Ez egy vendégbejegyzés, amelynek társszerzője Nafi Ahmet Turgut, Mehmet İkbal Özmen, Hasan Burak Yel, Fatma Nur Dumlupınar Keşir, Mutlu Polatcan és Emre Uzel Getirből.
hozott az ultragyors élelmiszer-kiszállítás úttörője. A technológiai vállalat forradalmasította az utolsó mérföldes kiszállítást az élelmiszerboltba történő percek alatti kiszállítási ajánlatával. A Getirt 2015-ben alapították, és Törökországban, az Egyesült Királyságban, Hollandiában, Németországban és az Egyesült Államokban működik. Ma a Getir egy konglomerátum, amely kilenc vertikumot foglal magában ugyanazon márka alatt.
Ebben a bejegyzésben a teljes körű munkaerő-menedzsment rendszert ismertetjük, amely a helyspecifikus kereslet-előrejelzéssel kezdődik, majd futáros munkaerő-tervezés és műszakbeosztás következik. Amazon előrejelzés és a AWS lépésfunkciók.
A múltban az operatív csapatok fizikai munkaerő-menedzsment gyakorlatokat folytattak, ami jelentős idő- és erőfeszítéspazarlást eredményezett. Átfogó, végpontig terjedő munkaerő-menedzsment projektünk megvalósításával azonban egy egyszerűsített, egy kattintással elérhető, webes felületen elérhető folyamaton keresztül már képesek hatékonyan elkészíteni a raktárakhoz szükséges futárterveket. A projekt elindítása előtt az üzleti csapatok intuitívabb módszerekre támaszkodtak a kereslet-előrejelzéshez, amely pontosítást igényelt.
Amazon előrejelzés egy teljesen felügyelt szolgáltatás, amely gépi tanulási (ML) algoritmusokat használ a rendkívül pontos idősor-előrejelzések biztosításához. Ebben a bejegyzésben leírjuk, hogyan csökkentettük le a modellezési időt 70%-kal azáltal, hogy az Amazon Forecast segítségével elvégeztük a funkciótervezést és a modellezést. 90%-kal csökkentettük az eltelt időt, amikor ütemezési algoritmusokat futtattunk minden raktárban AWS lépésfunkciók, amely egy teljesen felügyelt szolgáltatás, amely megkönnyíti az elosztott alkalmazások és mikroszolgáltatások összetevőinek koordinálását vizuális munkafolyamatok segítségével. Ez a megoldás az előrejelzési pontosság 90%-os javulását is eredményezte Törökországban és számos európai országban.
Megoldás áttekintése
Az End-to-end Workforce Management Project (E2E Project) egy nagyszabású projekt, és három témakörben írható le:
1. Futárszükséglet számítása
Az első lépés az egyes raktárak óránkénti keresletének becslése, az Algoritmus kiválasztása részben leírtak szerint. Ezek az Amazon Forecast segítségével készített előrejelzések segítenek meghatározni, hogy mikor és hány futárra van szüksége az egyes raktáraknak.
A raktárakban lévő futárok átbocsátási aránya alapján óránkénti időközönként számítják ki az egyes raktárokhoz szükséges futárok számát. Ezek a számítások segítenek a legális munkaidő figyelembevételével megvalósítható futárszámlálások meghatározásában, ami matematikai modellezést foglal magában.
2. A műszak Hozzárendelési feladat megoldása
Ha megvannak a futárigények, és ismerjük a futárok és raktárak egyéb korlátait, meg tudjuk oldani a műszakkiosztás problémáját. A probléma modellezése olyan döntési változókkal történik, amelyek meghatározzák a hozzárendelendő futárokat, és műszakbeosztást készítenek, minimalizálva a többletet és hiányt, amely rendeléskimaradást okozhat. Ez tipikusan kevert egészszámú programozási (MIP) probléma.
3. Az AWS Step Funkciók használata
Az AWS Step Functions funkciót a munkafolyamatok koordinálására és menedzselésére használjuk, amely lehetővé teszi a feladatok párhuzamos végrehajtását. Minden raktár műszak-hozzárendelési folyamata külön munkafolyamatként van meghatározva. Az AWS Step Functions automatikusan elindítja és felügyeli ezeket a munkafolyamatokat a hibakezelés egyszerűsítésével.
Mivel ez a folyamat kiterjedt adatokat és összetett számításokat igényel, az olyan szolgáltatások, mint az AWS Step Functions, jelentős előnyt kínálnak a feladatok szervezésében és optimalizálásában. Jobb ellenőrzést és hatékony erőforrás-gazdálkodást tesz lehetővé.
