To je gostujoča objava, katere soavtorji so Nafi Ahmet Turgut, Mehmet İkbal Özmen, Hasan Burak Yel, Fatma Nur Dumlupınar Keşir, Mutlu Polatcan in Emre Uzel iz Getirja.
prinesel je pionir ultra hitre dostave živil. Tehnološko podjetje je revolucioniralo dostavo zadnjega kilometra s svojim predlogom dostave živil v nekaj minutah. Getir je bil ustanovljen leta 2015 in deluje v Turčiji, Veliki Britaniji, na Nizozemskem, v Nemčiji in ZDA. Danes je Getir konglomerat, ki združuje devet vertikal pod isto blagovno znamko.
V tem prispevku opisujemo sistem upravljanja delovne sile od konca do konca, ki se začne z napovedjo povpraševanja glede na lokacijo, ki ji sledi načrtovanje delovne sile kurirja in dodelitev izmene z uporabo Amazonska napoved in Korak funkcije AWS.
V preteklosti so se operativne ekipe ukvarjale s praksami ročnega upravljanja delovne sile, kar je povzročilo veliko izgubo časa in truda. Z uvedbo našega celovitega projekta upravljanja delovne sile od konca do konca pa lahko zdaj učinkovito ustvarijo potrebne kurirske načrte za skladišča s poenostavljenim postopkom z enim klikom, dostopnim prek spletnega vmesnika. Pred začetkom tega projekta so se poslovne ekipe zanašale na bolj intuitivne metode za napovedovanje povpraševanja, ki so zahtevale izboljšave v smislu natančnosti.
Amazonska napoved je popolnoma upravljana storitev, ki uporablja algoritme strojnega učenja (ML) za zagotavljanje zelo natančnih napovedi časovnih vrst. V tej objavi opisujemo, kako smo skrajšali čas modeliranja za 70 % z inženiringom funkcij in modeliranjem z uporabo Amazon Forecast. Dosegli smo 90-odstotno zmanjšanje pretečenega časa pri izvajanju algoritmov za razporejanje za vsa skladišča z uporabo Korak funkcije AWS, ki je v celoti upravljana storitev, ki olajša usklajevanje komponent porazdeljenih aplikacij in mikrostoritev z uporabo vizualnih delovnih tokov. Ta rešitev je vodila tudi do 90-odstotnega izboljšanja natančnosti napovedi v Turčiji in več evropskih državah.
Pregled rešitev
Projekt celovitega upravljanja delovne sile (projekt E2E) je obsežen projekt in ga lahko opišemo v treh temah:
1. Izračun kurirskih zahtev
Prvi korak je ocena urnega povpraševanja za vsako skladišče, kot je razloženo v razdelku Izbira algoritma. Te napovedi, izdelane z Amazon Forecast, pomagajo določiti, kdaj in koliko kurirjev potrebuje posamezno skladišče.
Na podlagi prepustnosti kurirjev v skladiščih se v urnih intervalih izračuna potrebno število kurirjev za posamezno skladišče. Ti izračuni pomagajo pri določanju izvedljivega števila kurirjev ob upoštevanju zakonitih delovnih ur, kar vključuje matematično modeliranje.
2. Reševanje težave z dodelitvijo izmene
Ko imamo potrebe po kurirju in poznamo druge omejitve kurirja in skladišč, lahko rešimo problem dodelitve izmene. Težava je modelirana z odločitvenimi spremenljivkami, ki določajo kurirje, ki jih je treba dodeliti, in ustvarjajo urnike izmen, kar zmanjšuje presežek in pomanjkanje, ki lahko povzročita zgrešena naročila. To je običajno problem mešanega celoštevilskega programiranja (MIP).
3. Uporaba funkcij korakov AWS
Uporabljamo AWS Step Functions za usklajevanje in upravljanje delovnih tokov z njegovo zmožnostjo vzporednega izvajanja opravil. Postopek dodelitve izmene v vsakem skladišču je opredeljen kot ločen delovni tok. Funkcije korakov AWS samodejno sprožijo in spremljajo te poteke dela s poenostavitvijo obravnavanja napak.
Ker ta proces zahteva obsežne podatke in zapletene izračune, ponujajo storitve, kot je AWS Step Functions, pomembno prednost pri organizaciji in optimizaciji nalog. Omogoča boljši nadzor in učinkovito upravljanje virov.
