این یک پست مهمان است که توسط نافی احمد تورگوت، مهمت اکبال اوزمن، حسن بوراک یل، فاطما نور دوملوپینار کشیر، موتلو پولاتجان و امره اوزل از گتیر نوشته شده است.
بیا پیشگام تحویل مواد غذایی فوق سریع است. این شرکت فناوری با پیشنهاد تحویل خواربار در دقیقه خود انقلابی در تحویل آخرین مایل ایجاد کرده است. Getir در سال 2015 تاسیس شد و در ترکیه، انگلستان، هلند، آلمان و ایالات متحده فعالیت می کند. امروزه، Getir یک مجموعهای است که XNUMX شرکت عمودی را با همان نام تجاری ترکیب میکند.
در این پست، سیستم مدیریت نیروی کار سرتاسری را شرح میدهیم که با پیشبینی تقاضای مکانی خاص شروع میشود و سپس برنامهریزی نیروی کار پیک و تعیین نوبت با استفاده از پیش بینی آمازون و توابع مرحله AWS.
در گذشته، تیمهای عملیاتی درگیر شیوههای مدیریت نیروی کار دستی بودند که منجر به اتلاف قابل توجه زمان و تلاش میشد. با این حال، با اجرای پروژه جامع مدیریت نیروی کار سرتاسر ما، آنها اکنون میتوانند به طور موثر طرحهای پیک لازم برای انبارها را از طریق یک فرآیند ساده و با یک کلیک قابل دسترسی از طریق یک رابط وب ایجاد کنند. قبل از شروع این پروژه، تیمهای تجاری برای پیشبینی تقاضا به روشهای شهودیتری متکی بودند که نیاز به بهبود از نظر دقت داشت.
پیش بینی آمازون یک سرویس کاملاً مدیریت شده است که از الگوریتم های یادگیری ماشین (ML) برای ارائه پیش بینی های سری زمانی بسیار دقیق استفاده می کند. در این پست، توضیح میدهیم که چگونه با انجام مهندسی ویژگی و مدلسازی با استفاده از Amazon Forecast، زمان مدلسازی را تا 70% کاهش دادیم. ما به کاهش 90 درصدی در زمان سپری شده در هنگام اجرای الگوریتم های زمان بندی برای همه انبارها با استفاده از توابع مرحله AWS، که یک سرویس کاملاً مدیریت شده است که هماهنگی اجزای برنامه های کاربردی و میکروسرویس های توزیع شده را با استفاده از گردش کار بصری آسان تر می کند. این راه حل همچنین منجر به بهبود 90 درصدی دقت پیش بینی در سراسر ترکیه و چندین کشور اروپایی شد.
بررسی اجمالی راه حل
پروژه مدیریت نیروی کار End-to-End (پروژه E2E) یک پروژه در مقیاس بزرگ است و می توان آن را در سه موضوع توضیح داد:
1. محاسبه نیازهای پیک
مرحله اول برآورد تقاضای ساعتی برای هر انبار است که در قسمت انتخاب الگوریتم توضیح داده شده است. این پیشبینیها که با آمازون Forecast تهیه شدهاند، به تعیین زمان و تعداد پیکهایی که هر انبار نیاز دارد کمک میکند.
بر اساس نسبت توان عملیاتی پیکها در انبارها، تعداد پیکهای مورد نیاز برای هر انبار در فواصل ساعتی محاسبه میشود. این محاسبات به تعیین تعداد پیک امکان پذیر با در نظر گرفتن ساعات کاری قانونی کمک می کند که شامل مدل سازی ریاضی می شود.
2. حل مشکل تکلیف شیفت
زمانی که نیازهای پیک را داشته باشیم و محدودیت های دیگر پیک ها و انبارها را بدانیم، می توانیم مشکل تعیین نوبت را حل کنیم. این مشکل با متغیرهای تصمیم مدلسازی میشود که پیکهایی را که باید تخصیص داده شوند و برنامههای شیفت ایجاد میکنند، به حداقل رساندن مازاد و کمبود که ممکن است باعث از دست رفتن سفارشها شود، مدلسازی میشود. این معمولاً یک مشکل برنامه نویسی عدد صحیح مختلط (MIP) است.