A megoldás architektúrában más AWS-szolgáltatások előnyeit is kihasználjuk azáltal, hogy integráljuk azokat az AWS Step Functions-ba:
A következő diagramok az AWS Step Functions munkafolyamatait és a váltóeszköz architektúráját mutatják be:
Algoritmus kiválasztása
A helyi kereslet előrejelzése az E2E projekt kezdeti szakasza. Az E2E átfogó célja az adott raktárhoz rendelhető futárok számának meghatározása, az adott raktár keresletének előrejelzésével kezdve.
Ez az előrejelzési komponens kulcsfontosságú az E2E keretein belül, mivel a további fázisok ezeken az előrejelzési eredményeken alapulnak. Így minden előrejelzési pontatlanság károsan befolyásolhatja a teljes projekt hatékonyságát.
A lokális kereslet-előrejelzési szakasz célja országspecifikus előrejelzések generálása minden raktárra óránként szegmentálva a következő két hét során. Kezdetben az egyes országokra vonatkozó napi előrejelzések ML-modelleken keresztül készülnek. Ezeket a napi előrejelzéseket a továbbiakban óránkénti szegmensekre bontjuk, amint azt a következő grafikon mutatja. A korábbi tranzakciós keresletadatok, a helyalapú időjárási információk, az ünnepek dátumai, a promóciók és a marketingkampányok adatai a modellben használt funkciók, az alábbi grafikonon látható módon.
A csapat kezdetben a hagyományos előrejelzési technikákat, például a nyílt forráskódot vizsgálta SARIMA (Szezonális auto-regresszív integrált mozgóátlag), ARIMAX (Auto-regresszív integrált mozgóátlag exogén változók használatával) és Exponenciális simítás.
Az ARIMA (Auto-Regressive Integrated Moving Average) egy idősor-előrejelzési módszer, amely az autoregresszív (AR) és a mozgóátlag (MA) komponenseket kombinálja a differenciálással, hogy az idősor stacioner legyen.
A SARIMA kiterjeszti az ARIMA-t további paraméterek beépítésével, amelyek figyelembe veszik az idősorok szezonalitását. Szezonális autoregresszív és szezonális mozgóátlag kifejezéseket tartalmaz, hogy meghatározott időközönként ismétlődő mintákat rögzítsen, így alkalmas szezonális komponenst tartalmazó idősorokhoz.
Az ARIMAX az ARIMA-ra épít exogén változók bevezetésével, amelyek olyan külső tényezők, amelyek befolyásolhatják az idősort. Ezeket a további változókat a modell figyelembe veszi az előrejelzés pontosságának javítása érdekében azáltal, hogy figyelembe veszi az idősorok történeti értékein túlmutató külső hatásokat.
Az exponenciális simítás egy másik idősoros előrejelzési módszer, amely az ARIMA-val ellentétben a múltbeli megfigyelések súlyozott átlagain alapul. Különösen hatékony a trendek és a szezonalitás rögzítésére az adatokban. A módszer exponenciálisan csökkenő súlyokat rendel a múltbeli megfigyelésekhez, az újabb megfigyelések pedig nagyobb súlyt kapnak.
Az Amazon Forecast modelleket végül az algoritmikus modellezési szegmensbe választották ki. A modellek széles választéka és az AWS Forecast által kínált kifinomult tervezési képességek előnyösebbnek bizonyultak, és optimalizálták az erőforrás-felhasználásunkat.
A Forecastban elérhető hat algoritmust teszteltünk: Konvolúciós neurális hálózat – Kvantilis regresszió (CNN-QR), DeepAR+, próféta, Nem paraméteres idősor (NPTS), Autoregresszív integrált mozgóátlag (ARIMA), és Exponenciális simítás (ETS). Az előrejelzési eredmények elemzése során megállapítottuk, hogy a CNN-QR hatékonysága felülmúlja a többit. A CNN-QR egy szabadalmaztatott ML algoritmus, amelyet az Amazon fejlesztett ki skaláris (egydimenziós) idősorok előrejelzésére kauzális konvolúciós neurális hálózatok (CNN-ek) segítségével. Tekintettel arra, hogy jelenleg sokféle adatforrás áll rendelkezésre, a CNN-QR algoritmus alkalmazása megkönnyítette a különféle funkciók integrálását, amelyek felügyelt tanulási keretrendszerben működtek. Ez a megkülönböztetés választotta el az egyváltozós idősoros előrejelzési modellektől, és jelentősen megnövelte a teljesítményt.
