Amazon Forecastin käyttöönotto vähittäiskaupassa: Matka POC:sta tuotantoon

Amazonin sääennuste on täysin hallittu palvelu, joka käyttää tilastollisia ja koneoppimisalgoritmeja (ML) tuottaakseen erittäin tarkkoja aikasarjaennusteita. Äskettäin Amazon Forecastin perusteella auttoimme yhtä vähittäismyyntiasiakkaamme saavuttamaan tarkan kysynnän ennusteen 8 viikossa. Ratkaisu paransi manuaalista ennustetta keskimäärin 10 % WAPE metrinen. Tämä johtaa suoraan 16 työtunnin säästöön kuukaudessa. Lisäksi arvioimme, että oikean tuotemäärän täyttämällä myynti voisi kasvaa jopa 11.8 %. Tässä viestissä esittelemme vähittäiskaupan haasteisiin keskittyvän Amazon Forecastin kysynnän ennustusjärjestelmän työnkulun ja kriittiset osat käyttöönotettaviksi – konseptitodistusta (POC) tuotantoon.

Vähittäiskaupan kysynnän ennustamisen tausta ja ajankohtaiset haasteet

Kysynnän ennustamisen tavoitteena on arvioida tulevaa kysyntää historiallisten tietojen perusteella sekä auttaa varastojen täydennyksessä ja kapasiteetin allokoinnissa. Kysynnän ennustamisen avulla jälleenmyyjät voivat sijoittaa oikean määrän varastoa jokaiseen verkostonsa paikkaan vastatakseen kysyntään. Siksi tarkka ennustejärjestelmä voi tuottaa monia etuja eri liiketoimintatoiminnoissa, kuten:

• Myynnin lisääminen tuotteiden paremman saatavuuden ansiosta ja myymälöiden välisen siirtojätteen vähentäminen
• Luotettavamman tiedon tarjoaminen kapasiteetin käyttöasteen parantamiseksi ja kapasiteetin provisoinnin pullonkaulojen välttämiseksi ennakoivasti
• Minimoi varasto- ja tuotantokustannukset ja parantaa varaston kiertokulkua
• Tarjoaa kokonaisvaltaisesti paremman asiakaskokemuksen

ML-tekniikat osoittavat suurta arvoa, kun saatavilla on suuri määrä laadukasta tietoa. Nykyään kokemukseen perustuva täydennyshallinta tai kysynnän ennuste on edelleen valtavirta useimmille jälleenmyyjille. Tavoitteena parantaa asiakaskokemusta yhä useammat jälleenmyyjät ovat valmiita korvaamaan kokemuspohjaiset kysynnän ennustejärjestelmät ML-pohjaisilla ennusteilla. Vähittäiskauppiailla on kuitenkin useita haasteita ottaessaan ML-pohjaisia ​​kysynnän ennustejärjestelmiä tuotantoon. Tiivistämme erilaiset haasteet kolmeen kategoriaan: datahaasteet, ML-haasteet ja toiminnalliset haasteet.

Tietohaasteet

Suuri määrä puhdasta ja laadukasta dataa on keskeinen vaatimus tarkkojen ML-pohjaisten ennusteiden tekemisessä. Laatutiedot, mukaan lukien historialliset myyntitiedot ja myyntiin liittyvät tiedot (kuten varasto, tuotteiden hinnat ja tarjoukset), on kerättävä ja yhdistettävä. Useista resursseista saatavan datan monimuotoisuus edellyttää nykyaikaisen tietoalustan yhdistämistä tietosiiloihin. Lisäksi tietojen oikea-aikainen pääsy on välttämätöntä toistuvien ja tarkkojen kysyntäennusteiden kannalta.

ML haasteita

Edistyneiden ML-algoritmien kehittäminen vaatii asiantuntemusta. Oikeiden algoritmien toteuttaminen oikeaan ongelmaan vaatii sekä syvällistä aluetietoa että ML-kompetenssia. Lisäksi suurista käytettävissä olevista tietojoukoista oppiminen vaatii skaalautuvan ML-infrastruktuurin. Lisäksi ML-algoritmien ylläpito tuotannossa vaatii ML-kompetenssia, jotta voidaan analysoida mallin huononemisen perimmäinen syy ja kouluttaa malli oikein.

