Amazon Forecast'i perakende sektöründe uygulama: POC'den üretime bir yolculuk

Amazon Tahmini son derece doğru zaman serisi tahminleri sunmak için istatistiksel ve makine öğrenimi (ML) algoritmalarını kullanan, tam olarak yönetilen bir hizmettir. Kısa bir süre önce, Amazon Forecast'e dayalı olarak, perakende müşterilerimizden birinin 8 hafta içinde doğru talep tahmini yapmasına yardımcı olduk. Çözüm, manuel tahminde ortalama %10 iyileşme sağladı. WAPE metrik. Bu, aylık 16 işçilik saati doğrudan tasarruf sağlar. Ayrıca, doğru sayıda ürün gönderildiğinde satışların %11.8'e kadar artabileceğini tahmin ettik. Bu gönderide, perakende sektöründeki zorluklara odaklanan Amazon Forecast ile bir talep tahmin sistemi olan kavram kanıtından (POC) üretime kadar iş akışını ve uygulanması gereken kritik unsurları sunuyoruz.

Perakende sektöründe talep tahmininin arka planı ve mevcut zorlukları

Talep tahmininin amacı, geçmiş verilerden gelecekteki talebi tahmin etmek ve depo yenileme ve kapasite tahsisine yardımcı olmaktır. Talep tahmini ile perakendeciler, talebi karşılamak için ağlarındaki her bir lokasyonda doğru miktarda envanteri konumlandırabilir. Bu nedenle, doğru bir tahmin sistemi, farklı iş fonksiyonlarında çok çeşitli faydalar sağlayabilir, örneğin:

• Daha iyi ürün mevcudiyeti sayesinde satışları artırmak ve mağazalar arası transfer israfını azaltmak
• Kapasite kullanımını iyileştirmek ve kapasite sağlamadaki darboğazları proaktif olarak önlemek için daha güvenilir içgörü sağlamak
• Envanter ve üretim maliyetlerini en aza indirme ve envanter devrini iyileştirme
• Genel olarak daha iyi bir müşteri deneyimi sunmak

Makine öğrenimi teknikleri, büyük miktarda kaliteli veri bulunduğunda büyük değer gösterir. Bugün, deneyime dayalı ikmal yönetimi veya talep tahmini, çoğu perakendeci için hala ana akımdır. Müşteri deneyimini iyileştirme hedefiyle, giderek daha fazla perakendeci, deneyime dayalı talep tahmin sistemlerini makine öğrenimi tabanlı tahminlerle değiştirmeye istekli. Ancak perakendeciler, makine öğrenimi tabanlı talep tahmin sistemlerini üretime uygularken birçok zorlukla karşılaşır. Farklı zorlukları üç kategoride özetliyoruz: veri zorlukları, makine öğrenimi zorlukları ve operasyonel zorluklar.

Veri zorlukları

Büyük miktarda temiz, kaliteli veri, makine öğrenimine dayalı doğru tahminleri yürütmek için temel bir gerekliliktir. Geçmiş satışlar ve satışla ilgili veriler (envanter, ürün fiyatlandırması ve promosyonlar gibi) dahil olmak üzere kalite verilerinin toplanması ve birleştirilmesi gerekir. Birden çok kaynaktan gelen verilerin çeşitliliği, veri silolarını birleştirmek için modern bir veri platformu gerektirir. Ayrıca, sık ve ayrıntılı talep tahminleri için verilere zamanında erişim gereklidir.

makine öğrenimi zorlukları

Gelişmiş makine öğrenimi algoritmaları geliştirmek uzmanlık gerektirir. Doğru problem için doğru algoritmaları uygulamak, hem derinlemesine alan bilgisi hem de makine öğrenimi yetkinlikleri gerektirir. Ek olarak, büyük kullanılabilir veri kümelerinden öğrenmek, ölçeklenebilir bir makine öğrenimi altyapısı gerektirir. Ayrıca, üretimde makine öğrenimi algoritmalarının sürdürülmesi, model bozulmasının temel nedenini analiz etmek ve modeli doğru şekilde yeniden eğitmek için makine öğrenimi yeterliliklerini gerektirir.