A Forecast használata a szükséges adatok megadásának és az előrejelzés időtartamának megadásának egyszerűsége miatt bizonyult hatékonynak. Ezt követően a Forecast a CNN-QR algoritmust használja az előrejelzések generálására. Ez az eszköz jelentősen felgyorsította csapatunk folyamatát, különösen az algoritmikus modellezésben. Továbbá kihasználva Amazon egyszerű tárolási szolgáltatás (Amazon S3) a beviteli adattárolókhoz és az Amazon Redshifthez az eredmények tárolására szolgáló gyűjtőhelyek lehetővé tették a teljes eljárás központosított kezelését.
Következtetés
Ebben a bejegyzésben bemutattuk, hogy a Getir E2E projektje hogyan mutatta be, hogy az Amazon Forecast és az AWS Step Functions szolgáltatások kombinálása hogyan egyszerűsíti hatékonyan az összetett folyamatokat. Lenyűgöző, körülbelül 90%-os előrejelzési pontosságot értünk el Európa és Törökország országaiban, és a Forecast használata 70%-kal csökkentette a modellezési időt a funkciótervezés és -modellezés hatékony kezelésének köszönhetően.
Az AWS Step Functions szolgáltatás használata gyakorlati előnyökhöz vezetett, nevezetesen az ütemezési idő 90%-os csökkentését minden raktárban. Ezenkívül a terepi követelmények figyelembevételével 3%-kal javítottuk a megfelelési arányt, ami elősegítette a munkaerő hatékonyabb elosztását. Ez pedig rávilágít a projekt sikerére a működés és a szolgáltatásnyújtás optimalizálása terén.
Az előrejelzéssel való utazás megkezdésével kapcsolatos további részletekért tekintse meg a rendelkezésre álló információkat Amazon Forecast források. Ezenkívül, ha betekintést szeretne kapni az automatizált munkafolyamatok létrehozásába és a gépi tanulási folyamatok kialakításába, felfedezheti AWS lépésfunkciók átfogó útmutatásért.
A szerzőkről
Nafi Ahmet Turgut Elektromos és elektronikai mérnöki diplomát szerzett, és diplomás kutatóként dolgozott. Fókuszában az ideghálózati anomáliák szimulálására szolgáló gépi tanulási algoritmusok felépítése volt. 2019-ben csatlakozott a Getirhez, jelenleg Senior Data Science & Analytics Managerként dolgozik. Csapata felelős a Getir teljes körű gépi tanulási algoritmusainak és adatvezérelt megoldásainak tervezéséért, megvalósításáért és karbantartásáért.
Mehmet İkbal Özmen Közgazdasági mesterképzésben szerzett diplomát, és kutatói asszisztensként dolgozott. Kutatási területe elsősorban a gazdasági idősoros modellek, a Markov-szimulációk és a recesszió-előrejelzés volt. Ezután 2019-ben csatlakozott a Getirhez, és jelenleg Data Science & Analytics Managerként dolgozik. Csapata felelős az optimalizálási és előrejelzési algoritmusokért, amelyek megoldják az üzemeltetési és ellátási lánc üzletágakban tapasztalt összetett problémákat.
Hasan Burak Yel Elektromos és elektronikai mérnöki diplomát szerzett a Boğaziçi Egyetemen. A Turkcellnél dolgozott, főként idősoros előrejelzéssel, adatvizualizációval és hálózati automatizálással foglalkozott. 2021-ben csatlakozott a Getirhez, és jelenleg Data Science & Analytics Managerként dolgozik a keresési, ajánlási és növekedési tartományokért.
Fatma Nur Dumlupınar Keşir A Boğaziçi Egyetem Iparmérnöki Tanszékén szerzett alapdiplomát. Kutatóként dolgozott a TUBITAK-nál, idősoros előrejelzéssel és vizualizációval foglalkozva. Ezt követően 2022-ben csatlakozott a Getirhez, mint adattudós, és a Recommendation Engine projekteken (Mathematical Programming for Workforce Planning) dolgozott.
Uzel Emre a Koç Egyetemen szerzett adattudományi mesterfokozatot. Adattudományi tanácsadóként dolgozott az Eczacıbaşı Bilişimnél, ahol főként az ajánlómotorok algoritmusaival foglalkozott. 2022-ben csatlakozott a Getirhez adattudósként, és idősoros előrejelzési és matematikai optimalizálási projekteken kezdett dolgozni.
Mutlu Polatcan a Getir személyzeti adatmérnöke, aki felhőalapú adatplatformok tervezésére és építésére specializálódott. Szereti a nyílt forráskódú projekteket felhőszolgáltatásokkal kombinálni.
