Badacze zwracają uwagę na istotny problem w praktycznym zastosowaniu zaawansowanych algorytmów optymalizacyjnych. Okazuje się, że rozwiązania obliczone przez systemy MILP (mixed-integer linear programming) mogą być teoretycznie optymalne, ale w rzeczywistości okazują się bezużyteczne, gdy warunki się zmienią. Gdy koszty nieznacznie wzrosną, zapotrzebowanie spadnie lub dostępność zasobów się zmieni, plan wyglądający doskonale na papierze staje się niefeasible lub musi być drastycznie przemodelowany. Autorzy artykułu identyfikują lukę między założeniami ze stanu optymalizacji a rzeczywistością wdrażania.
Dotychczasowe podejścia do optymalizacji zajmują się głównie znalezieniem najlepszego rozwiązania przy danych warunkach. Problem polega na tym, że brakuje warstwy weryfikacji – sprawdzenia, jak stabilne jest znalezione rozwiązanie, gdy parametry lekko się zmienią. Praca proponuje dodanie audytu robustness, który mierzyłby odporność rozwiązania poprzez testowanie jego zachowania w otoczeniu przestrzeni parametrów. Chodzi o odpowiedź na pytanie: jak daleko mogą się zmienić warunki, aby nasze rozwiązanie pozostało sensowne?
Jest to szczególnie ważne dla systemów wysokiego ryzyka – planowania produkcji, łańcucha dostaw, alokacji zasobów. W takich przypadkach wdrożenie rozwiązania, które zaraz przestanie działać, może być katastrofalne biznesowo. Artykuł nie neguje istniejących podejść (robust optimization czy stochastic programming), ale proponuje uzupełniającą je warstwę, która byłaby certyfikowana i oparta na dowodach ze sprawdzonych solverów. To zmienia perspektywę: zamiast tylko szukać optimum, trzeba także wiedzieć, na ile mu zaufać.