To je gostujoča objava, katere soavtorji so Nafi Ahmet Turgut, Mutlu Polatcan, Pınar Baki, Mehmet İkbal Özmen, Hasan Burak Yel in Hamza Akyıldız iz Getirja.
prinesel je pionir ultra hitre dostave živil. Tehnološko podjetje je revolucioniralo dostavo zadnjega kilometra s svojim predlogom dostave »živila v nekaj minutah«. Getir je bil ustanovljen leta 2015 in deluje v Turčiji, Veliki Britaniji, na Nizozemskem, v Nemčiji, Franciji, Španiji, Italiji, na Portugalskem in v ZDA. Danes je Getir konglomerat, ki združuje devet vertikal pod isto blagovno znamko.
Napovedovanje prihodnjega povpraševanja je eden najpomembnejših vpogledov za Getir in eden največjih izzivov, s katerimi se srečujemo. Getir se pri sprejemanju poslovnih odločitev na številnih področjih, vključno s trženjem, proizvodnjo, zalogami in financami, močno zanaša na natančne napovedi povpraševanja na ravni SKU. Natančne napovedi so potrebne za podporo odločitvam o zalogah in dopolnjevanju. Če imamo jasno in zanesljivo sliko predvidenega povpraševanja za naslednji dan ali teden, lahko prilagodimo našo strategijo in povečamo našo sposobnost doseganja prodajnih in prihodkovnih ciljev.
Uporabljen Getir Amazonska napoved, popolnoma upravljana storitev, ki uporablja algoritme strojnega učenja (ML) za zagotavljanje zelo natančnih napovedi časovnih vrst, za povečanje prihodkov za štiri odstotke in zmanjšanje stroškov odpadkov za 50 odstotkov. V tej objavi opisujemo, kako smo uporabili Forecast za doseganje teh prednosti. Opišemo, kako smo zgradili cevovod za avtomatizirano napovedovanje povpraševanja z uporabo Forecast in pod vodstvom Korak funkcije AWS predvideti dnevno povpraševanje po SKU-jih. Ta rešitev je privedla do zelo natančnega napovedovanja za več kot 10,000 SKU-jev v vseh državah, kjer delujemo, in je znatno prispevala k naši sposobnosti za razvoj visoko razširljivih notranjih procesov dobavne verige.
Forecast avtomatizira velik del postopka napovedovanja časovnih vrst, kar vam omogoča, da se osredotočite na pripravo naborov podatkov in razlago svojih napovedi.
Step Functions je popolnoma upravljana storitev, ki olajša usklajevanje komponent porazdeljenih aplikacij in mikrostoritev z uporabo vizualnih delovnih tokov. Gradnja aplikacij iz posameznih komponent, od katerih vsaka izvaja diskretno funkcijo, vam pomaga lažje prilagajanje velikosti in hitrejše spreminjanje aplikacij. Funkcije korakov samodejno sprožijo in sledijo vsakemu koraku ter znova poskusijo, ko pride do napak, tako da se vaša aplikacija izvaja po vrstnem redu in po pričakovanjih.
Pregled rešitev
Šest ljudi iz Getirjeve podatkovne znanstvene ekipe in infrastrukturne ekipe je sodelovalo pri tem projektu. Projekt je bil zaključen v 3 mesecih in uveden v proizvodnjo po 2 mesecih testiranja.
Naslednji diagram prikazuje arhitekturo rešitve.
