1- مقدمه

مهار کردن توانایی های هوش مصنوعی جهت ارتقا کارآیی تحقیق در عملیات یکی از دغدغه های امروزین دست اندر کاران این حوزه می باشد. هوش مصنوعی قلمرو وسیعی از امکانات را برای تحقیق در عملیات می گشاید و آلگوریتم ها و تکنیک های پیچیده ای را برای حل مسائل بغرنج در اختیار قرار می دهد.

بنا به پیش بینی دفتر کار ایالات متحده امریکا، میزان اشتغال در حوزه تحقیق در عملیات در فاصله ده ساله مابین 2023 و 2033 رشدی معادل 23 درصد در سال خواهد داشت. این رشد که بسیار سریعتر از رشد مشاغل دیگر است، به معنای متوسط 11300 موقعیت شغلی در سال در طی یک دهه آینده می باشد.

2- مراحل عملکرد تحقیق در عملیات

می توانیم رویکرد تحقیق در عملیات برای حل مساله را شامل پنج مرحله ذیل بدانیم.

1-2- تشخیص و تعریف مساله Problem Identification and Definition

این مرحله که از مهمترین مراحل در فرآیند تحقیق در عملیات می باشد، عبارت است از:

• درک مساله (محتوای مساله، اهداف مساله و محدودیت های مرتبط)
• تعامل با ذینفعان مساله (انتظارات ذینفعان، آرمان هایشان، نیازمندی هایشان، تشخیص اولویت هایشان و بده بستانی که از نظر آنها مابین اهداف مساله می توانند وجود داشته باشند)

2-2- ایجاد پارامترها Parameter Generation

پس از درک مساله در مرحله قبل، در این مرحله داده های عددی که مساله بر اساس آنها می تواند ساخته شود به صورت ذیل تعریف می گردند :

• تعریف ضرایب توابع هدف
• تعریف ماتریس محدودیت ها

برای انجام این مرحله می توان از داده های تاریخی، نظرات خبرگان، مطالعات بازار، داده های به دست آمده از حسگرها و غیره استفاده نمود. داده های گردآوری شده در این مرحله نیازمند پالایش، نرمالیزه کردن، تجمیع و تبدیل می باشند.

3-2- فرموله کردن مدل Model Formulation

در این مرحله روابط ریاضی و منطقی حاکم بر داده های به دست آمده از مرحله قبل تدوین می گردند که این امر منجر به شکل گیری مدل ریاضی مساله خواهد شد. نوع مدل ریاضی و ساختار آن کاملا مرتبط با نتایج حاصل شده از دو مرحله پیشین خواهد بود.

4-2- بهینه سازی مدل Model Optimization

تصمیم گیری در خصوص کارآترین روش حل مدل ریاضی ساخته شده، در این مرحله باید انجام پذیرد. طبعا انجام این مرحله نیازمند داشتن دانشی عمیق از تکنیک های دقیق بهینه سازی و نیز روش های هیوریستیک و متاهیوریستیک جهت حل انواع گوناگون مدلها می باشد. اینکه تا چه میزان دقت مورد نظر باشد نیز روی انتخاب تکنیکها موثر خواهد بود.

5-2- تفسیر و اعتبار سنجی Interpretation and Validation

قاعدتا هدف اصلی از حل هر مساله ای، دست یابی به جواب ها می باشد. یکی از مهمترین مراحل بعد از حل مدل، تفسیر نتایج حاصله و تطبیق آنها با شرایط واقعی مساله خواهد بود. ولی پیش از این مرحله لازم است که ابتدا از درستی نتایج اطمینان یابیم. به این مرحله، اعتبار سنجی گفته می شود.

اعتبارسنجی شامل دو قدم است: اعتبار سنجی مدل، و اعتبار سنجی نتایج حاصل از حل مدل.