Esra Kayabalı az AWS vezető megoldástervezője, az analitikai tartományra szakosodott, beleértve az adattárházat, a data lakeket, a nagy adatelemzést, a kötegelt és valós idejű adatfolyamot és adatintegrációt. 12 éves szoftverfejlesztési és építészeti tapasztalattal rendelkezik. Szenvedélye a felhőtechnológiák tanulása és tanítása.
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
- PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
- PlatoESG. Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
- PlatoHealth. Biotechnológiai és klinikai vizsgálatok intelligencia. Hozzáférés itt.
- Forrás: https://aws.amazon.com/blogs/machine-learning/getir-end-to-end-workforce-management-amazon-forecast-and-aws-step-functions/
- :van
- :is
- :ahol
- 1
- 100
- 12
- 2015
- 2019
- 2021
- 2022
- 32
- 7
- 91
- a
- Képes
- Rólunk
- hozzáférés
- hozzáférhető
- Fiók
- számvitel
- pontosság
- pontos
- elért
- át
- További
- Ezen kívül
- Előny
- előnyös
- előnyei
- algoritmus
- algoritmikus
- algoritmusok
- Minden termék
- kioszt
- lehetővé teszi, hogy
- mentén
- Is
- amazon
- Amazon előrejelzés
- Amazon RedShift
- Az Amazon Web Services
- an
- elemzés
- analitika
- és a
- anomáliák
- Másik
- bármilyen
- alkalmazások
- AR
- építészet
- VANNAK
- TERÜLET
- körül
- Sor
- AS
- kijelölt
- segít
- Helyettes
- At
- Automatizált
- automatikusan
- Automatizálás
- elérhetőség
- elérhető
- átlagos
- AWS
- AWS lépésfunkciók
- alapján
- alap
- BE
- előtt
- lent
- Jobb
- Túl
- Nagy
- Big adatok
- márka
- Törött
- Épület
- épít
- üzleti
- vállalkozások
- by
- számított
- kiszámítása
- számítások
- Kampány
- TUD
- képességek
- képesség
- elfog
- Rögzítése
- Okoz
- központosított
- lánc
- felhő
- felhő szolgáltatások
- kombájnok
- kombinálása
- kezdve
- vállalat
- bonyolult
- teljesítés
- összetevő
- alkatrészek
- átfogó
- számítások
- konglomerátum
- figyelembe vett
- figyelembe véve
- korlátok
- építése
- szaktanácsadó
- ellenőrzés
- koordináta
- országok
- ország
- ország-specifikus
- létrehozása
- Jelenleg
- napi
- dátum
- Adatelemzés
- adat-tudomány
- adattudós
- adatmegjelenítés
- adatalapú
- Időpontok
- döntés
- meghatározott
- Fok
- szállít
- kézbesítés
- Kereslet
- Igény előrejelzése
- igazolták
- osztály
- leírni
- leírt
- tervezés
- részletek
- Határozzuk meg
- eltökélt
- meghatározó
- fejlett
- Fejlesztés
- diagramok
- megkülönböztetés
- megosztott
- számos
- Ennek
- domain
- domainek
- le-
- két
- időtartama
- minden
- könnyebb
- Gazdasági
- Közgazdaságtan
- Hatékony
- hatékonyan
- hatékonyság
- hatékony
- eredményesen
- erőfeszítés
- Elektronika
- foglalkoztatás
- alkalmaz
- végtől végig
- elkötelezett
- Motor
- mérnök
- Mérnöki
- fokozott
- Egész
- hiba
- becslés
- Európa
- európai
- Európai országok
- végül is
- Minden
- kivégez
- tapasztalat
- tapasztalt
- magyarázható
- feltárása
- feltárt
- exponenciális
- exponenciálisan
- nyúlik
- kiterjedt
- külső
- megkönnyítette
- tényezők
- megvalósítható
- Funkció
- Jellemzők
- mező
- vezetéknév
- Összpontosít
- összpontosított
- összpontosítás
- követ
- következő
- A
- Előrejelzés
- előrejelzések
- közelgő
- Alapított
- Keretrendszer
- ból ből
- teljesen
- funkciók
- további
- Továbbá
- generál
- Németország
- adott
- cél
- diplomás
- grafikon
- Növekedés
- Vendég
- Vendég bejegyzés
- útmutatást
- Kezelés
- Legyen
- he
- segít
- segít
- neki
- <p></p>
- kiemeli
- nagyon
- övé
- történelmi
- történeti
- Ünnep
- NYITVATARTÁS
- Hogyan
- azonban
- HTML
- http
- HTTPS
- Hatás
- végrehajtás
- végrehajtási
- hatásos
- javul
- javított
- javulás
- in
- magában foglalja a
- Beleértve
- amely magában foglalja
- ipari
- befolyás
- információ
- kezdetben
- alapvetően
- kezdeményez
- bemenet
- meglátások
- integrált
- integrálása
- integráció
- Felület
- bele
- bevezetéséről
- intuitív
- IT
- ITS
- Állások
- csatlakozott
- utazás
- jpg
- helyzet
- Ismer
- tavak
- nagyarányú
- tanulás
- Led
- Jogi
- mint
- Hely-alapú
- szeret
- gép
- gépi tanulás
- főleg
- fenntartása
- csinál
- KÉSZÍT
- Gyártás
- kezelése
- sikerült
- vezetés
- menedzser
- kézikönyv
- sok
- Marketing
- mester
- matematikai
- Lehet..
