本文仅作为学术分享,如有侵权作删文处理


1:匿名用户的回答

链接:https://www.zhihu.com/question/270498281/answer/2183747685


先说一下个人经历:


本人C9的EE本科,本科期间机缘巧合去北美某校 IE 交流一学年。
交流期间拿到对方学校OR master的Ad。读完OR master后,在时任OR DGP的帮助下继续读PhD。但一年后因为各种原因quit了PhD,改读了CS master。目前毕业工作8年。


我想说说我看到的OR的问题。


  1. OR在工业界的基本盘太弱,很难吸引到学生,院系也就不可能铺的很大。

    所谓基本盘,就是和这个专业深度绑定的行业。比如:软件公司、互联网公司必须要招计算机系的毕业生。芯片行业必须要招硬件工程师。游戏行业必须要招美术。建筑行业必须要招结构工程师。上面说的这些行业都能大量吸收毕业生。而OR呢,可能我格局太小,我能想到的只有物流、仓储、调度(航空业),还有什么行业是绑定OR,缺了OR玩不转的?

    院系铺不大也直接导致我后面要说的启发式算法方向丢掉机器学习这个大热点。神经网络一直是启发式算法的重要研究对象。但当热点出现后,别的科系可以投入大量的研究人员和资金,而OR整个科系的规模 还没 同校CS的两个Lab大,怎么抢热点

  2. 对于工业界来说投入产出比实在太低。

    除了上述几个基本盘行业,其余的行业除非正常的方法的利润实在难以提升了,才会想到能不能用OR的方法再挤出一点利润或者提升一点效率,或者一个公司已经非常成熟,可以养得起一些“闲杂人等”做研究才会专门去招OR的毕业生。还有很多公司是抱着“给投资人讲故事”的心态给部门招的OR人才。

    而且一个公司如果没有相应的公司文化,你指望今天招一打OR毕业生,明年报表上就看到效果,比中彩票都难。要让一个公司上上下下转变观念,投入资源,还要双方磨合培养,才有可能见效。这对一个公司来说谈何容易,这对公司来说都是成本。想想公司里那些盘根错节的关系,你何德何能,让全公司都支持你给你数据让你调研?不给你使绊子就不错了。

  3. OR用来解决工业界问题的工具不够泛用。

    OR里有太多的理想模型,理想条件。很多现实的约束,哪怕近似你都不知道怎么近似成理想条件。

    现在好了,机器学习发达了,是个问题都能往里装,目标函数的非线性性都上天了,什么奇葩的约束条件都可以上,输入数据一堆噪音,照样能给你一个也许不是最优但够用的解决方案。

    是的,机器学习现在有吹过头的嫌疑。但人家还是有真刀真枪能给工业界带来巨大巨大巨大推动的能力:

    比如给500k不同的广告,给一个用户场景,要求选出在该场景下可以使“预测点击率”最大的那一个广告。要求在去除0.01%长尾后,计算时间不高于30毫秒。

    这毫无疑问是个百亿价值的问题,而不是营销吹逼。外行从描述上都能看出这是个最优化问题,但现在解决这个巨大价值问题的不是OR。而提起机器学习这个领域的突破与贡献,外人首先想到的也不是OR。我觉得很难过。

  4. 部分OR的专业领域OR毕业生的优势不明显甚至没有优势。

    说真的,我看到这个问题下有的答案里说导航什么的。这真的是OR的优势领域吗?以我在CS和OR两边的经历来看,CS研究生的图论可不比OR的简单。

    老板如果以为招个OR研究生能让你的导航算法给出更优的线路,很可能会被CS研究图论的人吊起来打

    举个例子,同样是授课型研究生的课程,OR的图论课眼界非常狭窄,局限在各种优化问题上,如果不是优化类问题,就只提一嘴。比如图论只教授网络流、最短路径之类的,不直接涉及优化的比如图着色问题、图同构问题基本就抓瞎了。之所以拿这个说事是因为,我就知道一个现实的工业界的调度优化问题(起码价值百万美金),是用图着色解决的,还有我工作中遇到的一个优化问题 其实包含了一个 图同构问题。

    如果单论图论中的最优化问题,OR的毕业生可能确实相对CS一开始有优势,比如最大流最小割问题,我的感觉是OR的同学比CS掌握的扎实(这里讨论国外的情况)。毕竟同样学时的一门图论课,CS要讲要考那么多问题,OR只需要精讲几个问题。你可以说是OR注重深度而CS注重广度,我本来也是这么以为的,各有所长嘛。

