recherche
MaisonPériphériques technologiquesIAModélisation de jumeaux numériques basée sur l'apprentissage automatique et l'optimisation contrainte

Traducteur | Zhu Xianzhong

Reviewer | Sun Shujuan

Introduction

De nos jours, la science des données est largement utilisée pour créer des jumeaux numériques (Digital Twins) - les jumeaux numériques sont des homologues numériques de systèmes ou de processus physiques du monde réel qui peuvent être utilisés Simulation et la prédiction du comportement des entrées, la surveillance, la maintenance, la planification, etc. Bien que les jumeaux numériques tels que les robots de service client cognitifs soient courants dans les applications quotidiennes, dans cet article, je comparerai les deux types différents de modélisation en illustrant deux types différents de jumeaux numériques dans la technologie de science des données Twin.

Deux domaines de la science des données largement utilisés des jumeaux numériques abordés dans cet article sont les suivants :

a) Analyse diagnostique et prédictive : Dans cette méthode d'analyse, à partir d'une série d'entrées, le jumeau numérique diagnostique la cause ou prédit le comportement futur du système. Des modèles d'apprentissage automatique basés sur l'IoT sont utilisés pour créer des machines et des usines intelligentes. Ce modèle permet d'analyser les entrées des capteurs en temps réel pour diagnostiquer, prédire et prévenir les problèmes et pannes futurs avant qu'ils ne surviennent.

b) Analyse prescriptive : Cette méthode d'analyse simule l'ensemble du réseau afin de déterminer la meilleure ou la meilleure solution parmi un grand nombre de candidats étant donné un ensemble de variables et de contraintes à respecter. Une solution réalisable, généralement visée. maximiser les objectifs commerciaux déclarés tels que le débit, l'utilisation, le rendement, etc. Ces problèmes d'optimisation sont largement utilisés dans le domaine de la planification et de l'ordonnancement de la chaîne d'approvisionnement, par exemple lorsqu'un prestataire logistique crée un planning pour ses ressources (véhicules, personnel) afin de maximiser les délais de livraison, également lorsqu'un fabricant crée un planning de cette manière ; qui optimisent l'utilisation des machines et des opérateurs pour obtenir une livraison OTIF (On Time In Full) maximale. La technique de science des données utilisée ici est l'optimisation mathématique contrainte, un algorithme qui utilise des solveurs puissants pour résoudre des problèmes complexes axés sur la décision.

En résumé, les modèles ML prédisent les résultats possibles pour un ensemble donné de fonctionnalités d'entrée sur la base de données historiques, et les modèles d'optimisation vous aident à décider, si le résultat prédit se produit, comment vous devez prévoir de le traiter/l'atténuer/l'exploiter, en fonction de votre entreprise. a plusieurs objectifs potentiellement concurrents que vous pouvez choisir d’atteindre avec des ressources limitées.

Ces deux domaines de la science des données, tout en partageant certains outils (comme les bibliothèques Python), mobilisent des data scientists aux compétences complètement différentes - ils nécessitent souvent des façons différentes de penser et de modéliser les problèmes métier. Essayons donc de comprendre et de comparer les méthodes impliquées afin qu’un data scientist expérimenté dans un domaine puisse comprendre et exploiter de manière croisée les compétences et techniques qui peuvent être applicables dans un autre domaine.

Cas d'application du modèle jumeau numérique

À titre de comparaison, considérons un modèle jumeau du processus d'analyse des causes profondes (RCA) de production basé sur le ML, dont le but est de diagnostiquer les défauts ou anomalies trouvés dans le produit fini ou le processus de fabrication à la racine. cause. Cela aidera les chefs de service à éliminer les causes profondes les plus probables sur la base des prédictions de l'outil, à finalement identifier les problèmes et à mettre en œuvre des CAPA (actions correctives et préventives : actions correctives et préventives) et à parcourir tous les enregistrements de maintenance des machines rapidement et sans dépenser beaucoup de main d'œuvre, opérateur. enregistrements historiques, processus SOP (Standard Operating Procedure : Standard Operating Procedure), entrée du capteur IoT, etc. L’objectif est de minimiser les temps d’arrêt des machines, les pertes de production et d’améliorer l’utilisation des ressources.

