數據驅動AI技術如何補強傳統規劃方式？

文：黃正傑 2020-07-07

發布時間： 2020-07-06 11:34:00

人類為達到特定目的，會透過有邏輯、有順序地規劃處理，並運用圖形化管理工具、電腦化規劃與排程系統來提升規劃效率。如何利用機器學習、深度學習等數據驅動技術，補強傳統電腦規劃方法不足，提供更有效率、動態及持續改進的人工智慧規劃系統? 本文將介紹利用數據驅動人工智慧技術來增強企業規劃系統。

規劃是人類管理能力

規劃 (planning) 是人類或動物長久演化以來而具備的能力。人類根據特定的目的，如：覓食、求偶、走路到車站、人員排班等，安排事件或行動順序，以達到目的。當然，人類的有些行為不需要規劃，如：駕駛汽車、騎乘腳踏車、無目的購物等。這是因為規劃與排程需要耗費許多精力，且在有限精力與腦力下不見得能達到最具效率、成本、效益最佳等的排程。

以此，聰明的人類開始發展各種工具協助各種耗費精力的規劃工作。18世紀工業革命後，人類開始發展工廠、企業組織，需要各種工具協助以企業活動中的複雜規劃；於是發明了圖形式的圖表協助規劃，例如：專案計畫的甘特圖就是這時開始發展與演變。

1957年，第一台電腦UNIVAC1發展後，美國海軍運用電腦安排飛彈發射準備順序。1959年，人工智慧「達茅斯會議」後，Herbert Simon等人發表了運用一般化問題解決方法來解決規劃與排程問題，即指出規劃的問題來自於搜尋問題的空間。Herbert Simon等人也發展「啟發法」(Heuristics)以減少規劃過程中，記憶、選擇適當操作過於複雜而造成的效率問題。

以此，奠定了人工智慧自動化規劃與排程理論基礎。之後，物料規劃系統(MRP)、先進排程(APS)、運籌規劃等系統，均基於理論基礎及後續數學家發展而運用在各種自動化系統中。

數據驅動突破規劃盲點

然而，傳統規劃方法要解決更複雜人類認知問題，遭遇到極大困難。例如：規劃機器人的行走方式，需分解為可能行為、狀況及反應。專家僅能設想列舉數種假設的可能情境；一旦機器人脫離實驗室，常無法面對各種動態的情況。

如以人工智慧下棋為例，同樣遭遇困難。1997年，IBM運用傳統規劃方法結合深藍電腦高運算能力，針對每次下棋後的最佳棋步進行搜尋，打敗了世界西洋棋冠軍。然而，20年之間尚未有人工智慧系統可以突破更複雜搜索空間的圍棋系統，打敗人類高手。

如圖所示，傳統人工智慧方法進行棋類遊戲時，在每一步下棋後，利用規劃演算法搜尋下一步(下A或下B)、下下一步(下C、D或E)... ，最有贏面棋子應該下在哪裡。然圍棋具備19*19棋盤空間的複雜性，讓傳統規劃搜索方法遭遇複雜計算的困難。

圖、人工智慧圍棋是一種搜尋規劃系統 (資料來源：顏士淨等人，2003年)

2016年，AlphaGO在機器學習、深度學習相關數據驅動的技術協助下，補強過去規劃方法的限制，打敗了人類圍棋高手。AlphaGO運用CNN深度學習算法，學習過去許多圍棋高手對弈盤勢的經驗，並配合蒙地卡羅搜尋樹傳統規劃方法，減少規劃搜尋廣度與深度；在下棋過程中，評估當前態勢最好的下子位置；在每次訓練後，利用增強式學習不斷改進評估方法。以此，AlphaGO最後突破傳統人工智慧下圍棋複雜搜索問題，進而打敗人類圍棋高手。