יישום Amazon Forecast בענף הקמעונאות: מסע מ-POC לייצור

תחזית אמזון הוא שירות מנוהל במלואו המשתמש באלגוריתמים סטטיסטיים ולמידת מכונה (ML) כדי לספק תחזיות של סדרות זמן מדויקות ביותר. לאחרונה, בהתבסס על Amazon Forecast, עזרנו לאחד מלקוחותינו הקמעונאיים להשיג חיזוי ביקוש מדויק, תוך 8 שבועות. הפתרון שיפר את התחזית הידנית בממוצע של 10% ביחס ל- WAPE מֶטרִי. זה מוביל לחיסכון ישיר של 16 שעות עבודה חודשיות. בנוסף, הערכנו כי על ידי מילוי מספר הפריטים הנכון, המכירות עשויות לעלות עד 11.8%. בפוסט זה, אנו מציגים את זרימת העבודה ואת המרכיבים הקריטיים ליישום - מהוכחת קונספט (POC) ועד לייצור - מערכת חיזוי ביקוש עם Amazon Forecast, המתמקדת באתגרים בתעשיית הקמעונאות.

רקע ואתגרים עכשוויים של חיזוי ביקוש בענף הקמעונאות

המטרה של חיזוי הביקוש היא להעריך את הביקוש העתידי מנתונים היסטוריים, ולסייע במילוי חנויות והקצאת קיבולת. בעזרת חיזוי ביקוש, קמעונאים יכולים למקם את הכמות הנכונה של מלאי בכל מיקום ברשת שלהם כדי לענות על הביקוש. לכן, מערכת חיזוי מדויקת יכולה להניב מגוון רחב של יתרונות בפונקציות עסקיות שונות, כגון:

• הגדלת המכירות מזמינות מוצרים טובה יותר והפחתת המאמץ של פסולת העברה בין חנויות
• מתן תובנה אמינה יותר כדי לשפר את ניצול הקיבולת ולהימנע באופן יזום מצווארי בקבוק בהקצאת הקיבולת
• מזעור עלויות מלאי וייצור ושיפור מחזור המלאי
• הצגת חווית לקוח טובה יותר באופן כללי

טכניקות ML מדגימות ערך רב כאשר קיים נפח גדול של נתונים באיכות טובה. כיום, ניהול מילוי מבוסס ניסיון או תחזית ביקוש היא עדיין הזרם המרכזי של רוב הקמעונאים. במטרה לשפר את חווית הלקוח, יותר ויותר קמעונאים מוכנים להחליף מערכות חיזוי ביקוש מבוססות חוויה בתחזיות מבוססות ML. עם זאת, קמעונאים מתמודדים עם מספר אתגרים בעת הטמעת מערכות חיזוי ביקוש מבוססות ML לתוך הייצור. אנו מסכמים את האתגרים השונים לשלוש קטגוריות: אתגרי נתונים, אתגרי ML ואתגרים תפעוליים.

אתגרי נתונים

נפח גדול של נתונים נקיים ואיכותיים הוא דרישת מפתח ליצירת תחזיות מדויקות מבוססות ML. יש לאסוף ולאחד נתוני איכות, לרבות נתונים היסטוריים של מכירות ונתונים הקשורים למכירות (כגון מלאי, תמחור פריטים ומבצעים). המגוון של נתונים ממשאבים מרובים דורש פלטפורמת נתונים מודרנית כדי לאחד ממגורות נתונים. בנוסף, גישה לנתונים בזמן נחוצה לתחזיות ביקוש תכופות ומדויקות.

אתגרי ML

פיתוח אלגוריתמי ML מתקדמים דורש מומחיות. הטמעת האלגוריתמים הנכונים לבעיה הנכונה דורשת הן ידע מעמיק בתחום והן יכולות ML. בנוסף, למידה ממערכי נתונים זמינים גדולים דורשת תשתית ML ניתנת להרחבה. יתרה מכך, שמירה על אלגוריתמי ML בייצור דורשת כישורי ML על מנת לנתח את הגורם השורשי להתדרדרות המודל ולהכשיר מחדש את המודל.