Techniquement, cela peut être considéré comme un problème de classification multi-classes. Dans ce problème, en supposant qu'il existe un certain défaut, le modèle tente de prédire la probabilité de chacun d'un ensemble de causes possibles, telles que liées à la machine, liées à l'opérateur, liées aux instructions de processus, liées aux matières premières. , ou autre chose, ainsi que des raisons plus fines telles que l'étalonnage de la machine, la maintenance de la machine, les compétences des opérateurs, la formation des opérateurs, etc. sous ces étiquettes de classification de premier niveau. Bien que la solution optimale à cette situation nécessite l'évaluation de plusieurs modèles ML complexes, pour souligner l'objectif de cet article, simplifions un peu - supposons qu'il s'agisse d'un problème de régression logistique multinomiale (pour des raisons qui seront expliquées clairement dans le prochain section).

À titre de comparaison, considérons un modèle jumeau optimisé du processus de planification de la production, qui génère un calendrier qui tente de maximiser les objectifs, tels que la production ou les revenus. De tels calendriers automatisés aident les organisations à ajuster rapidement leurs ressources pour répondre aux nouvelles opportunités du marché (telles que la demande de médicaments due au COVID-19) ou pour maximiser l'impact de leurs matières premières, de leurs fournisseurs, de leurs prestataires logistiques et de leur mix client/marché. l’impact d’événements imprévus, tels que les récents goulots d’étranglement de la chaîne d’approvisionnement.

Au niveau de base pour modéliser tout problème commercial, le développement d'un tel jumeau numérique nécessite la prise en compte des éléments suivants :

A Caractéristiques ou dimensions d'entrée

B Données d'entrée – les valeurs de ces dimensions

C. vers la sortie Les règles de transformation de

D, sortie ou cible

Ensuite, analysons et comparons plus en profondeur ces facteurs dans l'apprentissage automatique (ML) et les modèles d'optimisation contraints :

A. Caractéristiques d'entrée : Ce sont les dimensions des données dans le système, adaptées à la fois au ML et à l'optimisation. Pour un modèle ML essayant de diagnostiquer les problèmes dans un processus de production, les fonctionnalités à prendre en compte peuvent inclure : les entrées IoT, les données historiques de maintenance de la machine, les compétences et informations de formation des opérateurs, les informations sur la qualité des matières premières, les SOP suivies (procédures d'exploitation standard) et d'autres contenus. .

De même, dans un environnement d'optimisation sous contraintes, les caractéristiques à prendre en compte comprendront : la disponibilité des équipements, la disponibilité des opérateurs, la disponibilité des matières premières, les horaires de travail, la productivité, les compétences, etc. caractéristiques typiques requises pour élaborer un plan de production optimal.

B. Données d'entrée : C'est là que les deux méthodes ci-dessus utilisent les valeurs propres de manière significativement différente. Parmi eux, les modèles ML nécessitent une grande quantité de données historiques pour la formation. Cependant, un travail important lié à la préparation, à la gestion et à la normalisation des données est souvent nécessaire avant que les données puissent être introduites dans un modèle. Il est important de noter qu'un historique est un enregistrement d'un événement qui s'est réellement produit (comme une panne de machine ou un problème de compétence de l'opérateur ayant entraîné un rendement insuffisant), mais il ne s'agit généralement pas d'une simple combinaison de toutes les valeurs possibles que ces valeurs peuvent représenter. caractéristiques peuvent obtenir. En d’autres termes, l’historique des transactions contiendra plus d’enregistrements pour les scénarios qui se produisent fréquemment, et relativement moins d’enregistrements pour certains autres scénarios – incluant peut-être rarement des scénarios qui se produisent rarement. L'objectif de la formation d'un modèle est d'apprendre la relation entre les fonctionnalités et les étiquettes de sortie et de prédire des étiquettes précises, même lorsqu'il y a peu ou pas de valeurs de fonctionnalités ou de combinaisons de valeurs de fonctionnalités dans les données d'entraînement.

D'autre part, pour les méthodes d'optimisation, les valeurs caractéristiques sont généralement conservées comme données réelles, par exemple les jours, les lots, les délais, la disponibilité des matières premières par date, les calendriers de maintenance, les temps de changement de machine, les étapes du processus, les compétences de l'opérateur. , etc. La principale différence avec les modèles ML est que le traitement des données d'entrée nécessite la génération d'une table d'index pour chaque combinaison valide possible de valeurs de caractéristiques des données de base (par exemple, jours, compétences, machines, opérateurs, types de processus, etc.) pour former une liste de partie des solutions réalisables. Par exemple, l'opérateur A utilise la machine M1 le premier jour de la semaine, exécutant l'étape 1 du processus au niveau de compétence S1, ou l'opérateur B utilise la machine M1 le deuxième jour, exécutant l'étape 1 au niveau de compétence S2 ; même pour chaque combinaison possible d'opérateur, de machine, de niveau de compétence, de date, etc., que ces combinaisons se soient réellement produites dans le passé ou non. Il en résulte un très grand ensemble d'enregistrements de données d'entrée fournis au moteur d'optimisation. Le but d'un modèle d'optimisation est de sélectionner une combinaison spécifique de valeurs propres conforme aux contraintes données tout en maximisant (ou minimisant) l'équation objective.