Käytännön liiketoiminnan ongelmien ratkaisemiseksi tarkkojen ennusteiden tuottaminen on vain osa tarinaa. Päättäjät tarvitsevat todennäköisyysennusteita eri kvantiileissa tehdäkseen tärkeitä asiakaskokemuksen ja taloudellisen tuloksen välisiä kompromisseja. Heidän on myös selitettävä ennusteita sidosryhmille ja suoritettava mitä jos -analyyseja tutkiakseen, miten erilaiset skenaariot voivat vaikuttaa ennusteen tuloksiin.

Operatiiviset haasteet

Kustannustehokkaan ennustejärjestelmän ylläpitoon liittyvien operatiivisten ponnistelujen vähentäminen on kolmas päähaaste. Yleisessä kysynnän ennusteen skenaariossa jokaisella tuotteella kussakin paikassa on oma ennustensa. Tarvitaan järjestelmä, joka pystyy hallitsemaan satoja tuhansia ennusteita milloin tahansa. Lisäksi yritysten loppukäyttäjät tarvitsevat ennustejärjestelmän integroinnin olemassa oleviin loppupään järjestelmiin, kuten olemassa oleviin toimitusketjun hallintaalustoihin, jotta he voivat käyttää ML-pohjaisia ​​järjestelmiä muuttamatta olemassa olevia työkaluja ja prosesseja.

Nämä haasteet ovat erityisen akuutteja, kun liiketoiminta on suurta, dynaamista ja kasvavaa. Vastataksemme näihin haasteisiin jaamme asiakkaiden menestystarinan, joka vähentää ponnisteluja mahdollisen liikevoiton nopeaan vahvistamiseen. Tämä saavutetaan prototyypeillä Amazon Forecastilla – täysin hallitulla palvelulla, joka tarjoaa tarkat ennustetulokset ilman, että tarvitsee hallita taustalla olevia infrastruktuuriresursseja ja algoritmeja.

Nopea prototyyppi ML-pohjaiseen ennustejärjestelmään Amazon Forecastin avulla

Kokemuksemme perusteella näemme usein, että vähittäiskaupan asiakkaat ovat halukkaita käynnistämään konseptin todistelun myyntitiedoistaan. Tämä voidaan tehdä muutamasta päivästä muutamaan viikkoon nopeaa prototyyppiä varten, riippuen tietojen monimutkaisuudesta ja käytettävissä olevista resursseista, joita voidaan toistaa mallin viritysprosessin läpi. Prototyyppien valmistuksen aikana suosittelemme käyttämään sprinttejä prosessin tehokkaaseen hallintaan ja jakamaan POC:n tietojen tutkimiseen, iteratiiviseen parantamiseen ja automaatiovaiheisiin.

Tietojen etsintä

Tietojen tutkimiseen liittyy usein intensiivistä keskustelua datatieteilijöiden tai business intelligence -analyytikkojen kanssa, jotta he tutustuvat historialliseen myyntitietoaineistoon ja käytettävissä oleviin tietolähteisiin, jotka voivat vaikuttaa ennusteen tuloksiin, kuten varastoihin ja historiallisiin myynninedistämistapahtumiin. Yksi tehokkaimmista tavoista on konsolidoida myyntitiedot kohdetietojoukoksi tietovarastosta projektin alkuvaiheessa. Tämä perustuu siihen, että ennustetuloksia hallitsevat usein kohdetietojoukon mallit. Tietovarastot tallentavat usein päivittäistä liiketoimintadataa, ja kattava ymmärtäminen lyhyessä ajassa on vaikeaa ja aikaa vievää. Ehdotuksemme on keskittyä kohdetietojoukon luomiseen ja varmistaa, että tämä tietojoukko on oikea. Nämä datan etsintä- ja lähtötulokset voidaan usein saavuttaa muutamassa päivässä, ja tämä voi määrittää, voidaanko kohdetiedot ennustaa tarkasti. Keskustelemme tietojen ennustettavuudesta myöhemmin tässä viestissä.

iteraatio

Kun meillä on perustulokset, voimme jatkaa aiheeseen liittyvien tietojen lisäämistä nähdäksemme, miten ne voivat vaikuttaa tarkkuuteen. Tämä tehdään usein sukeltamalla syvälle lisätietosarjoihin; lisätietoja, katso Liittyvien aikasarjojen tietojoukkojen käyttäminen ja Kohteiden metatietotietosarjojen käyttäminen.

