Учитываем назначение техники на поле (бинарный индикатор), выручка и затраты линейно зависят от урожайности. Учитывается влияние на урожайность того, была или не была проведена операция на поле, через линейный коэффициент. Есть много факторов, которые влияют на урожайность, но пока в агрокомпаниях нет такого массива данных, чтобы создать нелинейную модель.
В оптимизационной модели фиксируется параметр укрупнения севооборотов (http://uchebnikirus.com/geografia/zemlerobstvo_-_gudz_vp/polovi_sivozmini.htm), который можно регулировать по условиям заказчика. В одних холдингах важнее близкое расположение полей с одной культурой для оптимизации затрат на уборку, в этом случае параметр будет максимальным и поля будут объединять в кластеры. В больших холдингах, где ресурсы на проведение работ по защите полей ограничены и важно более хаотичное расположение полей, этот параметр будет меньше.
Для каждого кейса решаем смешанную целочисленную линейную задачу, алгоритм решения branch-and-bound, почитать про него можно тут: support.sas.com/documentation/cdl/en/ormpug/66851/HTML/default/viewer.htm#ormpug_milpsolver_details01.htm.
Размерность задачи расчета структуры посевных площадей порядка 1e6 переменных и такого же порядка количество линейных же ограничений (1e7 коэффициентов линейных ограничений). Кроме выбора оптимальных севооборотов рассчитывается план работ техники в периоды сева и уборки, площади культур ограничены количеством своей техники. Задача операционного планирования включает распределение техники по полям (трактор + прицепное устройство) и расчет логистики перемещения каждой единицы техники. Для типичного среднего хозяйства (200 полей, 100 единиц техники и 2000 вариантов пар техники) размерность задачи составляет 1 млн. переменных и 20 млн. линейных коэффициентов в ограничениях. Сложности чаще возникают не столько из-за размерности модели (решается расширением используемой памяти), а в сложности сходимости задачи, либо поиска начального решения. Часто помогает декомпозиция задачи.
Действительно, в агротехнологии много факторов, которые могу повлиять на урожайность и отследить каждый из них невозможно. Однако есть научные исследования, какие последовательности сева культур наиболее оптимальны при прочих равных, например на одном поле сеют последовательно пшеницу — кукурузу — ячмень — горох. Мы рассчитываем, как выбрать севообороты для каждого поля таким образом, чтобы соблюсти все условия и получить наибольшую прибыль. Например, на некоторые поля нельзя сеять определенные культуры, и часть севооборотов для них не подходит. В варианте на картинке была задача максимально близко расположить поля с одной культурой для того, чтобы оптимизировать уборку урожая. Есть ограничения по пропорциям культур, которые тоже нужно соблюсти. С учётом всех ограничений для каждого поля такую же задачу агроном будет выполнять месяц, затем требования менеджмента изменятся и ему придется рассчитывать все заново. В нашем интерфейсе можно быстро оптимизировать севооборот при заданных ограничениях, увидеть результат на карте и посмотреть, какую прибыль компания получит при этих вводных.
Дело в том, что в агрохолдингах узкое место — количество ресурсов, поэтому оптимизация строится таким образом, чтобы минимизировать потери при возможном несоблюдении технологии, это же является целевой функцией оптимизации.
Мы работаем с крупными холдингами, где сложно задавать дату внесения удобрений для каждого поля и потом по разным причинам выдерживать этот график, именно поэтому мы решаем оптимизационную задачу для всего холдинга.
Для расчета внесения удобрений можно применить другой кейс расчета необходимой дозы внесения с учетом плодородия почвы. Для этого нужны данные о химическом составе почвы, которые нужно собирать раз в 3-5 лет и не каждый Агрохолдинг может себе это позволить.
Погодные данные учитываются в задаче операционного планирования техники, операция может не выполняться из-за того, что не подходит температурный режим или идёт дождь, если трактор вышел из строя, или механизатор «заболел», все эти факторы учитываются на коротком периоде и создается план работ на неделю-две.
Я вот не хотел бы, чтобы мой голос хранился 50-60 лет ради обкатки алгоритмов. На практике примерно так и случается, данные крайне редко удаляются. Звонок в такой тестовый узел — отличный шанс войти в историю.
Ситуация примерно как с определением близнецов сканером лица. С точки зрения человека они одинаковые, с точки зрения точных алгоритмов — очень разные. У близнецов это особенности характера и разное развитие мимических мышц, у людей с похожими голосами — как минимум разные особенности произношения разных слов. Ну и микроразличия, которые «слышит» точная система.
Должна понять, хотя такие тесты мы пока не проводили. Не стоит забывать, что сам по себе оператор заподозрит что-то несвязанное в речи клиента на том конце провода. Тем не менее, спасибо, подумаем сегодня вечером о методологии.
