传统机器学习算法在实际业务中的使用场景 _算法

文章插图
前言
如果嫌麻烦，你可以直接跳到正题观看~
最近无论是在工作中的交谈，还是在日常刷屏的新闻，铺天盖地的都是大模型。我横竖是看不明白，费了大劲终于从字缝里看到了两个字，玄学。仿佛回到了我的学生时代。
【传统机器学习算法在实际业务中的使用场景】还记得6年前刚进入研究生实验室时，师兄兴奋的对我说：小伙子，欢迎来到我们的修仙世界！——当时学校跟英伟达合作，刚刚从英伟达那里弄了500块Tesla显卡，供各个实验室申请使用。这，是我们崭新的炼丹炉。经过3年的研究生生涯，我对深度学习的理解，仅仅到能够使用深度学习模型的程度。期间也有一些小成绩，包括一篇CCF B类会议论文和一篇KBS期刊(影响因子8.038) ，文章内容主要是使用LSTM对用户兴趣偏好和用户兴趣迁移建模，以此来搭建一个推荐算法模型。
我们通过对各种神经网络模型的堆叠以及反复的对比实验，确实发现LSTM模型的能够在准确率、召回率等指标上有比较突出的效果。但是有一个很大的问题拦在我面前：我如何去解释它？确实，我们没法从直观定性的角度去解释，也没有数学逻辑能解释。索性我们当时就套用了大家统一的口径，解释说LSTM具有长短时记忆能力，因此能够归纳随着时间轴变化的数据规律。还好当时的审稿人并没有对我们的解释提出质疑，也可能不只是我一个，而是大家的论文都没有很好的解释它。
无论是简单的FC、CNN、RNN、LSTM这些模型，还是当下最火的所谓的大模型依赖的Transformer模型，都是基于梯度下降和反向传播进行训练，至于为什么通过这样的训练就能让模型中参数自动自洽，到如今也没有人能够证明。我们只是知道通过这样去构造模型确实行之有效。
相反，很多传统的机器学习算法，要么有严格的数学证明，要么是直观就能观察到算法的过程。相比于深度学习模型，我认为能够提出这些传统机器学习算法的前辈们更加值得敬佩。因此，本文主要是简单的分享一个所谓「传统机器学习算法」在实际业务中的使用场景。当然，我再次声明我对深度学习的理解尚浅，如有表述不当之处，可以互相交流。

文章插图
正题
在计划域中，有很多很有意思的问题需要解决，包括如何制定中长期采购计划？如何制定短期补货计划？仓库库存偏仓怎么办，如何配平，是否需要调拨？我能预测一下未来一段时间某个货能卖多少吗？解决每一个问题，都能给供应链的效率和损益带来巨大价值。
那我们以调拨计划为例，看看这些算法是怎么优雅地解决这个问题的——这里说到的算法，都是传统的机器学习算法。
?模型定义：如何用数学模型定义一个调拨业务，并将业务目标变成模型目标函数
为了降低问题的复杂度，便于大家理解，这里我们的对问题的定义进行了一定的简化，比如不考虑未来销售可能存在的波动、偏仓造成的销售机会损失、货物在运输途中存在损毁概率等等。并且，下面的案例只给了一个调出仓、一个调入仓。实际业务中问题更复杂，定义约束也更多，求解的模型可能会不一样。算法大佬们轻喷~