זהו פוסט אורח שנכתב בשיתוף Nafi Ahmet Turgut, Mehmet İkbal Özmen, Hasan Burak Yel, Fatma Nur Dumlupınar Keşir, Mutlu Polatcan ו- Emre Uzel מ-Getir.
הביא היא חלוצה של משלוחי מכולת מהירים במיוחד. חברת הטכנולוגיה חוללה מהפכה במשלוחים ל-mile האחרון עם הצעת משלוח של מכולת תוך דקות. Getir נוסדה בשנת 2015 ופועלת בטורקיה, בריטניה, הולנד, גרמניה וארצות הברית. כיום, Getir היא קונגלומרט המשלב תשעה אנכיים תחת אותו מותג.
בפוסט זה, אנו מתארים את מערכת ניהול כוח העבודה מקצה לקצה שמתחילה בתחזית ביקוש ספציפית למיקום, ולאחריה תכנון כוח אדם של שליחים והקצאת משמרות באמצעות תחזית אמזון ו פונקציות שלב AWS.
בעבר, צוותים תפעוליים עסקו בשיטות ניהול ידניות של כוח אדם, מה שהביא לבזבוז משמעותי של זמן ומאמץ. עם זאת, עם היישום של פרויקט ניהול כוח העבודה המקיף שלנו מקצה לקצה, הם יכולים כעת ליצור ביעילות את תוכניות השליחויות הדרושות למחסנים באמצעות תהליך פשוט בלחיצה אחת הנגיש באמצעות ממשק אינטרנט. לפני תחילת הפרויקט הזה, צוותים עסקיים הסתמכו על שיטות אינטואיטיביות יותר לחיזוי ביקוש, שדרשו שיפור מבחינת הדיוק.
תחזית אמזון הוא שירות מנוהל במלואו המשתמש באלגוריתמים של למידת מכונה (ML) כדי לספק תחזיות סדרות זמן מדויקות ביותר. בפוסט זה, אנו מתארים כיצד צמצמנו את זמן הדוגמנות ב-70% על ידי ביצוע הנדסת התכונות והמודלים באמצעות Amazon Forecast. השגנו הפחתה של 90% בזמן שחלף בעת הפעלת אלגוריתמי תזמון עבור כל המחסנים באמצעות פונקציות שלב AWS, שהוא שירות מנוהל במלואו המקל על תיאום הרכיבים של יישומים מבוזרים ושירותי מיקרו באמצעות זרימות עבודה ויזואליות. פתרון זה הוביל גם לשיפור של 90% בדיוק החיזוי בטורקיה ובמספר מדינות באירופה.
סקירת פתרונות
פרויקט ניהול כוח אדם מקצה לקצה (פרויקט E2E) הוא פרויקט רחב היקף וניתן לתאר אותו בשלושה נושאים:
1. חישוב דרישות שליחים
השלב הראשון הוא להעריך את הביקוש השעתי לכל מחסן, כפי שמוסבר בסעיף בחירת האלגוריתם. התחזיות הללו, שהופקו עם Amazon Forecast, עוזרות לקבוע מתי וכמה שליחויות כל מחסן צריך.
בהתבסס על יחס התפוקה של השליחים במחסנים, מספר השליחים הנדרש לכל מחסן מחושב במרווחי שעה. חישובים אלה מסייעים בקביעת ספירת השליחויות האפשרית בהתחשב בשעות העבודה החוקיות, הכרוכות במודלים מתמטיים.
2. פתרון בעיית הקצאת המשמרת
ברגע שיש לנו את צרכי השליח ונכיר את האילוצים האחרים של השליחויות והמחסנים, נוכל לפתור את בעיית הקצאת המשמרות. הבעיה נוצרת באמצעות משתני החלטה הקובעים את השליחים שיוקצו ויוצרים לוחות זמנים של משמרות, תוך מזעור עודפים ומחסור שעלולים לגרום להחמצת הזמנות. זוהי בדרך כלל בעיית תכנות מעורב-שלמים (MIP).