V arhitekturi rešitve izkoriščamo tudi druge storitve AWS, tako da jih integriramo v AWS Step Functions:
Naslednji diagrami prikazujejo poteke dela AWS Step Functions in arhitekturo orodja za prestavljanje:
Izbor algoritma
Napovedovanje lokacijskega povpraševanja predstavlja začetno fazo v projektu E2E. Glavni cilj E2E je določiti število kurirjev, ki jih je treba dodeliti določenemu skladišču, začenši z napovedjo povpraševanja po tem skladišču.
Ta komponenta napovedovanja je ključna v okviru E2E, saj se naslednje faze zanašajo na te rezultate napovedovanja. Tako lahko kakršne koli netočnosti napovedi škodljivo vplivajo na učinkovitost celotnega projekta.
Cilj faze napovedi lokacijskega povpraševanja je ustvariti napovedi na podlagi posamezne države za vsako skladišče, segmentirano na uro v naslednjih dveh tednih. Na začetku so dnevne napovedi za vsako državo oblikovane z modeli ML. Te dnevne napovedi so nato razdeljene na urne segmente, kot je prikazano v naslednjem grafu. Pretekli podatki o transakcijskem povpraševanju, vremenski podatki na podlagi lokacije, datumi praznikov, promocije in podatki o trženjskih kampanjah so funkcije, uporabljene v modelu, kot je prikazano na spodnjem grafu.
Ekipa je sprva raziskovala tradicionalne tehnike napovedovanja, kot je odprtokodna SARIMA (Sezonsko samodejno regresivno integrirano drseče povprečje), ARIMAX (Avto-regresivno integrirano drseče povprečje z uporabo eksogenih spremenljivk) in eksponentno glajenje.
ARIMA (avto-regresivno integrirano drseče povprečje) je metoda napovedovanja časovne vrste, ki združuje komponente avtoregresije (AR) in drsečega povprečja (MA) skupaj z razliko, da časovna vrsta postane stacionarna.
SARIMA razširja ARIMA z vključitvijo dodatnih parametrov za upoštevanje sezonskosti v časovni vrsti. Vključuje izraze sezonske samoregresije in sezonskega drsečega povprečja za zajemanje ponavljajočih se vzorcev v določenih intervalih, zaradi česar je primeren za časovne serije s sezonsko komponento.
ARIMAX nadgrajuje ARIMA z uvedbo eksogenih spremenljivk, ki so zunanji dejavniki, ki lahko vplivajo na časovno vrsto. Te dodatne spremenljivke so v modelu upoštevane za izboljšanje natančnosti napovedovanja z upoštevanjem zunanjih vplivov, ki presegajo zgodovinske vrednosti časovne vrste.
Eksponentno glajenje je še ena metoda napovedovanja časovnih vrst, ki za razliko od ARIMA temelji na tehtanih povprečjih preteklih opazovanj. Še posebej je učinkovit za zajemanje trendov in sezonskosti podatkov. Metoda dodeljuje eksponentno padajoče uteži preteklim opažanjem, novejša opazovanja pa prejmejo višje uteži.
Modeli Amazon Forecast so bili na koncu izbrani za segment algoritemskega modeliranja. Široka paleta modelov in prefinjene zmogljivosti inženiringa funkcij, ki jih ponuja AWS Forecast, so se izkazale za ugodnejše in so optimizirale našo uporabo virov.
Preizkušenih je bilo šest algoritmov, ki so na voljo v Forecastu: Konvolucijska nevronska mreža – kvantilna regresija (CNN-QR), DeepAR+, Prerok, Neparametrične časovne vrste (NPTS), Avtoregresivno integrirano drseče povprečje (ARIMA) in Eksponentno glajenje (ETS). Po analizi rezultatov napovedi smo ugotovili, da CNN-QR po učinkovitosti prekaša ostale. CNN-QR je lastniški algoritem ML, ki ga je razvil Amazon za napovedovanje skalarnih (enodimenzionalnih) časovnih vrst z uporabo vzročnih konvolucijskih nevronskih mrež (CNN). Glede na razpoložljivost različnih podatkovnih virov v tem trenutku je uporaba algoritma CNN-QR olajšala integracijo različnih funkcij, ki delujejo znotraj okvira nadzorovanega učenja. To razlikovanje ga je ločilo od enovariantnih modelov napovedovanja časovnih vrst in izrazito izboljšalo učinkovitost.
