Descrizione del progetto
Creare un ponte tra apprendimento automatico e ottimizzazione
Organizzazioni di diversi settori industriali devono affrontare la sfida di programmare in modo efficiente i loro processi produttivi e di organizzare in modo ottimale la propria forza lavoro. Un’ulteriore sfida è rappresentata dall’incertezza in merito a fattori quali le fluttuazioni della domanda e la variabilità dei costi, che possono essere stimati con l’apprendimento automatico; tuttavia, in tal ambito risulta complesso conseguire un’integrazione efficace tra apprendimento, previsioni e programmazione. Di conseguenza, risulta necessario un quadro di riferimento per la risoluzione di problemi di previsione e ottimizzazione che fonda gli strumenti di apprendimento automatico e di ottimizzazione combinatoria. Nel progetto Conversational Human-Aware Technology for Optimisation, svolto nell’ambito della sovvenzione di consolidamento del CER, si è iniziato a costruire una biblioteca di questo tipo, chiamata CPMpy. Questa progetto incentrato su una prova di concetto aumenterà il livello di maturità tecnologica di CPMpy al fine di dimostrarne il potenziale e allinearla alle esigenze del settore.
Obiettivo
In today’s world, organizations across various industries face the challenge of efficiently scheduling their production processes and rostering their workforce optimally. However, despite consistent improvements in combinatorial optimization software for scheduling and rostering, the complexity of this task continues to grow due to uncertainty about multiple factors such as employee availability, demand fluctuations, supplier variability, variable prices, the impact of weather and the increasing need for energy efficiency. Machine learning can be used to make estimates about these uncertain factors, but the real challenge is in integrating predictions and the optimization of scheduling and rostering problems. Or more precisely *that predictions and optimization over these predictions need to be developed and evaluated together*.
While many combinatorial optimisation solvers for solving scheduling and rostering exists, including Constraint Programming and Mixed Integer Programming solvers; few of these solvers can be easily integrated with machine learning libraries. Futhermore, in a machine learning pipeline, the requirements for the solver change. What is needed is a framework for solving prediction + optimization problems that bridges the machine learning and combinatorial optimization solving tools. It should allow actors to discover what a data-driven approach can signifigy to their scheduling and rostering problem, by allowing them to easily experiment and prototype, both on the learning side, the solving side and the combination of the two.
In my ERC Consolidator project 'Conversational Human-Aware Technology for Optimisation', we started building such a library: CPMpy. We notice an increasing industrial interest in solving Prediction + Optimisation problems, but a lack of unified tools to do so. This proposal sets out to increase the Technological Readiness Level of CPMpy from TRL 4 to 6; and to demonstrate its potential and align it with industry needs.
Campo scientifico (EuroSciVoc)
CORDIS classifica i progetti con EuroSciVoc, una tassonomia multilingue dei campi scientifici, attraverso un processo semi-automatico basato su tecniche NLP. La classificazione di questo progetto è stata convalidata dal team del progetto.
CORDIS classifica i progetti con EuroSciVoc, una tassonomia multilingue dei campi scientifici, attraverso un processo semi-automatico basato su tecniche NLP. La classificazione di questo progetto è stata convalidata dal team del progetto.
Programma(i)
- HORIZON.1.1 - European Research Council (ERC) Main Programme
Argomento(i)
Invito a presentare proposte
(si apre in una nuova finestra) ERC-2023-POC
Vedi altri progetti per questo bandoMeccanismo di finanziamento
HORIZON-ERC-POC -Istituzione ospitante
3000 Leuven
Belgio