Pratik iş problemlerini çözmek için doğru tahminler üretmek hikayenin sadece bir parçasıdır. Karar vericiler, önemli müşteri deneyimi ve finansal sonuçlar arasında değiş tokuş kararları vermek için farklı niceliklerdeki olasılıksal tahminlere ihtiyaç duyar. Ayrıca paydaşlara tahminleri açıklamaları ve farklı senaryoların tahmin sonuçlarını nasıl etkileyebileceğini araştırmak için ne olursa olsun analizleri gerçekleştirmeleri gerekir.

Operasyonel zorluklar

Uygun maliyetli bir tahmin sistemini sürdürmek için operasyonel çabayı azaltmak, üçüncü temel zorluktur. Yaygın bir talep tahmini senaryosunda, her lokasyondaki her kalemin kendi tahmini vardır. Yüzbinlerce tahmini her an yönetebilen bir sistem gerekiyor. Buna ek olarak, işletme son kullanıcılarının, mevcut araçları ve süreçleri değiştirmeden makine öğrenimi tabanlı sistemleri kullanabilmeleri için tahmin sisteminin mevcut tedarik zinciri yönetimi platformları gibi mevcut alt sistemlere entegre edilmesi gerekir.

Bu zorluklar, iş büyük, dinamik ve büyümekte olduğunda özellikle şiddetlidir. Bu zorlukların üstesinden gelmek için, potansiyel iş kazancını hızla doğrulama çabalarını azaltan bir müşteri başarı öyküsünü paylaşıyoruz. Bu, temel altyapı kaynaklarını ve algoritmaları yönetmeye gerek kalmadan doğru tahmin sonuçları sağlayan, tam olarak yönetilen bir hizmet olan Amazon Forecast ile prototip oluşturma yoluyla elde edilir.

Amazon Forecast ile makine öğrenimi tabanlı bir tahmin sistemi için hızlı prototip oluşturma

Deneyimlerimize dayanarak, perakende müşterilerin satış verileri üzerinde bir konsept kanıtı başlatmaya istekli olduklarını sıklıkla görüyoruz. Bu, veri karmaşıklığına ve model ayarlama sürecinde yinelenecek mevcut kaynaklara bağlı olarak, hızlı prototipleme için birkaç günden birkaç haftaya kadar bir aralıkta yapılabilir. Prototip oluşturma sırasında, süreci etkili bir şekilde yönetmek için sprint'leri kullanmanızı ve POC'yi veri keşfi, yinelemeli iyileştirme ve otomasyon aşamalarına ayırmanızı öneririz.

Veri keşfi

Veri keşfi, geçmiş satış veri kümesini ve envanter ve geçmiş promosyon olayları gibi tahmin sonuçlarını potansiyel olarak etkileyebilecek mevcut veri kaynaklarını tanımak için genellikle veri bilimcileri veya iş zekası analistleri ile yoğun tartışmaları içerir. En verimli yollardan biri, projenin erken aşamasında veri ambarından satış verilerini hedef veri kümesi olarak konsolide etmektir. Bu, tahmin sonuçlarına genellikle hedef veri kümesi modellerinin hakim olduğu gerçeğine dayanmaktadır. Veri ambarları genellikle günlük iş verilerini depolar ve kısa bir süre içinde kapsamlı bir anlayış zor ve zaman alıcıdır. Önerimiz, hedef veri setini oluşturmaya odaklanmak ve bu veri setinin doğru olduğundan emin olmaktır. Bu veri keşfi ve temel sonuçlar genellikle birkaç gün içinde elde edilebilir ve bu, hedef verilerin doğru bir şekilde tahmin edilip edilemeyeceğini belirleyebilir. Veri tahmin edilebilirliğini bu yazının ilerleyen kısımlarında tartışacağız.

tekrarlama

Temel sonuçları aldıktan sonra, bunların doğruluğu nasıl etkileyebileceğini görmek için daha fazla ilgili veri eklemeye devam edebiliriz. Bu genellikle ek veri kümelerinin derinlemesine incelenmesi yoluyla yapılır; daha fazla bilgi için bkz. İlgili Zaman Serisi Veri Kümelerini Kullanma ve Öğe Meta Verisi Veri Kümelerini Kullanma.

Bazı durumlarda, modelleri veri kümesinin benzer şekilde davranan alt kümeleriyle eğiterek veya seyrek verileri veri kümesinden kaldırarak Amazon Forecast'teki doğruluğu artırmak mümkün olabilir. Bu yinelemeli iyileştirme aşaması sırasında, tüm makine öğrenimi projeleri için geçerli olan zorlu kısım, mevcut yinelemenin önceki yinelemenin temel bulgularına ve içgörülerine bağlı olmasıdır, bu nedenle titiz analiz ve raporlama başarının anahtarıdır.