3. استفاده از توابع مرحله AWS
ما از توابع مرحله ای AWS برای هماهنگی و مدیریت گردش کار با قابلیت اجرای موازی کارها استفاده می کنیم. فرآیند واگذاری شیفت هر انبار به عنوان یک گردش کار جداگانه تعریف می شود. AWS Step Functions به طور خودکار این گردش کار را با ساده کردن مدیریت خطا شروع و نظارت می کند.
از آنجایی که این فرآیند به داده های گسترده و محاسبات پیچیده نیاز دارد، خدماتی مانند AWS Step Functions مزیت قابل توجهی در سازماندهی و بهینه سازی وظایف ارائه می دهد. این امکان کنترل بهتر و مدیریت کارآمد منابع را فراهم می کند.
در معماری راه حل، ما همچنین از سایر خدمات AWS با ادغام آنها در توابع مرحله AWS بهره می بریم:
نمودارهای زیر گردش کار توابع مرحله AWS و معماری ابزار shifting را نشان می دهد:
انتخاب الگوریتم
پیشبینی تقاضای مکانی فاز اولیه پروژه E2E را تشکیل میدهد. هدف کلی E2E تعیین تعداد پیک هایی است که باید به یک انبار خاص اختصاص دهند و با پیش بینی تقاضا برای آن انبار شروع می شود.
این جزء پیشبینی در چارچوب E2E بسیار مهم است، زیرا مراحل بعدی بر این نتایج پیشبینی تکیه میکنند. بنابراین، هر گونه نادرستی پیشبینی میتواند تأثیر مخربی بر کارایی کل پروژه بگذارد.
هدف از مرحله پیشبینی تقاضای مکانی، تولید پیشبینیها بر اساس یک کشور خاص برای هر انباری است که به صورت ساعتی در دو هفته آینده تقسیم میشود. در ابتدا، پیش بینی های روزانه برای هر کشور از طریق مدل های ML فرموله می شود. همانطور که در نمودار زیر نشان داده شده است، این پیش بینی های روزانه متعاقباً به بخش های ساعتی تقسیم می شوند. دادههای تقاضای معاملاتی تاریخی، اطلاعات آبوهوای مبتنی بر مکان، تاریخهای تعطیلات، تبلیغات و دادههای کمپین بازاریابی ویژگیهای مورد استفاده در مدل هستند که در نمودار زیر نشان داده شده است.
این تیم در ابتدا تکنیکهای پیشبینی سنتی مانند منبع باز را بررسی کردند ساریما (میانگین متحرک یکپارچه یکپارچه خودکار رگرسیون فصلی)، ARIMAX (میانگین متحرک یکپارچه رگرسیون خودکار با استفاده از متغیرهای برون زا)، و هموارسازی نمایی.
ARIMA (Auto-Regressive Integrated Moving Average) یک روش پیشبینی سریهای زمانی است که مؤلفههای خودرگرسیون (AR) و میانگین متحرک (MA) را همراه با تفاوت برای ثابت کردن سریهای زمانی ترکیب میکند.
SARIMA ARIMA را با ترکیب پارامترهای اضافی برای محاسبه فصلی در سری های زمانی گسترش می دهد. این شامل عبارتهای رگرسیون خودکار فصلی و میانگین متحرک فصلی برای ثبت الگوهای تکرار شونده در فواصل زمانی خاص است که آن را برای سریهای زمانی با مولفه فصلی مناسب میکند.
ARIMAX بر اساس ARIMA با معرفی متغیرهای برون زا، که عوامل خارجی هستند که می توانند سری های زمانی را تحت تاثیر قرار دهند، ساخته می شود. این متغیرهای اضافی در مدل برای بهبود دقت پیشبینی با در نظر گرفتن تأثیرات خارجی فراتر از مقادیر تاریخی سریهای زمانی در نظر گرفته میشوند.
هموارسازی نمایی یکی دیگر از روشهای پیشبینی سریهای زمانی است که برخلاف ARIMA بر اساس میانگینهای موزون مشاهدات گذشته است. این به ویژه برای گرفتن روند و فصلی در داده ها موثر است. این روش به مشاهدات گذشته وزنهایی با کاهش نمایی اختصاص میدهد و مشاهدات اخیر وزنهای بالاتری دریافت میکنند.