3. שימוש בפונקציות השלב של AWS
אנו משתמשים ב-AWS Step Functions כדי לתאם ולנהל זרימות עבודה עם היכולת שלה לבצע עבודות במקביל. תהליך הקצאת המשמרות של כל מחסן מוגדר כזרימת עבודה נפרדת. AWS Step Functions יוזמות ומנטרות באופן אוטומטי זרימות עבודה אלה על ידי פישוט הטיפול בשגיאות.
מכיוון שתהליך זה דורש נתונים נרחבים וחישובים מורכבים, שירותים כמו AWS Step Functions מציעים יתרון משמעותי בארגון ואופטימיזציה של משימות. זה מאפשר שליטה טובה יותר וניהול משאבים יעיל.
בארכיטקטורת הפתרונות, אנו מנצלים את היתרון של שירותי AWS אחרים על ידי שילובם ב-AWS Step Functions:
התרשימים הבאים מציגים את זרימות העבודה והארכיטקטורה של פונקציות השלב של AWS של כלי ההסטה:
בחירת האלגוריתם
חיזוי ביקוש מיקום מהווה את השלב הראשוני בפרויקט E2E. מטרת העל של E2E היא לקבוע את מספר השליחים להקצאה למחסן ספציפי, החל בתחזית הביקוש לאותו מחסן.
מרכיב חיזוי זה הוא מרכזי במסגרת E2E, שכן השלבים הבאים מסתמכים על תוצאות חיזוי אלו. לפיכך, כל אי דיוק בתחזית יכול להשפיע לרעה על יעילות הפרויקט כולו.
המטרה של שלב תחזית הביקוש למיקום היא ליצור תחזיות על בסיס מדינה ספציפית עבור כל מחסן בחלוקה לפי שעה במהלך השבועיים הקרובים. בתחילה, תחזיות יומיות לכל מדינה מנוסחות באמצעות מודלים של ML. התחזיות היומיות הללו מחולקות לאחר מכן למקטעים שעתיים, כפי שמתואר בגרף הבא. נתוני ביקוש עסקאות היסטוריים, מידע על מזג אוויר מבוסס מיקום, תאריכי חגים, מבצעים ונתוני מסעות פרסום שיווקיים הם התכונות המשמשות במודל כפי שמוצג בגרף למטה.
הצוות חקר בתחילה טכניקות חיזוי מסורתיות כגון קוד פתוח SARIMA (ממוצע נע משולב אוטומטי-רגרסיבי עונתי), ארימקס (ממוצע נע משולב אוטומטי רגרסיבי באמצעות משתנים אקסוגניים), והחלקה מעריכית.
ARIMA (Auto-Regressive Integrated Moving Average) היא שיטת חיזוי סדרת זמן המשלבת רכיבים אוטורגרסיביים (AR) וממוצע נע (MA) יחד עם הבדלים כדי להפוך את סדרת הזמן לנייחת.
SARIMA מרחיבה את ARIMA על ידי שילוב פרמטרים נוספים כדי לקחת בחשבון את העונתיות בסדרת הזמן. הוא כולל מונחי ממוצע עונתי אוטומטי רגרסיבי ועונתי כדי ללכוד דפוסים חוזרים על פני מרווחים ספציפיים, מה שהופך אותו למתאים לסדרות זמן עם מרכיב עונתי.
ARIMAX מתבססת על ARIMA על ידי הצגת משתנים אקסוגניים, שהם גורמים חיצוניים שיכולים להשפיע על סדרת הזמן. משתנים נוספים אלה נחשבים במודל כדי לשפר את דיוק החיזוי על ידי התחשבות בהשפעות חיצוניות מעבר לערכים ההיסטוריים של סדרת הזמן.
החלקה אקספוננציאלית היא שיטת חיזוי נוספת של סדרות זמן, שבניגוד ל-ARIMA, מבוססת על ממוצעים משוקללים של תצפיות קודמות. זה יעיל במיוחד ללכידת מגמות ועונתיות בנתונים. השיטה מקצה משקלים יורדים באופן אקספוננציאלי לתצפיות קודמות, כאשר תצפיות עדכניות יותר מקבלות משקלים גבוהים יותר.