Uporaba Forecast se je izkazala za učinkovito zaradi enostavnosti zagotavljanja potrebnih podatkov in določanja trajanja napovedi. Nato Forecast uporablja algoritem CNN-QR za ustvarjanje napovedi. To orodje je znatno pospešilo proces za našo ekipo, zlasti pri algoritemskem modeliranju. Poleg tega z uporabo Preprosta storitev shranjevanja Amazon Vedra (Amazon S3) za repozitorije vhodnih podatkov in Amazon Redshift za shranjevanje rezultatov sta olajšala centralizirano upravljanje celotnega postopka.
zaključek
V tej objavi smo vam pokazali, kako je Getirjev projekt E2E pokazal, kako združevanje storitev Amazon Forecast in AWS Step Functions učinkovito racionalizira kompleksne procese. Dosegli smo impresivno približno 90-odstotno natančnost napovedi v državah v Evropi in Turčiji, uporaba programa Forecast pa je zmanjšala čas modeliranja za 70 % zaradi njegovega učinkovitega ravnanja z inženiringom funkcij in modeliranjem.
Uporaba storitve AWS Step Functions je privedla do praktičnih prednosti, zlasti zmanjšanja časa načrtovanja za 90 % za vsa skladišča. Poleg tega smo z upoštevanjem zahtev na terenu izboljšali stopnje skladnosti za 3 %, kar je pripomoglo k učinkovitejšemu razporejanju delovne sile. To pa poudarja uspeh projekta pri optimizaciji delovanja in zagotavljanja storitev.
Če želite dostopati do dodatnih podrobnosti o začetku vašega potovanja z napovedjo, si oglejte razpoložljive Viri Amazon Forecast. Poleg tega lahko za vpoglede v konstruiranje avtomatiziranih delovnih tokov in izdelavo cevovodov strojnega učenja raziščete Korak funkcije AWS za celovito vodenje.
O avtorjih
Nafi Ahmet Turgut je magistriral iz elektrotehnike in elektronike ter delal kot diplomirani raziskovalec. Osredotočil se je na gradnjo algoritmov strojnega učenja za simulacijo anomalij živčnega omrežja. Getirju se je pridružil leta 2019 in trenutno dela kot višji vodja podatkovne znanosti in analitike. Njegova ekipa je odgovorna za načrtovanje, implementacijo in vzdrževanje algoritmov strojnega učenja od konca do konca in podatkovno vodenih rešitev za Getir.
Mehmet İkbal Özmen magistriral iz ekonomije in delal kot znanstveni asistent. Njegovo raziskovalno področje so bili predvsem modeli ekonomskih časovnih vrst, markovske simulacije in napovedovanje recesije. Leta 2019 se je nato pridružil Getirju in trenutno dela kot vodja podatkovne znanosti in analitike. Njegova ekipa je odgovorna za optimizacijo in algoritme napovedi za reševanje zapletenih težav, s katerimi se srečujejo podjetja pri delovanju in dobavni verigi.
Hasan Burak Jel je diplomiral iz elektrotehnike in elektronike na univerzi Boğaziçi. Delal je v podjetju Turkcell, kjer se je ukvarjal predvsem z napovedovanjem časovnih vrst, vizualizacijo podatkov in avtomatizacijo omrežja. Getirju se je pridružil leta 2021 in trenutno dela kot vodja podatkovne znanosti in analitike z odgovornostjo za področja iskanja, priporočil in rasti.
Fatma Nur Dumlupınar Keşir je diplomirala na oddelku za industrijski inženiring na univerzi Boğaziçi. Delala je kot raziskovalka pri TUBITAK-u, kjer se je osredotočala na napovedovanje in vizualizacijo časovnih vrst. Nato se je leta 2022 pridružila Getirju kot podatkovna znanstvenica in delala na projektih Recommendation Engine, Mathematical Programming for Workforce Planning.
Emre Uzel je magistriral iz podatkovne znanosti na univerzi Koç. Delal je kot svetovalec za podatkovno znanost pri Eczacıbaşı Bilişim, kjer se je osredotočal predvsem na algoritme mehanizma za priporočila. Getirju se je pridružil leta 2022 kot podatkovni znanstvenik in začel delati na projektih napovedovanja časovnih vrst in matematične optimizacije.
Mutlu Polatcan je zaposleni podatkovni inženir pri podjetju Getir, specializiran za načrtovanje in gradnjo podatkovnih platform, ki izvirajo iz oblaka. Rad združuje odprtokodne projekte s storitvami v oblaku.
Esra Kayabalı je višji arhitekt rešitev pri AWS, specializiran za domeno analitike, vključno s skladiščenjem podatkov, podatkovnimi jezeri, analitiko velikih podatkov, paketnim pretakanjem in pretakanjem podatkov v realnem času ter integracijo podatkov. Ima 12 let izkušenj na področju razvoja programske opreme in arhitekture. Navdušena je nad učenjem in poučevanjem tehnologij v oblaku.
- Distribucija vsebine in PR s pomočjo SEO. Okrepite se še danes.
