Queueing Theory vs. Machine Learning

Our paper “Delay Prediction for Managing Multi-Class Service Systems: An Investigation of Queueing Theory and Machine Learning Approaches” was accepted to IEEE Transactions on Engineering Management (impact factor: 8.7).
Read it to know when to prefer the simple queueing theory formulas over CPU-hungry time-intensive machine learning models, and when the latter models are worthwhile.
Contact me for more details.
Professor Paul Feigin and the talented Elisheva Chocron (MSc.) are my co-authors.

Read the abstract and continue to the full paper:

Customer waiting time prediction is key to managing service systems. Predicting how long a customer will wait for service at the time of their arrival can provide important information to the customer and serve as a tool for the operations manager.
Recent studies that suggested machine learning algorithms for waiting time prediction as an alternative to the standard queueing theory approaches investigated specific systems with mixed results regarding the superiority of a particular approach.
We provide a systematic investigation of common violations of queueing theory assumptions on waiting time prediction in the context of single-queue many-server systems. These violations include non-stationarity, non-exponential service times, state-dependent service times, abandonments, and customers with different priorities. Using different machine learning models as well as queueing theory based methods, we seek to determine under what regimes machine learning prediction is to be preferred to queueing theory based predictors.
Our results suggest that queueing theory models produce comparable and frequently better predictions versus machine learning algorithms at a much lower computational cost. Under other assumptions, such as high priority for a specific type of customer, machine learning predictions may outperform queueing theory predictions. Our results may guide the selection of a delay prediction approach for service systems. Read more…

Between Capacitated Machines, Ovens and Cloud Computing (accepted to WAOA21)

Interestingly, problems with capacitated machines were initially encountered in production settings where jobs are processed in batches such as scheduling jobs for heat treatment ovens and wafer fabrication processes. The interest in these problems has increased because of its relevance for modeling modern cloud computing environments. Indeed, differently than most scheduling models in which a resource serves a single job at any given time, in modern cloud computing environments, multiple jobs can run concurrently on the same server subject to its capacity constraints (e.g., memory, cores, bandwidth). Read our paper with new results about the problem. For more, refer to my publications page. This paper was written with my talented MSc. student Iyar Zaks and colleague Dr. Ilan Cohen.

הכינוס הלאומי ה- 22 להנדסת תעשייה וניהול

הזדמנות מעולה להיפגש ביוני 2021. לקדם שיתופי פעולה, להתעדכן ולהתרענן, להשתתף בסדנאות מקצועיות, להקשיב להרצאות של מהנדסים מחברות מגוונות ולשמוע על החידושים האחרונים מאנשי אקדמיה. לפרטים, הגשת תקצירים ורישום קיראו עוד בקישור

תואר חדשני בהנדסת תעשייה ומערכות מידע

הכירו את התואר הראשון החדש בהנדסת תעשייה ומערכות מידע המתוכנן להיפתח, באישור המועצה להשכלה גבוהה, בשנת הלימודים הקרובה בפקולטה להנדסה של אוניברסיטת בר אילן.
הפקולטה להנדסה שוכנת בחלק החדש והמרווח של הקמפוס, בסביבה ירוקה ומרווחת, בסמוך למגדלי המעונות והמתקנים החדשים וכוללת תשתית לימוד ומעבדות חדשנית. בשונה מהתכניות הקיימות בארץ אשר מתמקדות או בהנדסת תעשייה וניהול או במערכות מידע, הדגש בתכנית זו על הבנה עמוקה בשני התחומים ובהתאם לכך המסיימים בהצלחה יזכו בתעודת בוגר תואר ראשון בהנדסת תעשייה ומערכות מידע. לשם כך, הסטודנטים ילמדו מגוון תחומי ידע רלוונטיים כמו מתמטיקה, סטטיסטיקה, תכנות, ניתוח נתונים ומערכות מידע, למידת מכונה, חקר ביצועים, כלכלה ומדעי התנהגות תוך דגש על שילוב בין התחומים.
מיומנויות אלו יאפשרו לבוגרי התכנית להתחרות על עמדות מובילות בתעשיית ההי טק ובתעשיות נוספות ומגוונות ולהשתלב במחקר באוניברסיטאות המובילות.
רוצים לשמוע עוד? צרו עימנו קשר