כדי לפתור בעיות עסקיות מעשיות, הפקת תחזיות מדויקות היא רק חלק מהסיפור. מקבלי החלטות זקוקים לתחזיות הסתברותיות בכמויות שונות ולעשות חווית לקוח חשובה לעומת תוצאות פיננסיות החלטות פשרות. הם גם צריכים להסביר תחזיות לבעלי עניין, ולבצע ניתוח מה אם כדי לחקור כיצד תרחישים שונים עשויים להשפיע על תוצאות התחזית.

אתגרים תפעוליים

צמצום המאמץ התפעולי של שמירה על מערכת חיזוי חסכונית הוא האתגר העיקרי השלישי. בתרחיש נפוץ של חיזוי ביקוש, לכל פריט בכל מיקום יש תחזית משלו. נדרשת מערכת שיכולה לנהל מאות אלפי תחזיות בכל עת. בנוסף, משתמשי קצה עסקיים זקוקים לשילוב מערכת החיזוי במערכות קיימות במורד הזרם, כגון פלטפורמות קיימות לניהול שרשרת אספקה, כך שיוכלו להשתמש במערכות מבוססות ML מבלי לשנות כלים ותהליכים קיימים.

אתגרים אלה חריפים במיוחד כאשר העסקים גדולים, דינמיים וצומחים. כדי להתמודד עם אתגרים אלה, אנו חולקים סיפור הצלחה של לקוחות שמפחית את המאמצים לאמת במהירות את הרווח העסקי הפוטנציאלי. זה מושג באמצעות אב טיפוס עם Amazon Forecast - שירות מנוהל במלואו המספק תוצאות חיזוי מדויקות ללא צורך בניהול משאבי תשתית ואלגוריתמים בסיסיים.

אב טיפוס מהיר למערכת חיזוי מבוססת ML עם Amazon Forecast

בהתבסס על הניסיון שלנו, אנו רואים לעתים קרובות שלקוחות קמעונאיים מוכנים ליזום הוכחת קונספט על נתוני המכירות שלהם. זה יכול להיעשות בטווח של כמה ימים עד כמה שבועות עבור אב טיפוס מהיר, בהתאם למורכבות הנתונים והמשאבים הזמינים לחזור על תהליך כוונון המודל. במהלך יצירת אב טיפוס, אנו מציעים להשתמש בספרינטים לניהול יעיל של התהליך, ולהפריד את ה-POC לשלבי חקר נתונים, שיפור איטרטיבי ואוטומציה.

חקר נתונים

חקר נתונים כולל לעתים קרובות דיון אינטנסיבי עם מדעני נתונים או אנליסטים של בינה עסקית כדי להכיר את מערך המכירות ההיסטורי ומקורות הנתונים הזמינים שעלולים להשפיע על תוצאות תחזית, כגון מלאי ואירועי קידום מכירות היסטוריים. אחת הדרכים היעילות ביותר היא לאחד את נתוני המכירות, כמערך הנתונים היעד, ממחסן הנתונים בשלב מוקדם של הפרויקט. זה מבוסס על העובדה שתוצאות התחזית נשלטות לרוב על ידי דפוסי מערך היעד. מחסני נתונים מאחסנים לרוב נתונים עסקיים יומיים, והבנה ממצה תוך פרק זמן קצר היא קשה וגוזלת זמן. ההצעה שלנו היא להתרכז ביצירת מערך הנתונים היעד ולוודא שמערך הנתונים הזה נכון. לעתים קרובות ניתן להשיג חיפוש נתונים אלה ותוצאות בסיס תוך מספר ימים, וזה יכול לקבוע אם ניתן לחזות במדויק את נתוני היעד. אנו דנים בחיזוי הנתונים בהמשך הפוסט הזה.

איטרציה

לאחר שנקבל את תוצאות הבסיס, נוכל להמשיך ולהוסיף נתונים קשורים נוספים כדי לראות כיצד אלה יכולים להשפיע על הדיוק. זה נעשה לעתים קרובות באמצעות צלילה עמוקה לתוך מערכי נתונים נוספים; למידע נוסף, עיין ב שימוש בנתוני נתונים של סדרות זמן קשורות ו שימוש במטא נתונים של פריט.

במקרים מסוימים, ייתכן שניתן יהיה לשפר את הדיוק ב-Amazon Forecast על ידי אימון המודלים עם קבוצות משנה שמתנהגות בצורה דומה של מערך הנתונים, או על ידי הסרת הנתונים הדלילים ממערך הנתונים. במהלך שלב השיפור האיטרטיבי הזה, החלק המאתגר - נכון לכל פרויקטי ML - הוא שהאיטרציה הנוכחית תלויה בממצאים ובתובנות העיקריות של האיטרציה הקודמת, ולכן ניתוח ודיווח קפדניים הם המפתח להצלחה.