Joissakin tapauksissa voi olla mahdollista parantaa Amazon Forecastin tarkkuutta kouluttamalla malleja tietojoukon samalla tavalla käyttäytyvillä osajouksilla tai poistamalla harvat tiedot tietojoukosta. Tämän iteratiivisen parannusvaiheen aikana haastava osa – totta kaikissa ML-projekteissa – on, että nykyinen iteraatio riippuu edellisen iteraation tärkeimmistä löydöistä ja oivalluksista, joten tiukka analyysi ja raportointi ovat menestyksen avainasemassa.

Analyysi voidaan tehdä kvantitatiivisesti ja empiirisesti. Kvantitatiivinen näkökohta viittaa arviointiin jälkitestauksen aikana ja tarkkuusmittarin vertailua, esim. WAPE. Empiirinen näkökohta viittaa ennustekäyrän ja todellisten kohdetietojen visualisointiin ja alueiden tiedon käyttämiseen mahdollisten tekijöiden sisällyttämiseen. Nämä analyysit auttavat sinua iteroimaan nopeammin ja kuromaan umpeen ennustettujen tulosten ja tavoitetietojen välisen kuilun. Lisäksi tällaisten tulosten esittäminen viikoittaisen raportin kautta voi usein antaa yritysten loppukäyttäjille luottamusta.

Automaatio

Viimeinen vaihe sisältää usein keskustelun POC:sta tuotantoprosessiin ja automaatioon. Koska ML-projektia rajoittaa projektin kokonaiskesto, meillä ei ehkä ole tarpeeksi aikaa tutkia kaikkia mahdollisuuksia. Siksi potentiaalisen alueen ilmoittaminen läpi havaintojen projektin aikana voi usein ansaita luottamusta. Lisäksi automaatio voi auttaa yritysten loppukäyttäjiä arvioimaan ennustetta pidempään, koska he voivat käyttää olemassa olevaa ennustajaa luodakseen ennusteita päivitetyistä tiedoista.

Menestyskriteereitä voidaan arvioida syntyneillä tuloksilla sekä teknisestä että liiketoiminnallisesta näkökulmasta. Arviointijakson aikana voimme arvioida mahdollisia hyötyjä seuraavista:

• Ennusteen tarkkuuden lisääminen (tekninen) – Laske ennustetarkkuus suhteessa todellisiin myyntitietoihin ja vertaa olemassa olevaan ennustejärjestelmään, mukaan lukien manuaaliset ennusteet
• Jätteiden vähentäminen (liiketoiminta) – Vähennä yliennusteita jätteen vähentämiseksi
• Varastohintojen parantaminen (liiketoiminta) – Vähennä aliennusteita varastojen parantamiseksi
• Bruttovoiton kasvun arvioiminen (liiketoiminta) – Vähennä hukkaa ja paranna varastotasoja bruttovoiton kasvattamiseksi

Teemme yhteenvedon kehitystyön kulusta seuraavassa kaaviossa.

Seuraavissa osioissa käsittelemme tärkeitä elementtejä, jotka on otettava huomioon toteutuksen aikana.

Vaiheittainen työnkulku ennustejärjestelmän kehittämiseen

Kohdetietojoukon luominen

Ensimmäinen vaihe on luoda ennusteen kohdetietojoukko. Vähittäiskaupassa tämä viittaa vähittäiskaupan tuotteiden (SKU:n) historiallisiin aikasarjojen kysyntä- ja myyntitietoihin. Aineistoa valmisteltaessa yksi tärkeä näkökohta on tarkkuus. Meidän tulee ottaa huomioon tietojen tarkkuus sekä liiketoiminnan että teknisten vaatimusten osalta.

Liiketoiminta määrittelee, miten ennustaminen johtaa tuotantojärjestelmässä:

• Horisontti – Ennustettujen aikavaiheiden määrä. Tämä riippuu yrityksen taustalla olevasta ongelmasta. Jos haluamme täydentää varastotasoa joka viikko, viikoittainen tai päiväennuste vaikuttaa sopivalta.
• rakeisuus – Ennustesi tarkkuus: aikaväli, kuten päivittäin tai viikoittain, eri myymälöiden sijainnit ja saman tuotteen eri koot. Loppujen lopuksi ennuste voi olla kunkin kaupan SKU:n yhdistelmä päivittäisten tietopisteiden kanssa.