    但是到实际工作中发现,对于一个问题,CS的人可能知道这是个什么类型的问题,但不知道怎么解,但只要知道这个问题的关键词(比如“最小割”),很容易在网上找到解法,或者在圈子里问一嘴找到指路人。可是OR的毕业生,遇到一个问题,是自己学过的就能轻松解决,但没学过的可能都不知这是个什么类型的问题,如何建模,给个搜索引擎都不知道关键词是什么,直接抓瞎,就算找人问都没法几个关键词说清楚,往往要把整个问题讲给别人听。

    所以现在我认为,在工作中(先不论研究型岗位),知识储备广度的重要性大于深度。

    OR在其他学科的交叉部分也有类似的问题。也许统计系的研究生没学过队列论,但统计系的随机过程可是比OR的研究生强太多了。在我求学时,随机过程的频域变换这种工具在OR的7xx课程(研究生博士生共同课程)中才成为某个章节的主要讲授内容。而在统计系和数学系,是5xx课程(研究生课程)中就要考的。而OR重点研究的队列论在统计系、数学系眼中那就是随机过程的一个非常非常简单的应用,要捡起来非常容易。

  5. OR的Heuristic方向没能抓住ML这个千载难逢的机会。

    早在ML热起来之前,Neural Network一直是Heuristic的重要研究对象之一。但是Heuristic方向常年的没钱没人不温不火不咸不淡,导致在ML出现超新星爆发的时候,别的科系(CS/ST)能马上涌入大量的研究人员和资金,OR却心有余力不足。最后活生生将ML这个方向吐了出去。哭瞎。

    于是变成现在这个状况。ML本来是OR应该研究的问题,但是现在目前这个蛋糕在眼皮子底下被别的科系抢走。更要命的是这还是个价值百亿的工业界问题。这太扎心了啊。

2:三天打鱼两天晒网的回答

链接:

https://www.zhihu.com/question/270498281/answer/3068615585

发展时间还不够,很多硬性(商业需求)软性(人力资源,文化)的条件还不成熟。先歪个楼。20世纪50年代,美国军方需要优化每个战区配置多少艘航空母舰,当时的线性规划给出的答案可能是某个战区1.6艘航母这种尴尬的答案。这才触发了Gomory去研究整数规划的算法。我们2023年还只有3艘航母下水,目前也不太存在要在全世界分配航母的问题。所以让子弹再飞一会呗。

下面回到正题。我从从零开始到落地一个优化项目为商业银行带来实际收益的角度说一说这里面的过程和各个环节需要的条件。希望这个例子可以说明在企业里落地一个运筹项目需要的条件和困难进而讨论国内现在具不具备这样的条件。我当时的雇主是美国某个以使用technology起家并且出名的银行。我们面临的问题是当客户存入支票以后,我们要多久可以放款。假设某人存了一张1000美元的支票进来,如果我们当天立即放款然后他把钱取走了或者转到了别的银行,假如第二天我们发现那张支票是假的,银行就需要承受这笔损失。假如我们一直不放款拖到第四天我们确认了这张支票是可以兑付的,风险是降低到了0但是对于大多数诚实守信的客户来说,客户体验是非常差的。因为存了钱进来却一直没法使用。实际的policy还要考虑很多别的因素比上面说的复杂很多。But you get the major trade-off here ,and this is a great context to use optimization.


1。这个项目机会怎么来的?

我的老板(DS组的)是一个OR的PhD并且在这家银行已经工作了快20年。他自身的学业背景和对公司业务和人员的熟悉让他能够发现公司里有这么一项业务需求并且根据他的判断是可以用运筹优化来解决的。试想如果他没有OR的背景或者对公司业务还不是那么熟悉,他还有多大的可能能发现这个业务,发现了这个业务如果他没有OR的背景, 他又有多大可能能想到优化能解决这个问题? 国内的企业里现在有多少既有OR背景又对某个企业的业务非常熟悉的人?


2。这个项目为什么值得做(管理层为什么愿意投入资源人力去做这个事?)

管理层为什么愿意做这个项目当然会涉及很多原因。但是其中重要的一条是it's the right time to do this 。正如之前某个回答里提到的OR是一个1到1.5的过程。如果一个企业0到1的项目都没做完(e.g. low hanging fruit),那它是很大可能不会想着做投入资源到1到1.5的项目里的。我们当时开始这个项目的时候, 这公司已经完成了所有数据到cloud的迁移, 机器学习也已经用在了各条业务线了。作为data science组的领导,还有什么新的玩意能够impress他的领导呢? 正是OR。那么对应的问题来了,国内现在到了ML已经不能带来收益需要用更酷炫的OR的阶段了吗? 卖AI这个概念是不是比OR更容易打动领导?


