Перераспределяйте ресурсы безопасно, быстро и без лишних затрат
Что такое экстренное реагирование?
На момент написания мы находимся в пандемии COVID-19. Больницы, супермаркеты и правительственные организации в одинаковой степени перегружены огромным спросом на услуги, пытаясь управлять своими ограниченными ресурсами и активами, в то же время изо всех сил пытаясь обезопасить людей. Как следует распределять ресурсы сейчас, чтобы они находились именно там, где пациенты и врачи нуждаются в них больше всего ? Как можно перераспределить аппараты ИВЛ с течением времени в зависимости от меняющегося спроса и географического положения, при соблюдении правил техники безопасности и ограничений на поездки? Как мы можем безопасно вернуться к работе, когда дела вернутся к «нормальному», что бы это ни значило?
Из-за беспрецедентного характера автоматизация решений в связи с таким событием, как пандемия COVID-19, является сложной задачей и требует тщательного анализа, точных данных, которые могут быть недоступны, не говоря уже о каких-либо политических и административных соображениях.
Этот реальный и крупномасштабный сбой - это то, что поглощает мир в настоящий момент, но это лишь один пример чрезвычайной ситуации, требующей быстрого и точного реагирования, управления ограниченными ресурсами, при условии, что операционные расходы не будут стремительно расти. Как мы увидим, для эффективного реагирования на чрезвычайные ситуации требуется сочетание технологий искусственного интеллекта, в частности машинного обучения и оптимизации решений.
Методология, обсуждаемая в этой статье, может применяться для устранения различных типов крупномасштабных сбоев. Мы специально сосредоточимся на чрезвычайных погодных условиях, таких как метели, поскольку их воздействие может быть разрушительным. Согласно Национальным центрам экологической информации и NOAA Climate.gov с 1980 года в США возникли 258 погодных и климатических бедствий. Общая стоимость этих 258 мероприятий превышает 1,75 триллиона долларов.
Пример: реакция на сильное погодное явление
Когда приближается суровое погодное явление, будь то снежная буря, наводнение или землетрясение, операционный менеджер штата или региона должен быстро решить, как наилучшим образом удовлетворить спрос на ресурсы и активы, такие как снегоочистители, вода, полиция. , и спасательные машины.
Давайте посмотрим, как реагировать на метели. Спрос на снегоочистители зависит от прогноза снегопадов, и некоторые регионы могут пострадать в большей степени, чем другие, требуя большего количества снегоочистителей, чем доступно во время шторма. Модель машинного обучения может прогнозировать спрос на грузовики в каждом округе, принимая во внимание всю необходимую информацию, такую как прогноз снегопада, правила безопасности и прошлые метели (рисунок 1).
Перво-наперво - нам нужен точный прогноз спроса
Затем нам нужно решить, как перераспределить эти активы из регионов с низким уровнем воздействия в регионы с высоким уровнем воздействия, например сколько нужно переехать из округов C1 и C2 в округы C3, C4 и C5, убедившись, что имеется достаточно снегоочистителей, чтобы покрыть спрос в каждом округе.
Однако давайте не будем забывать, что прогноз снегопада будет меняться каждые несколько часов, поскольку метель перемещается по штату, поэтому нам нужно продолжать перемещать грузовики с учетом прогноза погоды и уровня невыполненных работ на данный момент (накопление снег).
Нам нужен эффективный способ перераспределения снегоуборочных машин и прочего имущества.
Почему прогнозирование спроса на ресурсы является ключевым, но недостаточным для решения проблемы аварийного реагирования?
Прогнозы, полученные с помощью нашей модели машинного обучения, могут быть достаточными для принятия решения, если мы рассматриваем по одному округу за раз и нет конфликтующих приоритетов. Однако, как только мы начнем вводить некоторую реальную сложность, зависимости и ограниченные активы, определение оптимального плана перераспределения становится более сложной задачей.
Например, что, если в двух округах на противоположных сторонах штата ожидается наибольшее количество снегопадов в начале шторма? В таком случае, куда мы отправим снегоуборочные машины и сколько, если нам не хватит, чтобы покрыть весь спрос?
Прогноз не говорит нам, как распределять ограниченные ресурсы
Как насчет ситуации, когда округ C1 больше всего нуждается в ресурсах в начале урагана, но через несколько часов ресурсы потребуются в C2 и C3 на другой стороне штата? Перемещаем ли мы снегоуборочные машины в C1, даже если из-за этого невозможно доставить их в C2 и C3 до того, как их поразит шторм? Как эта задержка повлияет на накопление снега и безопасность дорожного движения?