منظور از اعتبار سنجی مدل این است که آیا مدل ساخته شده (علیرغم اینکه می تواند از نظر ساختار ریاضی کاملا صحیح باشد) واقعا منعکس کننده آن مساله ای هست که قرار است آنرا مدل کند؟ درجه تطابق آن با مساله واقعی چقدر است؟

پس از اطمینان یافتن از این مرحله، می توانیم به سراغ اعتبار سنجی نتایج حاصل از مدل برویم. یعنی آیا مدل را درست حل کرده ایم؟ روش حل درستی را برای مدل به کار گرفته ایم؟ آیا نتایج به دست آمده از حل واقعا جواب هایی هستند که منجر به بهینه شدن مدل می شوند؟ (برای اطلاع بیشتر از مرحله اعتبارسنجی می توانید به مقاله اعتبارسنجی مدل های ریاضی در همین سایت مراجعه نمایید).

3 – نقش هوش مصنوعی در مراحل مختلف تحقیق در عملیات

می توان از هوش مصنوعی در تمامی مراحل تحقیق در عملیات استفاده نمود. یکی از کلیدی ترین این موارد شامل نقطه ضعف بزرگ تحقیق در عملیات می گردد: اگر نتوان اهداف را در قالب ریاضی بیان کرد، امکان استفاده از OR هم عملا وجود نخواهد داشت. در بسیاری از مسائل دنیای واقعی، اهداف کاملا جنبه کیفی دارند. نظیر عدالت، رضایت، احساس خوشبختی و غیره. برای به کارگیری تحقیق در عملیات مجبور هستیم اینگونه اهداف را کمی سازی نموده و به عدد تبدیل نماییم. می دانیم که اولا اعتبار این رویکرد همواره می تواند زیر سئوال برده شود و ثانیا ممکن است بخش قابل ملاحظه ای از داده ها در این بین گم شده یا نادیده گرفته شوند. لذا اگر هوش مصنوعی بتواند اهداف کیفی را به همان شکلی که هستند و بدون نیاز به کمی سازی، در مدل های ریاضی وارد نمایند، پیشرفت های بزرگی در حوزه تحقیق در عملیات به دست خواهند آمد.

1-3- در مرحله ایجاد پارامترها هم هوش مصنوعی می تواند با توجه به احاطه گسترده اش بر داده ها و اطلاعات و نیز حوزه های گوناگون دانش بشری، به خوبی جای جستجوی داده های تاریخی و یا مراجعه به خبرگان را بگیرد.

از ویژگی های اصلی هوش مصنوعی در مرحله ایجاد پارامترها، ارتقا کیفیت داده ها و مرتبط بودن آنها با موضوع اصلی مساله می باشد. یکی از رویکردهای مطرح در این حوزه، چارچوب Predict-then-Optimize می باشد که از هوش مصنوعی جهت پیشگویی داده محور در خصوص متغیرهای غیر قطعی در فرآیند تصمیم گیری استفاده می کند. با اعمال روش هایی چون یادگیری عمیق و یادگیری تقویتی، روش predict-then-optimize قادر است به صورتی کارآ ساختارهای داده پیچیده و با ابعاد بالا را اداره نماید و کاملا با محیط پویا در تطابق باشد.

در عین حال با استفاده از قابلیت های هوش مصنوعی در گزینش ویژگی ها (feature selection) و کاهش ابعاد، می توان مهمترین و موثرترین متغیرها را تشخیص داده و روابط مابین داده ها را کشف نمود.

2-3- در مرحله مدلسازی هوش مصنوعی قادر است شکاف مابین توصیف مساله با زبان طبیعی و مدلهای ریاضی را پر کند. در حالت عادی این کار بر عهده متخصصین و خبرگان می باشد. با ترکیب هوش مصنوعی و زبان طبیعی (NLP) می توان توابع هدف و محدودیت ها را شناسایی نمود و آنها را به زبان ریاضی ترجمه کرد.

3-3- در مرحله بهینه سازی، هوش مصنوعی می تواند عملکرد آلگوریتم های بهینه سازی را ارتقا دهد و از روش های سنتی به سمت رویکردهایی حرکت کند که بیشتر تطابق پذیر هستند و آموزش محور تلقی می گردند.

