論文の概要: A network analysis of decision strategies of human experts in steel
manufacturing
- arxiv url: http://arxiv.org/abs/2112.01991v1
- Date: Fri, 3 Dec 2021 16:09:34 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-06 16:42:44.750817
- Title: A network analysis of decision strategies of human experts in steel
manufacturing
- Title(参考訳): 鉄鋼製造における人間エキスパートの意思決定戦略のネットワーク分析
- Authors: Daniel Christopher Merten, Prof. Dr. Marc-Thorsten H\"utt, Prof. Dr.
Yilmaz Uygun
- Abstract要約: 人的専門家が確立した選択パターンの複雑さを評価するためのシャッフル支援型ネットワーク手法を提案する。
ネットワーク分析の結果,生産順序の選択は注文の炭素含量によって決定されることがわかった。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Steel production scheduling is typically accomplished by human expert
planners. Hence, instead of fully automated scheduling systems steel
manufacturers prefer auxiliary recommendation algorithms. Through the
suggestion of suitable orders, these algorithms assist human expert planners
who are tasked with the selection and scheduling of production orders. However,
it is hard to estimate, what degree of complexity these algorithms should have
as steel campaign planning lacks precise rule-based procedures; in fact, it
requires extensive domain knowledge as well as intuition that can only be
acquired by years of business experience. Here, instead of developing new
algorithms or improving older ones, we introduce a shuffling-aided network
method to assess the complexity of the selection patterns established by a
human expert. This technique allows us to formalize and represent the tacit
knowledge that enters the campaign planning. As a result of the network
analysis, we have discovered that the choice of production orders is primarily
determined by the orders' carbon content. Surprisingly, trace elements like
manganese, silicon, and titanium have a lesser impact on the selection decision
than assumed by the pertinent literature. Our approach can serve as an input to
a range of decision-support systems, whenever a human expert needs to create
groups of orders ('campaigns') that fulfill certain implicit selection
criteria.
- Abstract(参考訳): 鉄鋼生産のスケジューリングは通常、人間の専門家プランナーによって行われる。
したがって、完全に自動化されたスケジューリングシステムの代わりに、鉄鋼メーカーは補助推奨アルゴリズムを好む。
適切な注文を提案することで、これらのアルゴリズムは、生産注文の選択とスケジューリングを担当する専門家プランナーを支援する。
しかし、鋼鉄のキャンペーン計画には正確なルールに基づく手順が欠けているため、これらのアルゴリズムがどのような複雑さを持つべきかを推測することは困難であり、実際、長年のビジネス経験によってのみ獲得できる、広範囲のドメイン知識と直観が必要である。
そこで我々は,新しいアルゴリズムを開発したり,古いアルゴリズムを改善する代わりに,人間専門家が確立した選択パターンの複雑さを評価するためのシャッフル支援ネットワーク手法を提案する。
この手法により,キャンペーン計画に参入する暗黙の知識を形式化し,表現することができる。
ネットワーク分析の結果, 生産順序の選択は, 主に生産順序の炭素量によって決定されることが判明した。
驚いたことに、マンガン、ケイ素、チタンなどの微量元素は、関連する文献で想定されるよりも選択決定に影響を及ぼさない。
私たちのアプローチは、人間の専門家が特定の暗黙の選択基準を満たす順序のグループ('campaigns')を作成する必要がある場合、さまざまな意思決定支援システムへの入力として機能します。
関連論文リスト
- Designing Algorithmic Recommendations to Achieve Human-AI Complementarity [2.4247752614854203]
人間の意思決定を支援するレコメンデーションアルゴリズムの設計を形式化する。
我々のフレームワークは、人間とAIの相補性を実現するソリューションを設計するのに役立ちます。
論文 参考訳(メタデータ) (2024-05-02T17:15:30Z) - Automated Process Planning Based on a Semantic Capability Model and SMT [50.76251195257306]