Analiz kantitatif ve ampirik olarak yapılabilir. Kantitatif yön, geriye dönük test sırasındaki değerlendirmeyi ve doğruluk metriğini karşılaştırmayı ifade eder, örneğin: WAPE. Ampirik yön, tahmin eğrisini ve gerçek hedef verileri görselleştirmeyi ve potansiyel faktörleri dahil etmek için alan bilgisini kullanmayı ifade eder. Bu analizler, tahmin edilen sonuçlar ile hedef veriler arasındaki boşluğu kapatmak için daha hızlı yineleme yapmanıza yardımcı olur. Buna ek olarak, bu tür sonuçların haftalık bir rapor aracılığıyla sunulması, genellikle işletme son kullanıcılarına güven sağlayabilir.

Otomasyon

Son adım genellikle POC'nin üretim prosedürü ve otomasyona kadar tartışılmasını içerir. Makine öğrenimi projesi toplam proje süresiyle sınırlı olduğundan, her olasılığı keşfetmek için yeterli zamanımız olmayabilir. Bu nedenle, proje sırasında bulgular boyunca potansiyel alanı belirtmek çoğu zaman güven kazanabilir. Ek olarak, otomasyon, iş son kullanıcılarının Tahmini daha uzun bir süre için değerlendirmesine yardımcı olabilir, çünkü onlar güncellenmiş verilerle tahminler oluşturmak için mevcut bir öngörücüyü kullanabilirler.

Başarı kriterleri, hem teknik hem de iş açısından oluşturulan sonuçlarla değerlendirilebilir. Değerlendirme süresi boyunca, aşağıdakiler için potansiyel faydaları tahmin edebiliriz:

• Tahmin doğruluğunu artırma (teknik) – Fiili satış verilerine göre tahmin doğruluğunu hesaplayın ve manuel tahminler de dahil olmak üzere mevcut tahmin sistemiyle karşılaştırın
• İsrafı azaltmak (iş) – İsrafı azaltmak için fazla tahmin yapmayı azaltın
• Stok oranlarını iyileştirme (iş) – Stok oranlarını iyileştirmek için eksik tahminleri azaltın
• Brüt kar artışının tahmin edilmesi (işletme) – Brüt karı artırmak için israfı azaltın ve stok oranlarını iyileştirin

Geliştirme iş akışını aşağıdaki şemada özetliyoruz.

Aşağıdaki bölümlerde, uygulama sırasında dikkate alınması gereken önemli unsurları tartışacağız.

Bir tahmin sistemi geliştirmek için adım adım iş akışı

Hedef veri kümesi oluşturma

İlk adım, Tahmin için hedef veri kümesini oluşturmaktır. Perakende sektöründe bu, perakende ürünler (SKU'lar) için geçmiş zaman serisi talep ve satış verilerini ifade eder. Veri kümesini hazırlarken önemli bir husus ayrıntı düzeyidir. Veri ayrıntı düzeyini hem iş gereksinimlerinden hem de teknik gereksinimlerden dikkate almalıyız.

İşletme, tahminin üretim sisteminde nasıl sonuçlanacağını tanımlar:

• Horizon – Tahmin edilen zaman adımlarının sayısı. Bu, altta yatan iş sorununa bağlıdır. Stok seviyesini her hafta yeniden doldurmak istiyorsak, haftalık tahmin veya günlük tahmin uygun görünüyor.
• Granülerlik – Tahminlerinizin ayrıntı düzeyi: günlük veya haftalık gibi zaman sıklığı, farklı mağaza konumları ve aynı öğenin farklı boyutları. Sonuç olarak tahmin, her bir mağaza SKU'sunun günlük veri noktalarıyla bir kombinasyonu olabilir.

