Ini adalah postingan tamu yang ditulis bersama oleh Nafi Ahmet Turgut, Mehmet İkbal Özmen, Hasan Burak Yel, Fatma Nur Dumlupınar Keşir, Mutlu Polatcan dan Emre Uzel dari Getir.
membawa adalah pelopor pengiriman bahan makanan ultracepat. Perusahaan teknologi ini telah merevolusi pengiriman jarak jauh dengan proposisi pengiriman bahan makanan dalam hitungan menit. Getir didirikan pada tahun 2015 dan beroperasi di Turki, Inggris, Belanda, Jerman, dan Amerika Serikat. Saat ini, Getir adalah konglomerat yang menggabungkan sembilan vertikal di bawah merek yang sama.
Dalam postingan ini, kami menjelaskan sistem manajemen tenaga kerja end-to-end yang dimulai dengan perkiraan permintaan spesifik lokasi, diikuti dengan perencanaan tenaga kerja kurir dan penugasan shift menggunakan Prakiraan Amazon dan Fungsi Langkah AWS.
Di masa lalu, tim operasional melakukan praktik manajemen tenaga kerja secara manual, sehingga membuang banyak waktu dan tenaga. Namun, dengan penerapan proyek manajemen tenaga kerja menyeluruh kami yang komprehensif, mereka kini dapat secara efisien menghasilkan rencana kurir yang diperlukan untuk gudang melalui proses satu klik yang disederhanakan dan dapat diakses melalui antarmuka web. Sebelum memulai proyek ini, tim bisnis mengandalkan metode yang lebih intuitif untuk memperkirakan permintaan, yang memerlukan peningkatan dalam hal presisi.
Prakiraan Amazon adalah layanan terkelola sepenuhnya yang menggunakan algoritme pembelajaran mesin (ML) untuk memberikan perkiraan rangkaian waktu yang sangat akurat. Dalam postingan ini, kami menjelaskan bagaimana kami mengurangi waktu pemodelan sebesar 70% dengan melakukan rekayasa fitur dan pemodelan menggunakan Amazon Forecast. Kami mencapai pengurangan waktu yang berlalu sebesar 90% saat menjalankan algoritma penjadwalan untuk semua gudang yang menggunakan Fungsi Langkah AWS, yang merupakan layanan terkelola sepenuhnya yang memudahkan koordinasi komponen aplikasi terdistribusi dan layanan mikro menggunakan alur kerja visual. Solusi ini juga menghasilkan peningkatan akurasi prediksi sebesar 90% di Turki dan beberapa negara Eropa.
Ikhtisar solusi
Proyek Manajemen Tenaga Kerja End-to-end (Proyek E2E) adalah proyek berskala besar dan dapat dijelaskan dalam tiga topik:
1. Menghitung kebutuhan kurir
Langkah pertama adalah memperkirakan permintaan per jam untuk setiap gudang, seperti yang dijelaskan pada bagian Pemilihan Algoritma. Prediksi ini, yang dihasilkan dengan Amazon Forecast, membantu menentukan kapan dan berapa banyak kurir yang dibutuhkan setiap gudang.
Berdasarkan rasio throughput kurir di gudang, jumlah kurir yang dibutuhkan untuk setiap gudang dihitung dalam interval per jam. Perhitungan ini membantu dalam menentukan jumlah kurir yang layak dengan mempertimbangkan jam kerja resmi, yang melibatkan pemodelan matematika.
2. Menyelesaikan masalah Penugasan shift
Setelah kita mengetahui kebutuhan kurir dan mengetahui kendala lain dari kurir dan gudang, maka masalah penugasan shift dapat kita selesaikan. Permasalahan tersebut dimodelkan dengan variabel keputusan dalam menentukan kurir yang akan ditugaskan dan membuat jadwal shift, meminimalkan kelebihan dan kekurangan yang dapat menyebabkan pesanan terlewat. Ini biasanya merupakan masalah pemrograman bilangan bulat campuran (MIP).