Model cevovoda se izvaja ločeno za vsako državo. Arhitektura vključuje štiri opravila Airflow cron, ki se izvajajo po določenem urniku. Cevovod se začne z ustvarjanjem funkcije, ki najprej ustvari funkcije in jih naloži Amazon RedShift. Nato opravilo obdelave funkcij pripravi dnevne funkcije, shranjene v Amazon Redshift, in vanje razloži podatke o časovni vrsti Preprosta storitev shranjevanja Amazon (Amazon S3). Drugo opravilo Airflow je odgovorno za sprožitev cevovoda Forecast prek Amazon EventBridge. Cevovod je sestavljen iz funkcij Amazon Lambda, ki ustvarjajo napovednike in napovedi na podlagi parametrov, shranjenih v Amazon S3. Forecast bere podatke iz Amazon S3, uri model z optimizacijo hiperparametrov (HPO) za optimizacijo delovanja modela in ustvarja prihodnje napovedi za prodajo izdelkov. Nato se za vsako državo sproži cevovod funkcij koraka »WaitInProgress«, ki omogoča vzporedno izvajanje cevovoda za vsako državo.
Izbira algoritma
Amazon Forecast ima šest vgrajenih algoritmov (ARIMA, ETS, NPTS, Prerok, DeepAR+, CNN-QR), ki so združeni v dve skupini: statistična in globoka/nevronska mreža. Med temi algoritmi so globoka/nevronska omrežja primernejša za težave z napovedovanjem e-trgovine, saj sprejemajo funkcije metapodatkov artiklov, v prihodnost usmerjene funkcije za oglaševalske akcije in tržne dejavnosti ter – kar je najpomembneje – povezane funkcije časovnih vrst. Algoritmi globokih/nevronskih mrež delujejo zelo dobro tudi pri redkih naborih podatkov in v scenarijih hladnega zagona (uvedba novega elementa).
Na splošno smo v naših eksperimentih opazili, da so se modeli globoke/nevronske mreže izkazali bistveno bolje kot statistični modeli. Zato smo svoje temeljito testiranje osredotočili na DeepAR+ in CNN-QR
Ena najpomembnejših prednosti Amazon Forecast je razširljivost in natančni rezultati za številne kombinacije izdelkov in držav. Pri našem testiranju sta algoritma DeepAR+ in CNN-QR prinesla uspeh pri zajemanju trendov in sezonskosti, kar nam je omogočilo pridobitev učinkovitih rezultatov pri izdelkih, katerih povpraševanje se zelo pogosto spreminja.
Deep AutoRegressive Plus (DeepAR+) je nadzorovan univariaten algoritem napovedovanja, ki temelji na ponavljajočih se nevronskih mrežah (RNN), ki jih je ustvaril Amazon Research. Njegove glavne prednosti so, da je enostavno razširljiv, da lahko v podatke vključi ustrezne spremenljivke (kot so povezani podatki in metapodatki) in da lahko napove elemente hladnega zagona. Namesto prilagajanja ločenih modelov za vsako časovno serijo ustvari globalni model iz povezanih časovnih serij za obvladovanje zelo različnih lestvic s spreminjanjem velikosti in vzorčenjem na podlagi hitrosti. Arhitektura RNN vključuje binomsko verjetnost za ustvarjanje verjetnostnih napovedi in jo avtorji zagovarjajo, da prekaša tradicionalne metode napovedovanja z eno postavko (kot je Prerok). DeepAR: Probabilistično napovedovanje z avtoregresivno ponavljajočimi se omrežji.
Na koncu smo izbrali Amazon CNN-QR (Convolutional Neural Network – Quantile Regression) algoritem za naše napovedovanje zaradi njegove visoke zmogljivosti v procesu testiranja za nazaj. CNN-QR je lastniški algoritem ML, ki ga je razvil Amazon za napovedovanje skalarnih (enodimenzionalnih) časovnih vrst z uporabo vzročnih konvolucijskih nevronskih mrež (CNN).
Kot je bilo že omenjeno, lahko CNN-QR uporablja povezane časovne serije in metapodatke o napovedanih postavkah. Metapodatki morajo vključevati vnos za vse edinstvene postavke v ciljni časovni seriji, ki so v našem primeru izdelki, katerih povpraševanje napovedujemo. Za izboljšanje natančnosti smo uporabili metapodatke kategorij in podkategorij, ki so modelu pomagali razumeti razmerje med nekaterimi izdelki, vključno z dopolnilnimi in nadomestnimi izdelki. Na primer, za pijače nudimo dodatno oznako za prigrizke, saj se obe kategoriji dopolnjujeta.