مدلهای پیشبینی آمازون در نهایت برای بخش مدلسازی الگوریتمی انتخاب شدند. مجموعه وسیعی از مدل ها و قابلیت های مهندسی ویژگی های پیچیده ارائه شده توسط AWS Forecast سودمندتر بوده و استفاده از منابع ما را بهینه کرده است.
شش الگوریتم موجود در Forecast مورد آزمایش قرار گرفت: شبکه عصبی کانولوشن - رگرسیون چندکی (CNN-QR)، DeepAR+, پیامبر, سری زمانی ناپارامتری (NPTS) میانگین متحرک یکپارچه خودرگرسیون (آریما)، و هموارسازی نمایی (ETS). پس از تجزیه و تحلیل نتایج پیشبینی، ما تشخیص دادیم که CNN-QR از سایرین در اثربخشی پیشی گرفته است. CNN-QR یک الگوریتم ML اختصاصی است که توسط آمازون برای پیشبینی سریهای زمانی اسکالر (یک بعدی) با استفاده از شبکههای عصبی کانولوشنال علی (CNN) توسعه یافته است. با توجه به در دسترس بودن منابع داده متنوع در این مقطع، استفاده از الگوریتم CNN-QR ادغام ویژگیهای مختلف را تسهیل میکند که در چارچوب یادگیری نظارت شده عمل میکنند. این تمایز آن را از مدل های پیش بینی سری زمانی تک متغیره جدا کرد و عملکرد را به طور قابل توجهی افزایش داد.
استفاده از Forecast به دلیل سادگی ارائه داده های مورد نیاز و مشخص کردن مدت زمان پیش بینی موثر بود. متعاقباً، Forecast از الگوریتم CNN-QR برای تولید پیشبینیها استفاده میکند. این ابزار به طور قابل توجهی روند را برای تیم ما، به ویژه در مدل سازی الگوریتمی، تسریع کرد. علاوه بر این، با استفاده از سرویس ذخیره سازی ساده آمازون سطل های (Amazon S3) برای مخازن داده های ورودی و Amazon Redshift برای ذخیره نتایج، مدیریت متمرکز کل رویه را تسهیل کرده است.
نتیجه
در این پست، ما به شما نشان دادیم که چگونه پروژه E2E Getir نشان داد که چگونه ترکیب خدمات آمازون Forecast و AWS Step Functions فرآیندهای پیچیده را به طور موثر ساده می کند. ما به دقت پیشبینی چشمگیر حدود 90 درصد در کشورهای اروپایی و ترکیه دست یافتیم و استفاده از Forecast زمان مدلسازی را تا 70 درصد کاهش داد که دلیل آن مدیریت کارآمد مهندسی ویژگی و مدلسازی بود.
استفاده از سرویس AWS Step Functions به مزایای عملی منجر شده است، به ویژه کاهش زمان برنامه ریزی تا 90٪ برای همه انبارها. همچنین، با در نظر گرفتن الزامات میدانی، نرخ انطباق را تا 3 درصد بهبود دادیم و به تخصیص کارآمدتر نیروی کار کمک کردیم. این به نوبه خود موفقیت پروژه را در بهینه سازی عملیات و ارائه خدمات برجسته می کند.
برای دسترسی به جزئیات بیشتر در مورد شروع سفر خود با Forecast، لطفاً به موارد موجود مراجعه کنید منابع پیش بینی آمازون. علاوه بر این، برای اطلاعاتی در مورد ساخت گردش کار خودکار و ساخت خطوط لوله یادگیری ماشین، می توانید کاوش کنید توابع مرحله AWS برای راهنمایی جامع
درباره نویسنده
نافی احمد تورگوت مدرک کارشناسی ارشد خود را در رشته مهندسی برق و الکترونیک به پایان رساند و به عنوان دانشمند پژوهشی فارغ التحصیل مشغول به کار شد. تمرکز او بر ساخت الگوریتمهای یادگیری ماشینی برای شبیهسازی ناهنجاریهای شبکه عصبی بود. او در سال 2019 به Getir پیوست و در حال حاضر به عنوان مدیر ارشد علوم داده و تجزیه و تحلیل کار می کند. تیم او مسئول طراحی، پیادهسازی و نگهداری الگوریتمهای یادگیری ماشینی سرتاسر و راهحلهای مبتنی بر داده برای Getir است.
