數據驅動AI技術如何補強傳統規劃方式?

文:黃正傑 2020-07-07

規劃 機器學習 深度學習 人工智慧 數據驅動 企業規劃



13-12.jpg


人類為達到特定目的,會透過有邏輯、有順序地規劃處理,並運用圖形化管理工具、電腦化規劃與排程系統來提升規劃效率。如何利用機器學習、深度學習等數據驅動技術,補強傳統電腦規劃方法不足,提供更有效率、動態及持續改進的人工智慧規劃系統? 本文將介紹利用數據驅動人工智慧技術來增強企業規劃系統。




規劃是人類管理能力

規劃 (planning) 是人類或動物長久演化以來而具備的能力。人類根據特定的目的,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劃,如:駕駛汽車、騎乘腳踏車、無目的購物等。這是因為規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,聰明的人類開始發展各種工具協助各種耗費精力的規劃工作。18世紀工業革命後,人類開始發展工廠、企業組織,需要各種工具協助以企業活動中的複雜規劃;於是發明了圖形式的圖表協助規劃,例如:專案計畫的甘特圖就是這時開始發展與演變。


1957年,第一台電腦UNIVAC1發展後,美國海軍運用電腦安排飛彈發射準備順序。1959年,人工智慧「達茅斯會議」後,Herbert Simon等人發表了運用一般化問題解決方法來解決規劃與排程問題,即指出規劃的問題來自於搜尋問題的空間。Herbert Simon等人也發展「啟發法」(Heuristics)以減少規劃過程中,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劃與排程理論基礎。之後,物料規劃系統(MRP)、先進排程(APS)、運籌規劃等系統,均基於理論基礎及後續數學家發展而運用在各種自動化系統中。


數據驅動突破規劃盲點

然而,傳統規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運用傳統規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可以突破更複雜搜索空間的圍棋系統,打敗人類高手。


如圖所示,傳統人工智慧方法進行棋類遊戲時,在每一步下棋後,利用規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,讓傳統規劃搜索方法遭遇複雜計算的困難。


13-6.jpg


圖、人工智慧圍棋是一種搜尋規劃系統 (資料來源:顏士淨等人,2003年)


2016年,AlphaGO在機器學習、深度學習相關數據驅動的技術協助下,補強過去規劃方法的限制,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驗,並配合蒙地卡羅搜尋樹傳統規劃方法,減少規劃搜尋廣度與深度;在下棋過程中,評估當前態勢最好的下子位置;在每次訓練後,利用增強式學習不斷改進評估方法。以此,AlphaGO最後突破傳統人工智慧下圍棋複雜搜索問題,進而打敗人類圍棋高手。


13-7.jpg

圖、AlphaGo實現規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/深度學習等數據驅動方法可協助傳統規劃方法,在規劃前、中、後階段產生效益:

1. 在規劃前學習:學習過去的知識或經驗,減少規劃/搜索範圍過於龐大的計算成本。

2. 在規劃中學習:在規劃中學習自己或他人規劃經驗,以提升規劃品質。

3. 在規劃後學習:在規劃執行後反饋結果,進行檢討規劃效果,予以經驗累積與學習。


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,寫下紀錄作為後續參考。


機器學習強化企業規劃

現今,已經有愈來愈多企業/廠商,開始運用機器學習/深度學習等新興數據驅動人工智慧方法,強化傳統企業規劃算法。以下列舉幾個案例:


1.送貨運籌規劃: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? 一家網路設備公司運用機器學習數據模型,進行鄰近提貨點分類,再進行最短路徑派車傳統規劃。


2.物料搬運規劃:Amazon Kiva搬貨機器人,配置電腦視覺系統掃描地上條碼,可以知道每個搬貨機器人所在位置,進行協同規劃,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據,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MRP規劃系統。


4.生產排程:運用機器/深度學習等數據驅動技術學習動態狀況下參數組合以輔助先進規劃系統(APS)生產規劃。進一步,根據物料、溫度等不同動態情況下生產結果,利用機器學習技術分析最佳參數或建議生產工序與機台適配組合。


結論

新興機器學習/深度學習協助傳統規劃算法,更能提升搜索效率、學習歷史搜索經驗或者根據當下即時數據進行動態規劃。機器學習/深度學習技術不但強化傳統規劃系統效率,也發展創新規劃服務。




9.jpg黃正傑

你喜歡挑戰不斷隆起的技術高原、探索無限寬廣的創新領域嗎? 那麼我們是同路人。

黃正傑,台大資管博士,協助鼎新進行前瞻技術研究與應用發展。歷經IT架構技術顧問、供應鏈管理顧問、軟體產業分析師等多項職務,並兼任文化大學助理教授。讓我們一起從創新與變革角度,探索新興技術!



6.jpg


更多案例

x