C. Règles de conversion entrée-sortie : C'est également une différence significative entre les deux méthodes. Bien que les modèles de ML et d'optimisation soient basés sur des théories mathématiques avancées, la modélisation mathématique et la programmation de problèmes commerciaux complexes dans les méthodes d'optimisation nécessitent généralement plus d'efforts que le ML, ce qui sera reflété dans l'introduction suivante.

La raison est qu'en ML, avec l'aide de bibliothèques open source comme scikit-learn, de frameworks tels que Pytorch ou Tensorflow, et même de modèles ML/deep learning des fournisseurs de services cloud, les règles de conversion des entrées en sortie sont complètement laissées. au modèle à trouver, qui comprend également la tâche d'effectuer une correction des pertes afin d'en dériver des règles optimales (poids, biais, fonctions d'activation, etc.). La principale responsabilité d'un data scientist est de garantir la qualité et l'exhaustivité des fonctionnalités d'entrée et de leurs valeurs.

Avec les méthodes d'optimisation, ce n'est pas le cas, car les règles sur la façon dont les entrées interagissent et se transforment en sorties doivent être écrites à l'aide d'équations détaillées puis transmises à des solveurs tels que Gurobi, CPLEX, etc., afin de trouver le plan de solution optimal ou réalisable. De plus, la formulation de problèmes commerciaux sous forme d’équations mathématiques nécessite une compréhension approfondie des interrelations dans le processus de modélisation et nécessite que les data scientists travaillent en étroite collaboration avec les analystes commerciaux.

Ci-dessous, illustrons cela avec un diagramme schématique d'un modèle de régression logistique pour une application problème RCA (Root Cause Analysis) :

Modélisation de jumeaux numériques basée sur l'apprentissage automatique et l'optimisation contrainte

Modèle ML de régression logistique

Notez que dans ce cas, en fonction des données d'entrée La tâche de calculer les règles (Zᵢ) qui génèrent les résultats est laissée au modèle, tandis que les data scientists sont généralement occupés à utiliser des matrices de confusion bien définies, le RMSE et d'autres techniques de mesure pour obtenir des prédictions précises de manière visuelle.

Nous pouvons comparer cela à la manière dont les plans de production sont générés grâce à des méthodes d'optimisation :

(I) La première étape consiste à définir les règles métier (contraintes) qui encapsulent le processus de planification.

Voici un exemple de plan de production :

Tout d'abord, nous définissons quelques variables d'entrée (dont certaines peuvent être des variables de décision, utilisées pour atteindre les objectifs) :

  • Bᵦ,p,ᵢ——Variable binaire, indiquant si le lot β (dans le tableau des lots) du produit p (dans le tableau des produits) est programmé le i-ème jour.
  • Oₒ,p,ᵢ – Variable binaire indiquant si l'opérateur à l'index o (dans la table des opérateurs) est programmé pour traiter un lot de produit p le jour i.
  • Mm,p,ᵢ – Variable binaire indiquant si la machine d'index m (dans la table de la machine) est programmée pour traiter un lot de produit p le jour i.

et quelques coefficients :

  • TOₒ, p – le temps qu'il faut à l'opérateur o pour traiter un lot de produit p.
  • TMm,p——Le temps qu'il faut à la machine m pour traiter un lot de produit p.
  • OAvₒ,ᵢ – Le nombre d'heures disponibles pour l'opérateur index o le jour i.
  • MAvm,ᵢ——Le nombre d'heures disponibles pour la machine d'index m le jour i.

Dans ce cas, certaines contraintes (règles) peuvent être mises en œuvre à l'aide des éléments suivants :

a) Dans le plan, un lot spécifique ne peut être démarré qu'une seule fois.

Où, pour chaque lot de produits, Bt est le nombre total de lots, Pr est le nombre total de produits, et D est le nombre de jours dans le plan :

Modélisation de jumeaux numériques basée sur l'apprentissage automatique et l'optimisation contrainte

b) Un produit ne peut être que démarré une fois par jour sur un opérateur ou une machine.

Pour chaque jour pour chaque produit, où Op est l'ensemble de tous les opérateurs et Mc est l'ensemble de toutes les machines :

Modélisation de jumeaux numériques basée sur l'apprentissage automatique et l'optimisation contrainte

Modélisation de jumeaux numériques basée sur l'apprentissage automatique et l'optimisation contrainte

c) Le temps total passé sur le lot (tous les produits) ne doit pas dépasser ce jour-là Heures de disponibilité de l'opérateur et de la machine.