3。除了需要data science/OR的知识技能之外,还需要什么资源条件才能成功落地这个项目?

Get the buy-in from business. 很多没有在企业里工作过的ORer可能并没有意识到business team在大多时候才是最终的decision maker。你的模型做的再科学再华丽business team不买账最后都是白忙活。那么决定business买不买账的重要因素有哪些呢?


(1) DS, OR Scientist懂不懂business的问题, 能不能有效直白的解释你在做什么。这个问题听上去简单做起来难。Business team的人有时候自己都说不清楚自己要解决的问题。从以什么样的指标为目标函数,到设置什么样的constraints往往都需要DS/ORer自己去读business的document需要不断的跟business的人沟通。我在做这个项目的过程中感觉过去business team的人还是留下了非常高质量的document让我能够更好更完整的了解这个业务的每一个流程。要不然光凭借那点technical skill/knowledge是不可能完成工作的。反过来,当你做出一个阶段性的prototype的时候,你能不能用business team的人能够听懂的话解释清楚他们问的问题并且earn trust也是取得最终buy-in的关键因素。这一点上国内的企业有没有专门提供给针对DS/ORer这种技术岗位"soft skills"的有效培训或者哪怕就是这个意识?


(2) Business team里有没有懂技术的,综合素质如何?

Business team里有没有懂技术的人在很大程度上决定了他们会不会最终买账。巧合和幸运的一点是我对口的这个项目的business team里恰好有两个leader是industrial engineering背景出生的(这在银行里并不多见)。这让许多沟通变的非常方便。比如你说integer programming,objective function, constraint这种概念他们至少知道你在说什么,也能够理解optimization这种技术的不足并且指出你提供的solution哪里可能有风险。


(3) 企业文化和流程是否能够成熟地对待创新带来的潜在风险?

任何一项新技术的投入都会带来潜在的失败。优化在企业里实际上是一个比机器学习更有风险的技术应用,因为优化模型往往更贴近商业决策,直接改变business decision不像机器学习很多时候还是在提供预测的功能。从企业的角度来说,有没有一套成熟的机制和流程去审批和应对新模型的应用带来的风险就至关重要。一个成熟的企业文化和机制会尽量保护从事创新工作的技术人员,即使失败了也不会太多的责备并且保护其积极性。同样一个成熟的企业会有相应的流程去审批新模型的应用(e.g. 独立的model validation和policy validation的组和流程。细化到新的模型上去以后kpi到了多少就要撤回新的模型等等)。成熟的文化和机制会让员工更易于接受新技术的使用而不是凡事都想着最小化风险。在这一点上,不知道国内的企业有没有建立出这样一套组织和流程,还值是出了问题就只有追究责任。


总之落地一个直接改变business decision的运筹优化项目往往比落地一个predictive modeling这种项目要复杂的多,因为这里面跟business的关系更紧密风险也就更大。后来接手我项目的一个同事说这个项目为什么这么多drama,比她之前做forecasting的项目在管理上要复杂的多?我当时开玩笑说是的,这个项目几乎能凑齐了面试Amazon leadership principle需要的例子。


像OR这种与实践非常相关的学科的发展需要首先有相对应的需求。有了需求之后还需要各种条件能够保障技术得到有效的使用。当这个技术给社会带来了实际的利益和好处之后,才有可能得到更多的关注和认识。


微信公众号后台回复

加群:加入全球华人OR|AI|DS社区硕博微信学术群

资料:免费获得大量运筹学相关学习资料

人才库:加入运筹精英人才库,获得独家职位推荐

电子书:免费获取平台小编独家创作的优化理论、运筹实践和数据科学电子书,持续更新中ing...

加入我们:加入「运筹OR帷幄」,参与内容创作平台运营

知识星球:加入「运筹OR帷幄」数据算法社区,免费参与每周「领读计划」、「行业inTalk」、「OR会客厅」等直播活动,与数百位签约大V进行在线交流



                    


        




文章须知

文章作者:匿名用户、三天打鱼两天晒网等

责任编辑:疑疑

微信编辑:疑疑

文章由『运筹OR帷幄』转载发布

如需转载请在公众号后台获取转载须知






关注我们 

       FOLLOW US







































内容中包含的图片若涉及版权问题,请及时与我们联系删除