המודלים של Amazon Forecast נבחרו בסופו של דבר עבור קטע המודלים האלגוריתמיים. המגוון העצום של הדגמים ויכולות הנדסת התכונות המתוחכמות שהציעה AWS Forecast הוכיחו כיעילים יותר ומיטבו את ניצול המשאבים שלנו.
נבדקו שישה אלגוריתמים הזמינים ב-Forecast: Convolutional Neural Network - רגרסיה קוונטית (CNN-QR), +DeepAR, נביא, סדרת זמן לא פרמטרית (NPTS), ממוצע נע משולב אוטומטי אוטומטית (ARIMA), ו החלקה אקספוננציאלית (ETS). לאחר ניתוח תוצאות התחזית, קבענו ש-CNN-QR עלה על האחרים ביעילות. CNN-QR הוא אלגוריתם ML קנייני שפותח על ידי אמזון לחיזוי סדרות זמן סקלריות (חד-ממדיות) תוך שימוש ברשתות עצביות קונבולוציוניות (CNN). בהתחשב בזמינותם של מקורות נתונים מגוונים בשלב זה, השימוש באלגוריתם CNN-QR הקל על השילוב של תכונות שונות, הפועלות במסגרת למידה מפוקחת. הבחנה זו הפרידה אותו ממודלים חד-משתנים של חיזוי סדרות זמן ושיפור ניכר בביצועים.
השימוש בתחזית הוכח כיעיל בשל הפשטות של אספקת הנתונים הנדרשים וציון משך התחזית. לאחר מכן, Forecast משתמשת באלגוריתם CNN-QR כדי ליצור תחזיות. כלי זה זירז באופן משמעותי את התהליך עבור הצוות שלנו, במיוחד במודלים אלגוריתמיים. יתר על כן, ניצול שירות אחסון פשוט של אמזון (Amazon S3) דליים למאגרי נתונים קלט ואמזון Redshift לאחסון תוצאות אפשרו ניהול מרוכז של ההליך כולו.
סיכום
בפוסט זה הראינו לכם כיצד פרויקט ה-E2E של Getir הדגים כיצד שילוב שירותי Amazon Forecast ו-AWS Step Functions מייעל תהליכים מורכבים ביעילות. השגנו דיוק חיזוי מרשים של כ-90% במדינות באירופה ובטורקיה, והשימוש ב-Forecast הפחית את זמן הדוגמנות ב-70% בשל הטיפול היעיל שלו בהנדסת תכונות ומידול.
השימוש בשירות AWS Step Functions הוביל ליתרונות מעשיים, בעיקר צמצום זמן התזמון ב-90% עבור כל המחסנים. כמו כן, על ידי התחשבות בדרישות השטח, שיפרנו את שיעורי הציות ב-3%, ועזרנו להקצות את כוח העבודה בצורה יעילה יותר. זה, בתורו, מדגיש את הצלחת הפרויקט באופטימיזציה של תפעול ואספקת שירות.
כדי לגשת לפרטים נוספים על התחלת המסע שלך עם Forecast, עיין בדף הזמין משאבי Amazon Forecast. בנוסף, לקבלת תובנות על בניית זרימות עבודה אוטומטיות ויצירת צינורות למידת מכונה, תוכל לחקור פונקציות שלב AWS להכוונה מקיפה.
על הכותבים
נאפי אחמט טורגוט סיים את התואר השני בהנדסת חשמל ואלקטרוניקה ועבד כמדען מחקר בוגר. ההתמקדות שלו הייתה בניית אלגוריתמים של למידת מכונה כדי לדמות חריגות ברשת העצבים. הוא הצטרף ל-Getir ב-2019 וכיום הוא עובד כמנהל בכיר ב-Data Science & Analytics. הצוות שלו אחראי על תכנון, הטמעה ותחזוקה של אלגוריתמי למידת מכונה מקצה לקצה ופתרונות מונעי נתונים עבור Getir.
מהמט איקבל אוזמן קיבל תואר שני בכלכלה ועבד כעוזר מחקר לתואר שני. תחום המחקר שלו היה בעיקר מודלים של סדרות זמן כלכליות, סימולציות של מרקוב וחיזוי מיתון. לאחר מכן הוא הצטרף ל-Getir ב-2019 וכיום הוא עובד כמנהל מדעי נתונים וניתוח נתונים. הצוות שלו אחראי על אלגוריתמי אופטימיזציה וחיזוי כדי לפתור את הבעיות המורכבות שחווים עסקי התפעול ושרשרת האספקה.
