論文の概要: Addressing distributional shifts in operations management: The case of
order fulfillment in customized production
- arxiv url: http://arxiv.org/abs/2304.11910v1
- Date: Mon, 24 Apr 2023 08:34:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-25 15:39:25.277992
- Title: Addressing distributional shifts in operations management: The case of
order fulfillment in customized production
- Title（参考訳）: 運用管理における流通変化への対応--カスタマイズ生産における注文充足の場合
- Authors: Julian Senoner and Bernhard Kratzwald and Milan Kuzmanovic and
Torbj{\o}rn H. Netland and Stefan Feuerriegel
- Abstract要約: 本稿では,逆学習と求人スケジューリングに基づくデータ駆動型アプローチを提案する。
実店舗の生産から得られた実世界のデータを用いて,提案手法を実証的に検証した。
本報告では,生産管理者が分散シフトの下で意思決定を改善する方法について述べる。
- 参考スコア（独自算出の注目度）: 16.59770789646159
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: To meet order fulfillment targets, manufacturers seek to optimize production
schedules. Machine learning can support this objective by predicting throughput
times on production lines given order specifications. However, this is
challenging when manufacturers produce customized products because
customization often leads to changes in the probability distribution of
operational data -- so-called distributional shifts. Distributional shifts can
harm the performance of predictive models when deployed to future customer
orders with new specifications. The literature provides limited advice on how
such distributional shifts can be addressed in operations management. Here, we
propose a data-driven approach based on adversarial learning and job shop
scheduling, which allows us to account for distributional shifts in
manufacturing settings with high degrees of product customization. We
empirically validate our proposed approach using real-world data from a job
shop production that supplies large metal components to an oil platform
construction yard. Across an extensive series of numerical experiments, we find
that our adversarial learning approach outperforms common baselines. Overall,
this paper shows how production managers can improve their decision-making
under distributional shifts.
- Abstract（参考訳）: 受注目標を満たすため、メーカーは生産スケジュールを最適化しようとしている。
機械学習は、注文仕様に従って生産ラインでスループット時間を予測することで、この目標をサポートすることができる。
しかし、メーカーがカスタマイズした製品を生産する場合、これは困難である。なぜなら、カスタマイズはしばしば運用データの確率分布(いわゆる分布シフト)の変化をもたらすからだ。
分散シフトは、将来の顧客注文に新しい仕様でデプロイした場合、予測モデルのパフォーマンスを損なう可能性がある。
この文献は、そのような分散シフトがオペレーション管理においてどのように対処できるかについて限定的なアドバイスを提供している。
本稿では,製品カスタマイズ度の高い製造環境における分散シフトを考慮できる,逆学習とジョブショップスケジューリングに基づくデータ駆動アプローチを提案する。
我々は,大規模金属部品を石油プラットフォーム建設工場に供給する工場生産の実際のデータを用いて,提案手法を実証的に検証した。
様々な数値実験を通して、我々の対角学習アプローチは共通のベースラインを上回っていることがわかった。
全体として,生産マネージャが流通シフト下で意思決定をいかに改善できるかを示す。
関連論文リスト
- Optimizing Job Shop Scheduling in the Furniture Industry: A Reinforcement Learning Approach Considering Machine Setup, Batch Variability, and Intralogistics [0.0]
本稿では,家具産業におけるDeep Reinforcement Learningの活用の可能性について考察する。
スケジューリングの精度と効率を向上させるために,より詳細な情報を提供するモデルの概念を提案する。
