Bouvet Data Science bruker et bred spekter av teknikker for å levere planleggings og beslutningsstøtte på komplekse kundeproblemer
Når man tar en beslutning, må man vanligvis vurdere et stort antall alternativer. Hver av disse må evalueres ved bruk av ett eller flere kriterier for å bestemme den "beste" beslutningen.
Operasjonsanalyse er en disiplin der man utvikler og benytter kvantitative verktøy for å hjelpe beslutningstakere med disse ofte komplekse beslutningene. Operasjonsanalysens mål er å generere brukervennlige modeller som representerer den virkelige situasjonen og dens begrensninger, samt gi en klar formulering av kriteriene som styrer valgene, og derved rasjonalisere beslutningsprosessen.
Mange forretningsavgjørelser - enten de er strategiske og globale eller operasjonelle og lokale - involverer å identifisere ressursene som kreves for best å imøtekomme forretningsbehov (for eksempel tilordne produksjonsoppgaver til industrielt utstyr, organisere logistikkstrømmer, optimalisere bruken av transportressurser for mennesker eller varer, og tilordne skift til ansatte). Slike beslutninger innebærer ofte et veldig stort antall kvantitative innledende valg. For å lage en hovedproduksjonsplan må vi for eksempel bestemme hvilke produkter som skal produseres hvor, når og i hvilken mengde, og distribueres fra hvilket sted til hvilken kunde, når og i hvilken mengde osv. Disse valgene må være gjensidig konsistente og må oppfylle de begrensningene som er spesifikke for den gitte konteksten. Slike beslutninger kan være svært vanskelige å både utarbeide og vurdere ved bruk av tradisjonelle metoder.
For å ta et best mulig valg angående et komplekst problem, må vi optimalisere ressursallokering i henhold til flere variabler (kriterium, objektiv funksjon), som selv er underlagt et sett med begrensninger.
Relativt små og "lineære" problemer er enkle å takle. Vi ser imidlertid at mange problemer av praktisk verdi har følgende karakteristikker som alle krever spesialkompetanse:
- Veldig store systemer/ mange variable
- Mål og begrensninger som må beskrives ved linære funksjoner
- Variable som er kategorier eller hele tall
- Ukjent systemdynamikk
Det første punktet lar seg noen ganger håndtere ved å "kaste" større beregningsressurser på problemet, men ofte er nøkkelen å ha en strukturert tilnærming til hvordan problemet kan reformuleres eller begrenses.
Det andre punktet innebærer i praksis å løse en serie med lineariserte tilnærminger til det opprinnelige problemet. En komplikasjon i dette tilfellet er at man ikke er garantert å finne den optimale løsningen. Her gjelder det å teste mange forskjellige utgangstilstander.
Det tredje punktet er utfordrende. Om variablene i problemet tar diskrete verdier står vi ovenfor et (mikset-) heltallsoptimeringssproblem og disse er notorisk vanskelige å løse. I mange tilfeller må man her benytte heuristiske metoder som Simulert Kjøling(simulated annealing) eller genetiske algoritmer for å få et tilfredsstillende resultat.
Om systemdynamikken er ukjent, det vil si at det ikke er lett å si om to systemtilstander har forskjellig verdi kan man stå overfor et problem der det kreves bruk av såkalt "forsterkende læring". Forsterkende læring benyttes for å utvikle kunstige intelligenser som er i stand til å planlegge hvordan et problem skal løses stegvis når utfallet fra hvert steg er beheftet med usikkerhet. Dette er en svært krevende men samtidig kraftig og fleksibel teknologi. Bouvet har med hell benyttet "Reinforcement learning" i prosjekt for kunder, se referansene for mer detaljer.
Bouvets data scientister har god erfaring med å løse avanserte planleggingsproblemer innenfor tungtransport og kollektivtrafikk.
