Odkrycie nowej techniki uczenia maszynowego przez zespół naukowców z Massachusetts Institute of Technology i ETH Zurich może przynieść przełom w rozwiązywaniu złożonych zadań logistycznych, takich jak globalne wyznaczanie tras przesyłek czy zarządzanie siecią energetyczną. Nowatorskie podejście oparte na danych, które znacznie zwiększa wydajność i precyzję w rozwiązywaniu problemów optymalizacyjnych, może wywrzeć znaczący wpływ na branże, które do tej pory borykały się z czasochłonnymi i trudnymi w rozwiązaniu zagadnieniami.

Tradycyjnie firmy takie jak FedEx, szczególnie w okresie wzmożonych dostaw wakacyjnych, polegają na specjalistycznym oprogramowaniu do programowania mieszanego całkowo-liniowego (MILP). Używane solwery dzielą duże zadania optymalizacyjne na mniejsze części, stosując algorytmy do wyszukiwania najkorzystniejszych rozwiązań. Proces ten jednak często rozciąga się na wiele godzin lub dni, co może prowadzić do suboptymalnych decyzji.

Eksperci z MIT i ETH Zurich skupili się na optymalizacji kluczowego etapu w procesach MILP, który ze względu na olbrzymią liczbę potencjalnych rozwiązań okazywał się być wyjątkowo zasobożerny. Dzięki wykorzystaniu technik filtrowania danych i uczenia maszynowego, badacze znacząco uproszczeni ten krok, umożliwiając szybsze dochodzenie do optymalnych rozwiązań dla danych typów problemów. Dzięki personalizacji narzędzia MILP przy użyciu specyficznych dla firmy danych, możliwe stało się osiągnięcie lepszych wyników w krótszym czasie.

Dzięki nowej metodzie przyspieszono działanie solwerów MILP o 30–70 procent, zachowując przy tym ich dokładność. Dla firm oznacza to możliwość szybszego osiągania optymalnych rozwiązań lub znajdowania lepszych sposobów na radzenie sobie ze skomplikowanymi problemami w realistycznym czasie. Aplikacje tej techniki są wszechstronne i obejmują takie dziedziny jak transport pasażerski, zarządzanie sieciami elektrycznymi, dystrybucja szczepionek oraz inne wyzwania związane z alokacją zasobów.

Katie Wu, starsza autorka badań, podkreśla ważność integracji uczenia maszynowego z tradycyjnymi metodami optymalizacji, wierząc, że to hybrydowe podejście połączy w sobie to, co najlepsze z obu światów. "Czasami w dziedzinach takich jak optymalizacja bardzo często ludzie uważają rozwiązania za czysto maszynowe lub czysto klasyczne. Mocno wierzę, że chcemy tego, co najlepsze z obu światów, a to jest naprawdę mocne ucieleśnienie tego hybrydowego podejścia" – mówi Wu.

Badania te, przeprowadzone przez Wu wraz z Xirui Li i Wenbinem Ouyangiem z Massachusetts Institute of Technology oraz Maxem Paulusem z ETH Zurich, zostaną przedstawione na prestiżowej konferencji neuronowych systemów przetwarzania informacji, co może być kolejnym krokiem w kierunku ich implementacji w praktyce biznesowej.