Vaikka edellä mainittu ennustehorisontti ja tarkkuus tulisi määritellä liiketoiminnan vaatimuksen priorisoimiseksi, saatamme joutua tekemään kompromisseja vaatimusten ja toteutettavuuden välillä. Otetaan esimerkkinä kenkäkauppa. Jos haluamme ennustaa kunkin kenkäkoon myyntiä kullakin myymälätasolla, datasta tulee pian harvaa ja mallia on vaikea löytää. Varastojen täyttämiseksi meidän on kuitenkin arvioitava tämä tarkkuus. Tätä varten vaihtoehtoiset ratkaisut saattavat edellyttää eri kenkäkokojen välisen suhteen arvioimista ja tämän suhteen käyttöä hienorakeisten tulosten laskemiseen.

Meidän on usein tasapainotettava liiketoiminnan vaatimukset ja tietomalli, joka voidaan oppia ja käyttää ennustamiseen. Suosittelemme datan ennakoitavuuden käyttöä datamallien kvantitatiivisen pätevöinnin tarjoamiseksi.

Tietojen ennustettavuus ja datamallin luokittelu

Yksi tärkeimmistä oivalluksista, joita voimme kerätä kohdetietojoukosta, on sen kyky tuottaa laadukkaita ennusteita. Tämä voidaan analysoida ML-projektin varhaisessa vaiheessa. Ennuste loistaa, kun data näyttää kausivaihtelun, trendit ja suhdannemallit.

Ennustettavuuden määrittämiseksi on kaksi pääkerrointa: kysynnän ajoituksen vaihtelu ja kysynnän määrän vaihtelu. Kysynnän ajoituksen vaihtelu tarkoittaa kahden kysynnän välistä ajanjaksoa, ja se mittaa kysynnän säännöllisyyttä ajassa. Kysynnän määrän vaihtelu tarkoittaa määrien vaihtelua. Seuraava kuva havainnollistaa joitain erilaisia ​​​​malleja. Ennusteen tarkkuus riippuu voimakkaasti tuotteen ennustettavuudesta. Lisätietoja on kohdassa Kysynnän luokittelu: miksi ennustettavuudella on merkitystä.

On syytä huomata, että tämä ennustettavuusanalyysi koskee jokaista hienorakeista tuotetta (esimerkiksi SKU-Store-Color-Size). On melko yleistä, että kysynnän ennakoivassa tuotantojärjestelmässä eri tuotteet noudattavat erilaisia ​​kaavoja. Siksi on tärkeää erottaa kohteet eri tietokuvioiden mukaan. Yksi tyypillinen esimerkki on nopeasti liikkuvat ja hitaasti liikkuvat tavarat; toinen esimerkki olisi tiheä ja harva data. Lisäksi hienorakeisella esineellä on enemmän mahdollisuuksia saada möykkyinen kuvio. Esimerkiksi vaatekaupassa yhden suositun tuotteen myynti voi olla varsin sujuvaa päivittäin, mutta jos tavaran myynti edelleen erotetaan värin ja koon mukaan, siitä tulee pian harvaa. Siksi tarkkuuden vähentäminen SKU-Store-Color-Size-tilasta SKU-Store-tilaan voi muuttaa datakuvion möykkyisestä tasaiseksi ja päinvastoin.

Lisäksi kaikki tuotteet eivät vaikuta myyntiin tasapuolisesti. Olemme havainneet, että tuotepanos noudattaa usein Pareto-jakaumaa, jossa huipputuotteet muodostavat suurimman osan myynnistä. Näiden huipputuotteiden myynti on usein sujuvaa. Alhaisemman myyntiennätyksen omaavat tuotteet ovat usein möykkyisiä ja epäsäännöllisiä, ja siksi niitä on vaikea arvioida. Näiden kohteiden lisääminen saattaa itse asiassa heikentää myynnin huippukohteiden tarkkuutta. Näiden havaintojen perusteella voimme jakaa tuotteet eri ryhmiin, harjoitella Forecast-mallia huippumyyntituotteille ja käsitellä alempia myyntituotteita kulmakoteloina.

