǎn)業(yè)分析師等多項職務(wù)，並兼任文化大學(xué)助理教授。讓我們一起從創(chuàng)新與變革角度，探索新興技術(shù)！

更多案例