3. Memanfaatkan AWS Step Functions
Kami menggunakan AWS Step Functions untuk mengoordinasikan dan mengelola alur kerja dengan kemampuannya untuk menjalankan pekerjaan secara paralel. Proses penugasan shift setiap gudang didefinisikan sebagai alur kerja terpisah. AWS Step Functions secara otomatis memulai dan memantau alur kerja ini dengan menyederhanakan penanganan kesalahan.
Karena proses ini memerlukan data ekstensif dan komputasi kompleks, layanan seperti AWS Step Functions menawarkan keuntungan signifikan dalam mengatur dan mengoptimalkan tugas. Hal ini memungkinkan kontrol yang lebih baik dan pengelolaan sumber daya yang efisien.
Dalam arsitektur solusi, kami juga memanfaatkan layanan AWS lainnya dengan mengintegrasikannya ke dalam AWS Step Functions:
Diagram berikut menunjukkan alur kerja AWS Step Functions dan arsitektur alat perpindahan:
Pemilihan algoritma
Peramalan permintaan lokasi merupakan fase awal dalam proyek E2E. Tujuan utama E2E adalah menentukan jumlah kurir yang akan dialokasikan ke gudang tertentu, dimulai dengan perkiraan permintaan gudang tersebut.
Komponen perkiraan ini sangat penting dalam kerangka E2E, karena fase selanjutnya bergantung pada hasil perkiraan ini. Oleh karena itu, setiap ketidakakuratan prediksi dapat berdampak buruk pada efektivitas proyek secara keseluruhan.
Tujuan dari fase perkiraan permintaan lokasi adalah untuk menghasilkan prediksi berdasarkan negara tertentu untuk setiap gudang yang disegmentasi setiap jam selama dua minggu mendatang. Awalnya, perkiraan harian untuk setiap negara dirumuskan melalui model ML. Prediksi harian ini kemudian dipecah menjadi segmen per jam, seperti yang digambarkan pada grafik berikut. Data historis permintaan transaksional, informasi cuaca berbasis lokasi, tanggal liburan, data promosi dan kampanye pemasaran adalah fitur yang digunakan dalam model seperti yang ditunjukkan pada grafik di bawah ini.
Tim awalnya mengeksplorasi teknik perkiraan tradisional seperti sumber terbuka SARIMA (Rata-Rata Pergerakan Terintegrasi Auto-Regresif Musiman), ARIMAX (Auto-Regressive Integrated Moving Average dengan menggunakan variabel eksogen), dan Exponential Smoothing.
ARIMA (Auto-Regressive Integrated Moving Average) adalah metode peramalan deret waktu yang menggabungkan komponen autoregresif (AR) dan rata-rata bergerak (MA) serta pembedaan untuk membuat deret waktu stasioner.
SARIMA memperluas ARIMA dengan memasukkan parameter tambahan untuk memperhitungkan musiman dalam rangkaian waktu. Ini mencakup istilah regresi otomatis musiman dan rata-rata pergerakan musiman untuk menangkap pola berulang selama interval tertentu, sehingga cocok untuk deret waktu dengan komponen musiman.
ARIMAX dibangun berdasarkan ARIMA dengan memperkenalkan variabel eksogen, yaitu faktor eksternal yang dapat mempengaruhi deret waktu. Variabel tambahan ini dipertimbangkan dalam model untuk meningkatkan keakuratan perkiraan dengan memperhitungkan pengaruh eksternal di luar nilai historis rangkaian waktu.
Pemulusan Eksponensial adalah metode peramalan deret waktu lainnya yang, tidak seperti ARIMA, didasarkan pada rata-rata tertimbang dari observasi masa lalu. Hal ini sangat efektif untuk menangkap tren dan musiman dalam data. Metode ini memberikan bobot yang menurun secara eksponensial pada observasi masa lalu, dan observasi yang lebih baru akan menerima bobot yang lebih tinggi.