製造システムと自律ロボットの研究において、機械で解釈可能なシステム機能の仕様に「能力」という用語が用いられる。
セマンティック能力モデルから始めて、AI計画問題を自動的に生成するアプローチを提案する。
論文 参考訳(メタデータ) (2023-12-14T10:37:34Z) - Job Shop Scheduling via Deep Reinforcement Learning: a Sequence to
Sequence approach [0.0]
本稿では,分散ルールを自動的に学習するスケジューリングに対して,エンドツーエンドのDeep Reinforcement Learningアプローチを提案する。
我々は、優先順位付けルールを利用した古典的アプローチの多くを上回り、最先端のDeep Reinforcement Learning(Deep Reinforcement Learning)における競争結果を示す。
論文 参考訳(メタデータ) (2023-08-03T14:52:17Z) - Decision-aid or Controller? Steering Human Decision Makers with
Algorithms [5.449173263947196]
人間の意思決定者について学習し、最終決定に影響を与えるために「個人化された推薦」を提供する意思決定支援アルゴリズムについて検討する。
このようなアルゴリズムの潜在的な応用とその社会的意味について論じる。
論文 参考訳(メタデータ) (2023-03-23T23:24:26Z) - Learning to shortcut and shortlist order fulfillment deciding [2.5961843072981576]
複雑さが増すにつれ、決定プロセスの効率性は真の関心事となりうる。
全ての可能なものの中で最適な充足の割り当てを見つけるのは、特にピーク時に全ての順序で行うのにコストがかかりすぎる可能性がある。
データマイニングを使用することで、過去の満足度決定のパターンを見つけ、将来の決定に対する最も可能性の高い課題を効率的に予測することを目指している。
論文 参考訳(メタデータ) (2021-10-04T19:06:58Z) - Machine Learning for Online Algorithm Selection under Censored Feedback [71.6879432974126]
オンラインアルゴリズム選択(OAS)では、アルゴリズム問題クラスのインスタンスがエージェントに次々に提示され、エージェントは、固定された候補アルゴリズムセットから、おそらく最高のアルゴリズムを迅速に選択する必要がある。
SAT(Satisfiability)のような決定問題に対して、品質は一般的にアルゴリズムのランタイムを指す。
本研究では,OASのマルチアームバンディットアルゴリズムを再検討し,この問題に対処する能力について議論する。
ランタイム指向の損失に適応し、時間的地平線に依存しない空間的・時間的複雑さを維持しながら、部分的に検閲されたデータを可能にする。
論文 参考訳(メタデータ) (2021-09-13T18:10:52Z) - Decision Rule Elicitation for Domain Adaptation [93.02675868486932]
ヒトインザループ機械学習は、専門家からラベルを引き出すために人工知能(AI)で広く使用されています。
この作業では、専門家が意思決定を説明する決定ルールを作成できるようにします。
決定規則の適用はアルゴリズムのドメイン適応を改善し、専門家の知識をAIモデルに広めるのに役立つことを示す。
論文 参考訳(メタデータ) (2021-02-23T08:07:22Z) - Run2Survive: A Decision-theoretic Approach to Algorithm Selection based
on Survival Analysis [75.64261155172856]
生存分析(SA)は、自然に検閲されたデータをサポートし、アルゴリズムランタイムの分散モデルを学習するためにそのようなデータを使用する適切な方法を提供する。
我々は、アルゴリズム選択に対する洗練された決定論的アプローチの基礎として、そのようなモデルを活用し、Run2Surviveを疑う。
標準ベンチマークASlibによる広範な実験では、我々のアプローチは競争力が高く、多くの場合、最先端のASアプローチよりも優れていることが示されている。
論文 参考訳(メタデータ) (2020-07-06T15:20:17Z) - Solving the Order Batching and Sequencing Problem using Deep
Reinforcement Learning [2.4565068569913384]
本稿では,注文数を最小限に抑えるため,倉庫内で注文のバッチ化と選択のタイミングを決定するために,Deep Reinforcement Learning (DRL) アプローチを提案する。
特に、この技術は、注文を個別に(ピック・バイ・オーダー)するか、または、他の注文(ピック・バイ・バッチ)とバッチで選択するか、他の注文をどちらで行うかを判断することを容易にする。
論文 参考訳(メタデータ) (2020-06-16T20:40:41Z) - A Case for Humans-in-the-Loop: Decisions in the Presence of Erroneous
Algorithmic Scores [85.12096045419686]
本研究では,児童虐待のホットラインスクリーニング決定を支援するアルゴリズムツールの採用について検討した。
まず、ツールがデプロイされたときに人間が行動を変えることを示します。
表示されたスコアが誤ったリスク推定である場合、人間はマシンの推奨に従わない可能性が低いことを示す。
論文 参考訳(メタデータ) (2020-02-19T07:27:32Z) - Extreme Algorithm Selection With Dyadic Feature Representation [78.13985819417974]
我々は,数千の候補アルゴリズムの固定セットを考慮に入れた,極端なアルゴリズム選択(XAS)の設定を提案する。
我々は、XAS設定に対する最先端のAS技術の適用性を評価し、Dyadic特徴表現を利用したアプローチを提案する。
論文 参考訳(メタデータ) (2020-01-29T09:40:58Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。