İş gereksinimine öncelik vermek için yukarıda bahsedilen tahmin ufku ve ayrıntı düzeyi tanımlanması gerekse de, gereksinimler ve fizibilite arasında ödün vermemiz gerekebilir. Ayakkabı işini bir örnek olarak ele alalım. Her mağaza düzeyinde her bir ayakkabı numarasının satışını tahmin etmek istiyorsak, veriler kısa sürede seyrekleşir ve kalıbı bulmak zorlaşır. Ancak stoğu yeniden doldurmak için bu ayrıntı düzeyini tahmin etmemiz gerekir. Bunu yapmak için alternatif çözümler, farklı ayakkabı boyutları arasında bir oran tahmin etmeyi ve bu oranı ayrıntılı sonuçları hesaplamak için kullanmayı gerektirebilir.

Genellikle iş gereksinimi ile öğrenilebilen ve tahmin için kullanılabilen veri modelini dengelememiz gerekir. Veri modellerinin niceliksel bir niteliğini sağlamak için, veri öngörülebilirliğini kullanmayı öneriyoruz.

Veri öngörülebilirliği ve veri modeli sınıflandırması

Hedef veri kümesinden toplayabileceğimiz en önemli içgörülerden biri, onun kaliteli tahminler üretme yeteneğidir. Bu, ML projesinin çok erken bir aşamasında analiz edilebilir. Veriler mevsimselliği, eğilimleri ve döngüsel kalıpları gösterdiğinde tahmin parlar.

Öngörülebilirliği belirlemek için iki ana katsayı vardır: talep zamanlamasındaki değişkenlik ve talep miktarındaki değişkenlik. Talep zamanlamasındaki değişkenlik, iki talep durumu arasındaki aralık anlamına gelir ve zaman içindeki talep düzenliliğini ölçer. Talep miktarındaki değişkenlik, miktarlardaki değişiklik anlamına gelir. Aşağıdaki şekil bazı farklı kalıpları göstermektedir. Tahminin doğruluğu büyük ölçüde ürünün tahmin edilebilirliğine bağlıdır. Daha fazla bilgi için bkz. Talep sınıflandırması: tahmin edilebilirlik neden önemlidir?.

Bu öngörülebilirlik analizinin her ayrıntılı öğe (örneğin, SKU-Mağaza-Renk-Boyutu) için olduğunu belirtmekte fayda var. Bir talep tahmini üretim sisteminde, farklı kalemlerin farklı kalıpları takip etmesi oldukça yaygındır. Bu nedenle, farklı veri modellerini takip eden öğeleri ayırmak önemlidir. Tipik bir örnek, hızlı hareket eden ve yavaş hareket eden öğelerdir; başka bir örnek, yoğun ve seyrek veriler olabilir. Ek olarak, ince taneli bir öğenin yumrulu bir desen verme şansı daha yüksektir. Örneğin, bir giyim mağazasında, popüler bir ürünün satışı günlük olarak oldukça sorunsuz olabilir, ancak ürünün satışını her renk ve beden için daha da ayırırsak, kısa sürede seyrekleşir. Bu nedenle, ayrıntı düzeyinin SKU-Store-Color-Size'den SKU-Store'a düşürülmesi, veri modelini topludan düzgüne veya tam tersi şekilde değiştirebilir.

Ayrıca, tüm kalemler satışa eşit şekilde katkıda bulunmaz. Öğe katkısının genellikle, satışların çoğuna en iyi öğelerin katkıda bulunduğu Pareto dağılımını takip ettiğini gözlemledik. Bu en iyi ürünlerin satışları genellikle sorunsuzdur. Daha düşük satış kaydına sahip ürünler genellikle topaklı ve düzensizdir ve bu nedenle tahmin edilmesi zordur. Bu öğeleri eklemek, aslında en çok satılan öğelerin doğruluğunu azaltabilir. Bu gözlemlere dayanarak, kalemleri farklı gruplara ayırabilir, Tahmin modelini en çok satılan kalemler üzerinde eğitebilir ve düşük satış kalemlerini köşe vakaları olarak ele alabiliriz.