Mehmet İkbal Özmen مدرک کارشناسی ارشد خود را در رشته اقتصاد دریافت کرد و به عنوان دستیار پژوهشی تحصیلات تکمیلی مشغول به کار شد. حوزه تحقیقاتی او عمدتاً مدلهای سری زمانی اقتصادی، شبیهسازی مارکوف و پیشبینی رکود بود. او سپس در سال 2019 به Getir پیوست و در حال حاضر به عنوان مدیر علم و تحلیل داده ها کار می کند. تیم او مسئول بهینهسازی و الگوریتمهای پیشبینی برای حل مشکلات پیچیده تجربهشده توسط کسبوکارهای عملیات و زنجیره تامین است.
حسن بوراک یل مدرک لیسانس خود را در رشته مهندسی برق و الکترونیک در دانشگاه بوغازیچی دریافت کرد. او در ترکسل کار می کرد و عمدتاً روی پیش بینی سری های زمانی، تجسم داده ها و اتوماسیون شبکه متمرکز بود. او در سال 2021 به Getir پیوست و در حال حاضر به عنوان مدیر علم و تجزیه و تحلیل داده ها با مسئولیت دامنه های جستجو، توصیه و رشد کار می کند.
Fatma Nur Dumlupınar Keşir مدرک لیسانس خود را از گروه مهندسی صنایع در دانشگاه بوغازیچی دریافت کرد. او به عنوان محقق در TUBITAK با تمرکز بر پیش بینی و تجسم سری های زمانی کار کرد. او سپس در سال 2022 به عنوان یک دانشمند داده به Getir پیوست و روی پروژه های Recommendation Engine، برنامه ریزی ریاضی برای برنامه ریزی نیروی کار کار کرده است.
امره اوزل مدرک کارشناسی ارشد خود را در علوم داده از دانشگاه کوچ دریافت کرد. او به عنوان مشاور علم داده در Eczacıbaşı Bilişim کار می کرد که در آنجا عمدتاً بر روی الگوریتم های موتور توصیه تمرکز داشت. او در سال 2022 به عنوان یک دانشمند داده به Getir پیوست و شروع به کار بر روی پروژه های پیش بینی سری زمانی و بهینه سازی ریاضی کرد.
موتلو پولاتکان یک مهندس داده کارکنان در Getir است که در طراحی و ساخت پلت فرم های داده بومی ابری تخصص دارد. او عاشق ترکیب پروژه های منبع باز با خدمات ابری است.
اسرا کیابالی یک معمار ارشد راه حل در AWS است که در حوزه تجزیه و تحلیل از جمله انبار داده، دریاچه های داده، تجزیه و تحلیل داده های بزرگ، جریان داده های دسته ای و بلادرنگ و یکپارچه سازی داده ها متخصص است. او 12 سال تجربه توسعه نرم افزار و معماری دارد. او مشتاق یادگیری و آموزش فناوری های ابری است.
- محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
- PlatoData.Network Vertical Generative Ai. به خودت قدرت بده دسترسی به اینجا.
- PlatoAiStream. هوش وب 3 دانش تقویت شده دسترسی به اینجا.
- PlatoESG. کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
- PlatoHealth. هوش بیوتکنولوژی و آزمایشات بالینی. دسترسی به اینجا.
