欧美18videos性处,久久国产劲暴∨内射,麻花豆剧天美星空,狂躁美女大bbbbbb,女人下边被舔全过视频软件

數(shù)據(jù)驅動AI技術如何補強傳統(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)劃機器學習深度學習人工智慧數(shù)據(jù)驅動企業(yè)規(guī)劃

人類為達到特定目的，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。如何利用機器學習、深度學習等數(shù)據(jù)驅動技術，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)改進的人工智慧規(guī)劃系統(tǒng)? 本文將介紹利用數(shù)據(jù)驅動人工智慧技術來增強企業(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，以達到目的。當然，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)射準備順序。1959年，人工智慧「達茅斯會議」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。之後，物料規(guī)劃系統(tǒng)(MRP)、先進排程(APS)、運籌規(guī)劃等系統(tǒng)，均基於理論基礎及後續(xù)數(shù)學家發(fā)展而運用在各種自動化系統(tǒng)中。

數(shù)據(jù)驅動突破規(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。專家僅能設想列舉數(shù)種假設的可能情境；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)劃方法結合深藍電腦高運算能力，針對每次下棋後的最佳棋步進行搜尋，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：顏士淨等人，2003年)

2016年，AlphaGO在機器學習、深度學習相關數(shù)據(jù)驅動的技術協(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深度學習算法，學習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，評估當前態(tài)勢最好的下子位置；在每次訓練後，利用增強式學習不斷改進評估方法。以此，AlphaGO最後突破傳統(tǒng)人工智慧下圍棋複雜搜索問題，進而打敗人類圍棋高手。

圖、AlphaGo實現(xiàn)規(guī)劃與深度學習演算法結合(資料來源：YouTube)

由上述AlphaGo案例可知，機器學習/深度學習等數(shù)據(jù)驅動方法可協(xié)助傳統(tǒng)規(guī)劃方法，在規(guī)劃前、中、後階段產生效益：

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

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

3. 在規(guī)劃後學習：在規(guī)劃執(zhí)行後反饋結果，進行檢討規(guī)劃效果，予以經(jīng)驗累積與學習。

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構化課堂教育訓練；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，檢討是否有改進之處，寫下紀錄作為後續(xù)參考。

機器學習強化企業(yè)規(guī)劃

現(xiàn)今，已經(jīng)有愈來愈多企業(yè)/廠商，開始運用機器學習/深度學習等新興數(shù)據(jù)驅動人工智慧方法，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)路設備公司運用機器學習數(shù)據(jù)模型，進行鄰近提貨點分類，再進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，一直到客戶進行訂單組合後，才會確認零件需求量，以組裝出貨。該公司依據(jù)訂單需求、供應時間、品質因素及零部件從供應商到生產製程移動的歷史數(shù)據(jù)，進行每一種零部件需求預測及存貨最佳化分析，再配合傳統(tǒng)MRP規(guī)劃系統(tǒng)。

4.生產排程：運用機器/深度學習等數(shù)據(jù)驅動技術學習動態(tài)狀況下參數(shù)組合以輔助先進規(guī)劃系統(tǒng)(APS)生產規(guī)劃。進一步，根據(jù)物料、溫度等不同動態(tài)情況下生產結果，利用機器學習技術分析最佳參數(shù)或建議生產工序與機臺適配組合。

結論

新興機器學習/深度學習協(xié)助傳統(tǒng)規(guī)劃算法，更能提升搜索效率、學習歷史搜索經(jīng)驗或者根據(jù)當下即時數(shù)據(jù)進行動態(tài)規(guī)劃。機器學習/深度學習技術不但強化傳統(tǒng)規(guī)劃系統(tǒng)效率，也發(fā)展創(chuàng)新規(guī)劃服務。

黃正傑