このモデルは、ジョブボリューム、バッファ管理、輸送時間、マシンセットアップ時間を含む、JSSPへの従来のアプローチを拡張している。
論文 参考訳（メタデータ） (2024-09-18T09:12:40Z) - Enhancing Mass Customization Manufacturing: Multiobjective Metaheuristic Algorithms for flow shop Production in Smart Industry [0.0]
本研究は,工場生産計画における必要な適応に焦点を当てたものである。
フローホップに対処するための効率的な進化的アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-07-22T17:13:23Z) - A mathematical model for simultaneous personnel shift planning and
unrelated parallel machine scheduling [3.0477617036157136]
本稿では,産業利用事例から得られた生産スケジューリング問題に対処する。
人件費制約を伴う非関連並列マシンスケジューリングに焦点を当てている。
機械間での人員共有を前提としており、作業処理中に機械の設置と監督に1人の人員を要している。
論文 参考訳（メタデータ） (2024-02-24T01:04:04Z) - Personalized Federated Learning under Mixture of Distributions [98.25444470990107]
本稿では,ガウス混合モデル(GMM)を用いたPFL(Personalized Federated Learning)を提案する。
FedGMMはオーバーヘッドを最小限に抑え、新しいクライアントに適応する付加的なアドバンテージを持ち、不確実な定量化を可能にします。
PFL分類と新しいサンプル検出の両方において, 合成データセットとベンチマークデータセットの実証評価により, 提案手法の優れた性能を示した。
論文 参考訳（メタデータ） (2023-05-01T20:04:46Z) - Concepts and Algorithms for Agent-based Decentralized and Integrated
Scheduling of Production and Auxiliary Processes [78.120734120667]
本稿ではエージェントベースの分散型統合スケジューリング手法について述べる。
要求の一部は、線形にスケールする通信アーキテクチャを開発することである。
このアプローチは、工業的要件に基づいた例を使って説明されます。
論文 参考訳（メタデータ） (2022-05-06T18:44:29Z) - Predicting with Confidence on Unseen Distributions [90.68414180153897]
ドメイン適応と予測不確実性文学を結びつけて、挑戦的な未知分布のモデル精度を予測する。
分類器の予測における信頼度(DoC)の差は,様々な変化に対して,分類器の性能変化を推定することに成功した。
具体的には, 合成分布と自然分布の区別について検討し, その単純さにもかかわらず, DoCは分布差の定量化に優れることを示した。
論文 参考訳（メタデータ） (2021-07-07T15:50:18Z) - Mandoline: Model Evaluation under Distribution Shift [8.007644303175395]
マシンラーニングモデルは、トレーニングや検証対象と異なる設定でデプロイされることが多い。
これらの問題を緩和する新しい評価フレームワークであるMandolineを開発した。
ユーザーは単純な"スライシング関数" - ノイズがあり、分散シフトの可能な軸をキャプチャすることを目的とした、潜在的に相関したバイナリ関数を書く。
論文 参考訳（メタデータ） (2021-07-01T17:57:57Z) - Causally-motivated Shortcut Removal Using Auxiliary Labels [63.686580185674195]
このようなリスク不変予測器の学習に重要な課題はショートカット学習である。
この課題に対処するために、フレキシブルで因果的なアプローチを提案する。
この因果的動機付けされた正規化スキームが堅牢な予測子を生み出すことを理論的および実証的に示す。
論文 参考訳（メタデータ） (2021-05-13T16:58:45Z) - Online Fashion Commerce: Modelling Customer Promise Date [0.0]
電子商取引では、納期を正確に予測することが顧客体験において大きな役割を果たす。
本稿では,誤った予測を異なる方法でペナルティ化するための機械学習に基づくアプローチを提案する。
提案モデルはファッションeコマース用に社内に展開され、運用中である。
論文 参考訳（メタデータ） (2021-05-01T18:16:12Z) - Distributed NLI: Learning to Predict Human Opinion Distributions for
Language Reasoning [76.17436599516074]
自然言語推論のための人間の判断の分布を予測することを目的としている新しいNLUタスクである分散NLIを紹介します。
本研究では,モンテカルロ(MC)Dropout,Deep Ensemble,Re-Calibration,Distribution Distillationという新たな分布推定手法を適用することで,人間の判断分布を捉えることができることを示す。
論文 参考訳（メタデータ） (2021-04-18T01:25:19Z) - WILDS: A Benchmark of in-the-Wild Distribution Shifts [157.53410583509924]
分散シフトは、ワイルドにデプロイされた機械学習システムの精度を実質的に低下させることができる。
分散シフトの多様な範囲を反映した8つのベンチマークデータセットのキュレーションコレクションであるWILDSを紹介します。
本研究は, 標準訓練の結果, 分布性能よりも, 分布域外性能が有意に低下することを示す。
論文 参考訳（メタデータ） (2020-12-14T11:14:56Z)
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。