- PlatoData.Network Vertical Generative Ai. Opolnomočite se. Dostopite tukaj.
- PlatoAiStream. Web3 Intelligence. Razširjeno znanje. Dostopite tukaj.
- PlatoESG. Ogljik, CleanTech, Energija, Okolje, sončna energija, Ravnanje z odpadki. Dostopite tukaj.
- PlatoHealth. Obveščanje o biotehnologiji in kliničnih preskušanjih. Dostopite tukaj.
- vir: https://aws.amazon.com/blogs/machine-learning/getir-end-to-end-workforce-management-amazon-forecast-and-aws-step-functions/
- :ima
- : je
- :kje
- 1
- 100
- 12
- 2015
- 2019
- 2021
- 2022
- 32
- 7
- 91
- a
- Sposobna
- O meni
- dostop
- dostopen
- Račun
- računovodstvo
- natančnost
- natančna
- doseže
- čez
- Dodatne
- Poleg tega
- Prednost
- ugoden
- Prednosti
- algoritem
- algoritmični
- algoritmi
- vsi
- dodeliti
- omogoča
- skupaj
- Prav tako
- Amazon
- Amazonska napoved
- Amazon RedShift
- Amazon Web Services
- an
- Analiza
- analitika
- in
- nepravilnosti
- Še ena
- kaj
- aplikacije
- AR
- Arhitektura
- SE
- OBMOČJE
- okoli
- Array
- AS
- dodeljena
- pomoč
- Pomočnik
- At
- Avtomatizirano
- samodejno
- Avtomatizacija
- razpoložljivost
- Na voljo
- povprečno
- AWS
- Korak funkcije AWS
- temeljijo
- Osnova
- BE
- pred
- spodaj
- Boljše
- Poleg
- Big
- Big Podatki
- blagovne znamke
- Broken
- Building
- Gradi
- poslovni
- podjetja
- by
- izračuna
- izračun
- Izračuni
- Akcija
- CAN
- Zmogljivosti
- zmožnost
- zajemanje
- Zajemanje
- Vzrok
- centralizirano
- verige
- Cloud
- storitev v oblaku
- združuje
- združevanje
- začetek
- podjetje
- kompleksna
- skladnost
- komponenta
- deli
- celovito
- izračuni
- konglomerat
- šteje
- upoštevamo
- omejitve
- gradnjo
- svetovalec
- nadzor
- koordinate
- države
- država
- Za posamezne države
- Ustvarjanje
- Trenutno
- vsak dan
- datum
- Podatkovna analiza
- znanost o podatkih
- podatkovni znanstvenik
- vizualizacija podatkov
- Podatkov usmerjenih
- Termini
- Odločitev
- opredeljen
- Stopnja
- poda
- dostava
- Povpraševanje
- Napoved povpraševanja
- Dokazano
- Oddelek
- opisati
- opisano
- oblikovanje
- Podrobnosti
- Ugotovite,
- določi
- določanje
- razvili
- Razvoj
- diagrami
- razlikovanje
- porazdeljena
- razne
- tem
- domena
- domen
- navzdol
- 2
- trajanje
- vsak
- lažje
- Gospodarska
- Economics
- Učinkovito
- učinkovito
- učinkovitost
- učinkovite
- učinkovito
- prizadevanje
- Elektronika
- zaposlovanja
- zaposluje
- konec koncev
- , ki se ukvarjajo
- Motor
- inženir
- Inženiring
- okrepljeno
- Celotna
- Napaka
- oceniti
- Evropa
- Evropski
- Evropskih državah
- sčasoma
- Tudi vsak
- izvršiti
- izkušnje
- izkušen
- razložiti
- raziskuje
- Raziskano
- eksponentna
- eksponentno
- Se razširi
- obsežen
- zunanja
- olajšano
- dejavniki
- izvedljivo
- Feature
- Lastnosti
- Polje
- prva
- Osredotočite
- osredotočena
- osredotoča
- sledili
- po
- za
- Napoved
- Napovedi
- prihajajoči
- Ustanovljeno
- Okvirni
- iz
- v celoti
- funkcije
- nadalje
- Poleg tega
- ustvarjajo
- Nemčija
- dana
- Cilj
- diplomiral
- graf
- Rast
- Gost
- Gost Prispevek
- Navodila
- Ravnanje
- Imajo
- he
- pomoč
- pomoč
- jo
- več
- Poudarki
- zelo
- njegov
- Zgodovinski
- zgodovinski
- počitnice
- URE
- Kako
- Vendar
- HTML
- http
- HTTPS
- vpliv
- Izvajanje
- izvajanja
- Impresivno
- izboljšanje
- izboljšalo
- Izboljšanje
- in
- vključuje
- Vključno
- vključujoč
- industrijske
- vplivajo
- Podatki
- začetna
- na začetku
- sproži
- vhod
- vpogledi
- integrirana
- Povezovanje
- integracija
- vmesnik
- v
- Predstavljamo
- intuitivno
- IT
- ITS
- Delovna mesta
- pridružil
- Potovanje
- jpg
- stičišča
- Vedite
- jezera
- obsežne
- učenje
- Led
- Pravne informacije
- kot
- Na podlagi lokacije
- ljubi
- stroj
- strojno učenje
- v glavnem
- vzdrževanje
- Znamka
- IZDELA
- Izdelava
- upravljanje
- upravlja
- upravljanje
- upravitelj
- Navodilo
- več
- Trženje
- poveljnika
- matematični
- Maj ..
