Otwarte planowanie produkcji to jeden z najtrudniejszych problemów optymalizacyjnych w przemyśle. Chodzi o znalezienie optymalnego porządku wykonywania zadań na różnych maszynach, aby zminimalizować całkowity czas produkcji. W miarę jak rośnie liczba zadań i maszyn, dokładne metody przestają być praktyczne, a tradycyjne heurystyki wymagają znacznego dostrajania.
Badacze zaproponowali rozwiązanie oparte na architekturze encoder-decoder z attention mechanisms. Model trenuje się wyłącznie na macierzy czasów przetwarzania, bez konieczności ręcznego definiowania reguł dyspozycyjnych. Interesujące jest, że sieć wytrenowana na małych instancjach (do 10x10 maszyn i zadań) potrafi bez ponownego treningu radzić sobie z problemami 10-100 razy większymi. Wyniki pokazują luki 12-15% względem teoretycznych dolnych granic dla instancji 40x40 do 100x100.
To ważne odkrycie, ponieważ pokazuje, że uczące się podejście może konkurować z klasycznymi metodami i jednocześnie być bardziej ogólne. Transformer zachowuje zbliżoną wydajność do najlepszej klasycznej heurystyki (EST), przy tym że znacznie lepiej radzi sobie niż prostsze podejścia (SPT, LPT). Taki feature-light model otwiera drogę do bardziej adaptacyjnych rozwiązań planowania, które mogą być wdrażane bez dogłębnego dostrajania dla każdego nowego problemu.