Pour chaque opérateur, il y a les contraintes suivantes :

Modélisation de jumeaux numériques basée sur l'apprentissage automatique et l'optimisation contrainte

Pour chaque jour de chaque machine, il y a les contraintes suivantes :

Modélisation de jumeaux numériques basée sur l'apprentissage automatique et l'optimisation contrainte

d) Si l'opérateur traite dans les 5 premiers jours du planning un lot de produit, tous les autres lots du même produit doivent être affectés au même opérateur. Cela maintient la continuité et la productivité des opérateurs.

Pour chaque opérateur et chaque produit, pour chaque jour j (à partir du jour 6), il y a des contraintes comme suit :

Modélisation de jumeaux numériques basée sur l'apprentissage automatique et l'optimisation contrainte

Ceux-ci ci-dessus sont quelques-unes des centaines de contraintes qui doivent être écrites dans le programme afin Les règles métier pour les scénarios de planification de production réels forment des équations mathématiques. Notez que ces contraintes sont des équations linéaires (ou, plus précisément, des équations entières mixtes). Cependant, la différence de complexité entre eux et les modèles ML de régression logistique est toujours très évidente.

(II) Une fois les contraintes déterminées, les objectifs de résultat doivent être définis. Il s'agit d'une étape critique et peut être un processus complexe, comme expliqué dans la section suivante.

(III) Enfin, les variables de décision d'entrée, les contraintes et les objectifs sont envoyés au solveur pour obtenir la solution (échéancier).

Le schéma schématique décrivant le jumeau numérique basé sur la méthode d'optimisation est le suivant :

Modélisation de jumeaux numériques basée sur l'apprentissage automatique et l'optimisation contrainte

Modèle d'optimisation

D, sortie ou cible : Pour les modèles ML, selon le type de problème (classification, régression , clustering), il peut s'agir de résultats et de mesures très bien établis pour mesurer leur précision. Même si je n'aborderai pas ces questions dans cet article, compte tenu de la richesse des informations disponibles, il convient de noter que les résultats de divers modèles peuvent être évalués avec un haut degré d'automatisation, comme celui des principaux CSP (AWS Sagemaker, Azure). ML, etc.) .

Évaluer si un modèle optimisé génère le résultat correct est plus difficile. Les modèles d'optimisation fonctionnent en essayant de maximiser ou de minimiser une expression informatique appelée « objectif ». Tout comme les contraintes, les objectifs sont conçus en partie par les data scientists en fonction de ce que l'entreprise tente d'atteindre. Plus précisément, cela est réalisé en attachant des conditions de récompense et des conditions de pénalité aux variables de décision, dont l'optimiseur tente de maximiser la somme. Pour les problèmes du monde réel, il faut de nombreuses itérations pour trouver les bonnes pondérations pour différents objectifs afin de trouver un bon équilibre entre des objectifs parfois contradictoires.

Pour illustrer davantage l'exemple de planification de production ci-dessus, nous pourrions tout aussi bien concevoir les deux objectifs suivants :

a) Le calendrier doit être préchargé ; les lots doivent être planifiés dès que possible, et la capacité restante dans le plan doit être à la fin du plan. Nous pouvons le faire en attachant une pénalité d'un jour à un lot, qui augmentera progressivement chaque jour du planning.

Modélisation de jumeaux numériques basée sur l'apprentissage automatique et l'optimisation contrainte

b) D'autre part, nous souhaitons également regrouper les lots d'un même produit afin que la partie ressource (opérateur et machine) soit utilisée de manière optimale, à condition que les lots respectent le délai de livraison et que le groupe ne dépasse pas la capacité de la machine. Par conséquent, nous définissons un Batch_group_bonus qui fournit un bonus plus élevé (d'où l'exponentielle dans l'expression ci-dessous) si les lots sont disposés en groupes plus grands plutôt qu'en groupes plus petits. Il est important de noter que cela peut parfois recouper les objectifs précédents, car certains lots pouvant démarrer aujourd'hui seront démarrés avec d'autres lots qui seront disponibles dans quelques jours, laissant potentiellement certaines ressources non réalisées au début du calendrier utilisé.