ניתוח יכול להיעשות בצורה כמותית ואמפירית. ההיבט הכמותי מתייחס להערכה במהלך הבדיקה האחורית והשוואת מדד הדיוק, כגון WAPE. ההיבט האמפירי מתייחס להדמיה של עקומת החיזוי ונתוני היעד בפועל, ושימוש בידע בתחום כדי לשלב גורמים פוטנציאליים. ניתוחים אלה עוזרים לך לבצע פעולות חוזרות מהר יותר כדי לגשר על הפער בין התוצאות החזויות ונתוני היעד. בנוסף, הצגת תוצאות כאלה באמצעות דוח שבועי יכולה לעתים קרובות לספק ביטחון למשתמשי הקצה העסקיים.

אוטומציה

השלב האחרון כרוך לעתים קרובות בדיון על הליך ייצור POC ואוטומציה. מכיוון שפרויקט ML מוגבל על ידי משך הפרויקט הכולל, ייתכן שלא יהיה לנו מספיק זמן לבחון כל אפשרות. לכן, ציון התחום הפוטנציאלי לאורך הממצאים במהלך הפרויקט יכול לעתים קרובות לזכות באמון. בנוסף, אוטומציה יכולה לעזור למשתמשי קצה עסקיים להעריך את Forecast לתקופה ארוכה יותר, מכיוון שהם יכולים להשתמש בחיזוי קיים כדי ליצור תחזיות עם הנתונים המעודכנים.

ניתן להעריך את קריטריוני ההצלחה עם תוצאות שנוצרו, הן מנקודת מבט טכנית והן מנקודת מבט עסקית. במהלך תקופת ההערכה, אנו יכולים להעריך יתרונות פוטנציאליים עבור הדברים הבאים:

• הגדלת דיוק התחזית (טכני) - חישוב דיוק הניבוי ביחס לנתוני מכירות בפועל, והשוואה למערכת התחזית הקיימת, כולל תחזיות ידניות
• הפחתת פסולת (עסקית) – צמצום חיזוי יתר על מנת להפחית בזבוז
• שיפור שיעורי המלאי (עסקים) - הפחת תת-תחזית על מנת לשפר את שיעורי המלאי
• אומדן הגידול ברווח הגולמי (עסקי) - צמצם את הבזבוז ושפר את שיעורי המלאי על מנת להגדיל את הרווח הגולמי

אנו מסכמים את זרימת העבודה בפיתוח בתרשים הבא.

בסעיפים הבאים, נדון במרכיבים החשובים שיש לקחת בחשבון במהלך היישום.

תהליך עבודה שלב אחר שלב לפיתוח מערכת חיזוי

יצירת מערכי יעד

השלב הראשון הוא יצירת מערך הנתונים היעד עבור Forecast. בענף הקמעונאות, הכוונה היא לנתוני הביקוש והמכירות של סדרות הזמן ההיסטוריות לפריטים קמעונאיים (SKUs). בעת הכנת מערך הנתונים, היבט חשוב אחד הוא הפירוט. עלינו לשקול את פירוט הנתונים הן מהדרישות העסקיות והן מהדרישות הטכניות.

העסק מגדיר כיצד תוצאות חיזוי במערכת הייצור:

• אופק – מספר שלבי הזמן החזויים. זה תלוי בבעיה העסקית הבסיסית. אם אנחנו רוצים למלא מחדש את רמת המלאי בכל שבוע, אז תחזית שבועית או תחזית יומית נראית מתאימה.
• גרגיריות - הפירוט של התחזיות שלך: תדירות זמן כגון יומי או שבועי, מיקומי חנויות שונים וגדלים שונים של אותו פריט. בסופו של דבר, התחזית יכולה להיות שילוב של מק"ט של כל חנות, עם נקודות נתונים יומיות.

