Машинное обучение не панацея: какие задачи решает Operations Research

Одна из самых обсуждаемых тем последних лет — машинное обучение. Без нее не обходится почти ни одно мероприятие в сфере ИТ. Однако это не единственное, что может увеличить показатели бизнеса. Есть еще один научный подход, который не только помогает найти наилучшее возможное решение, но и показывает, почему нужно принять именно его. Речь идет об исследовании операций, или Operations Research (OR).

Что такое Operations Research и чем он отличается от Machine Learning (ML)

Исследование операций, или Operations Research, — метод выработки количественно обоснованных рекомендаций по принятию решений. В подходе используются методы математического моделирования, статистических данных и алгоритмов для поиска оптимальных решений проблем. Проще его можно описать двумя словами: имеющиеся ресурсы и эффективное распределение.

Приведу пример: у перевозчика есть парк грузовиков и определенное количество грузов, которые нужно регулярно доставлять в разные точки.

Задача: распределить грузы по машинам таким образом, чтобы все они были доставлены вовремя, с минимальными затратами и по наиболее оптимальному маршруту.

Здесь нужно учесть разные факторы, среди которых: техническое состояние транспорта, сезонность дорог, тип груза, время работы приемных пунктов и многое другое. Такую задачу можно представить в виде уравнения с множеством переменных, также в ней можно определить целевую функцию, ограничения и допущения. Целевой функцией станет комбинация линейной функции от расстояния (например, 40 руб. за 1 км) и нелинейной от веса (100 кг дешевле везти в 20-тонной машине, чем в трехтонной при условии полной загрузки). Эта функция может усложняться, в нее могут вводиться поправочные коэффициенты за определенные классы грузов и т.д. На выходе мы получим решение, в котором увидим, что нужно сделать, чтобы улучшить процесс распределения и доставки грузов.