Решения, которые мы принимаем, взаимозависимы, поэтому мы должны принимать их во взаимосвязи друг с другом.
Чтобы создать осуществимый план, решения, которые мы принимаем о том, как распределять активы в начале урагана, должны приниматься вместе с решениями о перераспределении позже, во время урагана. Кроме того, мы не должны принимать решения по одному округу в отрыве от решений по другим округам, поскольку все они конкурируют за одни и те же ограниченные ресурсы.
Наконец, сколько существует решений? В качестве примера рассмотрим 2000 снегоочистителей и 60 округов. Допустим, мы планируем перераспределять их каждые 4 часа во время 24-часовой метели. Сколько существует возможностей перераспределения? В любой из 6 периодов времени мы можем решить переместить 0–2 000 снегоочистителей из любого одного из 60 округов в любой другой из 60 округов. Принимая очень приблизительную оценку без учета расстояния, доступности, снежных отложений, ограничений спроса и нескольких типов активов, количество вариантов, которые нам, возможно, придется рассмотреть, составляет 60 * 60 * 2 000 * 6 = 43 200 000! Ни один человек не может вручную определить, какое из этих решений является оптимальным.
Решение, связанное с перераспределением, может легко потребовать оценки более чем 43 000 000 вариантов! Ни один человек не может вручную определить, какой из этих вариантов лучше.
Чем могут помочь искусственный интеллект и оптимизация решений?
Оптимизация решений использует очень специализированные алгоритмы и методы для эффективного поиска и оценки миллионов потенциальных решений, не перечисляя каждое из них.
Хотя машинное обучение может учитывать все доступные данные и прошлую историю для прогнозирования спроса на снегоочистители и другие ресурсы в каждом округе или регионе в любой момент времени, оптимизация решений (DO) может сделать еще один шаг вперед. и сгенерировать план, который оптимален для всего штата на протяжении всего горизонта планирования, с учетом ограниченных ресурсов (например, снегоочистителей), других ограничений и зависимостей (доступные типы и количество ресурсы, текущее местоположение каждого снегоочистителя, расстояние и время в пути), и показатели оптимизации (минимизация общих затрат, максимальное повышение безопасности / удовлетворенности клиентов, минимизация общего расстояния в пути грузовика) . Он не только дает нам ценные сведения, но также создает график или план действий (рис. 2).
Как и в случае с любым другим решением для поддержки принятия решений, недостаточно создать модель. Нашей конечной целью должно быть решение, предоставляемое бизнес-пользователям и лицам, принимающим решения. Для построения такого решения в целом необходимо несколько ключевых элементов (рисунок 3):
- мощный механизм математической оптимизации, такой как CPLEX, который может запускать и решать модели оптимизации решений, находя оптимальное решение
- эффективная среда моделирования для построения моделей искусственного интеллекта (машинное обучение и оптимизация решений)
- Анализ сценария «что, если» и информационные панели для тестирования моделей, анализа сценариев и визуализации прототипов для бизнес-пользователей
- механизм для развертывания моделей в виде веб-сервисов, которые будут встроены в ваше приложение поддержки принятия решений, чтобы планировщики могли запускать сценарии в режиме реального времени
Более конкретно, применив вышеизложенное к нашему конкретному примеру реализации решения по планированию аварийного реагирования, процесс можно резюмировать в следующих трех этапах:
Шаг 1. Создайте модель машинного обучения для прогнозирования спроса на ресурсы (снегоочистители) по местоположению и периоду времени.
Шаг 2. Постройте модель оптимизации решений, чтобы определить, как наилучшим образом перераспределить ресурсы в зависимости от спроса и доступности до и во время снежной бури. Модель переводит бизнес-требования в термины, которые может использовать механизм математической оптимизации.
Шаг 3. Разверните модели и вставьте их в свое приложение для планирования.
Давайте рассмотрим эти три шага более подробно. Независимо от того, какая технология используется, методология будет аналогичной. Здесь, в качестве примера, мы описываем, как платформу IBM Data and AI можно использовать для создания решения для реагирования на чрезвычайные ситуации.