- Metoda
- Metode
- mikro storitve
- minimiziranje
- zamudili
- ML
- Model
- modeliranje
- modeliranje
- modeli
- monitor
- več
- premikanje
- drseče povprečje
- potrebno
- potrebe
- Nizozemska
- mreža
- omrežij
- Živčne
- nevronska mreža
- nevronske mreže
- devet
- predvsem
- zdaj
- Številka
- Cilj
- of
- ponudba
- ponujen
- on
- open source
- deluje
- deluje
- Delovanje
- operativno
- operacije
- optimizacija
- optimizirana
- optimizacijo
- naročila
- organiziranje
- Ostalo
- drugi
- naši
- rezultatov
- več
- prevladujoč
- vzporedno
- parametri
- zlasti
- strastno
- preteklosti
- vzorci
- performance
- faza
- Pionir
- ključno
- načrtovanje
- načrti
- Platforme
- platon
- Platonova podatkovna inteligenca
- PlatoData
- prosim
- Prispevek
- Praktično
- vaje
- Precision
- napoved
- Napovedi
- problem
- Težave
- postopek
- Postopek
- Procesi
- Proizvedeno
- Programiranje
- Projekt
- projekti
- promocije
- predlog
- lastniško
- dokazano
- zagotavljanje
- Cene
- razmerje
- v realnem času
- podatki v realnem času
- prejetih
- prejema
- nedavno
- recesija
- Priporočilo
- Zmanjšana
- zmanjšanje
- Zmanjšanje
- glejte
- zanašajo
- obvezna
- Zahteve
- zahteva
- potreben
- Raziskave
- raziskovalec
- vir
- Odgovornost
- odgovorna
- Rezultati
- revolucionirala
- tek
- Enako
- razporejanje
- Znanost
- Znanstvenik
- Iskalnik
- sezonska
- Oddelek
- Segment
- segmentih
- izbran
- izbor
- višji
- ločena
- Serija
- Storitev
- Storitve
- več
- je
- premik
- PREMIKANJE
- pomanjkanje
- Prikaži
- je pokazala,
- pokazale
- pomemben
- bistveno
- Enostavno
- preprostost
- poenostavljeno
- poenostavitev
- Software
- Razvoj programske opreme
- Rešitev
- rešitve
- SOLVE
- Reševanje
- prefinjeno
- Viri
- specializacijo
- specifična
- Osebje
- začel
- Države
- Korak
- shranjevanje
- shranjevanje
- pretakanje
- strujnice
- kasneje
- Kasneje
- uspeh
- taka
- primerna
- dobavi
- dobavne verige
- presegli
- Presežek
- sistem
- Bodite
- Naloge
- poučevanje
- skupina
- Skupine
- tehnike
- Tehnologije
- Tehnologija
- Pogoji
- Testiran
- da
- O
- Graf
- Nizozemska
- UK
- Njih
- POTEM
- te
- jih
- ta
- 3
- skozi
- pretočnost
- Tako
- čas
- Časovne serije
- do
- danes
- orodje
- Teme
- tradicionalna
- transakcijski
- Trends
- Turčija
- OBRAT
- dva
- tipično
- Uk
- pod
- Velika
- Združene države Amerike
- univerza
- za razliko od
- naprej
- uporaba
- Rabljeni
- uporablja
- uporabo
- Uporaben
- Vrednote
- različnih
- Popravljeno
- vertikale
- preko
- vizualna
- vizualizacija
- je
- Odpadki
- we
- Vreme
- web
- spletne storitve
- Weeks
- so bili
- kdaj
- ki
- z
- v
- delal
- potek dela
- delovnih tokov
- Delovna sila
- deluje
- deluje
- let
- Vi
- Vaša rutina za
- zefirnet