למרות שיש להגדיר את אופק התחזית והפירוט הנ"ל כדי לתעדף את הדרישה העסקית, ייתכן שנצטרך לעשות חילופים בין דרישות והיתכנות. קחו את עסקי ההנעלה כדוגמה אחת. אם אנחנו רוצים לחזות מכירות של כל מידה של נעליים בכל רמת חנות, הנתונים הופכים עד מהרה דלילים וקשה למצוא את הדפוס. עם זאת, כדי למלא מלאי מחדש, עלינו להעריך את הפירוט הזה. לשם כך, פתרונות חלופיים עשויים לדרוש אומדן יחס בין מידות נעליים שונות ושימוש ביחס זה לחישוב תוצאות עדינות.

לעתים קרובות אנו צריכים לאזן בין הדרישה העסקית לבין דפוס הנתונים שניתן ללמוד ולהשתמש לצורך חיזוי. כדי לספק הסמכה כמותית של דפוסי הנתונים, אנו מציעים להשתמש בחיזוי נתונים.

חיזוי נתונים וסיווג דפוסי נתונים

אחת התובנות המרכזיות שאנו יכולים לאסוף ממערך הנתונים היעד היא היכולת שלו לייצר תחזיות איכותיות. ניתן לנתח זאת בשלב מוקדם מאוד של פרויקט ה-ML. התחזית זורחת כאשר הנתונים מציגים עונתיות, מגמות ודפוסים מחזוריים.

כדי לקבוע את יכולת החיזוי, ישנם שני מקדמים עיקריים: שונות בתזמון הביקוש ושונות בכמות הביקוש. שינוי בתזמון הביקוש פירושה המרווח בין שני מקרים של ביקוש, והוא מודד את סדירות הביקוש בזמן. שינוי בכמות הביקוש פירושו שינוי בכמויות. האיור הבא ממחיש כמה דפוסים שונים. דיוק התחזית תלוי מאוד ביכולת חיזוי המוצר. למידע נוסף, עיין ב סיווג ביקוש: מדוע חיזוי חשוב.

ראוי לציין שניתוח חיזוי זה מיועד לכל פריט עדין (לדוגמה, SKU-Store-Color-Size). זה די נפוץ שבמערכת ייצור של חיזוי ביקוש, פריטים שונים עוקבים אחר דפוסים שונים. לכן, חשוב להפריד בין הפריטים לפי דפוסי נתונים שונים. דוגמה טיפוסית אחת היא פריטים הנעים במהירות ואיטיות; דוגמה נוספת תהיה נתונים צפופים ודלילים. בנוסף, לפריט עדין יש יותר סיכויים להניב דפוס גבשושי. לדוגמה, בחנות בגדים, המכירות של פריט פופולרי אחד יכולות להיות חלקות למדי מדי יום, אבל אם נפריד עוד יותר בין המכירות של הפריט לכל צבע ומידה, היא הופכת במהרה לדלילה. לכן, הפחתת הפירוט מ-SKU-Store-Color-Size ל-SKU-Store יכולה לשנות את דפוס הנתונים מגוש לחלק, ולהיפך.

יתרה מכך, לא כל הפריטים תורמים למכירות באופן שווה. שמנו לב שתרומת הפריט באה לרוב בעקבות התפלגות Pareto, שבה פריטים מובילים תורמים את רוב המכירות. המכירות של פריטים מובילים אלה לרוב חלקות. פריטים עם שיא מכירות נמוך יותר הם לרוב גבשושיים ולא קבועים, ולכן קשה להעריך אותם. הוספת פריטים אלה עשויה למעשה להפחית את הדיוק של פריטי המכירות המובילים. בהתבסס על תצפיות אלו, נוכל להפריד את הפריטים לקבוצות שונות, לאמן את מודל ה-Forecast על פריטי מכירות מובילים, ולטפל בפריטי המכירה הנמוכים יותר כמארזים פינתיים.

