Automated decision-making for dynamic task assignment at scale
Created by
- Haebom
Category
Empty
저자
Riccardo Lo Bianco, Willem van Jaarsveld, Jeroen Middelhuis, Luca Begnardi, Remco Dijkman
개요
본 논문은 동적 작업 할당 문제(DTAP)의 실제 크기의 문제를 해결하기 위한 심층 강화 학습(DRL) 기반 의사결정 지원 시스템(DSS)을 제안합니다. 특히, 각 작업이 확률적 활동 시퀀스로 구성된 DTAP 변형을 고려하며, 최대한 빠르게 요청을 처리하기 위해 어떤 직원에게 어떤 활동을 할당할지 결정하는 문제를 다룹니다. 기존 연구의 한계인 소규모 합성 문제 해결에 집중한 점을 극복하고자, 그래프 구조를 이용한 관측 및 행동 표현과 평균 작업 사이클 시간 최소화 목표와 증명 가능하게 동등한 보상 함수를 도입한 DRL 에이전트를 제안합니다. 실제 로그 데이터를 통해 프로세스 마이닝으로 추출한 5가지 DTAP 인스턴스를 통해 제안된 DSS를 평가하였으며, 모든 인스턴스에서 기존 최고 성능 기준 모델과 동등하거나 뛰어난 성능과 시간 지평 및 인스턴스 간 일반화 성능을 보였습니다.
시사점, 한계점
•
시사점:
◦
실제 크기의 동적 작업 할당 문제에 효과적으로 대응 가능한 DRL 기반 DSS를 제시.
◦
그래프 구조 기반 관측 및 행동 표현으로 다양한 DTAP에 일반화 가능한 에이전트 학습 가능.
◦
증명 가능한 보상 함수를 통해 평균 작업 사이클 시간 최소화 목표 달성.
◦
실제 로그 데이터 기반 평가를 통해 실용성 검증.
•
한계점:
◦
제안된 DSS의 성능은 사용된 실제 로그 데이터의 특성에 의존적일 수 있음.
◦
다양한 유형의 실제 DTAP에 대한 일반화 성능에 대한 추가적인 연구 필요.
◦
더욱 복잡한 환경이나 제약 조건을 포함하는 DTAP에 대한 확장성 검토 필요.
