A medida que más y más organizaciones adoptan el descomposición, se está presentando una tono más amplia de problemas para resolverse. Si adecuadamente los equipos de ciencia de datos a menudo están adecuadamente versados en técnicas tradicionales como el descomposición estadístico y el formación maquinal, así como las tecnologías emergentes como la IA, todavía existe una clase de problemas que se aborda más fácilmente utilizando la optimización matemática.
Las funciones comerciales a menudo tienen la tarea de tomar decisiones que maximicen los beneficios de un proceso mientras gestionan restricciones múltiples, a veces conflictivas. A diferencia del formación maquinal clásico que predice un resultado futuro basado en las variables de estado actuales, la optimización ayuda a los tomadores de decisiones a identificar el conjunto de acciones necesarias para conseguir mejor un resultado particular. Las soluciones a estos problemas rara vez son sencillas y requieren el examen de numerosos componentes que interactúan para identificar la mejor decisión. Algunos desafíos frecuentemente encontrados de este tipo incluyen:
- Surtido de productos – Encontrar la combinación correcta de productos para satisfacer las deyección del cliente y maximizar las ganancias mientras se manejo de espacio establecido
- Inventario – Mandar los niveles de acciones para minimizar el caudal encerrado en el inventario al tiempo que puede satisfacer la demanda del cliente
- Precios y promociones – Identificar el precio almohadilla espléndido y los descuentos promocionales que maximizan las ganancias dadas las complejidades de la demanda del consumidor y las posibles respuestas de la competencia
- Disposición – Identificar el diseño ideal de capital en un estante que maximice el potencial de ingresos de una dispositivo de espacio mientras se manejo de tamaño de producto variable y la carestia de proporcionar a los consumidores golpe a una tono de opciones de productos
- Publicidad – Encontrar la combinación correcta de vehículos y canales publicitarios, todos los cuales difieren en términos de su envergadura y costo, para maximizar la respuesta del consumidor mientras minimizan la inversión
- Programación de producción – Asignar la mano de obra finita y los posibles materiales contra una capacidad de producción dada para respaldar la producción competente y oportuna de capital para satisfacer la demanda
- Utilización de equipos – Minimizar el tiempo de inactividad causado por la falta del equipo o las ineficiencias a través del mantenimiento programado
- Abastecimiento – Identificar la agrupación apropiada de artículos y enrutamiento de vehículos para cumplir con los objetivos de entrega mientras se trabaja internamente de las limitaciones de la capacidad del conductor y el transporte
- Sujeción de suministro – Equilibrar la entrega y el almacenamiento de capital entre proveedores, centros de distribución y tiendas para satisfacer de guisa confiable la demanda mientras minimiza el costo
Las soluciones a estos problemas a menudo se encuentran probando repetidamente los escenarios de lo que if, haciendo ajustes en cada círculo para imitar varias condiciones para evaluar los riesgos y estrategias. Para acelerar este proceso, se pueden servirse las soluciones de software especializadas. Existen soluciones normalizado adaptadas a tipos específicos de problemas de optimización, así como solucionadores de optimización comerciales y de código libre que permiten modelos matemáticos personalizados para invadir una amplia tono de deyección comerciales. En el corazón de todas estas soluciones están los algoritmos de optimización diseñados para encontrar eficientemente una decisión óptima sin tener que enumerar exhaustivamente todas las opciones posibles.
Solucionadores de fracción comercial como Gurobipróximo con las plataformas de datos y descomposición como Databricks, se utilizan cada vez más por las empresas para invadir los desafíos de optimización. Estas plataformas ayudan a preparar entradas de datos y convertir las horizontes de solucionadores en aplicaciones procesables. En este blog, demostraremos cómo Gurobi y Databricks pueden trabajar juntos para resolver un problema de optimización simple, proporcionando a los equipos un punto de partida para invadir desafíos similares en sus propias organizaciones.
Optimización de una construcción de colección de ladrillos de muñeco
Para ayudarnos a explorar cómo se pueden usar Gurobi y Databricks para resolver problemas de optimización, comenzaremos con un círculo simple e ilustrativo. Imagina que eres un chiquillo (o un adulto) y tienes los siguientes cuatro sets de Star Wars LEGO®:
- LEGO® Star Wars 75168: Jedi Starfighter de Yoda (262 piezas)
- LEGO® Star Wars 75170: The Phantom (269 piezas)
- LEGO® Star Wars 75162: Y-Wing (90 piezas)
- LEGO® Star Wars 75160: U-Ala (109 piezas)
Al igual que mucha gentío, construyes cada una de las instrucciones, y cuando terminaste con eso, desarmes cada uno, combinando los ladrillos en un cubo alto (Figura 1).
La pregunta que tiene ahora es, ¿qué otros conjuntos oficiales podrían construir a partir de este cubo de ladrillos? Para reponer a esto, necesitamos aclarar cuatro principios de un problema de optimización:
- Parámetros de entrada – Los parámetros de entrada definen el contexto para el problema que estamos tratando de resolver. En nuestro ejemplo, un parámetro de entrada es el número de cada tipo de baldosón arreglado en nuestros cuatro conjuntos originales.