Ena od pomembnih prednosti CNN-QR je njegova zmožnost napovedovanja brez povezanih časovnih vrst v prihodnosti, kar je pomembno, ko ne morete zagotoviti povezanih funkcij za okno napovedi. Ta zmožnost, skupaj z natančnostjo napovedi, je pomenila, da je CNN-QR dosegel najboljše rezultate z našimi podatki in primerom uporabe.
Izhod napovedi
Napovedi, ustvarjene prek sistema, se po prejemu na podlagi države zapišejo v ločena vedra S3. Nato se napovedi zapišejo v Amazon Redshift na podlagi SKU in države z dnevnimi opravili. Nato na podlagi naših napovedi izvajamo dnevno načrtovanje zalog izdelkov.
Stalno izračunavamo razmerja srednje absolutne odstotne napake (MAPE) s podatki, ki temeljijo na izdelkih, in optimiziramo postopke vnosa modelov in funkcij.
zaključek
V tej objavi smo se sprehodili skozi avtomatiziran cevovod za napovedovanje povpraševanja, ki smo ga zgradili z uporabo Amazon Forecast in AWS Step Functions.
Z Amazon Forecast smo naš MAPE za posamezne države izboljšali za 10 odstotkov. To je vodilo do štiriodstotnega povečanja prihodkov in znižanja naših stroškov odpadkov za 50 odstotkov. Poleg tega smo dosegli 80-odstotno izboljšanje naših časov usposabljanja v dnevnih napovedih v smislu razširljivosti. Dnevno lahko napovemo več kot 10,000 SKU-jev v vseh državah, ki jih uporabljamo.
Za več informacij o tem, kako začeti graditi lastne cevovode s programom Forecast, glejte Viri Amazon Forecast. Lahko tudi obiščete Korak funkcije AWS da dobite več informacij o tem, kako zgraditi avtomatizirane procese ter orkestrirati in ustvariti cevovode ML. Veselo napovedovanje in začnite izboljševati svoje podjetje že danes!
O avtorjih
Nafi Ahmet Turgut je končal magistrski študij 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.
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.
Pınar Baki je magistrirala na oddelku za računalniški inženiring na univerzi Boğaziçi. Delala je kot podatkovna znanstvenica pri Arceliku in se osredotočala na modele priporočil za rezervne dele ter analizo starosti, spola in čustev iz podatkov o govoru. Nato se je leta 2022 pridružila podjetju Getir kot višja podatkovna znanstvenica, ki je delala na projektih napovedi in iskalnikov.
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 vodilni podatkovni znanstvenik z odgovornostjo za iskalnik in priporočila ter modele vedenja strank.
Hamza Akyıldız je diplomiral iz matematike in računalništva na univerzi Boğaziçi. Osredotoča se na optimizacijo algoritmov strojnega učenja z njihovim matematičnim ozadjem. Getirju se je pridružil leta 2021 in dela kot Data Scientist. Delal je na projektih, povezanih s personalizacijo in dobavno verigo.
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.
- PlatoAiStream. Podatkovna inteligenca Web3. Razširjeno znanje. Dostopite tukaj.
- Kovanje prihodnosti z Adryenn Ashley. Dostopite tukaj.
- Kupujte in prodajajte delnice podjetij pred IPO s PREIPO®. Dostopite tukaj.
