Команда AWS Generative ИИ Innovation Center опубликовала разбор реальных кейсов применения математической оптимизации — специализированного раздела ИИ, который в отличие от машинного обучения не предсказывает вероятный исход, а находит доказуемо лучшее решение среди миллиардов вариантов.
Машинное обучение — индуктивный подход: модель обучается на примерах и выдаёт вероятностный прогноз. Это хорошо работает для распознавания образов, классификации, предсказания спроса. Но когда решение должно одновременно удовлетворять жёстким ограничениям — регуляторным нормам, физическим лимитам, временным окнам — вероятностный ответ недостаточен. Математическая оптимизация — дедуктивный подход: она применяет математические принципы к конкретной задаче и возвращает единственное оптимальное решение. «Этот маршрут, вероятно, эффективен» превращается в «это оптимальный маршрут с учётом всех ограничений системы».
| Характеристика | Математическая оптимизация | Машинное обучение |
|---|---|---|
| Подход | Дедуктивный ИИ: применяет общие принципы к конкретным задачам | Индуктивный ИИ: извлекает паттерны из множества примеров |
| Результат | Определённое оптимальное решение | Вероятностные предсказания |
| Сильная сторона | Точное рассуждение при жёстких ограничениях и длинных горизонтах | Распознавание паттернов в неструктурированных данных |
Логистическая сеть Amazon в Европе — наглядный пример масштаба задачи: 90 складов, 34 сортировочных центра, 242 распределительных станции и более 11 000 маршрутов. ML-модели прогнозируют паттерны спроса по этой сети. Но решение о том, когда именно должны отправляться грузовики — с учётом смен водителей, грузоподъёмности и интервалов между рейсами — требует оптимизации. Innovation Center разработал два взаимодополняющих алгоритмических подхода, которые дали прирост покрытия доставки следующего дня на 20–50 базисных пунктов. В денежном выражении это десятки миллионов долларов.
BMW Group: до 10% сокращения времени цикла роботов при нанесении герметика на кузова автомобилей.
BMW Group использует сотни роботов на каждом заводе для нанесения герметика на швы кузовов — защита от воды и коррозии. Задача последовательности движений каждого робота (какой шов обрабатывать следующим, в каком направлении, каким инструментом) порождает комбинаторный взрыв вариантов, недоступный ни человеку, ни простым правилам. Команда AWS смоделировала задачу как комбинаторную оптимизацию над траекториями роботов и сменами инструментов, разработала специализированные алгоритмы и создала переиспользуемое решение, которое BMW может применять к любым задачам последовательности на производстве. Результат — до 10% сокращения времени цикла на один кузов.
Delivery Hero, один из лидеров рынка доставки еды и быстрой торговли, ежедневно перемещает 50–150 паллет продуктов из распределительных центров в городские фулфилмент-центры. Маршруты меняются, временные окна жёсткие, планирование велось вручную. AWS построил автоматизированное решение для маршрутизации транспортных средств, которое продемонстрировало потенциал экономии до 24% затрат на среднемагистральное планирование при одновременном повышении надёжности пополнения запасов.
Fidelity Center for Applied Technology (FCAT) столкнулся с другой проблемой: ML-модели для инвестиционных решений и управления рисками показывали высокую точность, но оставались «чёрными ящиками». Вместо того чтобы объяснять модель постфактум, Innovation Center встроил интерпретируемость непосредственно в процесс построения модели с помощью техник оптимизации. Точность предсказаний при этом не снизилась, а команда получила переиспользуемые фреймворки для дальнейшей разработки.
Во всех случаях команда следует единой четырёхшаговой методологии: выявление возможностей (Discover), математическое моделирование задачи (Model), выбор алгоритмического подхода — от точных методов вроде смешанного целочисленного программирования до метаэвристик вроде генетических алгоритмов (Solve), и проектирование облачной инфраструктуры на AWS (Architect). Такой подход позволяет не просто решить конкретную задачу, но создать методологию, применимую к целому классу похожих проблем.