Tietojen rikastaminen ja lisätietojoukon valinta

Kun haluamme käyttää lisätietojoukkoja parantaaksemme ennustetulosten suorituskykyä, voimme luottaa aikasarjatietojoukot ja metatietoaineistot. Vähittäiskaupan alalla intuitioon ja toimialuetietoon perustuvia ominaisuuksia, kuten varasto, hinta, kampanjat ja talvi- tai kesäkaudet, voitaisiin tuoda niihin liittyvinä aikasarjoina. Yksinkertaisin tapa tunnistaa ominaisuuksien hyödyllisyys on ominaisuuden tärkeys. Ennusteessa tämä tehdään selitettävyysanalyysillä. Ennuste Ennustajan selitettävyys auttaa meitä ymmärtämään paremmin, kuinka tietojoukkojen attribuutit vaikuttavat kohteen ennusteisiin. Ennuste käyttää vaikutuspisteiksi kutsuttua mittaria, joka määrittää kunkin määritteen suhteellisen vaikutuksen ja määrittää, lisäävätkö vai vähentävätkö ne ennustearvoja. Jos yhden tai useamman attribuutin vaikutuspistemäärä on nolla, näillä määritteillä ei ole merkittävää vaikutusta ennustearvoihin. Tällä tavalla voimme nopeasti poistaa vähemmän vaikuttavia ominaisuuksia ja lisätä mahdollisia iteratiivisesti. On tärkeää huomata, että vaikutuspisteet mittaavat ominaisuuksien suhteellista vaikutusta, joka normalisoidaan yhdessä kaikkien muiden ominaisuuksien vaikutuspisteiden kanssa.

Kuten kaikki ML-projektit, tarkkuuden parantaminen lisäominaisuuksilla vaatii iteratiivisia kokeiluja. Sinun on kokeiltava useita tietojoukkojen yhdistelmiä ja tarkkailtaessa asteittaisten muutosten vaikutusta mallin tarkkuuteen. Voit yrittää suorittaa useita ennustekokeita Forecast-konsolin kautta tai käyttämällä Python-muistikirjat Forecast API:illa. Lisäksi voit kyytiin AWS-pilven muodostuminen, joka ottaa käyttöön AWS:n, tarjosi valmiita ratkaisuja yleisiin käyttötapauksiin (esim Ennusteen tarkkuuden parantaminen koneoppimisratkaisulla). Ennuste erottaa tietojoukon automaattisesti ja tuottaa tarkkuusmittareita ennustajien arvioimiseksi. Katso lisätietoja Ennustajan tarkkuuden arviointi. Tämä auttaa datatieteilijöitä iteroimaan nopeammin saavuttaakseen parhaiten toimivan mallin.

Edistyksellinen parannus ja kulmakoteloiden käsittely

Mainitsimme, että ennustealgoritmit voivat oppia datasta kausivaihtelun, trendit ja sykliset piirteet. Kohteille, joilla on nämä ominaisuudet ja sopiva datatiheys ja -määrä, voimme käyttää ennustetta arvioiden luomiseen. Kuitenkin, kun kohtaamme möykkyisiä datakuvioita, varsinkin kun datamäärä on pieni, saatamme joutua käsittelemään niitä eri tavalla, esimerkiksi empiirisellä estimoinnilla, joka perustuu sääntöihin.

Tiheiden SKU:iden osalta parannamme entisestään ennusteen tarkkuutta kouluttamalla malleja aikasarjatietojoukon samalla tavalla käyttäytyvillä osajouksilla. Käyttämiämme osajoukkojen erottelustrategioita ovat liiketoimintalogiikka, tuotetyyppi, datatiheys ja algoritmin oppimat mallit. Kun osajoukot on luotu, voimme kouluttaa useita ennustemalleja eri osajoukoille. Katso yksi tällainen esimerkki Klusterin aikasarjatiedot käytettäväksi Amazon Forecastin kanssa.

Kohti tuotantoa: Tietojoukon päivittäminen, seuranta ja uudelleenkoulutus

Tutkitaan esimerkkiarkkitehtuuria Forecastilla seuraavan kaavion mukaisesti. Aina kun loppukäyttäjä yhdistää uuden tietojoukon Amazonin yksinkertainen tallennuspalvelu (Amazon S3), se laukeaa AWS-vaihetoiminnot organisoida eri komponentteja, mukaan lukien tietojoukon tuontityön luominen, automaattisen ennustajan luominen ja ennusteiden luominen. Kun ennustetulokset on luotu, Create Forecast Export -vaihe vie ne Amazon S3:een jatkokuluttajille. Lisätietoja tämän automatisoidun putkilinjan luomisesta on kohdassa Automatisointi AWS CloudFormationin avulla. Se käyttää CloudFormation-pinoa ottamaan tietojoukot automaattisesti käyttöön S3-säilössä ja käynnistämään Forecast-putken. Voit käyttää samaa automaatiopinoa ennusteiden luomiseen omilla tietojoukoillasi.