Шаг 1. Создайте модель машинного обучения для прогнозирования спроса
Это можно сделать разными способами, в зависимости от используемых вами инструментов. Например, платформа IBM Data and AI (IBM Watson Studio в IBM Cloud Pak for Data или IBM Watson Studio Cloud) включает AutoAI, который может автоматически выбирать правильные алгоритмы, создавать конвейеры машинного обучения, выполнять оптимизацию гиперпараметров (HPO) и выбирать функции. , и определить лучшую модель на основе указанных показателей оценки (рисунок 4). Другой вариант - использовать интерфейс перетаскивания SPSS Modeler для создания собственного конвейера машинного обучения. Если вы предпочитаете создавать свои модели с нуля, вы можете просто реализовать их на R или Python, используя пакеты с открытым исходным кодом, такие как scikit-learn. После того, как модель была обучена, проверена и протестирована, ее можно развернуть как онлайн-модель для доступа с помощью REST API.
Шаг 2. Постройте модель оптимизации решений для перераспределения ресурсов
Ключевыми элементами модели оптимизации решений являются переменные решения, показатели оптимизации и ограничения.
Решения, которые необходимо принять (смоделированные как переменные решения), определяют тип и количество активов (например, снегоочистителей), которые необходимо перераспределить между каждой парой округов в течение каждого периода времени. Эти значения не являются частью наших входных данных и вместо этого будут автоматически определены механизмом оптимизации.
Метрики оптимизации определяют, для чего мы оптимизируем (минимизация / максимизация). В случае экстренного реагирования эти показатели могут представлять собой любую комбинацию из следующих:
- минимизировать затраты на перераспределение грузовиков (на основе общего количества перераспределений, а также переменных затрат на основе пройденных миль)
- свести к минимуму не вспаханный снег
- максимальная безопасность
- максимальное удовлетворение потребностей клиентов / пассажиров
Наконец, оптимизационная модель должна будет учитывать ряд ограничений, в том числе следующие:
- любое существующее снежное отставание и мощность вспашки оборудования, доступного в определенном месте в данный период времени, сбалансированы с прогнозируемым спросом на снегоочистители (результат модели ML)
- любые решения о перераспределении должны быть осуществимы, т. е. мы не перевозим больше грузовиков, чем доступно в любой момент времени и в любом месте.
Панели управления Оптимизацией решений отображают входы и выходы нашей модели DO. Ключевыми исходными данными являются прогнозирование спроса и первоначальное распределение снегоуборочных машин (Рисунок 5):
Здесь мы видим спрос на снегоочистители по времени и местоположению (результат модели ML), а также текущее распределение активов, то есть количество по местоположению.
Затем мы создаем три разных сценария «что, если»:
- Сценарий S1 (базовый сценарий): перераспределение не выполняется (без оптимизации, вычисляются только ключевые показатели эффективности)
- Сценарий S2 (перераспределение перед бурей): однократное перераспределение активов при подготовке к метели (частичная оптимизация)
- Сценарий S3 (перераспределение во время шторма): перераспределение ресурсов каждые несколько часов по мере развития метели (полная оптимизация)
После решения этих трех сценариев мы сравниваем результаты бок о бок на панели инструментов DO (рисунок 6):
Как мы ясно видим, наиболее оптимизированный сценарий, сценарий S3, дает наименьшее отставание (1/4 базового сценария S1 без оптимизации или около 1/2 частично оптимизированного сценария S2). Это, конечно, требует затрат, которые необходимо оценить. Сценарий S3 является самым затратным (176 324 долл. США) из-за наибольшего количества перераспределений по сравнению с 51 061 долл. США для сценария S2 и 0 долл. США для сценария S1 (без перераспределения).
Сравнивая три сценария, планировщик может оценить преимущество меньшего количества невыполненных работ по снегу по сравнению с более высокими затратами на перераспределение. При желании общие затраты также могут быть представлены в виде взвешенной суммы двух используемых здесь показателей оптимизации, то есть комбинации общей суммы невыполненных работ и затрат на перераспределение для каждого сценария. Планировщик также может захотеть запустить пару дополнительных сценариев перед принятием окончательного решения, например она могла видеть, может ли заимствование нескольких снегоочистителей в соседнем штате привести к значительно лучшему решению.
Шаг 3. Разверните модели и вставьте их в приложение для планирования.
Когда модели будут готовы и протестированы, их можно развернуть как веб-службы и встроить в наше приложение для планирования. При использовании платформы IBM Data and AI развертывание моделей в Watson Machine Learning выполняется за пару кликов. Затем каждая модель становится доступной через конечную точку REST API. Последним шагом является создание и развертывание веб-приложения (например, Node.js или R Shiny) или встраивание сервисов в существующее и создание нашего оптимизированного плана перераспределения путем доступа к развернутым моделям ML и DO.
