COVID-19の流行に伴い、感染リスクを考慮した制約条件の下、研究員のシフト作成をアニーリングマシンで行いました。
前例のない感染症の流行により、研究所で密を避けた勤務が必要になりました。特に、研究所では実験などを行う必要があり、業務継続のためには出社する人の数を絞る必要があり、研究者のシフト勤務を行うことになりました。
複数の部署が入る大部屋については、部署間にまたがって出社人数の上限を設定しました。また、各実験室で作業する人員については各部屋の大きさによって細かく設定するなど、人員配置の制約条件を設けて対策を取ることになりました。
同じ建物の中に30以上の部署が存在し、部署を横断的に出社制限を管理するような仕組みはなく、それぞれの研究テーマにおける作業スケジュールも流動的であり、調整作業が高い頻度で求められます。また、実験室を利用する者は同じ部署内の人員とは限らないためせっかく実験のために出社しても他部署の人員と被ってしまうと実験は行えなくなってしまうなど弊害は大きく、制約を満たす調整作業は非常に煩雑となりました。研究者や、部門長にその調整を依頼するとなると、本業が滞り、成果に悪い影響がありました。
以下の情報を収集し、アニーリングマシンで制約条件をクリアした最適な人員の組合せとスケジュールを計算、研究員のシフト作成を自動化しました。
それぞれの実験室や研究室の定員は通常の3割までと定められました。
固定的なシフト配置
理想的なシフト配置
部署横断的に出社を管理する仕組みがそれまでありませんでしたが、研究所で働く数百人を対象にシフト勤務を組むことができるようになりました。
週ごとにシフトを作成できるので家庭の事情に極力配慮したり、研究進捗に応じた出社希望に対応することが可能になりました。
「勤務シフト最適化ソリューション」は、コールセンターを運営する企業の経営層、問い合わせ客、オペレータの要望をバランスよく考慮した最適な勤務シフトを、日立の計算技術を使って作成します。
詳しく見るこの記事はACWスキルロードマップの一部です。スキルロードマップを使ってACWを学んでみてください。
記事が役に立ちましたか?他の人に共有してみてください。
組合せ最適化を身近な組合せ最適化問題として分かりやすい2つの例を用いて解説します。また、IoT社会における組合せ最適化処理の高速解法の重要性について述べます。
自然災害リスクに対応するため、保険会社が保有する膨大なデータを活用した再保険ポートフォリオ策定をアニーリングマシンで行うユースケースを紹介しています。
初級者向けに、アニーリングマシンで最適化問題を解く工程を、「課題整理と要件定義」「定式化」「入力データ作成」「アニーリングマシン実行」の4段階に分けて手順やポイントを解説します。
アニーリングマシンが得意とする問題の特徴である「二次」「離散」を中心に、知っておくべき数学的前提を易しく解説します。