חסן בורק יל קיבל תואר ראשון בהנדסת חשמל ואלקטרוניקה באוניברסיטת Boğaziçi. הוא עבד ב-Turkcell, בעיקר התמקד בחיזוי סדרות זמן, הדמיית נתונים ואוטומציה של רשתות. הוא הצטרף ל-Getir בשנת 2021 וכיום הוא עובד כמנהל Data Science & Analytics עם אחריות על תחומים חיפוש, המלצות וצמיחה.
Fatma Nur Dumlupınar Keşir קיבלה את התואר הראשון שלה מהמחלקה להנדסת תעשייה באוניברסיטת Boğaziçi. היא עבדה כחוקרת ב- TUBITAK, תוך התמקדות בחיזוי והדמיה של סדרות זמן. לאחר מכן הצטרפה ל-Getir בשנת 2022 כמדען נתונים ועבדה על פרויקטים של מנוע המלצה, תכנות מתמטי לתכנון כוח אדם.
אמרה אוזל קיבל את התואר השני שלו במדעי הנתונים מאוניברסיטת Koç. הוא עבד כיועץ למדעי נתונים ב-Eczacıbaşı Bilişim, שם התמקד בעיקר באלגוריתמים של מנוע המלצות. הוא הצטרף ל-Getir בשנת 2022 כ-Data Scientist והחל לעבוד על חיזוי סדרות זמן ופרויקטים של אופטימיזציה מתמטית.
מוטלו פולצ'ן הוא Staff Data Engineer בחברת Getir, המתמחה בתכנון ובניית פלטפורמות נתונים מקוריות בענן. הוא אוהב לשלב פרויקטים בקוד פתוח עם שירותי ענן.
אסרה קיאבאלי הוא ארכיטקט פתרונות בכיר ב-AWS, המתמחה בתחום הניתוח כולל מחסני נתונים, אגמי נתונים, ניתוח ביג דאטה, הזרמת נתונים אצווה ובזמן אמת ושילוב נתונים. יש לה 12 שנות ניסיון בפיתוח תוכנה וארכיטקטורה. היא נלהבת מלימוד והוראת טכנולוגיות ענן.
- הפצת תוכן ויחסי ציבור מופעל על ידי SEO. קבל הגברה היום.
- PlatoData.Network Vertical Generative Ai. העצים את עצמך. גישה כאן.
- PlatoAiStream. Web3 Intelligence. הידע מוגבר. גישה כאן.
- PlatoESG. פחמן, קלינטק, אנרגיה, סביבה, שמש, ניהול פסולת. גישה כאן.
- PlatoHealth. מודיעין ביוטכנולוגיה וניסויים קליניים. גישה כאן.