روش های کلاسیک بهینه سازی نظیر جستجوی گرادیان، نیوتن و شاخه و کران همگی بر پایه بنیان های نظری ایجاد گردیده اند که متخصصین بهینه سازی آنها را به وجود آورده اند. این روش ها ممکن است همیشه کارآترین و موثرترین راه حل برای مساله موجود نباشند.

در مرحله بهینه سازی سه دسته بندی اصلی وجود دارند:

الف) پیکربندی خودکار آلگوریتم Automatic Algorithm Configuration

این دسته شامل تکنیک هایی می شوند که از هوش مصنوعی برای تنظیم دقیق پارامترهای آلگوریتم های بهینه سازی موجود استفاده می کنند تا کارآیی و عملکرد آنها در شرایط خاص مساله موجود ارتقا یابد. روش هایی چون

Bayesian Optimization، آلگوریتم ژنتیک و یادگیری تقویتی می توانند جهت جستجوی هوشمندانه فضای پارامترها و تشخیص پیکربندی مناسب جهت بهبود عملکرد به کار روند.

ب) انتخاب و طراحی آلگوریتم های بهینه سازی پیوسته Continuous Optimization Algorithm Selection & Design

در این دسته از مسائل بهینه سازی از هوش مصنوعی برای ارتقا آلگوریتم های بهینه سازی در مسائل با متغیرهای پیوسته استفاده می گردد. روش هایی چون:

Smart Column Selection

Learning to Optimize

Adaptive Penalty for ADMM (Alternate Direction Method of Multipliers)

می توانند به صورتی پویا بهترین اندازه قدم و سایر پارامترهای جستجو را تعیین نمایند و عملا باعث تسریع در فرآیندهای بهینه سازی شوند.

ج) انتخاب و طراحی آلگوریتم بهینه سازی گسسته Discrete Optimization Algorithm Selection & Design

این دسته روی به کارگیری هوش مصنوعی در بهینه سازی مسائل گسسته تمرکز دارد (نظیر روش های بهینه سازی ترکیباتی). هیوریستیک های هوش مصنوعی محور و متاهیوریستیک ها می توانند باعث ارتقا روش هایی نظیر شاخه و کران و روش های برشی و بهبود حل روش های برنامه ریزی اعداد صحیح ترکیبی گردند.

4- چالش های تحقیق در عملیات

دو چالش عمده در تحقیق در عملیات وجود دارند که هوش مصنوعی می تواند در حل آنها کمک نماید. این دو چالش عبارتند از:

الف – در مسائل دنیای واقعی همواره با تعاملات پیچیده و بغرنج مابین متغیرهای تصمیم گیری و محدودیت ها مواجه هستیم. روش هایی که بر پایه جبر ساده خطی قرار دارند ممکن است بتوانند ساختار بلوکی محدودیت ها را تشخیص دهند، و با همین تشخیص مساله اصلی را به زیر مساله های متعددی تقسیم کنند و به فرآیند حل و بهینه سازی شتاب دهند، ولی اگر تعامل مابین ماتریس محدودیت ها پیچیده باشد (مثلا تعداد زیادی از متغیرها و محدودیت ها با هم دارای وابستگی و جفت شدگی باشند) به کارگیری هیوریستیک های ساده بی اثر خواهند شد و حتی ممکن است باعث بدتر شدن حل هم شوند.

دور از انتظار نیست که برخی از مسائل بهینه سازی ویژگی هایی را از خود نشان دهند که قابل ریاضی سازی نباشند. در این شرایط می توان از هوش مصنوعی کمک گرفت.

ب – هزینه محاسباتی برای حل مسائل پیچیده بهینه سازی حتی برای آنهایی که زمان حل polynomial دارند، با افزایش ابعاد مساله به سرعت رو به افزایش می گذارد. به لطف سخت افزارها و نرم افزارهای بهینه سازی، بسیاری از این نوع مسائل را می توان در مدت زمان قابل قبولی حل نمود. ولی با توجه به اینکه دسترسی به کلان داده ها و تحلیل و پردازش آنها روز به روز ساده تر می شود، مقیاس و پیچیدگی مسائل تحقیق در عملیات که از این داده ها استفاده می کنند افزایش می یابند به گونه ای که به تدریج از توانایی سخت افزارها و نرم افزارهای موجود فراتر خواهند رفت.

