Колонки

Machine Learning или Operations Research — что лучше использовать для роста бизнеса?

Колонки
Антон Ларин
Антон Ларин

Директор по проектам F5Devs, автор Telegram-канала «Есть мысли»

Анастасия Удальцова

Знаете, чем пользуются Amazon для оптимизации логистики или Google Maps, чтобы в пробки найти оптимальный путь? Во всех этих процессах участвуют всего две технологии: Machine Learning и Operations Research.

Оба инструмента можно объединить или использовать по отдельности, но неизменно их результат — усиление бизнеса и увеличение эффективности его процессов. Антон Ларин, директор по проектам F5Devs и автор канала «Есть мысли», — о том, когда и как применять ML и OR. 

Machine Learning или Operations Research — что лучше использовать для роста бизнеса?

Навигация по материалу:

 

Что такое ML и OR

Машинное обучение и исследование операций — это две сложные технологии продвинутой аналитики, использующиеся в большом количестве решений. И нужно знать специфику каждой, чтобы верно применять в каждой из бизнес-отраслей.

Все сервисы и компании, связанные с релокацией, на одной карте

 

Машинное обучение (Machine Learning, ML) 

Инструмент, с помощью которого можно найти закономерности во входных данных и таким образом решить задачу.

Наиболее успешно эту технологию используют в задачах, где необходимо что-то спрогнозировать — лучше всего для этого подходят исторические данные, в которых алгоритм находит определенную логику, паттерн.


Читайте по теме: Как прогнозирование помогает бороться с выгоранием и оттоком сотрудников


ML используется во многих отраслях, от медицины до промышленности:

  • в медицине ML помогает распознавать болезни по результатам УЗИ, рентгена или МРТ,
  • в промышленности с помощью этой технологии находят месторождения полезных ископаемых.

 

Исследование операций (Operations Research, OR)

Деятельность, направленная на математическое моделирование процессов и поиск оптимальных решений.

Этот подход давно используется за рубежом и применяется в основном в крупных производственных компаниях, где небольшое изменение в один процент может принести существенный эффект.

Это, например, оптимизация:

  • распределения заявок логистической компании, которая может сэкономить и время специалистов, и затраты на управление транспортом,
  • производства удобрений, где созданное на основе OR решение сможет быстрее реагировать на изменения рынка и планировать создание удобрений без ручных расчетов.

Если говорить про Россию, то этот инструмент используется, но менее популярен: в том числе и потому, что самые известные инструменты OR пришли из-за рубежа (Gurobi, IBM), а отечественных аналогов им нет. У нас чаще обращаются к кастомной разработке. 

Как правило, задачи такого масштаба человек не сможет выполнить вручную: вариантов слишком много, чтобы рассчитать верный.

 

Основные различия

Если совсем кратко, то с помощью ML можно выявить параметры и зависимости, но оптимальное решение подскажет только OR.

Вот еще три различия.

 

Тип используемой аналитики

Всего есть три типа аналитики:

  1. Дескриптивная: дает представление о том, что произошло в прошлом или происходит в настоящем.
  2. Предиктивная: позволяет предсказать, чего ждать в дальнейшем.
  3. Предписывающая: помогает решить, что нужно сделать для достижения бизнес-целей.

Дело в том, что ML — это инструмент предиктивной аналитики, с которым можно обрабатывать огромные объемы данных и учиться на них. Конечный результат работы машинного обучения — это прогноз, который может быть использован для принятия решения.


Читайте по теме: Бенедикт Эванс: «Мы не до конца понимаем возможности машинного обучения»


А OR относится к предписывающей аналитике. Здесь используются:

  • математическая модель, в которой перечисляются все ограничения процесса, который вы хотите минимизировать или максимизировать,
  • солвер для решения этой модели.
Результатом работы этого подхода будет не прогноз, а оптимальное решение на основе имеющихся данных и вводных задачи.

То есть с помощью машинного обучения вы сможете получить прогноз на объем продаж в следующем квартале, но с помощью исследования операций узнаете, что именно нужно улучшить в производстве, чтобы выручка в следующем квартале была максимальной.

 

Сферы применения

Влияние машинного обучения мы испытываем в повседневной жизни:

  • пользуясь распознаванием речи и изображений в смартфоне,
  • виртуальными помощниками.

