wird unsere digitalen Assistenten werden und uns helfen, die Komplexität der modernen Welt zu steuern. Sie werden unser Leben einfacher und effizienter machen. “ Inspirierende und völlig unvoreingenommene Aussage von jemandem, der bereits Milliarden in diese neue Technologie investiert hat.
Der Hype ist actual für AI -Agenten, und Milliarden strömen ein, um Modelle zu bauen, die uns produktiver und kreativer machen. Es ist schwer, nicht einverstanden zu sein, wenn ich meinen Morgenkaffee gerne genieße, während Cursor meine Unit -Assessments kodiert. Wenn Sie jedoch die Leute in meinem Netzwerk fragen, wie sie KI in ihrem Alltag verwenden, erwähnen ihre Antworten oft anekdotische Anwendungsfälle, überall von „Ich benutze es, um meinem Sohn Geschichten zu erzählen“ (ich denke, das wäre nicht einmal ein Anwendungsfall, wenn Sie mehr Fantasie hätten), um es zu „optimieren“ (Bewegung Ai, bitte aufhören, mich für die Liebe zum Gott zur Liebe zu tun).
Als Datenwissenschaftler geht mein Geist zwischen zwei Schlussfolgerungen hin und her. Der FOMO -Teil von mir, der nicht zu spät zur Roboterrevolutionspartei kommen will, und der zynische, der glaubt, dass es noch einen langen Weg vor sich gibt, bevor künstliche Intelligenz tatsächlich clever wird. Um herauszufinden, auf welcher Seite meiner schizophrenen Persönlichkeit ich wetten sollte, werde ich ein einfaches, aber leistungsstarkes Rahmen verwenden: Überprüfung aller Projekte, an denen ich seit Beginn meiner Karriere gearbeitet habe, und zu beurteilen, wie 2025 hochmoderne KI-Modelle hätte helfen können.
Heute kehren wir auf 2018 zurück. Ich bin ein offener Sommerpraktikant bei einem der disruptivsten Startups in Amerika: Mieten Sie die Landebahn.
Worum ging es beim Projekt
Die Miete des Landebahn -Achievement -Zentrums in Secaucus, New Jersey, warfare früher die größte chemische Reinigung in den USA.
Im Sommer 2018 hatte ich als Praktikant für den Operations Analyst ein ziemlich schweres Drawback, über das ich nachdenken konnte: Das Everyding Middle erhielt Tausende von Einheiten aus dem ganzen Land zurück. Alle Gegenstände mussten zuerst inspiziert werden und würden dann einen gründlichen Reinigungsprozess durchlaufen, bevor sie getrocknet wurden oder einige spezielle Behandlungen erhalten hatten. Dies könnte sein:
- Recognizing, wenn das Kleidungsstück während der Miete befleckt wurde
- Drücken, wenn es zu faltig warfare und gebügelt werden musste
- Reparatur, wenn es beschädigt worden warfare
Die meisten dieser Aufgaben wurden von verschiedenen Abteilungen manuell ausgeführt und mussten spezialisierte Arbeitnehmer zur Verfügung stehen, sobald die erste Cost von Einheiten ihre Abteilung erreichte. In der Lage zu sein, Tage vorherzusagen, welches Einheitenvolumen verarbeitet werden müsste (und wann), warfare entscheidend für die Planungsscheibe für Achievement Middle, um sicherzustellen, dass jedes Betriebsteam angemessen besetzt sein würde.
Die Komplexität des Flusses machte es noch schwieriger. Es ging nicht nur darum, das Inboundvolumen vorherzusagen, sondern auch zu beurteilen, welcher Teil dieses Inboundvolumens spezielle Behandlungen erfordern würde, wo und wann Engpässe erscheinen konnten, und zu verstehen, wie sich die Arbeit in einer Abteilung auf die anderen Abteilungen auswirken würde.
Die 2018 -Lösung
An diesem Punkt fragen Sie sich vielleicht: Warum warfare es angesichts der Komplexität und der Einsätze des Projekts in den Händen eines jungen unerfahrenen Praktikums? Um truthful zu sein, kratzte ich während meines 10-wöchigen Sommerpraktikums nur an der Oberfläche und schrieb ein wahnsinnig kompliziertes Pyomo-Drehbuch, das später von einem hochrangigeren Datenwissenschaftler verfeinert wurde, der zwei Jahre allein mit diesem Projekt verbracht wurde.
Aber wie Sie sich vorstellen können, warfare die Lösung dieses riesige Optimierungsmodell als Eingabe der eingehenden Volumenprognose für jeden Wochentag, die durchschnittliche UPH (Einheiten professional Stunde, dh die Anzahl der Einheiten, die in einer Stunde verarbeitet werden können) in jeder Abteilung und einige Annahmen zu den Anteilen der Einheiten, die spezifische Behandlungen erfordern würden. Die Hauptbeschränkungen waren das Timing und die Regelmäßigkeit der Verschiebungen sowie die Anzahl der Vollzeitverträge. Das Modell würde dann eine optimierte Arbeitsplanung für die Woche ausgeben.