On kaksi tapaa sisällyttää viimeaikaiset trendit ennustejärjestelmään: päivittää tiedot tai kouluttaa ennustaja uudelleen.

Jotta voit luoda ennusteen päivitetyillä tiedoilla, jotka kuvastavat viimeaikaisia ​​trendejä, sinun on ladattava päivitetty syöttötietotiedosto S3-säihöön (päivitettyjen syöttötietojen tulee silti sisältää kaikki olemassa olevat tietosi). Ennuste ei automaattisesti kouluta ennustajaa uudelleen, kun tuot päivitetyn tietojoukon. Sinä pystyt luoda ennusteita kuten yleensä teet. Ennuste ennustaa ennustehorisontin viimeisestä päivästä päivitetyissä syöttötiedoissa. Siksi viimeaikaiset trendit sisällytetään kaikkiin Forecastin tuottamiin uusiin päätelmiin.

Jos kuitenkin haluat, että ennustajasi koulutetaan uusien tietojen perusteella, sinun on luotava uusi ennustaja. Saatat joutua harkitsemaan mallin uudelleenkoulutusta, kun datamallit (kausivaihtelut, trendit tai syklit) muuttuvat. Kuten kohdassa mainittiin Seuraa jatkuvasti ennustajan tarkkuutta Amazon Forecastin avulla, ennustajan suorituskyky vaihtelee ajan myötä, johtuen sellaisista tekijöistä kuin taloudellisessa ympäristössä tai kuluttajakäyttäytymisessä tapahtuvat muutokset. Tästä syystä ennustaja on ehkä koulutettava uudelleen tai uusi ennustaja on ehkä luotava, jotta voidaan varmistaa erittäin tarkkojen ennusteiden tekeminen. Avulla ennustajan seuranta, Ennuste voi seurata ennustamiesi laatua, jolloin voit vähentää operatiivisia ponnisteluja ja auttaa sinua tekemään tietoisempia päätöksiä ennustajien säilyttämisestä, uudelleenkoulutuksesta tai uudelleen rakentamisesta.

Yhteenveto

Amazon Forecast on ML:ään perustuva aikasarjaennustepalvelu, joka on rakennettu liiketoimintametriikka-analyysiin. Voimme integroida kysynnän ennustamisen erittäin tarkasti yhdistämällä historialliset myyntitiedot ja muut asiaankuuluvat tiedot, kuten varaston, tarjoukset tai sesongin. Auttoimme yhtä vähittäisasiakkaamme saavuttamaan tarkan kysynnän ennusteen 8 viikossa – 10 %:n parannus manuaaliseen ennusteeseen verrattuna. Tämä johtaa suoraan 16 työtunnin säästöön kuukaudessa ja arvioitu myynnin kasvu jopa 11.8 %.

Tässä postauksessa jaettiin yleisiä käytäntöjä ennusteprojektin tuomiseksi konseptin testauksesta tuotantoon. Aloita nyt kanssa Amazonin sääennuste saavuttaaksesi erittäin tarkkoja ennusteita yrityksellesi.

---

Tietoja Tekijät

Yanwei Cui, PhD, on koneoppimisen asiantuntijaratkaisujen arkkitehti AWS: ssä. Hän aloitti koneoppimistutkimuksen IRISA: ssa (Tietojenkäsittelytieteen ja satunnaisjärjestelmien tutkimuslaitos), ja hänellä on useiden vuosien kokemus tekoälyllä toimivien teollisen sovellusten rakentamisesta tietokoneiden näkemiseen, luonnollisen kielen käsittelyyn ja käyttäjien käyttäytymisen ennustamiseen. AWS: ssä hän jakaa osaamisaluetta ja auttaa asiakkaita avaamaan liiketoimintamahdollisuuksia ja saavuttamaan toteutettavia tuloksia laajamittaisella koneoppimisella. Työn ulkopuolella hän nauttii lukemisesta ja matkustamisesta.

Gordon Wang on vanhempi datatieteilijä Amazon Web Services -palvelutiimissä. Hän tukee asiakkaita monilla toimialoilla, mukaan lukien media, valmistus, energia, vähittäiskauppa ja terveydenhuolto. Hän on intohimoinen tietokonenäön, syväoppimisen ja MLOpsin suhteen. Vapaa-ajallaan hän rakastaa juoksemista ja patikointia.