Addressing distributional shifts in operations management: The case of order fulfillment in customized production

要約

タイトル：カスタマイズされた生産の注文処理における分布シフトの対処方法

要約：

– 製造業者は、生産スケジュールを最適化することで注文の履行目標を達成しようとしています。
– カスタマイズされた製品を生産する場合、操作データの確率分布が変化することがよくあるため、機械学習による予測が困難になります。これを分布シフトと呼びます。
– 分布シフトは、予測モデルのパフォーマンスに悪影響を与える可能性があります。
– 本論文では、ジョブショップスケジューリングと対抗的学習に基づくデータ駆動型アプローチを提案しています。これにより、高度な製品カスタマイズを行う製造設定において分布シフトを考慮できます。
– 実世界のデータを用いた数多くの実験により、対抗的学習アプローチが一般的なベースラインよりも優れたパフォーマンスを示すことがわかりました。
– 結果として、本論文は、製造業者が分布シフトを考慮して意思決定を改善する方法を示すものです。

要約(オリジナル)

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.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI