# Боб Роджерс: «Как цифровые двойники черных дыр помогают оптимизировать логистику» Источник: https://www.youtube.com/watch?v=_R4zzavM9_k Канал: Eye on AI Опубликовано: 09.11.2022 --- Современные глобальные цепочки поставок часто сравнивают с кровеносной системой мировой экономики, однако события последних лет — от пандемии до блокировки Суэцкого канала — показали их крайнюю уязвимость. Боб Роджерс, сооснователь и генеральный директор компании oii.ai, в беседе с Крейгом Смитом объясняет, как опыт моделирования черных дыр и управления хедж-фондами помогает переосмыслить логистику через создание цифровых двойников и использование ИИ. ## 🌌 От астрофизики к оптимизации бизнеса [[JUMP:01:30]] Боб Роджерс обладает нетипичным для бизнесмена бэкграундом: он получил степень PhD по физике в Гарварде, где занимался вычислительными моделями аккреционных дисков сверхмассивных черных дыр [02:32]. Позже он применял нейронные сети для управления хедж-фондом количественных фьючерсов с 1993 по 2005 год, сочетая передовые алгоритмы с физическим присутствием трейдеров на бирже CME [03:10]. Связь между изучением космоса и логистикой, по мнению Роджерса, заключается в концепции «цифрового двойника». В астрофизике невозможно поместить черную дыру в лабораторию, поэтому ученые строят цифровые модели, чтобы сопоставлять симуляции с данными рентгеновского и гамма-излучения [14:45]. Тот же принцип применим к современным цепочкам поставок: * Система моделирует движение каждого продукта от завода через распределительные центры к клиенту [15:10]. * Учитываются физические ограничения: емкость складов, время переналадки производственных линий и минимальные объемы заказов [15:23]. * ИИ генерирует сценарии будущего, а цифровой двойник проверяет, как текущая конфигурация сети справится с ними [16:31]. ## 🛠️ Переломный момент: почему старые модели не работают [[JUMP:09:08]] Главная проблема традиционного управления поставками, по словам Роджерса, заключается в предположении, что мир статичен [09:08]. Компании проектируют сеть один раз и крайне редко пересматривают её параметры. Однако реальность последних лет показала, что «даже изменчивость бывает изменчивой» [09:21]. В качестве примера критического расхождения модели и реальности спикер приводит сроки поставок (lead times): * В мастер-данных ERP-системы (например, SAP или Oracle) может быть указано, что доставка занимает 10 дней [11:48]. * Реальный замер может показать 22 дня, а в случае блокировки порта Шанхая этот срок мгновенно прыгает с двух недель до 90 дней [12:03]. Традиционные методы оптимизации часто работают изолированно, что приводит к конфликтам целей. Роджерс иллюстрирует это примером из фармацевтики: отдел логистики может решить радикально сократить запасы для экономии средств, но это приводит к падению уровня сервиса [17:28]. В ответ менеджеры могут забить склады товаром, но из-за длительного пролеживания у лекарств истекает срок годности до того, как они попадут к потребителю [18:07]. Только глобальная оптимизация с использованием ИИ позволяет найти баланс между этими параметрами в режиме реального времени. ## 👁️ Глубокое обучение и спасение детей [[JUMP:06:04]] До того как сосредоточиться на логистике, Роджерс занимал пост главного дата-сайентиста в Intel, где руководил проектами, демонстрирующими мощь компьютерного зрения (CNN). Одним из самых значимых достижений он считает систему, разработанную для Национального центра пропажи и эксплуатации детей (NCMEC) и организации *Thorne* [06:18]. Проблема заключалась в огромном объеме объявлений о продаже детей в интернете. Офицерам приходилось вручную сравнивать фото из объявлений с базой из 40 000 портретов пропавших детей. Система глубокого обучения на базе сверточных нейросетей позволила автоматически ранжировать изображения по сходству, учитывая изменения в возрасте, макияже и освещении [07:11]. По утверждению Роджерса, использование этой технологии помогло найти и спасти сотни детей [07:26]. Этот опыт научил команду работать с доверием пользователей к ИИ. Сначала аналитики опасались доверять системе, но когда им дали возможность видеть «уверенность» (confidence level) алгоритма, они сами попросили автоматизировать все решения с точностью выше 80% [32:05]. ## 🔐 Конфиденциальные вычисления и будущее отрасли [[JUMP:23:49]] Современные цепочки поставок фрагментированы: поставщики не хотят делиться данными с конкурентами или даже клиентами. Роджерс видит решение в использовании технологии Confidential Computing (конфиденциальные вычисления) [24:29]. Суть подхода заключается в создании «защищенного хранилища» (vault): 1. Алгоритм оптимизации и частные данные участников (например, запасы поставщика) помещаются в зашифрованную среду [24:42]. 2. Вычисления происходят внутри «сейфа», при этом даже владелец сервера не видит исходных данных. 3. На выходе выдается только конечный результат — например, рекомендация по координации спроса [24:54]. Роджерс ранее участвовал в патентовании подобных решений для медицины (проект *BeekeeperAI*), позволяющих обучать ИИ на частных данных пациентов без нарушения их конфиденциальности [24:14]. Он убежден, что такой же подход станет стандартом для межкорпоративной оптимизации поставок. ## 📈 Практические результаты и алгоритмы [[JUMP:34:08]] Хотя компания oii.ai экспериментирует с глубоким обучением для моделирования сложных сценариев (Monte Carlo симуляции), в текущем производстве используется широкий стек методов [34:49]: * **XGBoost (бустинг деревьев):** для предварительной классификации данных клиентов и отображения их в модель [34:08]. * **Регрессия на основе Гауссовских процессов:** для оценки вероятности априори случайных событий [34:35]. * **Динамические временные ряды:** для прогнозирования спроса. Реальные кейсы показывают значительный экономический эффект. Роджерс упоминает проект по распределению вакцин в Индии во время пандемии, где система автоматически направляла дефицитные препараты наиболее уязвимым группам населения (пациентам старше 80 лет с сопутствующими заболеваниями) [29:27]. У другого клиента компании прогнозируется рост выручки на 30% только за счет перенастройки параметров сети [38:50]. По мнению Роджерса, автоматизация и ИИ в логистике — это не замена людей, а «дополненный интеллект» (augmented intelligence) [38:23]. В условиях дефицита кадров и ухода носителей «племенных знаний» из компаний, такие системы позволяют новым сотрудникам быстрее входить в курс дела и избегать дорогостоящих ошибок.