- vir: https://aws.amazon.com/blogs/machine-learning/demand-forecasting-at-getir-built-with-amazon-forecast/
- :ima
- : je
- :kje
- 000
- 10
- 100
- 12
- 2015
- 2019
- 2021
- 2022
- 50
- 7
- a
- sposobnost
- Sposobna
- O meni
- absolutna
- Sprejmi
- natančnost
- natančna
- Doseči
- doseže
- čez
- dejavnosti
- Poleg tega
- Dodatne
- Prednost
- Prednosti
- po
- starost
- algoritem
- algoritmi
- vsi
- Dovoli
- omogoča
- skupaj
- Prav tako
- Amazon
- Amazonska napoved
- Amazon RedShift
- Amazon Web Services
- med
- an
- Analiza
- analitika
- in
- in infrastrukturo
- uporaba
- aplikacije
- Arhitektura
- SE
- OBMOČJE
- območja
- AS
- Pomočnik
- At
- Avtorji
- Avtomatizirano
- avtomatizira
- samodejno
- Avtomatizacija
- AWS
- Korak funkcije AWS
- ozadje
- Backtest
- temeljijo
- Osnova
- bilo
- počutje
- Prednosti
- BEST
- Boljše
- med
- Big
- Big Podatki
- največji
- tako
- blagovne znamke
- prinesel
- izgradnjo
- Building
- zgrajena
- vgrajeno
- poslovni
- podjetja
- by
- izračun
- Akcija
- CAN
- Zajemanje
- opravlja
- primeru
- kategorije
- Kategorija
- nekatere
- verige
- izzivi
- spremenite
- Spremembe
- jasno
- Cloud
- storitev v oblaku
- kombinacije
- združevanje
- podjetje
- dopolnilni
- Končana
- kompleksna
- deli
- računalnik
- Računalniški inženiring
- konglomerat
- prispevali
- koordinate
- strošek
- stroški
- države
- država
- Za posamezne države
- ustvarjajo
- ustvaril
- ustvari
- Oblikovanje
- Trenutno
- stranka
- vedenje kupcev
- vsak dan
- datum
- Podatkovna analiza
- znanost o podatkih
- podatkovni znanstvenik
- nabor podatkov
- vizualizacija podatkov
- Podatkov usmerjenih
- nabor podatkov
- dan
- odločitve
- opredeljen
- Stopnja
- poda
- dostava
- Povpraševanje
- Napoved povpraševanja
- Oddelek
- razporejeni
- opisati
- oblikovanje
- Razvoj
- razvili
- Razvoj
- porazdeljena
- domena
- vozi
- 2
- e-trgovina
- vsak
- lažje
- enostavno
- Gospodarska
- Economics
- učinkovite
- Elektronika
- omogoča
- omogočanje
- konec koncev
- Motor
- inženir
- Inženiring
- Vpis
- Napaka
- napake
- Primer
- Izvaja
- izvedba
- Pričakuje
- izkušnje
- izkušen
- Obraz
- Feature
- Lastnosti
- financiranje
- prva
- opremljanje
- Osredotočite
- osredotočena
- Osredotoča
- osredotoča
- po
- za
- Napoved
- Napovedi
- v prihodnost
- Ustanovljeno
- štiri
- Francija
- pogosto
- iz
- v celoti
- funkcija
- funkcije
- Prihodnost
- Spol
- Nemčija
- dobili
- Globalno
- Cilji
- diplomiral
- Skupine
- Gost
- Gost Prispevek
- ročaj
- srečna
- ob
- he
- močno
- pomagal
- Pomaga
- jo
- visoka
- zelo
- njegov
- gospodarstvo
- Kako
- Kako
- HTML
- HTTPS
- Optimizacija hiperparametra
- izvajanja
- Pomembno
- izboljšanje
- izboljšalo
- Izboljšanje
- izboljšanju
- in
- vključujejo
- vključuje
- Vključno
- vključi
- vključujoč
- Povečajte
- individualna
- Podatki
- Infrastruktura
- vpogledi
- Namesto
- integracija
- notranji
- v
- Predstavitev