Modélisation de jumeaux numériques basée sur l'apprentissage automatique et l'optimisation contrainte

Selon le fonctionnement du solveur, une variable de décision de groupe par lots est souvent requise dans la méthode d'implémentation réelle. Cependant, cela exprime le concept suivant :

Le solveur maximisera l'objectif, qui est :

Objective = Batch_group_bonus + Day_penalty

Laquelle des deux composantes ci-dessus de l'objectif a le plus d'impact sur un jour donné du planning Le maximum dépend des poids W₁, W₂ et des dates du programme, car dans les étapes ultérieures du programme, la valeur de la pénalité journalière deviendra progressivement plus grande (plus la valeur i est élevée). Si la valeur de la pénalité en jours est supérieure à Batch_group_bonus à un moment donné, le solveur de planification trouvera prudent de ne pas planifier le lot ; par conséquent, même s'il y a une capacité de ressources dans le plan, une pénalité nulle sera encourue, ce qui entraînera la planification et l'exécution. une pénalité nette négative, maximisant ainsi le but. Ces problèmes doivent être dépannés et résolus par des data scientists.

Comparaison de la charge de travail relative entre les méthodes ML et les méthodes d'optimisation

Sur la base de la discussion ci-dessus, on peut en déduire que, de manière générale, les projets d'optimisation nécessitent plus d'efforts que les projets ML. L'optimisation nécessite un travail approfondi en science des données à presque chaque étape du processus de développement. Le résumé spécifique est le suivant :

a) Traitement des données d'entrée : En ML et en optimisation, cela est effectué par des data scientists. Le traitement des données ML nécessite la sélection de fonctionnalités pertinentes, la standardisation, la discrétisation, etc. Pour les données non structurées telles que le texte, cela peut inclure des méthodes basées sur le NLP telles que l'extraction de fonctionnalités, la tokenisation, etc. Actuellement, des bibliothèques basées sur plusieurs langages existent pour l'analyse statistique des caractéristiques ainsi que pour les méthodes de réduction de dimensionnalité telles que la PCA.

En matière d'optimisation, chaque entreprise et chaque plan comporte des nuances qui doivent être intégrées au modèle. Les problèmes d'optimisation ne traitent pas de données historiques, mais combinent plutôt tous les changements de données possibles et les caractéristiques identifiées dans un index dont doivent dépendre les variables de décision et les contraintes. Bien que contrairement au ML, le traitement des données nécessite beaucoup de travail de développement.

b) Développement de modèles : Comme mentionné ci-dessus, la formulation de modèles de solutions d'optimisation nécessite beaucoup d'efforts de la part des data scientists et des analystes commerciaux pour formuler des contraintes et des objectifs. Un solveur exécute des algorithmes mathématiques et, bien qu’il soit chargé de résoudre des centaines, voire des milliers d’équations simultanément pour trouver une solution, il n’a aucune expérience commerciale.

En ML, la formation des modèles est hautement automatisée et les algorithmes sont conditionnés sous forme d'API de bibliothèque open source ou par des fournisseurs de services cloud. Des modèles de réseaux neuronaux très complexes et pré-entraînés, basés sur des données spécifiques à l'entreprise, simplifient la tâche de formation jusqu'aux dernières couches. Des outils comme AWS Sagemaker Autopilot ou Azure AutoML peuvent même automatiser l'ensemble du processus de traitement des données d'entrée, de sélection des fonctionnalités, de formation et d'évaluation des différents modèles et de génération de sortie.

c) Tests et traitement de sortie  : En ML, la sortie d'un modèle peut être utilisée avec un traitement minimal. Il est généralement facile à comprendre (par exemple, les probabilités des différentes étiquettes), même si certains efforts peuvent être nécessaires pour introduire d'autres aspects, tels que l'interprétabilité des résultats. La visualisation des résultats et des erreurs peut également nécessiter un certain effort, mais ce n'est pas grand-chose comparé au traitement des entrées.

Ici aussi, le problème d'optimisation nécessite des tests manuels itératifs et une validation avec les yeux avertis d'experts en planification pour évaluer les progrès. Même si le solveur tente de maximiser l’objectif, cela n’a souvent pas de sens du point de vue de la qualité du planning. Contrairement au ML, on ne peut pas dire qu’une valeur cible supérieure ou inférieure à un seuil contient un plan correct ou incorrect. Lorsqu'un calendrier s'avère incohérent avec les objectifs de l'entreprise, le problème peut être lié à des contraintes, des variables de décision ou des fonctions objectives, nécessitant une analyse minutieuse pour trouver la cause des anomalies dans des calendriers volumineux et complexes.

