Grazie al Machine Learning (ML), una grande quantità di dati è stata utilizzata al meglio negli ultimi anni, rilevando modelli, estraendo insight e fornendo preziose previsioni.
Che si tratti di un robot o di un essere umano, una volta inseriti i dati, è necessario trovare una linea d'azione, possibilmente la migliore, che soddisfi diversi requisiti. Ad esempio, decidere quali azioni acquistare e quando, come programmare le consegne, quale widget produrre e in quali macchinari investire, sono tutti problemi decisionali.
La ricerca operativa (OR) cerca di rispondere in modo affidabile a queste domande modellando esplicitamente le decisioni e trovando quelle ottimali per gli obiettivi scelti.
Dato l'enorme impatto che l'ottimizzazione delle decisioni può produrre per un'azienda, la ricerca operativa è uno dei modi migliori per sfruttare e valorizzare i modelli ML!
In questo intervento è stata presentata il Mathematical Programming, un metodo versatile di modellazione delle decisioni, e la sua applicazione a un esempio di problema di pianificazione di una centrale elettrica, risolto tramite solutori open source e librerie Python.
Mentre i problemi più piccoli possono essere risolti in tempi ragionevoli con un risolutore generico su una singola macchina, la stessa tecnologia viene abitualmente ridimensionata nelle applicazioni del mondo reale a problemi più grandi e complessi tramite generici "decomposition methods".
Speaker: Andrea Taverna, PhD, CAP Senior Operations Researcher for Pricing Optimization @ Priceloop
Meetup della Community di Deep Learning Italia