Wie KI hätte helfen können
Lassen Sie uns zuerst die Dinge neu anklagen: Sie werden in meiner LinkedIn-Biografie keine Wörter wie „Ai-enthusiast“ oder „LLM-Gläubiger“ sehen. Ich bin ziemlich skeptisch, dass KI alle unsere Probleme auf magische Weise lösen wird, aber ich bin daran interessiert zu sehen, ob mit der heutigen Technologie ein anderer Ansatz möglich wäre.
Weil unser Ansatz warfare, konnte man sagen, hübsche alte Schule und monatelanges Verfeinerungen und Assessments erforderlich.
Die Hauptgrenze ist der statische Aspekt der Lösung. Wenn während der Woche etwas Unerwartetes geschieht (z. B. ein Schneesturm, der die Logistik in einigen Teilen des Landes lähmt und einen Teil des eingehenden Volumes verzögert), müssen viele Annahmen des Modells geändert werden und seine Ergebnisse werden veraltet.
Dies ist eine Lösung, bei der Datenwissenschaftler tief in das Unkraut eingehen, anstatt sich auf ein außergewöhnliches Framework zu verlassen, sich auf viele Annahmen zu verlassen und Zeit damit zu verbringen, diese Annahmen aufrechtzuerhalten und zu aktualisieren.
Könnte AI einen völlig anderen Ansatz finden? NEIN.
Für dieses spezielle Drawback benötigen Sie eindeutig ein Optimierungsmodell, und ich muss noch darüber gelesen, dass ein LLM ein Modell mit einer solchen Komplexität bewältigen kann. Man könnte einen Rahmen mit einem AI-Agenten vorschlagen, der als Normal Supervisor fungiert und sich auf Subagenten stützt, um die Planung jeder Abteilung zu bewältigen. In diesem Rahmen würde jedoch Agenten immer noch Instruments erfordern, mit denen sie ein komplexes Optimierungsmodell lösen können, und die Subagenten müssten kommunizieren, da die Scenario einer Abteilung alle anderen betreffen kann.
Könnte AI die „menschlich erzeugte“ Lösung erheblich verbessern? Möglich.
Zu diesem Zeitpunkt ist mir ziemlich offensichtlich, dass LLMs das Drawback nicht trivial machen, aber sie könnten dazu beitragen, die Lösung in mehreren Bereichen zu verbessern:
- Erstens könnten sie bei der Berichterstattung und Entscheidungsfindung helfen. Die Ausgabe des Optimierungsmodells könnte einen geschäftlichen Sinn haben, aber für jemanden ohne ein starkes Verständnis der linearen Programmierung ist es schwierig, eine Entscheidung zu treffen. Ein LLM könnte dazu beitragen, die Ergebnisse zu interpretieren und konkrete Geschäftsentscheidungen vorzuschlagen.
- Zweitens könnte ein LLM dazu beitragen, schneller auf bestimmte unerwartete Situationen zu reagieren. Es könnte beispielsweise Informationen zu Ereignissen zusammenfassen, die sich auf die Operationen auswirken könnten, wie z. B. schlechtes Wetter in einigen Teilen des Landes oder anderen Problemen mit Lieferanten, und als solche, wann das Planungsmodell überholt werden soll. Dies setzt voraus, dass es Zugriff auf gute Qualitätsdaten zu diesen externen Ereignissen hat.
- Schließlich ist es möglich, dass KI auch dazu beitragen kann, Echtzeitanpassungen an der Planung vorzunehmen. Zum Beispiel ist es in der Regel aufgrund der Kleidungseigenschaften vorhersehbar, ob sie besondere Pflege benötigen (z. B. muss ein Baumwollhemd immer manuell gebügelt werden). Wenn ein VLM jedes Kleidungsstück an der Empfangsstation scannt, kann die nachgeschalteten Abteilungen helfen, zu verstehen, wie viel Volumen sie Stunden im Voraus erwarten sollten.
Könnte AI es den Datenwissenschaftlern ermöglichen, das Modell aufrechtzuerhalten und zu aktualisieren? Ja!
Es ist wirklich schwer zu leugnen, dass bei Instruments wie Copilot oder Cursor -Codierung und Aufrechterhaltung dieses Modells einfacher gewesen wäre. Ich hätte Claude nicht blind gebeten, jede Einschränkung des linearen Programms von Grund auf neu zu codieren, aber da AI -Code -Redakteure klüger als je zuvor sind, wäre es einfacher, bestimmte Einschränkungen zu ändern und zu testen (und menschliche Fehler zu fangen!).
Meine Schlussfolgerung ist, dass ein LLM im Jahr 2018 das Projekt nicht trivialisiert hätte, obwohl es die endgültige Lösung hätte erhöhen können. Es ist jedoch nicht unmöglich zu glauben, dass in einigen Jahren (Monate?) Agenten mit verbesserten Argumentationsfunktionen anspruchsvoll genug sein werden, um diese Artwork von Problemen zu knacken. In der Zwischenzeit, während KI Modell -Iterationen und -anpassungen beschleunigen kann, bleibt das menschliche Urteil im Kern unersetzlich. Dies dient als wertvolle Erinnerung daran, dass es nicht nur darum geht, Datenwissenschaftler zu lösen, sondern auch darum, mathematische oder Informatikprobleme zu lösen-es geht darum, praktische Lösungen zu entwerfen, die sich entwickelnden, oft nicht eindeutigen und nicht so intestine definierten Einschränkungen der realen Welt entsprechen.
Artikel 100% Menschen erzeugt