De plus, il faut prendre en compte le développement requis pour interpréter la sortie du solveur dans un format lisible par l'homme. Le solveur prend des variables de décision d'entrée, qui sont des valeurs d'index des entités physiques réelles du plan, telles que l'index de groupe de lots, l'index de priorité de lot, l'index d'opérateur et de machine, et renvoie les valeurs sélectionnées. Un traitement inverse est nécessaire pour convertir ces valeurs d'indice de leurs trames de données respectives en une chronologie cohérente qui peut être présentée visuellement et analysée par des experts.

d) Enfin, même en phase opérationnelle, les modèles ML nécessitent beaucoup moins de calculs et de temps pour générer des prédictions observationnelles par rapport à la phase de formation. Cependant, le planning est construit à partir de zéro à chaque fois et nécessite les mêmes ressources pour chaque exécution.

Le chiffre suivant est une illustration approximative de la charge de travail relative de chaque étape des projets de ML et d'optimisation :

Modélisation de jumeaux numériques basée sur l'apprentissage automatique et l'optimisation contrainte

Diagramme schématique comparant la charge de travail relative du ML et de l'optimisation

Le ML et l'optimisation peuvent-ils fonctionner ensemble ?

L'apprentissage automatique et l'optimisation résolvent des problèmes complémentaires pour les entreprises ; par conséquent, les résultats des modèles ML et l'optimisation se renforcent mutuellement et vice versa. Les applications IA/ML telles que la maintenance prédictive et la détection de pannes IoT, la télémaintenance AR/VR et le processus de production RCA susmentionné font partie de la stratégie d’usine connectée du fabricant.

Les applications d'optimisation constituent la base de la planification de la chaîne d'approvisionnement et peuvent être considérées comme liant la stratégie commerciale aux opérations. Ils aident les organisations à réagir et à planifier des événements imprévus. Par exemple, si un problème est détecté dans une ligne de production, les outils RCA (Root Cause Analysis) aideront le responsable de la ligne de production à identifier rapidement les causes possibles et à prendre les mesures nécessaires. Cependant, cela peut parfois conduire à des arrêts inattendus de la machine ou à une réaffectation des instructions d'utilisation. Par conséquent, les plans de production devront peut-être être régénérés en utilisant la capacité réduite disponible.

Certaines techniques de ML peuvent être appliquées à l'optimisation, et vice versa ?

Les expériences des projets ML peuvent être appliquées aux projets d'optimisation vice versa ; Par exemple, pour une fonction objective essentielle à l’optimisation du résultat, il arrive parfois que l’unité commerciale ne soit pas aussi bien définie en termes de modélisation mathématique que les contraintes, qui sont des règles qui doivent être suivies et sont donc généralement bien connues. Par exemple, les objectifs commerciaux sont les suivants :

a) Les lots doivent être classés par ordre prioritaire le plus tôt possible tout en respectant les délais de livraison.

b) Les horaires doivent être préchargés ; ils doivent être planifiés avec un intervalle aussi petit que possible et avec une faible utilisation des ressources.

c) Les lots doivent être regroupés pour utiliser efficacement la capacité.

d) Les opérateurs ayant un niveau de compétence plus élevé pour les produits de grande valeur se voient mieux attribuer de tels lots.

Certains de ces objectifs peuvent avoir des priorités concurrentes qui doivent être correctement équilibrées, ce qui conduit les data scientists, lorsqu'ils rédigent des combinaisons complexes de facteurs d'influence (tels que les bonus et les pénalités), à écrire souvent ce qui semble s'appliquer à la planification la plus courante. scénarios. Cela se fait par essais et erreurs ; mais parfois la logique est difficile à comprendre et à maintenir lorsque des bugs surviennent. Étant donné que les solveurs d’optimisation utilisent souvent des produits tiers, leur code est souvent indisponible pour les data scientists qui créent les modèles qu’ils souhaitent déboguer. Cela rend impossible de voir quelles valeurs ont pris certains bonus et pénalités à un moment donné du processus de génération du calendrier, et ce sont ces valeurs qui font qu'il se comporte correctement, ce qui rend très important l'écriture d'expressions cibles convaincantes.

Ainsi, l'approche ci-dessus permet d'adopter la standardisation des bonus et des pénalités, qui est une pratique de ML largement utilisée. Les valeurs normalisées peuvent ensuite être mises à l'échelle de manière contrôlée à l'aide de paramètres de configuration ou d'autres moyens pour contrôler l'impact de chaque facteur, leurs relations les uns avec les autres et les valeurs des facteurs précédents et suivants au sein de chacun d'eux.