هوش مصنوعی می تواند با کارآتر کردن روش های حل بر این مشکل فائق آید.

5- تکنیک های هوش مصنوعی که در تحقیق در عملیات به کار گرفته می شوند

دو ویژگی کلیدی این نوع تکنیک ها عبارتند از:

• خود مدل های هوش مصنوعی
• آلگوریتم های یادگیری این مدلها

مدلهای هوش مصنوعی که معمولا مورد استفاده قرار می گیرند عبارتند از:

• Graph Neural Network (GNN)
• Recurrent Neural Network (RNN)

GNN قادر است تعاملات پیچیده را در قالب گراف بیان نماید. همانند معادل گرافی مسائل LP, QP, MILP که در مرحله بهینه سازی هوش مصنوعی محور وجود دارد.

RNN قادر است اطلاعات قدم های قبلی را حفظ نماید، لذا می تواند در آلگوریتم های بهینه سازی مرحله به مرحله، باعث افزایش سرعت محاسبات شود.

آلگوریتم های یادگیری مرسوم شامل یادگیری تقویتی و یادگیری تقلیدی هستند. یادگیری تقویتی قادر است راهکاری را برای هزینه بالای محاسبات در اختیار بگذارد. علت به وجود آمدن چنین هزینه ای، یک تصمیم ناکارآ یا زیر بهینه است که در مراحل پیشین تصمیم گیری گرفته شده است.

یادگیری تقلیدی هم قادر است رفتار خبرگان را در فرآیند تصمیم گیری تقلید نماید. در حوزه بهینه سازی این خبرگان قادر هستند روش های بسیار موثر محاسباتی را در طول فرآیند حل ارائه نمایند.

6- چالش های هوش مصنوعی در مواجهه با تحقیق در عملیات

علیرغم تمامی توانمندی هایی که هوش مصنوعی قادر است در اختیار تحقیق در عملیات قرار دهد، برخی دغدغه ها و سئوالات جدی نیز در این زمینه وجود دارند. عمده ترین آنها عبارتند از:

• روش های تحقیق در عملیات مبتنی بر قضایا و رویکردهای کاملا شفاف و قابل اثبات ریاضی هستند. به هنگام استفاده از یک آلگوریتم تحقیق در عملیات روی یک مساله، می توان به صورتی روشن تمامی مراحل آن آلگوریتم را پیگیری نمود. هوش مصنوعی از این نظر همچون یک جعبه سیاه و بسته عمل می نماید. نمی توانید مراحل حل را ببینید و آنها را تعقیب نمایید. هوش مصنوعی بر اساس یادگیری ها و آموزش های پیشین خود عمل می کند. همین موضوع سئوالاتی را مطرح می کند از جمله اینکه آیا هوش مصنوعی بی طرف است؟ آیا در پاسخ هایش سوگیری متعصبانه وجود ندارد؟
• آیا هوش مصنوعی قرار است جای تصمیم گیرنده انسانی را در فرآیند تصمیم گیری بگیرد؟ آیا عقلانیت حاکم بر هوش مصنوعی در تصمیم گیری همان عقلانیت حاکم بر انسان در تصمیم گیری می باشد؟
• آیا جهت ایجاد همکاری مابین انسان و AI نیازمند توسعه فرهنگی خاص و جدید می باشیم؟ آیا این انسان است که باید خود را با هوش مصنوعی تطبیق دهد یا برعکس این هوش مصنوعی است که باید با انسان مطابقت یابد؟
• آیا می توان از منصفانه بودن آلگوریتم های هوش مصنوعی در تحقیق در عملیات اطمینان یافت؟ آیا داده های مورد استفاده در آموزش هوش مصنوعی به قدر کافی متنوع بوده اند که نماینده تمامی جمعیت باشند؟

طبیعتا پاسخ به سئوالات فوق نیازمند پژوهش های گسترده ای می باشند، ولی به نظر میرسد توسعه تحقیق در عملیات با کمک هوش مصنوعی به صورتی توقف ناپذیر ادامه خواهد یافت.