Optimization Analytics

Optimizarea descrie un sistem perfect echilibrat intr-un moment in timp, definit ca ratiunea de energie si informatii introduse in sistem si informatiile si energia rezultate din acesta.

Un sistem poate fi orice entitate construita din variabile dinamice. In acest sens, oamenii sunt sisteme la fel ca masinile sau chiar procesele si orice combinatie la scara a acestora. Cu cat efortul de mentenanta este mai mic si cu cat sistemul este mai stabil, cu atat consuma mai putina energie pentru generarea aceleiasi performante. O entitate cu acelasi volum de productie care utilizeaza mai putina energie si informatii este, evident, un sistem mai productiv.

Un aspect foarte important reprezinta perturbarile sub forma de evenimente care au impact asupra sistemelor aflate in stare de echilibru. Prin urmare, o intrebare cheie in optimizarea sistemelor complexe este: Care este raspunsul inerent la o perturbare sau o schimbare a tendintelor din afara sistemului sau din interior care poate duce la o prabusire. Si, in plus, cata rezistenta trebuie sa fie incorporata intr-un sistem pentru a-l mentine stabil si a-l face rezistent si in cea mai inalta forma pentru a invata din mediul sau si pentru a se adapta la el?

Problema principala a optimizarii complexe a sistemului de business este reprezentata de constrangerile care pot avea diferite forme si care trebuie abordate inainte de a se incerca orice optimizare. Modelarea variabilelor de constrangere permite proiectarea sistemelor care absorb evenimente foarte rare si complexe mult mai bine decat metodele clasice si care sunt mult mai rezistente la evenimente si se adapteaza automat mediului lor.

Steering Lab a dezvoltat un cadru extins de Optimization Analytics, numit OPTAAURUM. Acesta combina modelele clasice de cercetare operationala si modelarea de sistem BDML de ultima generatie.

OPTAAURUM s-a dovedit a fi semnificativ superior abordarilor clasice de cercetare a operatiunilor si mult mai putin costisitor.

Aceasta este situatia in care Big Data si Machine Learning fac diferenta in comparatie cu cercetarea operationala clasica. Optimizarea BDML poate defini sisteme foarte rezistente la evenimente. Cu cat sistemul este mai complex, cu atat abordarile de optimizare bazate pe BDML sunt mai necesare pentru proiectarea sistemelor stabile si mai eficiente din punct de vedere energetic. Acest lucru se aplica oricarui sistem de transport, precum si sistemelor complexe de gestionare a informatiilor.

Solutiile dinamice de cotatie sunt un domeniu foarte important in care Optimization Analytics bazat pe BDML s-a dovedit a fi superior. In combinatie cu modelele AI, am putut dezvolta modele de pret si de promovare extrem de eficiente pentru sute de produse pe mai multe canale de vanzare.

Predictive Maintenance Systems este combinatia a doua domenii BDML: Predictive si Optimization analytics.  Provocarea nu este daca putem prezice ca un sistem se va prabusi, ci care parte a sistemului si de ce. In sine, acesta este un pas considerabil in Predictive Maintenance.

Business case-urile optimizarii cantitative sunt clar definite si usor de validat. Cu toate acestea, modelele si algoritmii din spate sunt complecsi si asemanatori unor cutii negre. In plus, multe dintre modele ofera rezultate contraintuitive dintr-o perspectiva umana, de exemplu atunci cand vine vorba de optimizarea fortei de munca. Acesta este motivul pentru care aceste solutii sunt adesea percepute ca fiind miraculoase sau chiar inspaimantatoare. O perceptie emotionala care ascunde potentialul valorii de business in organizatii si masini ineficiente.