Veri zenginleştirme ve ek veri seti seçimi

Tahmin sonuçlarının performansını iyileştirmek için ek veri kümeleri kullanmak istediğimizde, şuna güvenebiliriz: zaman serisi veri kümeleri ve meta veri veri kümeleri. Perakende alanında, sezgi ve alan bilgisine dayalı olarak envanter, fiyat, promosyon, kış veya yaz mevsimleri gibi özellikler ilgili zaman serisi olarak içe aktarılabilir. Özelliklerin kullanışlılığını belirlemenin en basit yolu, özelliğin önemidir. Tahminde bu, açıklanabilirlik analizi ile yapılır. Tahmin etmek Tahminci Açıklanabilirliği veri kümelerindeki özniteliklerin hedef için tahminleri nasıl etkilediğini daha iyi anlamamıza yardımcı olur. Tahmin, her bir özelliğin göreli etkisini ölçmek ve tahmin değerlerini artırıp artırmadıklarını belirlemek için etki puanları adı verilen bir metrik kullanır. Bir veya daha fazla özelliğin etki puanı sıfırsa, bu özelliklerin tahmin değerleri üzerinde önemli bir etkisi yoktur. Bu şekilde, daha az etkiye sahip özellikleri hızla kaldırabilir ve potansiyel olanları yinelemeli olarak ekleyebiliriz. Etki puanlarının, diğer tüm özelliklerin etki puanlarıyla birlikte normalize edilen özelliklerin göreli etkisini ölçtüğüne dikkat etmek önemlidir.

Tüm makine öğrenimi projelerinde olduğu gibi, ek özelliklerle doğruluğu artırmak yinelemeli deneyler gerektirir. Artımlı değişikliklerin model doğruluğu üzerindeki etkisini gözlemlerken birden çok veri kümesi kombinasyonunu denemeniz gerekir. Forecast konsolu aracılığıyla veya Tahmin API'leri içeren Python not defterleri. Ek olarak, AWS CloudFormationAWS'yi dağıtan , yaygın kullanım durumları için hazır çözümler sağladı (örneğin, Makine Öğrenimi çözümüyle Tahmin Doğruluğunu İyileştirme). Tahmin, veri kümesini otomatik olarak ayırır ve tahmin edicileri değerlendirmek için doğruluk ölçümleri üretir. Daha fazla bilgi için, bkz Tahmin Doğruluğunun Değerlendirilmesi. Bu, veri bilimcilerin en iyi performans gösteren modeli elde etmek için daha hızlı yineleme yapmasına yardımcı olur.

Gelişmiş iyileştirme ve köşe kasaları işleme

Tahmin algoritmalarının verilerden mevsimselliği, trendleri ve döngüsel özellikleri öğrenebileceğinden bahsetmiştik. Bu özelliklere ve uygun veri yoğunluğuna ve hacmine sahip öğeler için, tahminler oluşturmak için Forecast'i kullanabiliriz. Ancak, özellikle veri hacminin küçük olduğu toplu veri modelleriyle karşılaştığımızda, bunları bir kural kümesine dayalı ampirik tahminde olduğu gibi farklı şekilde ele almamız gerekebilir.

Yoğun SKU'lar için, modelleri zaman serisi veri kümesinin benzer şekilde davranan alt kümeleriyle eğiterek Tahmin doğruluğunu daha da iyileştiriyoruz. Kullandığımız alt küme ayırma stratejileri, iş mantığı, ürün tipi, veri yoğunluğu ve algoritma tarafından öğrenilen kalıplardır. Alt kümeler oluşturulduktan sonra, farklı alt kümeler için birden fazla Tahmin modeli eğitebiliriz. Böyle bir örnek için bkz. Amazon Forecast ile kullanım için küme zaman serisi verileri.

Üretime doğru: Veri kümesini güncelleme, izleme ve yeniden eğitim

Aşağıdaki diyagramda gösterildiği gibi, Forecast ile örnek bir mimariyi keşfedelim. Bir son kullanıcı, üzerinde yeni bir veri kümesini her birleştirdiğinde Amazon Basit Depolama Hizmeti (Amazon S3), tetikler AWS Basamak İşlevleri veri kümesi içe aktarma işi oluşturma, bir otomatik tahmin oluşturucu oluşturma ve tahminler oluşturma dahil olmak üzere farklı bileşenleri düzenlemek için. Tahmin sonuçları oluşturulduktan sonra, Dışa Aktarma Tahmini Oluştur adımı bunları sonraki tüketiciler için Amazon S3'e aktarır. Bu otomatik ardışık düzenin nasıl sağlanacağı hakkında daha fazla bilgi için bkz. AWS CloudFormation ile Otomatikleştirme. Veri kümelerini bir S3 grubuna otomatik olarak dağıtmak ve bir Tahmin işlem hattını tetiklemek için bir CloudFormation yığını kullanır. Kendi veri kümelerinizle tahminler oluşturmak için aynı otomasyon yığınını kullanabilirsiniz.

