Перед каждой организацией рано или поздно встаёт необходимость распределять ограниченные ресурсы для оптимального исполнения своих бизнес-процессов. К примеру, такие бизнес-процессы свойственны для розничной торговли (размещение торговых точек с целью максимизации доли рынка), организации операционной деятельности порта (размещение контейнеров в контейнеровозе, планирование обслуживания кораблей) или сельского хозяйства (планирование сельскохозяйственных работ). При росте бизнеса такие процессы обычно автоматизируются – для этого существуют как пакеты с открытым кодом (OptaPlanner, Google OR-Tools), так и коммерческие системы (Red Hat Decision Manager, IBM CPLEX, Gurobi). Тем не менее, у этих решений есть ряд типичных проблем, в частности:

• Это кот в мешке: качество оптимизационного решения, разработанного на заказ, существенно зависит от того, как устроен процесс разработки у вендора – для заказчика это технологические риски, а также финансирование R&D в рамках его предметной области.
• Это не стабильно: открытые пакеты для решения оптимизационных задач не предоставляют технической поддержки, а производительность алгоритмов поиска в них чаще всего оставляет желать лучшего.
• Приходится переплачивать: коммерческие системы для решения оптимизационных задач имеют высокую стоимость внедрения, формирующуюся из R&D, направленного на качественное решение очень широкого круга задач планирования, простирающегося далеко за рамки потребностей большинства заказчиков.

Наш проект состоит в разработке специализированного программного пакета для решения индустриальных задач программирования в ограничениях, способного улучшать свою производительность в моделируемой предметной области. Ключевая идея предлагаемого решения – использование методов машинного обучения для автоматизации выбора и настройки алгоритмов для решения задач планирования. Другими словами, такая система получит способность адаптироваться к предметной области – которая, в частности, может быть задана в виде формального языка моделирования (такого, как Drools или MiniZinc).

Машинное обучение может обеспечить переход технологий оптимизации от крупных корпораций к небольшим компаниям, радикально сокращая стоимость разработки оптимизационного решения. Это произойдёт за счёт того, что затраты на R&D в области алгоритмов математической оптимизации и их настройки заменятся на стоимость запуска алгоритмов машинного обучения. В частности, применение технологий машинного обучения позволит устранить типичные недостатки решений в этой отрасли:

• Это не кот в мешке: поскольку наш проект специализируется на прикладных оптимизационных задачах, типичные технологические решения переносятся между разными заказчиками и предметными областями, включая решения часто возникающих технических проблем и стандартную сопровождающую функциональность. Помимо этого, использование продукта нашего проекта позволить более чётко контролировать временные затраты на разработку оптимизационных компонентов информационных систем: на текущий момент предполагается, что такая система сможет сократить временные затраты от нескольких недель (в случае типичного R&D алгоритмов оптимизации) до нескольких часов / дней, требуемых на запуск алгоритмов машинного обучения.
• Это стабильно: в отличие от бесплатных решений, наша система может более грамотно использовать статистику о решении других оптимизационных задач для совершенствования алгоритмов планирования; а поскольку речь идёт о коммерческом программном продукте, он, естественно, предполагает техническую поддержку.
• Не нужно переплачивать: внедрение нашего решения избавит от затрат на R&D и доведёт до совершенства алгоритмы планирования для предметной области заказчика за счёт адаптивности системы, а зарплату алгоритмам машинного обучения платить не нужно. На текущий момент предполагается, что стоимость развёртывания по сравнению с аналогичными системами (такими, как IBM CPLEX), можно будет сократить в 5 ~ 10 раз.

На страницу проекта