Model Amazon Forecast akhirnya dipilih untuk segmen pemodelan algoritmik. Beragamnya model dan kemampuan rekayasa fitur canggih yang ditawarkan AWS Forecast terbukti lebih menguntungkan dan mengoptimalkan pemanfaatan sumber daya kami.
Enam algoritma yang tersedia di Forecast telah diuji: Jaringan Neural Konvolusional – Regresi Kuantil (CNN-QR), DeepAR+, nabi, Rangkaian Waktu Non-Parametrik (NPTS), Rata-rata Bergerak Terpadu Autoregresif (ARIMA), dan Penghalusan Eksponensial (ETS). Setelah menganalisis hasil perkiraan, kami menentukan bahwa CNN-QR mengungguli yang lain dalam hal kemanjuran. CNN-QR adalah algoritme ML berpemilik yang dikembangkan oleh Amazon untuk memperkirakan deret waktu skalar (satu dimensi) menggunakan Convolutional Neural Networks (CNNs) kausal. Mengingat ketersediaan sumber data yang beragam pada saat ini, penggunaan algoritma CNN-QR memfasilitasi integrasi berbagai fitur, yang beroperasi dalam kerangka pembelajaran yang diawasi. Perbedaan ini membedakannya dari model perkiraan deret waktu univariat dan meningkatkan kinerja secara nyata.
Memanfaatkan Prakiraan terbukti efektif karena kesederhanaan dalam menyediakan data yang diperlukan dan menentukan durasi perkiraan. Selanjutnya, Forecast menggunakan algoritma CNN-QR untuk menghasilkan prediksi. Alat ini secara signifikan mempercepat proses tim kami, khususnya dalam pemodelan algoritmik. Selanjutnya memanfaatkan Layanan Penyimpanan Sederhana Amazon Bucket (Amazon S3) untuk repositori data masukan dan Amazon Redshift untuk menyimpan hasil telah memfasilitasi manajemen terpusat dari seluruh prosedur.
Kesimpulan
Dalam postingan ini, kami menunjukkan kepada Anda bagaimana proyek E2E Getir menunjukkan bagaimana menggabungkan layanan Amazon Forecast dan AWS Step Functions menyederhanakan proses yang kompleks secara efektif. Kami mencapai akurasi prediksi yang mengesankan sekitar 90% di seluruh negara di Eropa dan Turki, dan penggunaan Forecast mengurangi waktu pemodelan sebesar 70% karena penanganan rekayasa dan pemodelan fitur yang efisien.
Penggunaan layanan AWS Step Functions telah menghasilkan keuntungan praktis, terutama mengurangi waktu penjadwalan sebesar 90% untuk semua gudang. Selain itu, dengan mempertimbangkan persyaratan lapangan, kami meningkatkan tingkat kepatuhan sebesar 3%, sehingga membantu mengalokasikan tenaga kerja secara lebih efisien. Hal ini, pada gilirannya, menyoroti keberhasilan proyek dalam mengoptimalkan operasi dan pemberian layanan.
Untuk mengakses rincian lebih lanjut tentang memulai perjalanan Anda dengan Forecast, silakan lihat yang tersedia Sumber daya Amazon Forecast. Selain itu, untuk mendapatkan wawasan tentang pembuatan alur kerja otomatis dan pembuatan alur pembelajaran mesin, Anda dapat menjelajahinya Fungsi Langkah AWS untuk panduan komprehensif.
Tentang Penulis
Nafi Ahmet Turgut menyelesaikan gelar masternya di bidang Teknik Elektro & Elektronika dan bekerja sebagai ilmuwan peneliti pascasarjana. Fokusnya adalah membangun algoritma pembelajaran mesin untuk mensimulasikan anomali jaringan saraf. Dia bergabung dengan Getir pada tahun 2019 dan saat ini bekerja sebagai Senior Data Science & Analytics Manager. Timnya bertanggung jawab untuk merancang, menerapkan, dan memelihara algoritma pembelajaran mesin end-to-end dan solusi berbasis data untuk Getir.