Читайте также: ML для анализа документов: какие сервисы помогают бизнесу сейчас и почему технология пока не так широко распространена


Исследование операций широко используется в различных сферах бизнеса для решения масштабных задач:

  • планирования производства,
  • составления графиков работы персонала,
  • маршрутизации грузов,
  • распределения товаров или электроэнергии. 

Разница в том, что продукты, реализованные на базе ML, в большей степени ориентированы на потребителей и потому более популярны и понятны, а инструменты на основе OR менее заметны, поскольку используются прежде всего в бизнесе.

 

Адаптивность

Обе технологии по-разному работают при условии внезапных изменений. 

Например, если что-то резко поменяется в операционной среде, приложения машинного обучения, опираясь на исторические данные, могут выдать менее точный прогноз. 

Такое мы видели в 2019 году во время пандемии — резко вырос спрос на средства личной гигиены, из-за чего полки в магазинах были пустыми, а компании не сразу смогли перенастроиться на новые реалии. 


Читайте также: Как анализ данных поможет усилить позиции бизнеса в условиях хаоса


В случае сервисов, работающих на базе OR, ситуация иная. Поскольку там используется детальная математическая модель процесса, данные могут быть заменены на актуальные, и результат будет соответствовать изменившимся условиям.

В авиаиндустрии из-за меняющихся погодных условий или необходимости обслуживания нередко происходят сбои в расписании. В Air France с помощью математической оптимизации составили расписание так, что задержки рейсов и эксплуатационные расходы значительно сократились

 

Комбинированный подход

Определенно, от комбинации ML и OR компания может получить массу преимуществ.

Например, математическая модель для принятия решений может быть обогащена моделью прогнозирования — и тогда решение будет еще более оптимальным и взвешенным. 

Или возьмем оптимизацию графика производства, о которой мы уже говорили.

  1. можно создать ML-модель, которая будет учитывать исторические данные и прогнозировать спрос в зависимости от сезона и других факторов,
  2. а затем создать OR-модель, которая будет составлять оптимальный график производства продуктов, где совокупность затрат на создание и хранение с учетом потребления будет минимальна.

И таким комбинированным подходом уже пользуются многие компании.

Amazon, например, сочетает большие данные, машинное обучение и исследование операций для оптимизации логистики. В Google Maps ML используется для прогнозирования будущего трафика, а OR подсказывает оптимальный путь к месту назначения. 

 

ML или OR? 4 совета при выборе технологии

1. Отталкивайтесь от задачи

Машинное обучение и исследование операций подходят под разные типы задач.

Технологии с использованием ML помогут предсказать что-либо или сделать вывод на основе множества данных: предугадать потребительский спрос или провести диагностику оборудования.

А исследование операций поможет быстро принять наилучшее решение из множества возможных: например, оптимизировать работу транспорта или распределить ресурсы.

 

2. Обратите внимание на данные

Для ML очень важно высокое качество данных — от этого напрямую зависит результат.

В случае с OR важно доскональное знание внутренних процессов и умение построить математическую модель — здесь особенно важна работа представителей отделов, вовлеченных в процессы, и работа аналитиков и математиков.

 

3. Ориентируйтесь на результат, который хотите получить от технологии

ML выявляет параметры и зависимости, но окончательное решение по ним принимает человек. OR выдает наиболее оптимальное решение, по которому понятно, что нужно сделать, чтобы улучшить процессы. 

 

4. Используйте силу синергии, или необязательно выбирать что-то одно

Обе эти технологии не исключают друг друга, а дополняют. Их можно объединить и создавать мощные сервисы для решения стратегических и операционных задач компании.

 

Фото на обложке: Shutterstock / bookzv

Подписывайтесь на наш Telegram-канал, чтобы быть в курсе последних новостей и событий!

Нашли опечатку? Выделите текст и нажмите Ctrl + Enter

Материалы по теме

  1. 1 Продолжается соревнование по распознаванию произведений искусства по фотографии от Codenrock
  2. 2 Digital на стройке: 4 технологии девелопмента, которые только набирают обороты
  3. 3 Стартовал ML-контест от российской ИТ-компании Brand Analytics на платформе DevChamp
  4. 4 Как развивалась дискуссия вокруг сознания нейросети Google
  5. 5 Стартовал всероссийский чемпионат проекта «Цифровой прорыв. Сезон: искусственный интеллект»
Calltouch Лидс
Как продавать больше без увеличения трафика и бюджета на рекламу
Узнать больше