Eco-Conscious Master Production Scheduling Under Dual Uncertainty: A Hybrid Approach Using Machine Learning and Stochastic Optimization

कल्पना कीजिए कि आप एक विशाल, हाई-टेक नींबू पानी का स्टाल चला रहे हैं, लेकिन नींबू के बजाय, आप जटिल मशीनें बना रहे हैं, और धूप वाले दिन के बजाय, आपकी सबसे बड़ी चुनौती मौसम है। आधुनिक कारखानों की दुनिया में, दो बहुत ही अप्रत्याशित चीजों के बीच एक निरंतर खींचतान चलती रहती है: कितने लोग आपका उत्पाद खरीदना चाहते हैं (मांग) और आपकी मशीनों को चालू करने की लागत (ऊर्जा) कितनी है। लंबे समय तक, फैक्ट्री प्रबंधकों ने इसे भविष्य का एक एकल, "सर्वश्रेष्ठ अनुमान" संख्या के साथ अनुमान लगाकर हल करने की कोशिश की। वे कहते थे, "कल, हमें 100 नींबू चाहिए होंगे, और बिजली की कीमत 5 सेंट होगी।" लेकिन वास्तविक दुनिया में, भविष्य अव्यवस्थित होता है। कभी-कभी, कोई नींबू पानी नहीं चाहता, और कभी-कभी सूरज इतना चमक रहा होता है कि बिजली की कीमत वास्तव में नकारात्मक पैसे में होती है (यानी बिजली कंपनी आपको इसका उपयोग करने के लिए भुगतान करती है!)। यह शोध पत्र विज्ञान के उस कोने में रहता है जिसे ऑपरेशंस रिसर्च (Operations Research) कहा जाता है, जो मूल रूप से यह निर्णय लेने की कला है कि जब आप नहीं जानते कि आगे क्या होने वाला है, तो सबसे अच्छा निर्णय कैसे लिया जाए। यह इस विचार पर आधारित है कि यदि आप भविष्य को एक निश्चित तथ्य की तरह मानते हैं, तो आप बुरे निर्णयों के ट्रैफिक जाम में फंस जाएंगे। इसके बजाय, लेखक सुझाव देते हैं कि हमें भविष्य को ताश की एक गड्डी की तरह मानना चाहिए: हमें नहीं पता कि कौन सा कार्ड निकाला जाएगा, लेकिन हम हर संभावित हाथ के लिए गड्डी को फेंट सकते हैं और योजना बना सकते हैं।

यह अध्ययन, जिसका शीर्षक "इको-कॉन्शियस मास्टर प्रोडक्शन शेड्यूलिंग अंडर डुअल अनसर्टेंटी" (Eco-Conscious Master Production Scheduling Under Dual Uncertainty) है, एक फैक्ट्री चलाने का एक चतुर नया तरीका प्रस्तावित करता है जो इतना स्मार्ट है कि वह "क्या कोई यह खरीदेगा?" और "अभी बिजली की कीमत कितनी है?" दोनों सवालों को एक साथ संभाल सके। लेखक एक "हाइब्रिड" दृष्टिकोण का सुझाव देते हैं जो दो शक्तिशाली उपकरणों को मिलाता है: मशीन लर्निंग (कंप्यूटर जो पिछले डेटा से सीखते हैं) और स्टोकेस्टिक ऑप्टिमिज़ेशन (गणित जो कई अलग-अलग भविष्य के लिए योजना बनाता है)।

यहाँ उनका "जादुई ट्रिक" कैसे काम करता है। सबसे पहले, वे एक सुपर-स्मार्ट कंप्यूटर मस्तिष्क का उपयोग करते हैं जिसे LightGBM कहा जाता है, यह अनुमान लगाने के लिए कि लोग कितने उत्पादों की मांग कर सकते हैं। केवल एक संख्या देने के बजाय, यह संभावनाओं का एक "बादल" खींचता है, कहता है, "हमें 100 की आवश्यकता हो सकती है, या शायद 150, या शायद सिर्फ 50।" इसी समय, वे एक अलग कंप्यूटर मस्तिष्क का उपयोग करते हैं जिसे LSTM (जो समय के लिए एक मेमोरी बैंक की तरह है) कहा जाता है, जो बिजली की कीमतों को देखने के लिए है। यह मस्तिष्क पैटर्न पहचानने में माहिर है, जैसे कि कीमतें कब गिर सकती हैं जब सूरज चमक रहा हो या कब बढ़ सकती हैं जब हर कोई काम से घर लौट रहा हो।

एक बार जब इन दोनों मस्तिष्कों ने अपने अनुमान लगा लिए, तो लेखक केवल एक परिदृश्य नहीं चुनते हैं। इसके बजाय, वे सैकड़ों संभावित भविष्य (परिदृश्य) का एक "पेड़" बनाते हैं। फिर, वे इस विशाल पेड़ को सबसे महत्वपूर्ण शाखाओं तक छोटा करने के लिए एक विशेष गणितीय फिल्टर का उपयोग करते हैं, ताकि कंप्यूटर अभिभूत न हो जाए। अंत में, वे इस पेड़ को एक टू-स्टेज स्टोकेस्टिक मॉडल (Two-Stage Stochastic Model) में फीड करते हैं। इस मॉडल को एक दो-चरणीय नृत्य के रूप में सोचें:

1. "यहाँ-और-अब" (Here-and-Now) चरण: फैक्ट्री भविष्य होने से पहले एक योजना बनाती है। वे तय करते हैं कि कौन सी मशीनें चालू करनी हैं और कितना उत्पादन करना है, यह जानते हुए कि उन्हें बाद में समायोजन करने की आवश्यकता हो सकती है।
2. "देखने-और-देखने" (Wait-and-See) चरण: एक बार जब वास्तविक दिन आ जाता है और वास्तविक मांग और वास्तविक बिजली की कीमतें प्रकट हो जाती हैं, तो फैक्ट्री त्वरित समायोजन करती है। यदि बिजली सस्ती है, तो वे मशीनों को ज़ोर से चलाते हैं। यदि बिजली महंगी है, तो वे रुक जाते हैं और उस इन्वेंट्री का उपयोग करते हैं जो उन्होंने पहले बनाई थी।

यह पत्र पुराने तरीके का पुरजोर विरोध करता है, जिसे जस्ट-इन-टाइम (JIT) कहा जाता है। पुराना तरीका कहता है, "ठीक उतना ही बनाओ जितनी आपको ज़रूरत है, ठीक उसी समय जब आपको ज़रूरत है, और शून्य अतिरिक्त सामान रखो।" लेखक दिखाते हैं कि बिजली की कीमतें बेतहाशा उतार-चढ़ाव वाली दुनिया में, यह कठोर दृष्टिकोण एक आपदा है। यह कारखानों को अतिरिक्त सामान रखने से बचने के लिए महंगे पीक घंटों के दौरान अपनी मशीनें चलाने के लिए मजबूर करता है। उनकी नई विधि सुझाव देती है कि वास्तव में थोड़ा "ओवरस्टॉक" करना जानबूझकर स्मार्ट है। जब बिजली सस्ती हो (या मुफ्त हो!), तो अतिरिक्त उत्पाद बनाकर, फैक्ट्री महंगे घंटों के दौरान उत्पादन रोक सकती है, जिससे भारी मात्रा में पैसा बचता है।

जब लेखकों ने यूरोपीय बाजार (विशेष रूप से EPEX SPOT मार्केट) में बिजली का व्यापार करने वाले एक सिम्युलेटेड फैक्ट्री पर इस विचार का परीक्षण किया, तो परिणाम काफी प्रभावशाली थे। उनके सिमुलेशन में, नए "प्रेडिक्ट-एंड-ऑप्टिमाइज़" (Predict-and-Optimize) तरीके ने पुराने, कठोर नियोजन तरीकों की तुलना में कुल परिचालन लागत में 34.3% की बचत की। यह वैल्यू ऑफ द स्टोकेस्टिक सॉल्यूशन (VSS) द्वारा मापा गया है, जो उनके 30-दिवसीय परीक्षण में $10,570 था। मॉडल ने न केवल पैसे बचाए; इसने स्वाभाविक रूप से पर्यावरण की भी मदद की। क्योंकि फैक्ट्री ने अपने काम को उन समयों में स्थानांतरित किया जब ग्रिड में हवा और सौर ऊर्जा की अधिकता थी (जो अक्सर तब होता है जब बिजली सस्ती या नकारात्मक होती है), फैक्ट्री के कार्बन उत्सर्जन में बिना किसी स्पष्ट रूप से "ग्रीन" जाने भी गिरावट आई। आर्थिक रूप से पैसे बचाने के प्रयास ने गलती से ग्रह को बचाने के प्रयास का रूप ले लिया।

लेखकों ने यह भी पाया कि मॉडल "नकारात्मक कीमतों" को पहचानने में बहुत अच्छा था—वे दुर्लभ क्षण जब पावर ग्रिड नवीकरणीय ऊर्जा से इतना भरा होता है कि कंपनियां कारखानों को इसका उपयोग करने के लिए भुगतान करती हैं। मॉडल सक्रिय रूप से इन समयों में उत्पादन को स्थानांतरित कर देगा, प्रभावी रूप से एक ऊर्जा लागत को थोड़े से राजस्व में बदल देगा। हालाँकि, पेपर सावधानी से नोट करता है कि ये परिणाम एक विशिष्ट प्रकार की फैक्ट्री पर सिमुलेशन और कंप्यूटेशनल प्रयोगों से आते हैं, न कि एक वास्तविक दुनिया की फैक्ट्री से जो वर्षों से इस तरह से चल रही है। लेखक सुझाव देते हैं कि जबकि गणित ठोस दिखता है और सिमुलेशन में बचत महत्वपूर्ण है, वास्तविक दुनिया के कार्यान्वयन के लिए आगे के परीक्षण की आवश्यकता होगी। उन्होंने यह भी गणना की कि यदि कोई कंपनी पूर्ण भविष्य जानना चाहती थी, तो उसे और भी बेहतर भविष्यवाणियां प्राप्त करने के लिए $4,800 (एक्सपेक्टेड वैल्यू ऑफ परफेक्ट इंफॉर्मेशन) तक खर्च करने लायक होगा, लेकिन चूंकि पूर्ण भविष्यवाणी असंभव है, इसलिए उनकी वर्तमान विधि एक बहुत मजबूत विकल्प है।

संक्षेप में, यह पेपर सुझाव देता है कि फैक्ट्री प्रबंधन का भविष्य भविष्य का पूरी तरह से अनुमान लगाने के बारे में नहीं है; यह एक लचीली योजना बनाने के बारे में है जो भविष्य के साथ नाच सके, चाहे संगीत कितना भी जंगली क्यों न हो। AI का उपयोग करके अराजकता की भविष्यवाणी करने और उसके लिए योजना बनाने के लिए गणित का उपयोग करके, कारखाने पैसे बचा सकते हैं, स्टॉक खत्म होने से बच सकते हैं, और एक साथ, अनजाने में पर्यावरण की मदद कर सकते हैं।