Mehmet Ikbal Ozmen menerima gelar Master di bidang Ekonomi dan bekerja sebagai Asisten Peneliti Pascasarjana. Bidang penelitiannya terutama adalah model deret waktu ekonomi, simulasi Markov, dan peramalan resesi. Dia kemudian bergabung dengan Getir pada tahun 2019 dan saat ini bekerja sebagai Data Science & Analytics Manager. Timnya bertanggung jawab atas pengoptimalan dan perkiraan algoritme untuk memecahkan masalah rumit yang dialami oleh operasi dan bisnis rantai pasokan.
Hasan Burak Yel menerima gelar Sarjana Teknik Elektro & Elektronika di Universitas Boğaziçi. Dia bekerja di Turkcell, dengan fokus utama pada peramalan deret waktu, visualisasi data, dan otomatisasi jaringan. Dia bergabung dengan Getir pada tahun 2021 dan saat ini bekerja sebagai Manajer Ilmu Data & Analisis dengan tanggung jawab domain Penelusuran, Rekomendasi, dan Pertumbuhan.
Fatma Nur Dumlupınar Keşir menerima gelar Sarjana dari Departemen Teknik Industri di Universitas Boğaziçi. Dia bekerja sebagai peneliti di TUBITAK, dengan fokus pada peramalan & visualisasi deret waktu. Dia kemudian bergabung dengan Getir pada tahun 2022 sebagai ilmuwan data dan telah mengerjakan proyek Mesin Rekomendasi, Pemrograman Matematika untuk Perencanaan Tenaga Kerja.
Emre Uzel menerima gelar Magister Ilmu Data dari Universitas Koç. Dia bekerja sebagai konsultan ilmu data di Eczacıbaşı Bilişim dengan fokus utama pada algoritme mesin rekomendasi. Dia bergabung dengan Getir pada tahun 2022 sebagai Ilmuwan Data dan mulai mengerjakan proyek perkiraan deret waktu dan pengoptimalan matematis.
Mutlu Polatcan adalah Staff Data Engineer di Getir, yang berspesialisasi dalam merancang dan membangun platform data cloud-native. Dia suka menggabungkan proyek sumber terbuka dengan layanan cloud.
Esra Kayabali adalah Arsitek Solusi Senior di AWS, yang berspesialisasi dalam domain analitik termasuk pergudangan data, danau data, analitik data besar, streaming data real-time dan batch, serta integrasi data. Dia memiliki 12 tahun pengalaman pengembangan perangkat lunak dan arsitektur. Dia bersemangat untuk belajar dan mengajar teknologi cloud.
- Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
- PlatoData.Jaringan Vertikal Generatif Ai. Berdayakan Diri Anda. Akses Di Sini.
- PlatoAiStream. Intelijen Web3. Pengetahuan Diperkuat. Akses Di Sini.
- PlatoESG. Karbon, teknologi bersih, energi, Lingkungan Hidup, Tenaga surya, Penanganan limbah. Akses Di Sini.
- PlatoHealth. Kecerdasan Uji Coba Biotek dan Klinis. Akses Di Sini.
