Helpex - Trao đổi & giúp đỡ Đăng nhập

Agility đáp ứng AI: Thực hành với mô phỏng Monte Carlo

Hoàng Mỹ Tâm
· 02:00 27/08/2018
hôm qua

Sau bài viết của tôi, Vai trò của Quản lý dự án trong Khoa học dữ liệu , một vài người quản lý chương trình đề nghị tôi xây dựng trường hợp sử dụng về các cam kết phát hành. Chúng ta sẽ khám phá mô phỏng, một trong những khái niệm tuyệt vời trong Trí tuệ nhân tạo. Các kỹ thuật phân tích định lượng, như mô phỏng Monte Carlo, giúp các nhà quản lý chương trình đưa ra quyết định thông qua phân phối xác suất của các kết quả tiềm năng.

Monte Carlo phụ thuộc rất nhiều vào tính ngẫu nhiên của các biến chính trong việc giải quyết vấn đề. Cùng với các tham số chính, chúng ta cũng cần hiểu mối quan hệ giữa chúng và dữ liệu đủ để phân tích thêm. Năm bước được liệt kê trong Dự báo tương lai: Hãy tua lại những điều cơ bản . Rất cần thiết để xây dựng một mô hình chính xác.

Để tìm hiểu sâu về mô phỏng Monte Carlo trong quản lý chương trình, liên kết này có thể hữu ích.

Hãy thực hiện một thử nghiệm thực hành với một nghiên cứu trường hợp mà hầu hết chúng ta đều quen thuộc, sử dụng MS Excel.

Nghiên cứu điển hình

Shubham là CEO của công ty XYZ. Sau khi lập kế hoạch phát hành, nhóm của ông cam kết cung cấp các chức năng chính cho khách hàng. Mohit, người quản lý chương trình của anh ấy, đã xác định những thách thức trong việc đáp ứng ngày giao hàng mục tiêu dựa trên rủi ro và tóm tắt ngắn gọn mà anh ấy đã theo dõi:

Agility đáp ứng AI: Thực hành với mô phỏng Monte Carlo

Mohit: Ông chủ, chúng tôi có thể không thể cung cấp tất cả các mặt hàng đã cam kết theo kế hoạch ban đầu của chúng tôi.

Shubham: Đó không phải là một tin tức tuyệt vời Mohit. Bạn có thể giải thích thêm về điều này?

Mohit: Vì nhóm đang làm việc theo các yêu cầu ưu tiên, chúng tôi đang đi đúng hướng để cung cấp các mặt hàng ưu tiên cao, nhưng chúng tôi có những thách thức trong việc hoàn thành công việc còn lại của chúng tôi dựa trên vận tốc mà chúng tôi đã đốt cho đến nay và những thay đổi trong phạm vi kế hoạch của chúng tôi.

Shubham: Được rồi, bạn đề nghị gì?

Mohit:  Chúng ta hãy chia các sản phẩm giao thành hai giai đoạn. Tất cả các mặt hàng ưu tiên cao cần thiết cho triển lãm thương mại của khách hàng sẽ được phân phối theo kế hoạch. Chúng tôi cần phải thay thế cho công việc còn lại.

Shubham: Nghe có vẻ như một kế hoạch. Tôi, cùng với đội ngũ quản lý phát hành, sẽ thảo luận điều này với khách hàng của chúng tôi. Mặc dù các mục còn lại có mức độ ưu tiên tương đối thấp, chúng tôi vẫn cần cung cấp một ngày mà chúng tôi có thể bám vào. Bạn có thể cung cấp đề xuất của bạn với một kế hoạch vững chắc? Hãy để chúng tôi đảm bảo bài tập này không ảnh hưởng đến đội của chúng tôi.

Mohit: Vâng thưa sếp!

Kế hoạch vững chắc có nghĩa là xác suất cao hơn để đáp ứng cam kết cho công việc còn lại. Hãy để chúng tôi giúp Mohit ở đây với các hướng dẫn từng bước về mô phỏng Monte Carlo. Mục tiêu của Mohit là tìm ra những lựa chọn lạc quan và bi quan dựa trên vận tốc lịch sử với sự ngẫu nhiên liên quan.

Đây  bảng tính có tóm tắt các bước dưới đây.

Bước 1: Xác định chức năng gieo hạt

Trong kịch bản của chúng tôi, vì chúng tôi biết vận tốc thấp nhất và cao nhất của mình và chúng tôi có thể đưa ra thứ gì đó như MIN (Vận tốc thực tế trong 3 lần chạy nước rút cuối cùng) + RAND () * (MAX (Vận tốc thực tế trong 3 lần chạy nước rút cuối cùng) -MIN (Vận tốc thực tế trong 3 lần chạy nước rút gần đây))

Chúng ta có thể chọn bất kỳ chức năng nào (chẳng hạn như thêm tham số rủi ro hoặc phạm vi), nhưng để đơn giản, tôi đã chọn điều này vì vận tốc thường xem xét nỗ lực, độ phức tạp và độ không chắc chắn liên quan trong quá trình định cỡ.