Эта демонстрация была реализована с использованием приложения R Shiny (рисунок 7):
Когда Алекс, менеджер по работе со снегом, входит на свой портал планирования действий в чрезвычайных ситуациях, ей нужна вся необходимая информация для принятия решений. Она просматривает штат Нью-Йорк и быстро оценивает прогноз снегопада, обновляемый в режиме реального времени и обозначенный цветом на карте. Чем темнее цвет, тем больше снегопадов ожидает соответствующий округ. Ползунок в правом верхнем углу можно использовать для выбора другого периода времени, чтобы увидеть, как ситуация меняется с течением времени.
Алекс замечает, что Чаутокуа ожидает наибольшего количества снега в начале шторма, выбирает округ на карте для просмотра более подробной информации, такой как точное количество снега, количество доступных снегоочистителей по сравнению с прогнозируемым спросом и ожидаемое отставание. . Прогнозируемый спрос получается в режиме реального времени из нашей развернутой модели машинного обучения.
Затем Алекс выбирает одну из приближающихся стрелок и замечает, что 20 грузовиков перераспределяются из округа Ливингстон. В этом есть смысл, так как снегопад там пока минимален.
Алекс перемещает ползунок времени вправо, чтобы увидеть рекомендуемые перераспределения грузовиков, которые соответствуют изменяющемуся спросу из-за метели, движущейся по штату. Те же рекомендации по перераспределению грузовиков также доступны в таблице ниже. Они были получены в режиме реального времени с использованием нашей развернутой модели оптимизации решений.
Если Алекс доволен рекомендованным планом, она может одобрить его. Она также может запустить несколько сценариев «что, если», поэкспериментируя с возможностью создания нескольких дополнительных снегоочистителей или указав некоторые перераспределения вручную. После решения этих дополнительных сценариев и сравнения полученных ходов и соответствующих KPI Алекс примет окончательное решение о том, как действовать дальше ...
Конечно, это всего лишь простой пример демонстрации, реализованной с использованием платформы IBM Data and AI, Decision Optimization и R Shiny. Возможности безграничны в том, что вы можете делать и как вы можете представить информацию в своем собственном приложении.
Резюме
Реагирование на крупномасштабные чрезвычайные ситуации и сбои является ключевым вопросом и требует немедленных действий. Преимущества использования эффективного решения аварийного реагирования могут быть значительными и включают, но не ограничиваются:
- Сокращение времени и усилий на планирование / составление расписания
- Повышенная безопасность и соответствие нормативным требованиям
- Более низкая стоимость операций
- Улучшенное использование ресурсов
- Повышение удовлетворенности клиентов
Создание оптимального плана перераспределения активов - сложная задача, которую лучше всего решить, объединив возможности машинного обучения и оптимизации решений. В то время как машинное обучение может учитывать все доступные данные и прошлую историю для прогнозирования спроса на ресурсы для каждого местоположения в заданное время, оптимизация решений может сделать еще один шаг вперед и создать план, который оптимально для набора местоположений с учетом ограниченных ресурсов, других ограничений и зависимостей, а также показателей оптимизации. Оптимизация не только дает ценную информацию, но также создает график или план действий.
Эффективное реагирование на крупномасштабные сбои требует эффективных инструментов принятия решений для бизнес-пользователей. Даже если мы создадим отличные модели искусственного интеллекта, их силу можно будет использовать, только передав их в руки планировщиков и лиц, принимающих решения. Приложения, наполненные встроенными моделями искусственного интеллекта, позволяют лицам, принимающим решения, экспериментировать с различными сценариями и сравнивать преимущества перед тем, как реализовывать свои окончательные решения, и все это без необходимости понимать детали реализации, лежащие в основе моделей искусственного интеллекта.
Если ваша организация ищет более эффективные способы оптимизации реагирования на сбои, распределения и перераспределения ресурсов или решения других задач прогнозирования и оптимизации, не стесняйтесь обращаться за помощью. Миссия IBM Data Science Elite Team - помочь нашим клиентам преуспеть в их путешествии по искусственному интеллекту, и в рамках этой миссии мы бесплатно предлагаем начальные мероприятия для быстрого старта. Мы рады сотрудничать с вами в проекте по науке о данных / искусственному интеллекту. Для получения дополнительной информации посетите ibm.co/DSE-Community.