- Sumber: https://aws.amazon.com/blogs/machine-learning/getir-end-to-end-workforce-management-amazon-forecast-and-aws-step-functions/
- :memiliki
- :adalah
- :Di mana
- 1
- 100
- 12
- 2015
- 2019
- 2021
- 2022
- 32
- 7
- 91
- a
- Sanggup
- Tentang Kami
- mengakses
- dapat diakses
- Akun
- akuntansi
- ketepatan
- tepat
- dicapai
- di seluruh
- Tambahan
- Selain itu
- Keuntungan
- menguntungkan
- keuntungan
- algoritma
- algoritmik
- algoritma
- Semua
- mengalokasikan
- memungkinkan
- sepanjang
- juga
- Amazon
- Prakiraan Amazon
- Pergeseran Merah Amazon
- Amazon Web Services
- an
- analisis
- analisis
- dan
- kelainan
- Lain
- Apa pun
- aplikasi
- AR
- arsitektur
- ADALAH
- DAERAH
- sekitar
- susunan
- AS
- ditugaskan
- membantu
- Asisten
- At
- Otomatis
- secara otomatis
- Otomatisasi
- tersedianya
- tersedia
- rata-rata
- AWS
- Fungsi Langkah AWS
- berdasarkan
- dasar
- BE
- sebelum
- di bawah
- Lebih baik
- Luar
- Besar
- Big data
- merek
- Rusak
- Bangunan
- membangun
- bisnis
- bisnis
- by
- dihitung
- menghitung
- perhitungan
- Kampanye
- CAN
- kemampuan
- kemampuan
- menangkap
- Menangkap
- Menyebabkan
- terpusat
- rantai
- awan
- layanan cloud
- menggabungkan
- menggabungkan
- mulai
- perusahaan
- kompleks
- pemenuhan
- komponen
- komponen
- luas
- perhitungan
- konglomerat
- dianggap
- mengingat
- kendala
- membangun
- konsultan
- kontrol
- mengkoordinasikan
- negara
- negara
- khusus negara
- membuat
- Sekarang
- harian
- data
- Data Analytics
- ilmu data
- ilmuwan data
- visualisasi data
- Data-driven
- Tanggal
- keputusan
- didefinisikan
- Derajat
- menyampaikan
- pengiriman
- Permintaan
- Peramalan permintaan
- menunjukkan
- Departemen
- menggambarkan
- dijelaskan
- merancang
- rincian
- Menentukan
- ditentukan
- menentukan
- dikembangkan
- Pengembangan
- diagram
- perbedaan
- didistribusikan
- beberapa
- melakukan
- domain
- domain
- turun
- dua
- lamanya
- setiap
- mudah
- Ekonomis
- Ekonomi
- Efektif
- efektif
- kemanjuran
- efisien
- efisien
- usaha
- Elektronik
- mempekerjakan
- mempekerjakan
- ujung ke ujung
- bertunangan
- Mesin
- insinyur
- Teknik
- ditingkatkan
- Seluruh
- kesalahan
- memperkirakan
- Eropa
- Eropa
- Negara-negara Eropa
- akhirnya
- Setiap
- menjalankan
- pengalaman
- berpengalaman
- menjelaskan
- menyelidiki
- Dieksplorasi
- eksponensial
- eksponensial
- Meluas
- luas
- luar
- difasilitasi
- faktor
- layak
- Fitur
- Fitur
- bidang
- Pertama
- Fokus
- terfokus
- berfokus
- diikuti
- berikut
- Untuk
- Ramalan
- perkiraan
- yg akan datang
- Didirikan di
- Kerangka
- dari
- sepenuhnya
- fungsi
- lebih lanjut
- Selanjutnya
- menghasilkan
- Jerman
- diberikan
- tujuan
- lulus
- grafik
- Pertumbuhan
- Tamu
- tamu Post
- bimbingan
- Penanganan
- Memiliki
- he
- membantu
- membantu
- dia
- lebih tinggi
- highlight
- sangat
- -nya
- bersejarah
- historis
- Liburan
- JAM
- Seterpercayaapakah Olymp Trade? Kesimpulan
- Namun
- HTML
- http
- HTTPS
- Dampak
- implementasi
- mengimplementasikan
- impresif
- memperbaiki
- ditingkatkan
- perbaikan
- in
- termasuk
- Termasuk
- menggabungkan
- industri
- mempengaruhi
- informasi
- mulanya
- mulanya
- memulai
- memasukkan
- wawasan
- terpadu
- Mengintegrasikan
- integrasi
- Antarmuka
- ke
- memperkenalkan
- intuitif
- IT
- NYA
- Jobs
- bergabung
- perjalanan
- jpg
- titik waktu
- Tahu
- danau
- besar-besaran
- pengetahuan
- Dipimpin
- Informasi
- 'like'
- Berbasis Lokasi
- mencintai
- mesin
- Mesin belajar
- terutama
- mempertahankan
- membuat
- MEMBUAT
- Membuat
- mengelola
- berhasil
- pengelolaan
- manajer
- panduan
- banyak
- Marketing
- tuan
- matematis
- Mungkin..