- מקור: https://aws.amazon.com/blogs/machine-learning/getir-end-to-end-workforce-management-amazon-forecast-and-aws-step-functions/
- :יש ל
- :הוא
- :איפה
- 1
- 100
- 12
- 2015
- 2019
- 2021
- 2022
- 32
- 7
- 91
- a
- יכול
- אודות
- גישה
- נגיש
- חֶשְׁבּוֹן
- חשבונאות
- דיוק
- מדויק
- הושג
- לרוחב
- נוסף
- בנוסף
- יתרון
- יתרון
- יתרונות
- אַלגוֹרִיתְם
- אלגוריתמי
- אלגוריתמים
- תעשיות
- להקצות
- מאפשר
- לאורך
- גם
- אמזון בעברית
- תחזית אמזון
- האדום של אמזון
- אמזון שירותי אינטרנט
- an
- אנליזה
- ניתוח
- ו
- חריגויות
- אחר
- כל
- יישומים
- AR
- ארכיטקטורה
- ARE
- AREA
- סביב
- מערך
- AS
- שהוקצה
- לעזור
- עוזר
- At
- אוטומטי
- באופן אוטומטי
- אוטומציה
- זמינות
- זמין
- מְמוּצָע
- AWS
- פונקציות שלב AWS
- מבוסס
- בסיס
- BE
- לפני
- להלן
- מוטב
- מעבר
- גָדוֹל
- נתונים גדולים
- מותג
- שבור
- בִּניָן
- בונה
- עסקים
- עסקים
- by
- מחושב
- חישוב
- חישובים
- מבצע
- CAN
- יכולות
- יכולת
- ללכוד
- לכידה
- לגרום
- מְרוּכָּז
- שרשרת
- ענן
- שירותי ענן
- משלב
- שילוב
- מתחיל
- חברה
- מורכב
- הענות
- רְכִיב
- רכיבים
- מַקִיף
- חישובים
- קונגלומרט
- נחשב
- בהתחשב
- אילוצים
- בנייה
- יועץ
- לִשְׁלוֹט
- לתאם
- מדינות
- מדינה
- ספציפי למדינה
- יוצרים
- כיום
- יומי
- נתונים
- ניתוח נתונים
- מדע נתונים
- מדען נתונים
- נתונים להדמיה
- נתונים מונחים
- תאריכים
- החלטה
- מוגדר
- תואר
- למסור
- מסירה
- דרישה
- חיזוי דרישה
- מופגן
- מַחלָקָה
- לתאר
- מְתוּאָר
- תכנון
- פרטים
- לקבוע
- נחוש
- קביעה
- מפותח
- צעצועי התפתחות
- דיאגרמות
- הבחנה
- מופץ
- שונה
- עושה
- תחום
- תחומים
- מטה
- ראוי
- משך
- כל אחד
- קל יותר
- כַּלְכָּלִי
- כלכלה
- אפקטיבי
- יעילות
- יעילות
- יעיל
- יעילות
- מאמץ
- מכשירי חשמל
- העסקת
- מעסיקה
- מקצה לקצה
- מאורס
- מנוע
- מהנדס
- הנדסה
- משופר
- שלם
- שגיאה
- לְהַעֲרִיך
- אירופה
- אֵירוֹפִּי
- מדינות אירופה
- בסופו של דבר
- כל
- לבצע
- ניסיון
- מנוסה
- מוסבר
- לחקור
- חקר
- מעריכי
- אקספוננציאלית
- משתרע
- נרחב
- חיצוני
- הקל
- גורמים
- אפשרי
- מאפיין
- תכונות
- שדה
- ראשון
- להתמקד
- מרוכז
- התמקדות
- בעקבות
- הבא
- בעד
- תַחֲזִית
- תחזיות
- הבא
- נוסד
- מסגרת
- החל מ-
- לגמרי
- פונקציות
- נוסף
- יתר על כן
- ליצור
- גרמניה
- נתן
- מטרה
- בוגר
- גרף
- צמיחה
- אוֹרֵחַ
- פוסט אורח
- הדרכה
- טיפול
- יש
- he
- לעזור
- עזרה
- לה
- גבוה יותר
- פסים
- מאוד
- שֶׁלוֹ
- היסטורי
- היסטורי
- חַג
- שעות
- איך
- אולם
- HTML
- http
- HTTPS
- פְּגִיעָה
- הפעלה
- יישום
- מרשים
- לשפר
- משופר
- השבחה
- in
- כולל
- כולל
- שילוב
- התעשייה
- להשפיע
- מידע
- בתחילה
- בהתחלה
- ליזום
- קלט
- תובנות
- משולב
- שילוב
- השתלבות
- מִמְשָׁק
- אל תוך
- החדרה
- אינטואיטיבי
- IT
- שֶׁלָה
- מקומות תעסוקה
- הצטרף
- מסע
- jpg
- צומת
- לדעת
- אגמים
- בקנה מידה גדול
- למידה
- הוביל
- משפטי
- כמו
- מבוסס מיקום
- אוהב
- מכונה
- למידת מכונה
- בעיקר
- שמירה
- לעשות
- עושה
- עשייה
- לנהל
- הצליח
- ניהול
- מנהל
- מדריך ל
- רב
- שיווק
- מאסטר
- מתימטי
- מאי..