- منبع: https://aws.amazon.com/blogs/machine-learning/getir-end-to-end-workforce-management-amazon-forecast-and-aws-step-functions/
- : دارد
- :است
- :جایی که
- 1
- 100
- 12
- 2015
- 2019
- 2021
- 2022
- 32
- 7
- 91
- a
- قادر
- درباره ما
- دسترسی
- در دسترس
- حساب
- حسابداری (Accounting)
- دقت
- دقیق
- دست
- در میان
- اضافی
- علاوه بر این
- مزیت - فایده - سود - منفعت
- با صرفه
- مزایای
- الگوریتم
- الگوریتمی
- الگوریتم
- معرفی
- اختصاص دادن
- اجازه می دهد تا
- در امتداد
- همچنین
- آمازون
- پیش بینی آمازون
- آمازون Redshift
- آمازون خدمات وب
- an
- تحلیل
- علم تجزیه و تحلیل
- و
- اختلالات
- دیگر
- هر
- برنامه های کاربردی
- AR
- معماری
- هستند
- محدوده
- دور و بر
- صف
- AS
- اختصاص داده
- همکاری
- دستیار
- At
- خودکار
- بطور خودکار
- اتوماسیون
- دسترس پذیری
- در دسترس
- میانگین
- AWS
- توابع مرحله AWS
- مستقر
- اساس
- BE
- قبل از
- در زیر
- بهتر
- خارج از
- بزرگ
- بزرگ داده
- نام تجاری
- شکسته
- بنا
- می سازد
- کسب و کار
- کسب و کار
- by
- محاسبه
- محاسبه
- محاسبات
- کمپین بین المللی حقوق بشر
- CAN
- قابلیت های
- قابلیت
- گرفتن
- ضبط
- علت
- متمرکز
- زنجیر
- ابر
- خدمات ابر
- ترکیب
- ترکیب
- شروع می شود
- شرکت
- پیچیده
- انطباق
- جزء
- اجزاء
- جامع
- محاسبات
- کنگلومرا
- در نظر گرفته
- با توجه به
- محدودیت ها
- ساخت
- مشاور
- کنترل
- مختصات
- کشور
- کشور
- خاص کشور
- ایجاد
- در حال حاضر
- روزانه
- داده ها
- تجزیه و تحلیل داده ها
- علم اطلاعات
- دانشمند داده
- تجسم داده ها
- داده محور
- تاریخ
- تصمیم
- مشخص
- درجه
- ارائه
- تحویل
- تقاضا
- پیش بینی تقاضا
- نشان
- بخش
- توصیف
- شرح داده شده
- طراحی
- جزئیات
- مشخص کردن
- مشخص
- تعیین
- توسعه
- پروژه
- نمودارها
- فرق
- توزیع شده
- مختلف
- عمل
- دامنه
- حوزه
- پایین
- دو
- مدت
- هر
- آسان تر
- اقتصادی
- اقتصاد (Economics)
- موثر
- به طور موثر
- اثر
- موثر
- موثر
- تلاش
- الکترونیک
- استخدام
- کار می کند
- پشت سر هم
- مشغول
- موتور
- مهندس
- مهندسی
- افزایش
- تمام
- خطا
- تخمین زدن
- اروپا
- اروپایی
- کشورهای اروپایی
- در نهایت
- هر
- اجرا کردن
- تجربه
- با تجربه
- توضیح داده شده
- اکتشاف
- کشف
- نمایی
- نمایی
- گسترش می یابد
- وسیع
- خارجی
- تسهیل
- عوامل
- امکان پذیر است
- ویژگی
- امکانات
- رشته
- نام خانوادگی
- تمرکز
- متمرکز شده است
- تمرکز
- به دنبال
- پیروی
- برای
- پیش بینی
- پیش بینی
- آینده
- تاسیس
- چارچوب
- از جانب
- کاملا
- توابع
- بیشتر
- بعلاوه
- تولید می کنند
- آلمان
- داده
- هدف
- فارغ التحصیل
- گراف
- رشد
- مهمان
- پست مهمان
- راهنمایی
- اداره
- آیا
- he
- کمک
- کمک
- او
- بالاتر
- های لایت
- خیلی
- خود را
- تاریخی
- تاریخی
- روز تعطیل
- ساعت ها
- چگونه
- اما
- HTML
- HTTP
- HTTPS
- تأثیر
- پیاده سازی
- اجرای
- موثر
- بهبود
- بهبود یافته
- بهبود
- in
- شامل
- از جمله
- گنجاندن
- صنعتی
- نفوذ
- اطلاعات
- اول
- در ابتدا
- وارد کردن
- ورودی
- بینش
- یکپارچه
- ادغام
- ادغام
- رابط
- به
- معرفی
- حسی
- IT
- ITS
- شغل ها
- پیوست
- سفر
- JPG
- محل اتصال
- دانستن
- دریاچه ها
- در مقیاس بزرگ
- یادگیری
- رهبری
- قانونی
- پسندیدن
- بر اساس موقعیت مکانی
- دوست دارد
- دستگاه
- فراگیری ماشین
- عمدتا
- حفظ
- ساخت
- باعث می شود
- ساخت
- مدیریت
- اداره می شود
- مدیریت
- مدیر
- کتابچه راهنمای
- بسیاری
- بازار یابی (Marketing)
- کارشناسی ارشد
- ریاضی
- ممکن است..