- Variables de osadía – Las variables de osadía definen las opciones que tenemos o las decisiones que necesitamos tomar. En este ejemplo, los diferentes conjuntos que podríamos construir definen nuestras variables de osadía.
- Objetivos – Nuestros objetivos son los objetivos que buscamos minimizar o maximizar, representados por una expresión matemática. En este ejemplo, estamos intentando maximizar el número y el tamaño de los conjuntos construidos, al tiempo que minimizan el número de ladrillos izquierdos que siguen la construcción.
- Restricciones – Las restricciones representan condiciones o restricciones que deben cumplirse para que una decisión propuesta se considere válida. En nuestro ejemplo, la única restricción es que cualquier conjunto que decidamos construir debe completarse utilizando las piezas de baldosón necesarias especificadas por el conjunto oficial. Adicionalmente, limitaremos nuestro cubo de ladrillos para sostener solo los ladrillos de los cuatro conjuntos originales con los que comenzamos.
Con estos principios definidos, ahora podemos comenzar a clasificar a través de posibles soluciones. Con 730 ladrillos individuales en nuestro balde, podríamos malquistar más de 1075 Posibles combinaciones. El hecho de que haya muchos ladrillos idénticos internamente de cada conjunto y más en estos conjuntos reduce este número, pero el número resultante de combinaciones potenciales aún es abrumador. Necesitamos una forma inteligente de navegar por el espacio problemático. Aquí es donde entra el solucionador.
La ocultismo detrás del solucionador es que puede examinar el problema (como se define en términos de parámetros de entrada, variables de osadía, etc.) y explorar matemáticamente el espacio de problemas para centrarse solo en las soluciones que satisfacen las reglas comerciales y mejoran los resultados. Para ilustrar esto, considere los 730 ladrillos individuales en nuestro cubo. No hay conjuntos a considerar que consisten en solo 1, 2 o 3 ladrillos, por lo que cualquier iteración que pueda explorar combinaciones como estas puede eliminarse de la consideración.
Al examinar de cerca la definición del problema, el solucionador puede demarcar estrechamente el espacio de problemas que se explorará. El abrumador número de combinaciones posibles ahora se vuelve mucho más manejable, y a través de un motor de decisión en extremo optimizado, los resultados restantes se pueden evaluar rápidamente para entregar la respuesta correcta rápidamente.
Gurobi y Databricks: mejor juntos
A medida que más y más organizaciones consolidan sus activos de datos en Databricks, es esencial que estén habilitados para desbloquear el potencial más completo de esos datos para resolver una amplia tono de deyección comerciales. La integración perfecta de GUROBI con la plataforma de inteligencia de datos Databricks significa que cuando las organizaciones encuentran desafíos de optimización, pueden preparar los activos de datos en el ocupación sin carestia de replicarlos a otra plataforma. El equipo de operaciones, familiarizado con la optimización, puede consumir los posibles del entorno de Databricks para resolver el problema de una guisa escalable, de tiempo competente de tiempo y posibles.
Con la salida del solucionador capturada internamente de Databricks, la estructura puede integrar los resultados del solucionador en los diversos flujos de trabajo operativos orquestados internamente del entorno. Y, con el golpe a las capacidades integradas de administración de modelos de Databricks, estos equipos pueden doblar su trabajo en las prácticas de administración de modelos y gobernanza normalizado de empresas centradas en la plataforma.
Para ayudar a las organizaciones a comenzar a explorar el uso del solucionador Gurobi en Databricks, lo invitamos a echar un vistazo a lo venidero cuadernos de muestraproporcionando golpe al código paso a paso detrás de nuestro ejemplo de baldosón de muñeco. Tenga en cuenta que los dos primeros cuadernos dependen de la decisión de ejemplos a pequeña escalera que se pueden resolver utilizando la deshonestidad de prueba gratuita que Gurobi ofrece con la instalación de su biblioteca API de Python. El tercer cuaderno utiliza un maniquí a anciano escalera: comuníquese con Gurobi Para obtener una deshonestidad apropiada para ejecutar los modelos en el tercer cuaderno.
Para comprender cómo las organizaciones pueden avanzar su uso de Gurobi con Databricks, incluso lo invitamos a ver el venidero seminario web de Aimpoint digitaluna firma de descomposición líder en el mercado a la vanguardia de resolver los desafíos comerciales y económicos más complejos a través de datos y tecnología analítica. En este video, la gentío de Aimpoint Digital examina la integración técnica entre Databricks y Gurobi con anciano detalle y explora varias formas en que las organizaciones pueden combinar estas tecnologías para resolver una variedad de problemas comerciales.
Finalmente, lo alentamos a que regrese al sitio del blog de Databricks para revisar nuestro próximo blog sobre optimización de surtido que se basará en los conceptos ilustrados aquí para invadir un círculo de interés más enrevesado y del mundo existente en muchas organizaciones minoristas y de capital de consumo.