- módszer
- mód
- microservices
- minimalizálása
- megszakított
- ML
- modell
- modellezés
- modellezés
- modellek
- monitor
- több
- mozgó
- mozgó átlag
- elengedhetetlen
- igények
- Hollandia
- hálózat
- hálózatok
- ideg-
- neurális hálózat
- neurális hálózatok
- kilenc
- nevezetesen
- Most
- szám
- célkitűzés
- of
- ajánlat
- felajánlott
- on
- nyílt forráskódú
- működik
- üzemeltetési
- működés
- operatív
- Művelet
- optimalizálás
- optimalizált
- optimalizálása
- rendelés
- szervező
- Más
- Egyéb
- mi
- eredmények
- felett
- átfogó
- Párhuzamos
- paraméterek
- különösen
- szenvedélyes
- múlt
- minták
- teljesítmény
- fázis
- úttörő
- döntő
- tervezés
- tervek
- Platformok
- Plató
- Platón adatintelligencia
- PlatoData
- kérem
- állás
- Gyakorlati
- gyakorlat
- Pontosság
- előrejelzés
- Tippek
- Probléma
- problémák
- eljárás
- folyamat
- Folyamatok
- Készült
- Programozás
- program
- projektek
- akciók
- ajánlat
- szabadalmazott
- bizonyított
- amely
- Az árak
- hányados
- real-time
- valós idejű adatok
- kapott
- fogadó
- új
- recesszió
- Ajánlást
- Csökkent
- csökkentő
- csökkentés
- utal
- támaszkodnak
- kötelező
- követelmények
- megköveteli,
- szükséges
- kutatás
- kutató
- forrás
- felelősség
- felelős
- Eredmények
- forradalmasította
- futás
- azonos
- ütemezés
- Tudomány
- Tudós
- Keresés
- szezonális
- Rész
- részes
- szegmensek
- kiválasztott
- kiválasztás
- idősebb
- különálló
- Series of
- szolgáltatás
- Szolgáltatások
- számos
- ő
- váltás
- VÁLTOZÁS
- hiány
- előadás
- kimutatta,
- mutatott
- jelentős
- jelentősen
- Egyszerű
- egyszerűség
- egyszerűsített
- egyszerűsítése
- szoftver
- szoftverfejlesztés
- megoldások
- Megoldások
- SOLVE
- Megoldása
- kifinomult
- Források
- szakosodott
- különleges
- Személyzet
- kezdődött
- Államok
- Lépés
- tárolás
- tárolása
- folyó
- egyszerűsíti
- későbbi
- Később
- siker
- ilyen
- megfelelő
- kínálat
- ellátási lánc
- meghaladta
- többlet
- rendszer
- Vesz
- feladatok
- Tanítási
- csapat
- csapat
- technikák
- Technologies
- Technológia
- feltételek
- kipróbált
- hogy
- A
- A grafikon
- Hollandia
- Az Egyesült Királyságban
- Őket
- akkor
- Ezek
- ők
- ezt
- három
- Keresztül
- áteresztőképesség
- Így
- idő
- Idősorok
- nak nek
- Ma
- szerszám
- Témakörök
- hagyományos
- ügyleti
- Trends
- Törökország
- FORDULAT
- kettő
- jellemzően
- Uk
- alatt
- Egyesült
- Egyesült Államok
- egyetemi
- nem úgy mint
- upon
- használ
- használt
- használ
- segítségével
- kihasználva
- Értékek
- különféle
- Hatalmas
- függőlegesek
- keresztül
- vizuális
- megjelenítés
- volt
- Hulladék
- we
- időjárás
- háló
- webes szolgáltatások
- Hetek
- voltak
- amikor
- ami
- val vel
- belül
- dolgozott
- munkafolyamat
- munkafolyamatok
- munkaerő
- dolgozó
- művek
- év
- te
- A te
- zephyrnet