紀錄一下工業工程所(Industrial Engineering, 簡稱IE)與作業研究的認知，以及學思感想。而為何放在這個系列也是因為這個領域(最佳化)和數據有密不可分的關係。
本章分為:
- 簡單介紹工業工程領域與運籌學，又稱作業研究(Operation Research)或是最佳化Optimization)
- NTU的IE所
- 學思與感想
本篇適合不知道IE/OR、想知道一些數量決策、或是單純只是想看東西的同學。
IE與OR與Optimization:
簡單說，工業工程是為了提升系統效率。什麼叫系統，引用UNSW的Introduction to System Engineering:
A system refers to the whole or the set that results when a number of things have been grouped together, in a particular manner and for a particular reason.
… This definition implies that a system comprises system elements with interconnections or interactions between those elements.
系統就是指在為了達成某種目的之下將多的元素部分聚集起來，且彼此存在互動行為。
白話解釋就是: 要做成一件事，所需要的人事時地物聚集起來就是系統。像是工廠是一個系統，入口網站也是、一間房子(UNSW上課用的例子)也是一個系統。
工業工程就是聚焦在工業的系統(生產製造、供應鏈、運送)議題上，運用統計學、數學及演算法來改善這些議題下的效率，提出洞見與改善方向，像是提升某種資源對於提升目標有效果。
也就是說統計、作業研究(這兩個都是數學與演算法)都是使用的方法，計算機以及資訊技術是工具(協助計算求解)。但也因為如此，這些方法跟工具常會用到別的非工業議題上，像是: 服務系統、訂價(供應鏈常見議題)之類，凡是需要決策，需要優化的地方。而這又跟管理科學是重疊的，所以常常看到發期刊會發在Industrial Engineering/Operation Research/Management Science/Optimization…等等領域。
那作業研究(最佳化)又是什麼?
跳過統計及實驗設計這塊先不講，作業研究(最佳化)應用就是先將實際問題(極大化利潤、極小化成本、極小化轉換時間)轉化成數學問題，然後透過演算法來找出解，然後對模型進行分析(敏感性分析等等)，提出洞見(到這才算完成)。
數學模型就舉例一個簡單的線性規劃:
其意含可能為要極小化成本而x1跟x2是要生產的產品(Mininize那行是目標式)，限制式1和2表示為資源限制，可能為產能或是生產零件之類。而敏感性分析就是變動一下目標式x1或x2的參數跟限制式右邊的資源(限制式參數比較少討論)，看看對值的影響以決定要增加或減少哪一些資源比較好，可理解為增減某個資源以提升我們要目標(像是降低成本)。當然，這是最簡單的情況，研究上或是實務都大型很多，也會用到整數、非線性、隨機規劃、多目標...等等模式。
題外話，機器學習、統計中也會用到不少最佳化的東西，例如: SVM(對偶問題及KKT條件，林智仁老師就是做SVM的)，成本函數的非線性規劃(梯度下降法跟他的親戚們)等等。
而我認為，以"應用"面來說，列出合適數學模型(建模)及事後分析，還有之後修改模型的技巧，將二次規劃、非線性規劃或是各種奇怪模型修改成能夠分析跟求解的形式。當然去建構演算法是不同的世界。
而當初在經濟領域訓練常常是要觀察現象，然後對這些經濟現像進行數學建模，然後求解，並且分析解的狀態以及均衡。對於個體經濟稍有涉獵的人們應該都有發現最佳化跟個體經濟密不可分的關係。
NTU的IE所學什麼呢?
NTU IE只有研究所(比較小的意思)，且以前隸屬於機械工程所的一個組。目前研究是以作業研究的數學與演算法跟一些應用為主，所以課程環繞最佳化的數學與演算法。
而所上有要求至少修兩門所外的課程(工工需要多領域的展現)，所以學到東西其實不算少，列出所上開的課跟同學會去所外修的課，其涵蓋幾個領域（當然我沒有全部修）：
a. 最佳化類:最佳化概論、整數規劃、動態規劃、非線性規劃(作業研究下的領域)
b. 統計及數學類: 線性代數、統計管制(含實驗設計)、隨機過程、可靠度工程(機械所)、多變量分析（數學所跟商研所都有開）、資料探勘（資管所）、資料科學（原本叫數學軟體，數學系）
c. 應用類: 供需鏈（周老師強調要叫供需鏈）、作業排程
d. 程式類: 柔性計算、程式設計、機器學習(資訊系、電機系)
e. 計算機資訊領域: 要去外系所修，所上都是算法與數學課，我是修了C/CPP跟巨量資料系統、資結跟作業系統，稍微瞭解一點工具，程式能力提升不少，但真的花去很多的時間。
f.人因工程: NTU IE也沒有相關的老師，所以去職衛所修了一下人因工程，雖然是入門但還算是開了眼界。發現在動作與感覺研究與互動的設計，也可以是統計還有最佳化的施展地。(但有機會還是去NTUST修吧)
學思與感想
夾雜一點對研究所的感想，研究所就是需要快速學習知識，但剛好這個領域的知識都是數學(還有演算法)，嚴格來講其實很有趣，只是沒那麼多時間。
雖然是工業工程所，但是近乎全部課程內容都是作業研究(還有統計)這種方法及工具的課(大量證明與演算法)沒有生管，研究主題也不少管理科學在做的事，如:策略、訂價、營收管理等類。
此外大學部和研究所的學習性質相當大的不同，需要針對問題進行分解、建模、找尋較佳解決方式、最後對結果進行分析。所以聽到工工就是只會帶產線(不需要用腦的職位)就覺得很好笑，不過看一下Linkedin會發現MS或分析及OR的工作相較其他國家少不少。
IE/OR類的所擅長的領域在國外非常靈活製造、供應鏈、金融工程(Columbia)、統計及機器學習、資料科學、經濟、決策分析想得到想不到都有，值得研究的議題都有研究反正都是數學。
現在機器學習與資料科學等等正夯(2015之後，學界更早不少)，最佳化除了開發或優化機器學習的演算法之外，還可以利用機器學習及資料科學得到的結果來進行決策。仔細看一下這領域的課程對於資料的需求非常的大，需要用各種方法對於資料來處理，建模來得到決策資訊。
如:機器學習及資科分辨或是找到某些特徵後(服務系統的人潮分布或是需求預測，複雜製程關鍵因子及機台故障預測)，故事還沒有結束，要建立怎麼樣的模型來利用並提升效率呢?
要怎麼樣的資源配置才能在成本及小化下滿足顧客需求(或極大化利潤)，如何才能最小化維修對產線所產生的衝擊，而後續的最佳化以及改善的建議才是一切的理想降落。