Conclusion

En résumé, l'apprentissage automatique et l'optimisation contrainte sont tous deux des méthodes mathématiques avancées pour résoudre différents problèmes dans les organisations et dans la vie quotidienne. Ils peuvent tous être utilisés pour déployer des jumeaux numériques d’équipements physiques, de processus ou de ressources réseau. Bien que les deux types d'applications suivent des processus de développement de haut niveau similaires, les projets de ML peuvent tirer parti du haut degré d'automatisation disponible dans les bibliothèques et les algorithmes cloud natifs, tandis que l'optimisation nécessite une collaboration étroite entre l'entreprise et les data scientists pour mettre pleinement en œuvre le processus de planification complexe. .de modélisation. De manière générale, les projets d'optimisation nécessitent plus de travail de développement et sont gourmands en ressources. Dans le développement réel, les outils de ML et d’optimisation doivent souvent fonctionner ensemble dans les entreprises, et les deux technologies sont utiles aux data scientists.

Présentation du traducteur

Zhu Xianzhong, rédacteur en chef de la communauté 51CTO, blogueur expert 51CTO, conférencier, professeur d'informatique dans une université de Weifang et vétéran de l'industrie de la programmation indépendante.

Titre original : Modélisation de jumeaux numériques utilisant l'apprentissage automatique et l'optimisation contrainte, auteur : Partha Sarkar

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Déclaration
Cet article est reproduit dans:. en cas de violation, veuillez contacter admin@php.cn Supprimer
解读CRISP-ML(Q):机器学习生命周期流程解读CRISP-ML(Q):机器学习生命周期流程Apr 08, 2023 pm 01:21 PM

译者 | 布加迪审校 | 孙淑娟目前,没有用于构建和管理机器学习(ML)应用程序的标准实践。机器学习项目组织得不好,缺乏可重复性,而且从长远来看容易彻底失败。因此,我们需要一套流程来帮助自己在整个机器学习生命周期中保持质量、可持续性、稳健性和成本管理。图1. 机器学习开发生命周期流程使用质量保证方法开发机器学习应用程序的跨行业标准流程(CRISP-ML(Q))是CRISP-DM的升级版,以确保机器学习产品的质量。CRISP-ML(Q)有六个单独的阶段:1. 业务和数据理解2. 数据准备3. 模型

2023年机器学习的十大概念和技术2023年机器学习的十大概念和技术Apr 04, 2023 pm 12:30 PM

机器学习是一个不断发展的学科,一直在创造新的想法和技术。本文罗列了2023年机器学习的十大概念和技术。 本文罗列了2023年机器学习的十大概念和技术。2023年机器学习的十大概念和技术是一个教计算机从数据中学习的过程,无需明确的编程。机器学习是一个不断发展的学科,一直在创造新的想法和技术。为了保持领先,数据科学家应该关注其中一些网站,以跟上最新的发展。这将有助于了解机器学习中的技术如何在实践中使用,并为自己的业务或工作领域中的可能应用提供想法。2023年机器学习的十大概念和技术:1. 深度神经网

基于因果森林算法的决策定位应用基于因果森林算法的决策定位应用Apr 08, 2023 am 11:21 AM

译者 | 朱先忠​审校 | 孙淑娟​在我之前的​​博客​​中,我们已经了解了如何使用因果树来评估政策的异质处理效应。如果你还没有阅读过,我建议你在阅读本文前先读一遍,因为我们在本文中认为你已经了解了此文中的部分与本文相关的内容。为什么是异质处理效应(HTE:heterogenous treatment effects)呢?首先,对异质处理效应的估计允许我们根据它们的预期结果(疾病、公司收入、客户满意度等)选择提供处理(药物、广告、产品等)的用户(患者、用户、客户等)。换句话说,估计HTE有助于我

使用PyTorch进行小样本学习的图像分类使用PyTorch进行小样本学习的图像分类Apr 09, 2023 am 10:51 AM

近年来,基于深度学习的模型在目标检测和图像识别等任务中表现出色。像ImageNet这样具有挑战性的图像分类数据集,包含1000种不同的对象分类,现在一些模型已经超过了人类水平上。但是这些模型依赖于监督训练流程,标记训练数据的可用性对它们有重大影响,并且模型能够检测到的类别也仅限于它们接受训练的类。由于在训练过程中没有足够的标记图像用于所有类,这些模型在现实环境中可能不太有用。并且我们希望的模型能够识别它在训练期间没有见到过的类,因为几乎不可能在所有潜在对象的图像上进行训练。我们将从几个样本中学习

LazyPredict:为你选择最佳ML模型!LazyPredict:为你选择最佳ML模型!Apr 06, 2023 pm 08:45 PM

本文讨论使用LazyPredict来创建简单的ML模型。LazyPredict创建机器学习模型的特点是不需要大量的代码,同时在不修改参数的情况下进行多模型拟合,从而在众多模型中选出性能最佳的一个。 摘要本文讨论使用LazyPredict来创建简单的ML模型。LazyPredict创建机器学习模型的特点是不需要大量的代码,同时在不修改参数的情况下进行多模型拟合,从而在众多模型中选出性能最佳的一个。​本文包括的内容如下:​简介​LazyPredict模块的安装​在分类模型中实施LazyPredict

