یک روش جدید و باحال برای پیش‌بینی مشکلات عجیب تو فرآیندهای هتل با کمک یادگیری ماشین

بذارید یه داستان بگم براتون از دنیای هتل‌ها! کار هتل‌داری کلی پیچیدگی داره: کلی کارمند، مشتری، رزرو، تمیزی اتاقا و هزار تا اتفاق ریز و درشت. خب توی این همه شلوغی، همیشه احتمال داره یه چیزایی خارج از روال پیش بیاد، یعنی مثلاً یه بخش کند کار کنه یا رزروها قاطی بشن. الان دیگه همه می‌دونن که باید جلو جلو این مشکلارو پیش‌بینی کرد وگرنه همه چیز می‌ره تو دنده عقب!

تا حالا روش‌های یادگیری عمیق (deep learning یعنی همون هوش مصنوعی حرفه‌ای که خودش می‌تونه الگوها رو تو داده‌ها شناسایی کنه) سعی کردن این مشکلات رو پیش‌بینی کنن. مثلاً نگاه می‌کنن ببینن کی، کجا چه اتفاقی افتاده و از روی اون رفتار آینده سیستم رو حدس می‌زنن. اما یه مشکلی دارن: درست نمی‌تونن بفهمن بین کارهای مختلف چه رابطه‌ای هست یا چجوری دیتا و کنترل تو سیستم با هم تعامل دارن. خلاصه، خیلی وقتا نخود هر آش می‌شن ولی عمقی نمی‌رن.

حالا این مقاله اومده یه روش تازه و کار درست پیشنهاد داده که نتیجه‌ش خیلی بهتره. اسمشو گذاشتن Multi-perspective Graph Transformer and Auto Encoder یا همون MLGTAE. حالا اگه اسمش عجیب غریبه، توضیح می‌دم: گریپ ترنسفورمر (Graph Transformer) یعنی مدلی که می‌تونه بین اشیا یا فعالیتا به صورت شبکه‌ای رابطه برقرار کنه. اتو انکودر (Auto Encoder) هم یه مدل هوش مصنوعیه که یاد می‌گیره اطلاعاتِ مهمِ یه چیز رو تو یه فرم جمع و جور ذخیره کنه و بعد دوباره بازسازی‌ش کنه. اینطوری می‌تونه بفهمه کجا اطلاعات قاطی یا غیرعادی شده.

این روش چجوری کار می‌کنه؟ اولش میاد یه سری نمودار ردیابی از وقایع هتل درست می‌کنه که هم رفتار فرآیند رو نشون می‌ده (با استفاده از Petri net یا شبکه پتری که یه جور نمودار رسمیه و نشون می‌ده کارها چطور به هم وصلن) و هم داده‌هایی مثل زمان و منابعو توش می‌ذاره. بعدش با کمک مکانیزم توجه یا همون Attention Mechanism (یعنی مدلی که به بخش‌های مهم یه داده توجه بیشتری می‌کنه)، می‌ره سراغ ارتباط‌های عمیق بین رفتار و دیتا. آخرشم یه بخش رمزگشا یا دیکودر داره که میاد داده‌ها رو بازسازی می‌کنه و اینجوری به سرعت جاهایی که همه چیز غیرعادی شدا رو شناسایی می‌کنه.

نکته جالب اینه که این روش رو با کلی دیتای واقعی از هتل‌ها امتحان کردن و فهمیدن که MLGTAE واقعاً داره بهتر از همه مدل‌های قبلی کار می‌کنه. هم توی پیش‌بینی مشکلات مربوط به کارهای مختلف (فعالسازی یا Activity) و هم تو داده‌هایی مثل زمان و منابع، عملکردش عالی بوده.

در کل، این روش جدید به هتل‌ها کمک می‌کنه قبل از اینکه اوضاع از دستشون دربره، مشکلات احتمالی رو کشف کنن و مدیریت بهتری داشته باشن. دیگه لازم نیست منتظر بمونن تا همه کارها قاطی بشه!

منبع: +