Son eğilimleri tahmin sistemine dahil etmenin iki yolu vardır: verileri güncellemek veya tahminciyi yeniden eğitmek.

Son trendleri yansıtan güncellenmiş verilerle tahmin oluşturmak için, güncellenmiş girdi verisi dosyasını bir S3 klasörüne yüklemeniz gerekir (güncellenen girdi verileri yine de tüm mevcut verilerinizi içermelidir). Tahmin, güncellenmiş bir veri kümesini içe aktardığınızda bir tahmin ediciyi otomatik olarak yeniden eğitmez. Yapabilirsiniz tahminler oluşturmak genelde yaptığın gibi Tahmin, güncellenmiş giriş verilerinde son günden başlayarak tahmin ufkunu tahmin eder. Bu nedenle, son trendler, Forecast tarafından üretilen tüm yeni çıkarımlara dahil edilir.

Ancak, öngörücünüzün yeni verilerden yola çıkarak eğitilmesini istiyorsanız, yeni bir öngörücü oluşturmanız gerekir. Veri kalıpları (mevsimsellik, eğilimler veya döngüler) değiştiğinde modeli yeniden eğitmeniz gerekebilir. belirtildiği gibi Amazon Forecast ile tahminci doğruluğunu sürekli olarak izleyin, bir öngörücünün performansı, ekonomik ortamdaki veya tüketici davranışındaki değişiklikler gibi faktörler nedeniyle zaman içinde dalgalanacaktır. Bu nedenle, tahmin edicinin yeniden eğitilmesi veya yüksek doğrulukta tahminlerin yapılmaya devam edilmesini sağlamak için yeni bir tahmin edicinin oluşturulması gerekebilir. Yardımıyla öngörücü izleme, Forecast, tahmin edicilerinizin kalitesini takip ederek operasyonel çabaları azaltmanıza olanak tanırken tahmin edicilerinizi tutma, yeniden eğitme veya yeniden oluşturma konusunda daha bilinçli kararlar almanıza yardımcı olur.

Sonuç

Amazon Forecast, makine öğrenimine dayalı ve iş ölçüm analizi için oluşturulmuş bir zaman serisi tahmin hizmetidir. Geçmiş satışları ve envanter, promosyonlar veya sezon gibi diğer ilgili bilgileri birleştirerek talep tahmini tahminini yüksek doğrulukla entegre edebiliriz. 8 hafta içinde, perakende müşterilerimizden birinin doğru talep tahmini elde etmesine yardımcı olduk—manuel tahmine kıyasla %10 gelişme. Bu, aylık 16 iş saati doğrudan tasarruf sağlar ve tahmini satışlar %11.8'e kadar artar.

Bu gönderi, tahmin projenizi kavram kanıtlama aşamasından üretim aşamasına getirmeye yönelik yaygın uygulamaları paylaştı. ile şimdi başlayın Amazon Tahmini İşletmeniz için son derece doğru tahminler elde etmek için.

---

Yazarlar Hakkında

Yanwei Cui, PhD, AWS'de Makine Öğrenimi Uzmanı Çözümler Mimarıdır. IRISA'da (Bilgisayar Bilimi ve Rastgele Sistemler Araştırma Enstitüsü) makine öğrenimi araştırmasına başladı ve bilgisayarla görme, doğal dil işleme ve çevrimiçi kullanıcı davranışı tahmini alanlarında yapay zeka destekli endüstriyel uygulamalar oluşturma konusunda birkaç yıllık deneyime sahiptir. AWS'de alan uzmanlığını paylaşıyor ve müşterilerin iş potansiyellerini ortaya çıkarmalarına ve geniş ölçekte makine öğrenimi ile eyleme dönüştürülebilir sonuçlar elde etmelerine yardımcı oluyor. İş dışında kitap okumayı ve seyahat etmeyi sever.

Gordon Wang Amazon Web Services Profesyonel Hizmetler ekibinde Kıdemli Veri Bilimcisidir. Medya, imalat, enerji, perakende ve sağlık hizmetleri dahil olmak üzere birçok sektördeki müşterileri desteklemektedir. Bilgisayar görüşü, derin öğrenme ve MLOps konusunda tutkulu. Boş zamanlarında koşmayı ve yürüyüş yapmayı sever.