Mango:基于Python环境的贝叶斯优化新方法Mango:基于Python环境的贝叶斯优化新方法Apr 08, 2023 pm 12:44 PM

译者 | 朱先忠审校 | 孙淑娟引言模型超参数(或模型设置)的优化可能是训练机器学习算法中最重要的一步,因为它可以找到最小化模型损失函数的最佳参数。这一步对于构建不易过拟合的泛化模型也是必不可少的。优化模型超参数的最著名技术是穷举网格搜索和随机网格搜索。在第一种方法中,搜索空间被定义为跨越每个模型超参数的域的网格。通过在网格的每个点上训练模型来获得最优超参数。尽管网格搜索非常容易实现,但它在计算上变得昂贵,尤其是当要优化的变量数量很大时。另一方面,随机网格搜索是一种更快的优化方法,可以提供更好的

人工智能自动获取知识和技能,实现自我完善的过程是什么人工智能自动获取知识和技能,实现自我完善的过程是什么Aug 24, 2022 am 11:57 AM

实现自我完善的过程是“机器学习”。机器学习是人工智能核心,是使计算机具有智能的根本途径;它使计算机能模拟人的学习行为,自动地通过学习来获取知识和技能,不断改善性能,实现自我完善。机器学习主要研究三方面问题:1、学习机理,人类获取知识、技能和抽象概念的天赋能力;2、学习方法,对生物学习机理进行简化的基础上,用计算的方法进行再现;3、学习系统,能够在一定程度上实现机器学习的系统。

超参数优化比较之网格搜索、随机搜索和贝叶斯优化超参数优化比较之网格搜索、随机搜索和贝叶斯优化Apr 04, 2023 pm 12:05 PM

本文将详细介绍用来提高机器学习效果的最常见的超参数优化方法。 译者 | 朱先忠​审校 | 孙淑娟​简介​通常,在尝试改进机器学习模型时,人们首先想到的解决方案是添加更多的训练数据。额外的数据通常是有帮助(在某些情况下除外)的,但生成高质量的数据可能非常昂贵。通过使用现有数据获得最佳模型性能,超参数优化可以节省我们的时间和资源。​顾名思义,超参数优化是为机器学习模型确定最佳超参数组合以满足优化函数(即,给定研究中的数据集,最大化模型的性能)的过程。换句话说,每个模型都会提供多个有关选项的调整“按钮

See all articles

Outils d'IA chauds

Undresser.AI Undress

Undresser.AI Undress

Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover

AI Clothes Remover

Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool

Undress AI Tool

Images de déshabillage gratuites

Clothoff.io

Clothoff.io

Dissolvant de vêtements AI

AI Hentai Generator

AI Hentai Generator

Générez AI Hentai gratuitement.

Article chaud

R.E.P.O. Crystals d'énergie expliqués et ce qu'ils font (cristal jaune)
3 Il y a quelques semainesBy尊渡假赌尊渡假赌尊渡假赌
R.E.P.O. Meilleurs paramètres graphiques
3 Il y a quelques semainesBy尊渡假赌尊渡假赌尊渡假赌
R.E.P.O. Comment réparer l'audio si vous n'entendez personne
3 Il y a quelques semainesBy尊渡假赌尊渡假赌尊渡假赌

Outils chauds

SublimeText3 version Mac

SublimeText3 version Mac

Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Adaptateur de serveur SAP NetWeaver pour Eclipse

Adaptateur de serveur SAP NetWeaver pour Eclipse

Intégrez Eclipse au serveur d'applications SAP NetWeaver.

MinGW - GNU minimaliste pour Windows

MinGW - GNU minimaliste pour Windows

Ce projet est en cours de migration vers osdn.net/projects/mingw, vous pouvez continuer à nous suivre là-bas. MinGW : un port Windows natif de GNU Compiler Collection (GCC), des bibliothèques d'importation et des fichiers d'en-tête librement distribuables pour la création d'applications Windows natives ; inclut des extensions du runtime MSVC pour prendre en charge la fonctionnalité C99. Tous les logiciels MinGW peuvent fonctionner sur les plates-formes Windows 64 bits.

Dreamweaver CS6

Dreamweaver CS6

Outils de développement Web visuel

Version Mac de WebStorm

Version Mac de WebStorm

Outils de développement JavaScript utiles