На практике — оставлять меньше информации для анализа (в том числе, везде, где ваш голос может быть записан), использовать разное звуковое окружение, шумные линии, специально наведённые помехи, пытаться говорить с акцентом. Думаю, если говорить без зубов, вас тоже не распознают. Но если так делать, вы будете как минимум подозрительны для сотрудника колл-центра.
Теперь я понял, о чём вы. Во-первых, это не наш продукт, а JDA, мы — просто дистрибьютор, и предлагаем выбирать из целой линейки продуктов такого класса, если необходимо, рассматривая софт на примере одного представителя. Конкретно в этом решении JDA используются известные модели наподобие модели Фурье (там чуть менее десятка моделей для разных профилей). Говоря о том, что расчёты не важны, я имел в виду конкретно этот модуль, который не требует от закупщика знания математической модели, а применяет её сам на основе анализа входящих данных — то есть выбирает оптимальный из известных методов для огромной выборки. Полученная модель обрабатывается модификаторами известных случаев, например, модификаторами маркетинговых акций, а также на основании мнения закупщика (например, модификатором длительности периода ажиотажа на новый товар). То есть JDA не делает ничего, что можно сделать руками (никаких волшебных пилюль в расчётах), но позволяет снять 99% рутинной работы и оставить на обработку руками только то, что показывает выбросы.
Входящие данные — это история продаж искомого товара, история продаж товаров в его группе (заменителей, например), известные тренды, данные о маркетинговых и иных активностях, оценка спроса по продажам (с учётом заполнения окон когда товара не было в наличии), а также мнение закупщика относительно профиля спроса на товар. Если товар «подхватывает» линейку — также данные по всей линейке до этого. Детали в общем есть в первом топике, ссылка на который в самом верху. Прелесть рассматриваемого решения — в возможности построить прогноз, изменив один фактор, например, предположив, что вы завтра стартуете акцию: это сразу даёт возможность оценить возможный спрос в новых условиях и рассчитать оптимальную стратегию. Чуть позже расскажу как учитываются в логистике праздники и другие внешние явления.
Стоимость решения зависит от очень многих факторов, первый из которых — конкретный тип продукта (речь не только о JDA, но и других вендорах). Если интересны детали — давайте обсудим в личке.
Конечно, учитываются, но не в плане «что будет, если президент покажет этот товар по ТВ», а в плане оценки влияния и выделении тренда на ранней стадии. Учесть можно практически любой фактор, достаточно его представить в виде временного ряда — это задача закупщика. Задача системы — обратить внимание на нетипичную активность по товару, если закупщик этого не сделал. К примеру, тот же индекс цитируемости можно собрать и представить в виде статистики за прошлые периоды и учитывать его как фактор.
Все булочные Парижа — это экспертная система, которая продаёт ровно столько хлеба, сколько нужно жителям. Эта система саморегулируется. При этом каждая отдельная булочная нуждается в инструментах прогнозирования, иначе может вылететь с рынка из-за недопроизводства или перепроизводства.
Размерность задачи расчета структуры посевных площадей порядка 1e6 переменных и такого же порядка количество линейных же ограничений (1e7 коэффициентов линейных ограничений). Кроме выбора оптимальных севооборотов рассчитывается план работ техники в периоды сева и уборки, площади культур ограничены количеством своей техники. Задача операционного планирования включает распределение техники по полям (трактор + прицепное устройство) и расчет логистики перемещения каждой единицы техники. Для типичного среднего хозяйства (200 полей, 100 единиц техники и 2000 вариантов пар техники) размерность задачи составляет 1 млн. переменных и 20 млн. линейных коэффициентов в ограничениях. Сложности чаще возникают не столько из-за размерности модели (решается расширением используемой памяти), а в сложности сходимости задачи, либо поиска начального решения. Часто помогает декомпозиция задачи.
Для расчета внесения удобрений можно применить другой кейс расчета необходимой дозы внесения с учетом плодородия почвы. Для этого нужны данные о химическом составе почвы, которые нужно собирать раз в 3-5 лет и не каждый Агрохолдинг может себе это позволить.
Погодные данные учитываются в задаче операционного планирования техники, операция может не выполняться из-за того, что не подходит температурный режим или идёт дождь, если трактор вышел из строя, или механизатор «заболел», все эти факторы учитываются на коротком периоде и создается план работ на неделю-две.
На практике — оставлять меньше информации для анализа (в том числе, везде, где ваш голос может быть записан), использовать разное звуковое окружение, шумные линии, специально наведённые помехи, пытаться говорить с акцентом. Думаю, если говорить без зубов, вас тоже не распознают. Но если так делать, вы будете как минимум подозрительны для сотрудника колл-центра.