- metode
- metode
- microservices
- meminimalkan
- terjawab
- ML
- model
- pemodelan
- pemodelan
- model
- Memantau
- lebih
- bergerak
- moving average
- perlu
- kebutuhan
- Belanda
- jaringan
- jaringan
- saraf
- saraf jaringan
- jaringan saraf
- sembilan
- terutama
- sekarang
- jumlah
- tujuan
- of
- menawarkan
- ditawarkan
- on
- open source
- beroperasi
- operasi
- operasi
- operasional
- Operasi
- optimasi
- dioptimalkan
- mengoptimalkan
- perintah
- pengorganisasian
- Lainnya
- Lainnya
- kami
- hasil
- lebih
- menyeluruh
- Paralel
- parameter
- khususnya
- bergairah
- lalu
- pola
- prestasi
- tahap
- pelopor
- sangat penting
- perencanaan
- rencana
- Platform
- plato
- Kecerdasan Data Plato
- Data Plato
- silahkan
- Pos
- Praktis
- praktek
- Ketelitian
- ramalan
- Prediksi
- Masalah
- masalah
- Prosedur
- proses
- proses
- Diproduksi
- Pemrograman
- proyek
- memprojeksikan
- Promosi
- dalil
- hak milik
- terbukti
- menyediakan
- Tarif
- perbandingan
- real-time
- data waktu nyata
- diterima
- menerima
- baru
- resesi
- Rekomendasi
- mengurangi
- mengurangi
- pengurangan
- lihat
- mengandalkan
- wajib
- Persyaratan
- membutuhkan
- syarat
- penelitian
- peneliti
- sumber
- tanggung jawab
- tanggung jawab
- Hasil
- merevolusi
- berjalan
- sama
- penjadwalan
- Ilmu
- ilmuwan
- Pencarian
- musiman
- Bagian
- ruas
- segmen
- terpilih
- seleksi
- senior
- terpisah
- Seri
- layanan
- Layanan
- beberapa
- dia
- bergeser
- PERGESERAN
- kekurangan
- Menunjukkan
- menunjukkan
- ditunjukkan
- penting
- signifikan
- Sederhana
- kesederhanaan
- disederhanakan
- menyederhanakan
- Perangkat lunak
- pengembangan perangkat lunak
- larutan
- Solusi
- MEMECAHKAN
- Memecahkan
- mutakhir
- sumber
- mengkhususkan diri
- tertentu
- Staf
- mulai
- Negara
- Langkah
- penyimpanan
- menyimpan
- Streaming
- merampingkan
- selanjutnya
- Kemudian
- sukses
- seperti itu
- cocok
- menyediakan
- supply chain
- melampaui
- kelebihan
- sistem
- Mengambil
- tugas
- Pengajaran
- tim
- tim
- teknik
- Teknologi
- Teknologi
- istilah
- diuji
- bahwa
- Grafik
- Grafik
- Belanda
- Inggris
- Mereka
- kemudian
- Ini
- mereka
- ini
- tiga
- Melalui
- keluaran
- Demikian
- waktu
- Seri waktu
- untuk
- hari ini
- alat
- Topik
- tradisional
- transaksional
- Tren
- Turki
- MENGHIDUPKAN
- dua
- khas
- Uk
- bawah
- Serikat
- Amerika Serikat
- universitas
- tidak seperti
- atas
- menggunakan
- bekas
- kegunaan
- menggunakan
- Memanfaatkan
- Nilai - Nilai
- berbagai
- Luas
- vertikal
- melalui
- visual
- visualisasi
- adalah
- Limbah
- we
- Cuaca
- jaringan
- layanan web
- minggu
- adalah
- ketika
- yang
- dengan
- dalam
- bekerja
- alur kerja
- Alur kerja
- Tenaga kerja
- kerja
- bekerja
- tahun
- Kamu
- Anda
- zephyrnet.dll