Wat is Feasible Region?

Wat is een Feasible Region eigenlijk?

Stel je voor dat je een feestje organiseert. Je hebt €200 te besteden, ruimte voor maximaal 30 mensen, en je wilt minstens 10 gasten uitnodigen. De feasible region is dan het gebied van alle mogelijke combinaties — 15 mensen voor €150, 25 mensen voor €180, enzovoort — die binnen al je voorwaarden passen.

In AI en machine learning werkt het precies zo. Een feasible region is de verzameling van alle oplossingen die aan je gestelde eisen voldoen. Denk aan een AI-model dat prijzen moet bepalen: het mag niet onder de kostprijs, niet boven wat klanten willen betalen, en moet genoeg winst opleveren. Alle prijzen die aan die drie eisen voldoen, vormen samen je feasible region.

Hoe werkt het in de praktijk?

Elke voorwaarde die je stelt, tekent als het ware een grens in een denkbeeldig landschap. Stel dat je twee variabelen hebt — bijvoorbeeld het aantal uur CPU-tijd en het aantal uur GPU-tijd dat je AI-model mag gebruiken:

• CPU-tijd moet minstens 2 uur zijn (grens 1)

• GPU-tijd mag maximaal 8 uur zijn (grens 2)

• Totale kosten mogen niet boven €500 uitkomen (grens 3)

Al deze grenzen samen creëren een gebied op je kaart. Binnen dat gebied liggen alle combinaties die werken — dat is je feasible region. Daarbuiten liggen oplossingen die één of meer regels overtreden.

Bij complexere AI-problemen heb je soms tientallen of honderden voorwaarden. Dan wordt het gebied ingewikkelder, maar het principe blijft hetzelfde: binnen de lijntjes kleuren betekent een geldige oplossing.

Waarom is dit belangrijk voor AI?

Bij veel AI-toepassingen zoek je niet zomaar een oplossing — je zoekt de beste oplossing binnen bepaalde grenzen. Bijvoorbeeld:

• Een AI die routes plant, moet rekening houden met maximale rijtijden, tankstops en leverdeadlines

• Een AI die personeelsroosters maakt, moet voldoen aan arbeidsregelingen, beschikbaarheid en budgetlimieten

• Een AI die beleggingsportefeuilles samenstelt, moet binnen risicoprofielen en wettelijke kaders blijven

Zonder feasible region zou de AI oplossingen kunnen voorstellen die technisch optimaal zijn, maar in de echte wereld niet uitvoerbaar. Een routeplanner die voorstelt om 20 uur achter elkaar door te rijden is misschien sneller, maar overtreedt verkeerswetgeving. Die oplossing ligt buiten de feasible region.

Een voorbeeld uit de praktijk

Een webshop wil haar advertentiebudget verdelen over Google en Instagram. Ze heeft €10.000 beschikbaar, moet minstens €2.000 aan elk platform besteden (contractuele afspraak), en wil maximaal 70% van het budget aan één platform uitgeven.

De feasible region bestaat dan uit alle combinaties waarbij:

• Google + Instagram = €10.000

• Google ≥ €2.000 én Instagram ≥ €2.000

• Geen van beide ≥ €7.000

Binnen dat gebied kan een AI-model de beste verdeling zoeken op basis van verwacht rendement — maar alleen binnen de toegestane combinaties.

Waar kom je het tegen?

Je komt feasible regions tegen in optimalisatie-algoritmes die AI-systemen gebruiken voor:

• Resource planning: Google Cloud, AWS en Azure gebruiken dit om je serverkosten te optimaliseren binnen je budget en performance-eisen

• Supply chain optimalisatie: bedrijven als Alibaba en bol.com plannen voorraad en transport binnen capaciteits- en tijdsbeperkingen

• Energie-netwerken: slimme energiesystemen verdelen elektriciteit binnen veiligheidsnormen en capaciteitslimieten

• Financiële planning: robo-advisors als BUX en FlowTraders gebruiken dit om portefeuilles samen te stellen binnen jouw risicoprofiel

Als je ooit met spreadsheets werkt waarin je "Solver" of "Goal Seek" gebruikt, werk je eigenlijk ook met feasible regions — je zoekt de beste waarden binnen jouw ingestelde grenzen.

Wat kun je ermee?

Begrijpen hoe feasible regions werken helpt je realistische verwachtingen te hebben van AI-systemen. Een AI kan niet toveren — als je voorwaarden elkaar tegenspreken ("maximaal €100 uitgeven maar minstens 50 premium-producten kopen van €5 per stuk"), dan is er geen feasible region. Geen enkele oplossing voldoet.

Als je zelf AI-tools inzet voor planning, optimalisatie of besluitvorming: formuleer je voorwaarden helder en controleer of ze samen logisch zijn. Dan krijg je bruikbare oplossingen die echt uitvoerbaar zijn in de praktijk.