Bước 2: Thiết lập bản dùng thử

Tiêu chuẩn công nghiệp cho thấy ít nhất 10000 lần chạy cho mô phỏng Monte Carlo. Vì dù sao chúng tôi cũng đang thực hiện nó trong excel, chúng tôi có thể nhắm mục tiêu 15000 lượt chạy (hoặc hơn). Thiết lập một cột để đánh số Trials từ 1 đến 15000.

Bước 3: Chọn ngẫu nhiên các lần chạy

Thiết lập một cột khác cho Vận tốc với lần chạy đầu tiên là chức năng gieo hạt (như được mô tả trong Bước 1). Bây giờ chúng ta có hai cột với 15000 hàng trong đó cột đầu tiên được lấp đầy với các lần chạy và cột thứ hai được lấp đầy chỉ với giá trị cho lần chạy đầu tiên. Để ngẫu nhiên tất cả các lần chạy, chúng ta cần làm theo cách sau:

  • Chọn các ô chứa giá trị Kiểu 1 1 (bên dưới cột Thử thách của Viking) và giá trị gieo hạt (bên dưới cột Vel Velốc)
  • Nhấn Ctrl + Shift + Phím mũi tên xuống (hiện chúng tôi có 2 hàng x 15000 cột được chọn)
  • Chọn Dữ liệu -> Phân tích What-If -> Bảng dữ liệu
  • Nhấp vào mục Nhập ô nhập cột và chọn bất kỳ ô nào từ bảng tính của chúng tôi không giữ bất kỳ giá trị nào
  • Chơi lô tô 15000 ô dưới cột "Velocity 'giữ các bước chạy ngẫu nhiên
  • Nhấp vào Tệp -> Tùy chọn -> Công thức -> Tính toán sổ làm việc -> Tự động tự động nếu bạn muốn làm mới dữ liệu thường xuyên.

Bước 4: Vẽ biểu đồ

  • Để vẽ biểu đồ phân phối tần số, trước tiên chúng ta cần bin (xô)
  • Hãy để vận tốc bin bắt đầu từ 400 đến 625 với mức tăng 25
  • Nhấp vào Dữ liệu -> Phân tích -> Phân tích dữ liệu
    • Nếu bạn không tìm thấy điều này, bạn cần thêm phần này qua Tệp -> Tùy chọn -> Bổ trợ -> Quản lý -> Bổ trợ Excel -> 'Đi' -> Bật 'Công cụ phân tích'
  • Nhấp vào Biểu đồ -> Phạm vi đầu vào (Col 1 đến Col 15000 giữ giá trị ngẫu nhiên là "Vận tốc"), Phạm vi Bin (Col 1 đến Coln giữ giá trị bin là 400, 425, chặn 625). Bạn có thể kiểm tra các hộp kiểm khác. Bạn sẽ nhận được tóm tắt bin và biểu đồ như sau:

Agility đáp ứng AI: Thực hành với mô phỏng Monte Carlo

Agility đáp ứng AI: Thực hành với mô phỏng Monte Carlo

Giờ đây, Mohit có thể cung cấp nhiều lựa chọn khác nhau cho CEO của mình - lạc quan (có thể tốc độ 500 điểm câu chuyện ở mức 33%) hoặc bi quan (có thể là 575 điểm câu chuyện với vận tốc 83%). Sau đó, dựa trên nỗ lực còn lại, Mohit có thể tìm ra chúng ta cần thêm bao nhiêu lần chạy nước rút.

Mặc dù vấn đề này nghe có vẻ đơn giản, để tính toán số lần chạy nước rút cần thiết dựa trên vận tốc lịch sử, các bản dựng Monte Carlo cung cấp một phạm vi kết quả tốt hơn với xác suất liên quan, đặc biệt là khi chức năng gieo hạt được đặt đúng như đã thảo luận ở trên.

Tóm lại, mô phỏng Monte Carlo có hiệu quả khi kết hợp với kiến ​​thức tên miền, xác định các tham số ảnh hưởng đến quyết định, thu thập dữ liệu liên quan và thiết lập một thử nghiệm thích hợp với số lượng thử nghiệm tốt. Giống như bất kỳ mô hình nào khác, điều này cần một cơ chế phản hồi liên tục để cải thiện độ chính xác dự đoán.

0 hữu ích 0 bình luận 8.5k xem chia sẻ

Có thể bạn quan tâm