- שיטה
- שיטות
- מיקרו
- מזעור
- החטיא
- ML
- מודל
- דוגמנות
- דוּגמָנוּת
- מודלים
- צג
- יותר
- נע
- ממוצע נע
- הכרחי
- צרכי
- הולנד
- רשת
- רשתות
- עצבי
- רשת עצבית
- רשתות עצביות
- תֵשַׁע
- בייחוד
- עַכשָׁיו
- מספר
- מטרה
- of
- הַצָעָה
- מוצע
- on
- קוד פתוח
- פועל
- פועל
- מבצע
- מבצעי
- תפעול
- אופטימיזציה
- אופטימיזציה
- מיטוב
- הזמנות
- ארגון
- אחר
- אחרים
- שלנו
- תוצאות
- יותר
- יתר על המידה
- מקביל
- פרמטרים
- במיוחד
- לוהט
- עבר
- דפוסי
- ביצועים
- שלב
- חלוץ
- מכריע
- תכנון
- תוכניות
- פלטפורמות
- אפלטון
- מודיעין אפלטון
- אפלטון נתונים
- אנא
- הודעה
- מעשי
- פרקטיקות
- דיוק
- נבואה
- התחזיות
- בעיה
- בעיות
- הליך
- תהליך
- תהליכים
- מיוצר
- תכנות
- פּרוֹיֶקט
- פרויקטים
- מבצע
- הצעה
- קניינית
- הוכיח
- מתן
- תעריפים
- יחס
- זמן אמת
- נתונים בזמן אמת
- קיבלו
- קבלה
- לאחרונה
- שֵׁפֶל
- המלצה
- מופחת
- הפחתה
- הפחתה
- להתייחס
- לסמוך
- נדרש
- דרישות
- דורש
- נָחוּץ
- מחקר
- חוקר
- משאב
- אחריות
- אחראי
- תוצאות
- חוללה מהפכה
- ריצה
- אותו
- תזמון
- מדע
- מַדְעָן
- חיפוש
- עונתי
- סעיף
- קטע
- מגזרים
- נבחר
- מבחר
- לחצני מצוקה לפנסיונרים
- נפרד
- סדרה
- שרות
- שירותים
- כמה
- היא
- משמרת
- הסטה
- מחסור
- לְהַצִיג
- הראה
- הראה
- משמעותי
- באופן משמעותי
- פָּשׁוּט
- פשטות
- פשוט
- מפשט
- תוכנה
- פיתוח תוכנה
- פִּתָרוֹן
- פתרונות
- לפתור
- פותר
- מתוחכם
- מקורות
- מתמחה
- ספציפי
- סגל
- החל
- הברית
- שלב
- אחסון
- אחסון
- נהירה
- מייעלת
- לאחר מכן
- כתוצאה מכך
- הצלחה
- כזה
- מַתְאִים
- לספק
- שרשרת אספקה
- עלתה על
- עודף
- מערכת
- לקחת
- משימות
- הוראה
- נבחרת
- צוותי
- טכניקות
- טכנולוגיות
- טכנולוגיה
- מונחים
- נבדק
- זֶה
- השמיים
- הגרף
- הולנד
- בריטניה
- אותם
- אז
- אלה
- הֵם
- זֶה
- שְׁלוֹשָׁה
- דרך
- תפוקה
- כָּך
- זמן
- סדרת זמן
- ל
- היום
- כלי
- נושאים
- מסורתי
- טרנזקציות
- מגמות
- טורקיה
- תור
- שתיים
- בדרך כלל
- Uk
- תחת
- מאוחד
- ארצות הברית
- אוניברסיטה
- בניגוד
- על
- להשתמש
- מְשׁוּמָשׁ
- שימושים
- באמצעות
- ניצול
- ערכים
- שונים
- Vast
- אנכיות
- באמצעות
- חזותי
- ראיה
- היה
- לבזבז
- we
- מזג אוויר
- אינטרנט
- שירותי אינטרנט
- שבועות
- היו
- מתי
- אשר
- עם
- בתוך
- עבד
- זרימת עבודה
- זרימות עבודה
- כוח עבודה
- עובד
- עובד
- שנים
- אתה
- זפירנט