- inventar
- IT
- Italija
- Izdelkov
- ITS
- Job
- Delovna mesta
- pridružil
- jpg
- vodi
- učenje
- Led
- Stopnja
- kot
- obremenitve
- ljubi
- stroj
- strojno učenje
- Glavne
- v glavnem
- vzdrževanje
- IZDELA
- Izdelava
- upravlja
- upravitelj
- več
- Trženje
- poveljnika
- matematični
- matematika
- pomeni
- pomenilo
- Srečati
- omenjeno
- metapodatki
- Metode
- mikro storitve
- ML
- Model
- modeli
- mesecev
- več
- Najbolj
- veliko
- morajo
- potrebno
- Nizozemska
- mreža
- omrežij
- nevronska mreža
- nevronske mreže
- Novo
- Naslednja
- pridobi
- of
- on
- ONE
- v teku
- open source
- deluje
- deluje
- Delovanje
- optimizacija
- Optimizirajte
- optimizacijo
- or
- orkestrirana
- Da
- Ostalo
- naši
- ven
- oris
- Izboljšati
- več
- lastne
- vzporedno
- parametri
- strastno
- ljudje
- odstotkov
- odstotek
- Izvedite
- performance
- personalizacija
- slika
- Pionir
- plinovod
- načrtovanje
- Platforme
- platon
- Platonova podatkovna inteligenca
- PlatoData
- plus
- Portugalska
- Prispevek
- napovedati
- napovedano
- Napovedi
- Pripravlja
- priprava
- prej
- Težave
- Postopek
- Procesi
- obravnavati
- proizvodnjo
- Proizvedeno
- Izdelek
- proizvodnja
- Izdelki
- Projekt
- projekti
- predlog
- lastniško
- zagotavljajo
- hitro
- območje
- v realnem času
- podatki v realnem času
- prejetih
- recesija
- Priporočilo
- zmanjša
- zmanjšanje odpadkov
- povezane
- Razmerje
- pomembno
- zanesljiv
- Raziskave
- Odgovornost
- odgovorna
- Rezultati
- prihodki
- revolucionirala
- tek
- prodaja
- Enako
- Prilagodljivost
- razširljive
- Lestvica
- luske
- scenariji
- urnik
- Znanost
- Znanstvenik
- Iskalnik
- iskalnik
- drugi
- glej
- izbran
- višji
- ločena
- Serija
- služijo
- Storitev
- Storitve
- nastavite
- je
- Razstave
- pomemben
- bistveno
- Enostavno
- saj
- SIX
- prigrizki
- So
- Software
- Razvoj programske opreme
- Rešitev
- rešitve
- SOLVE
- Španija
- specializacijo
- govor
- Osebje
- Začetek
- začel
- začne
- Države
- Statistično
- Korak
- zaloge
- shranjevanje
- shranjeni
- Strategija
- pretakanje
- uspeh
- taka
- primerna
- dobavi
- dobavne verige
- Podpora
- sistem
- ciljna
- poučevanje
- skupina
- tech
- Tehnično podjetje
- Tehnologije
- Pogoji
- Testiranje
- kot
- da
- O
- Nizozemska
- UK
- njihove
- Njih
- POTEM
- Tukaj.
- zato
- te
- jih
- ta
- tisti,
- skozi
- čas
- Časovne serije
- krat
- do
- danes
- skupaj
- tradicionalna
- usposabljanje
- vlaki
- Trends
- sprožilo
- sproži
- Turčija
- dva
- Uk
- Konec koncev
- pod
- razumeli
- edinstven
- Velika
- Združene države Amerike
- univerza
- us
- uporaba
- primeru uporabe
- Rabljeni
- uporabo
- vertikale
- zelo
- preko
- obisk
- vizualizacija
- hodil
- je
- Odpadki
- we
- web
- spletne storitve
- teden
- Dobro
- kdaj
- ki
- katerih
- široka
- Širok spekter
- z
- brez
- delal
- delovnih tokov
- deluje
- deluje
- pisni
- let
- Vi
- Vaša rutina za
- zefirnet