- روش
- روش
- خدمات میکرو
- به حداقل رساندن
- از دست رفته
- ML
- مدل
- مدل سازی
- مدل سازی
- مدل
- مانیتور
- بیش
- متحرک
- میانگین متحرک
- لازم
- نیازهای
- هلند
- شبکه
- شبکه
- عصبی
- شبکه های عصبی
- شبکه های عصبی
- نه نفر
- به ویژه
- اکنون
- عدد
- هدف
- of
- ارائه
- ارائه شده
- on
- منبع باز
- عمل می کند
- عملیاتی
- عمل
- قابل استفاده
- عملیات
- بهینه سازی
- بهینه
- بهینه سازی
- سفارشات
- سازماندهی
- دیگر
- دیگران
- ما
- نتایج
- روی
- کلاهبرداری
- موازی
- پارامترهای
- ویژه
- احساساتی
- گذشته
- الگوهای
- کارایی
- فاز
- پیشگام
- محوری
- برنامه ریزی
- برنامه
- سیستم عامل
- افلاطون
- هوش داده افلاطون
- PlatoData
- لطفا
- پست
- عملی
- شیوه های
- دقت
- پیش گویی
- پیش بینی
- مشکل
- مشکلات
- روش
- روند
- فرآیندهای
- ساخته
- برنامه نويسي
- پروژه
- پروژه ها
- تبلیغات
- پیشنهاد
- اختصاصی
- ثابت
- ارائه
- نرخ
- نسبت
- زمان واقعی
- داده های زمان واقعی
- اخذ شده
- دریافت
- اخیر
- بحران اقتصادی
- توصیه
- کاهش
- کاهش
- کاهش
- مراجعه
- تکیه
- ضروری
- مورد نیاز
- نیاز
- لازمه
- تحقیق
- پژوهشگر
- منابع
- مسئوليت
- مسئوليت
- نتایج
- انقلابی
- در حال اجرا
- همان
- زمان بندی
- علم
- دانشمند
- جستجو
- فصلی
- بخش
- بخش
- بخش ها
- انتخاب شد
- انتخاب
- ارشد
- جداگانه
- سلسله
- سرویس
- خدمات
- چند
- او
- تغییر
- انتقال
- کمبود
- نشان
- نشان داد
- نشان داده شده
- قابل توجه
- به طور قابل توجهی
- ساده
- سادگی
- ساده شده
- ساده
- نرم افزار
- توسعه نرم افزار
- راه حل
- مزایا
- حل
- حل کردن
- مصنوعی
- منابع
- متخصص
- خاص
- کارکنان
- آغاز شده
- ایالات
- گام
- ذخیره سازی
- ذخیره سازی
- جریان
- ساده سازی
- متعاقب
- متعاقبا
- موفقیت
- چنین
- مناسب
- عرضه
- زنجیره تامین
- پیشی گرفت
- مازاد
- سیستم
- گرفتن
- وظایف
- تعلیم
- تیم
- تیم ها
- تکنیک
- فن آوری
- پیشرفته
- قوانین و مقررات
- آزمایش
- که
- La
- نمودار
- هلند
- انگلستان
- آنها
- سپس
- اینها
- آنها
- این
- سه
- از طریق
- توان
- بدین ترتیب
- زمان
- سری زمانی
- به
- امروز
- ابزار
- تاپیک
- سنتی
- معامله ای
- روند
- ترکیه
- دور زدن
- دو
- به طور معمول
- Uk
- زیر
- متحد
- ایالات متحده
- دانشگاه
- بر خلاف
- بر
- استفاده کنید
- استفاده
- استفاده
- با استفاده از
- با استفاده از
- ارزشها
- مختلف
- وسیع
- عمودی
- از طريق
- بصری
- تجسم
- بود
- ضایعات
- we
- هوا
- وب
- خدمات وب
- هفته
- بود
- چه زمانی
- که
- با
- در داخل
- مشغول به کار
- گردش کار
- گردش کار
- نیروی کار
- کارگر
- با این نسخهها کار
- سال
- شما
- شما
- زفیرنت