העשרת נתונים ובחירת מערך נתונים נוספים

כאשר אנו רוצים להשתמש במערכי נתונים נוספים כדי לשפר את הביצועים של תוצאות תחזית, אנו יכולים לסמוך עליהם מערכי נתונים של סדרות זמן ו מערכי נתונים של מטא נתונים. בתחום הקמעונאי, בהתבסס על אינטואיציה וידע בתחום, ניתן לייבא תכונות כגון מלאי, מחיר, קידום מכירות ועונות חורף או קיץ כסדרת הזמן הקשורה. הדרך הפשוטה ביותר לזהות שימושיות של תכונות היא באמצעות חשיבות התכונות. ב-Forecast, זה נעשה על ידי ניתוח הסבר. תַחֲזִית הסבר מנבא עוזר לנו להבין טוב יותר כיצד התכונות במערך הנתונים משפיעות על תחזיות עבור היעד. תחזית משתמשת במדד שנקרא ציוני השפעה כדי לכמת את ההשפעה היחסית של כל תכונה ולקבוע אם הם מגדילים או מקטינים את ערכי התחזית. אם למאפיינים אחת או יותר יש ציון השפעה של אפס, אז למאפיינים אלו אין השפעה משמעותית על ערכי התחזית. בדרך זו, נוכל להסיר במהירות את התכונות שיש להן פחות השפעה ולהוסיף את הפוטנציאלים באופן איטרטיבי. חשוב לציין שציוני ההשפעה מודדים את ההשפעה היחסית של תכונות, אשר מנורמלות יחד עם ציוני ההשפעה של כל התכונות האחרות.

כמו כל פרויקטי ML, שיפור הדיוק עם תכונות נוספות דורש ניסויים איטרטיביים. עליך להתנסות בשילובים מרובים של מערכי נתונים, תוך התבוננות בהשפעה של שינויים מצטברים על דיוק המודל. אתה יכול לנסות להריץ ניסויים מרובים של Forecast דרך קונסולת Forecast או עם מחברות Python עם ממשקי API של Forecast. בנוסף, אתה יכול לעלות עם AWS CloudFormation, אשר פורסת AWS סיפקה פתרונות מוכנים למקרי שימוש נפוצים (לדוגמה, ה שיפור דיוק התחזית עם פתרון Machine Learning). תחזית מפרידה אוטומטית את מערך הנתונים ומייצרת מדדי דיוק כדי להעריך מנבאים. למידע נוסף, ראה הערכת דיוק חיזוי. זה עוזר למדעני נתונים לבצע איטרציה מהר יותר כדי להשיג את המודל בעל הביצועים הטובים ביותר.

שיפור מתקדם וטיפול בתיקים פינתיים

הזכרנו שאלגוריתמי תחזיות יכולים ללמוד עונתיות, מגמות ותכונות מחזוריות מנתונים. עבור פריטים עם מאפיינים אלה, וצפיפות הנתונים והנפח המתאימים, אנו יכולים להשתמש ב-Forecast כדי ליצור אומדנים. עם זאת, כאשר אנו מתמודדים עם דפוסי נתונים גבשושיים, במיוחד כאשר נפח הנתונים קטן, ייתכן שנצטרך לטפל בהם אחרת, כמו למשל עם הערכה אמפירית המבוססת על ערכת כללים.

עבור SKUs צפופים, אנו משפרים עוד יותר את דיוק התחזית על ידי אימון המודלים עם קבוצות משנה שמתנהגות בצורה דומה של מערך הנתונים של סדרת הזמן. אסטרטגיות ההפרדה של תת-קבוצות שבהן השתמשנו הן לוגיקה עסקית, סוג מוצר, צפיפות נתונים ודפוסים שנלמדו על ידי האלגוריתם. לאחר יצירת קבוצות המשנה, אנו יכולים לאמן מספר מודלים של תחזית עבור קבוצות המשנה השונות. לדוגמא אחת כזו, עיין ב אשכול נתוני סדרות זמן לשימוש עם Amazon Forecast.

לקראת ייצור: עדכון מערך הנתונים, ניטור והכשרה מחדש

בואו נחקור ארכיטקטורה לדוגמה עם Forecast, כפי שמוצג בתרשים הבא. בכל פעם שמשתמש קצה מאחד מערך נתונים חדש על שירות אחסון פשוט של אמזון (Amazon S3), זה מופעל פונקציות שלב AWS לתזמר רכיבים שונים, כולל יצירת משימת ייבוא ​​הנתונים, יצירת מנבא אוטומטי והפקת תחזיות. לאחר יצירת תוצאות התחזית, שלב יצירת תחזית ייצוא מייצא אותן לאמזון S3 עבור צרכנים במורד הזרם. למידע נוסף על אופן הקצאת צינור אוטומטי זה, עיין ב אוטומציה עם AWS CloudFormation. הוא משתמש בערימת CloudFormation כדי לפרוס אוטומטית מערכי נתונים ל-S3 bucket ולהפעיל צינור תחזית. אתה יכול להשתמש באותה מחסנית אוטומציה כדי ליצור תחזיות עם מערכי נתונים משלך.

ישנן שתי דרכים לשלב את המגמות האחרונות במערכת החיזוי: עדכון נתונים או אימון מחדש של המנבא.

כדי להפיק את התחזית עם נתונים מעודכנים המשקפים את המגמות האחרונות, עליך להעלות את קובץ נתוני הקלט המעודכן לדלי S3 (נתוני הקלט המעודכנים עדיין צריכים להכיל את כל הנתונים הקיימים שלך). תחזית אינה מכשירה מחדש חיזוי אוטומטית כאשר אתה מייבא מערך נתונים מעודכן. אתה יכול ליצור תחזיות כפי שאתה עושה בדרך כלל. תחזית חוזה את אופק התחזית החל מהיום האחרון בנתוני הקלט המעודכנים. לכן, מגמות אחרונות משולבות בכל מסקנות חדשות שמפיקה Forecast.

עם זאת, אם אתה רוצה שהמנבא שלך יוכשר מהנתונים החדשים, עליך ליצור מנבא חדש. ייתכן שתצטרך לשקול לימוד מחדש של המודל כאשר דפוסי הנתונים (עונתיות, מגמות או מחזוריות) משתנים. כפי שהוזכר ב ניטור רציף של דיוק המנבאים עם Amazon Forecast, הביצועים של מנבא ישתנו לאורך זמן, עקב גורמים כמו שינויים בסביבה הכלכלית או בהתנהגות הצרכנים. לכן, ייתכן שיהיה צורך להכשיר את המנבא מחדש, או שיהיה צורך ליצור מנבא חדש כדי להבטיח שימשיכו להיעשות תחזיות מדויקות ביותר. בעזרת ניטור מנבא, Forecast יכולה לעקוב אחר האיכות של המנבאים שלך, ומאפשרת לך להפחית מאמצים תפעוליים, תוך כדי סיוע בקבלת החלטות מושכלות יותר לגבי שמירה, אימון מחדש או בנייה מחדש של המנבאים שלך.

סיכום

Amazon Forecast הוא שירות חיזוי סדרות זמן המבוסס על ML ובנוי לניתוח מדדים עסקיים. אנו יכולים לשלב חיזוי חיזוי ביקוש ברמת דיוק גבוהה על ידי שילוב של מכירות היסטוריות ומידע רלוונטי אחר כגון מלאי, מבצעים או עונה. תוך 8 שבועות, עזרנו לאחד מלקוחותינו הקמעונאיים להשיג תחזית ביקוש מדויקת - שיפור של 10% בהשוואה לתחזית הידנית. זה מוביל לחיסכון ישיר של 16 שעות עבודה חודשיות ומכירות משוערות גדלות עד 11.8%.

פוסט זה שיתף שיטות נפוצות להבאת פרויקט החיזוי שלך מהוכחת הרעיון להפקה. התחל עכשיו עם תחזית אמזון כדי להשיג תחזיות מדויקות ביותר עבור העסק שלך.

---

על הכותבים

Yanwei Cui, PhD, הוא אדריכל פתרונות מומחה למידת מכונה ב-AWS. הוא התחיל לחקור למידת מכונה ב-IRISA (מכון המחקר למדעי המחשב ומערכות אקראיות), ויש לו ניסיון של מספר שנים בבניית יישומים תעשייתיים מונעי בינה מלאכותית בראייה ממוחשבת, עיבוד שפה טבעית וחיזוי התנהגות משתמשים מקוונים. ב-AWS, הוא חולק את המומחיות בתחום ועוזר ללקוחות לפתוח פוטנציאלים עסקיים ולהניב תוצאות ניתנות לפעולה עם למידת מכונה בקנה מידה. מחוץ לעבודה, הוא נהנה לקרוא ולטייל.

גורדון וואנג הוא מדען נתונים בכיר בצוות השירותים המקצועיים של Amazon Web Services. הוא תומך בלקוחות בתעשיות רבות, כולל מדיה, ייצור, אנרגיה, קמעונאות ושירותי בריאות. הוא נלהב מראייה ממוחשבת, למידה עמוקה ו-MLOps. בזמנו הפנוי הוא אוהב ריצה וטיולים.