Bu, Nafi Ahmet Turgut, Mehmet İkbal Özmen, Hasan Burak Yel, Fatma Nur Dumlupınar Keşir, Mutlu Polatcan ve Getir'den Emre Uzel'in ortak yazdığı bir konuk yazısıdır.
getir ultra hızlı market teslimatının öncüsüdür. Teknoloji şirketi, marketten dakikalar içinde teslimat teklifiyle son kilometre teslimatında devrim yarattı. Getir 2015 yılında kurulmuş olup Türkiye, İngiltere, Hollanda, Almanya ve Amerika Birleşik Devletleri'nde faaliyet göstermektedir. Bugün Getir, aynı marka altında dokuz sektörü bünyesinde barındıran bir holdingtir.
Bu yazıda lokasyona özel talep tahmini ile başlayan, ardından kurye iş gücü planlaması ve vardiya ataması ile devam eden uçtan uca iş gücü yönetim sistemini açıklıyoruz. Amazon Tahmini ve AWS Basamak İşlevleri.
Geçmişte operasyonel ekipler manuel iş gücü yönetimi uygulamalarıyla meşguldü ve bu da önemli miktarda zaman ve çaba kaybına neden oluyordu. Ancak kapsamlı uçtan uca iş gücü yönetimi projemizin uygulanmasıyla artık depolar için gerekli kurye planlarını web arayüzü üzerinden erişilebilen basitleştirilmiş, tek tıklamayla verimli bir şekilde oluşturabiliyorlar. Bu projenin başlatılmasından önce iş ekipleri, hassasiyet açısından iyileştirme gerektiren talep tahmini için daha sezgisel yöntemlere güveniyordu.
Amazon Tahmini son derece doğru zaman serisi tahminleri sunmak için makine öğrenimi (ML) algoritmalarını kullanan, tümüyle yönetilen bir hizmettir. Bu yazıda Amazon Forecast'i kullanarak özellik mühendisliği ve modelleme yaparak modelleme süresini nasıl %70 oranında azalttığımızı açıklıyoruz. kullanarak tüm depolar için planlama algoritmaları çalıştırırken geçen sürede %90 azalma elde ettik. AWS Basamak İşlevleriDağıtılmış uygulamaların ve mikro hizmetlerin bileşenlerini görsel iş akışlarını kullanarak koordine etmeyi kolaylaştıran, tam olarak yönetilen bir hizmettir. Bu çözüm aynı zamanda Türkiye ve birçok Avrupa ülkesinde tahmin doğruluğunda da %90'lık bir iyileşme sağladı.
Çözüme genel bakış
Uçtan Uca İşgücü Yönetimi Projesi (E2E Projesi) büyük ölçekli bir proje olup üç başlıkta açıklanabilir:
1. Kurye gereksinimlerinin hesaplanması
İlk adım, Algoritma seçimi bölümünde açıklandığı gibi her depo için saatlik talebi tahmin etmektir. Amazon Forecast ile oluşturulan bu tahminler, her deponun ne zaman ve kaç kuryeye ihtiyaç duyacağını belirlemeye yardımcı olur.
Depolardaki kuryelerin iş hacmi oranına göre her depo için ihtiyaç duyulan kurye sayısı saatlik aralıklarla hesaplanır. Bu hesaplamalar, matematiksel modellemeyi de içeren yasal çalışma saatleri dikkate alınarak uygun kurye sayılarının belirlenmesine yardımcı olur.
2. Vardiya Atama Probleminin Çözülmesi
Kurye ihtiyaçlarını belirledikten ve kuryelerin ve depoların diğer kısıtlamalarını öğrendikten sonra vardiya atama problemini çözebiliriz. Sorun, atanacak kuryelerin belirlenmesi ve vardiya programlarının oluşturulması, siparişlerin kaçırılmasına neden olabilecek fazlalık ve eksikliklerin en aza indirilmesi için karar değişkenleri ile modellenmiştir. Bu genellikle bir karma tamsayılı programlama (MIP) sorunudur.
3. AWS Step İşlevlerini Kullanma
İşleri paralel olarak yürütme yeteneği sayesinde iş akışlarını koordine etmek ve yönetmek için AWS Step Functions'ı kullanıyoruz. Her deponun vardiya atama süreci ayrı bir iş akışı olarak tanımlanır. AWS Step Functions, hata işlemeyi basitleştirerek bu iş akışlarını otomatik olarak başlatır ve izler.
Bu süreç kapsamlı veriler ve karmaşık hesaplamalar gerektirdiğinden AWS Step Functions gibi hizmetler, görevlerin düzenlenmesi ve optimize edilmesinde önemli bir avantaj sunar. Daha iyi kontrol ve verimli kaynak yönetimi sağlar.
Çözüm mimarisinde diğer AWS hizmetlerini de AWS Step Functions'a entegre ederek yararlanıyoruz:
Aşağıdaki şemalarda AWS Step Functions iş akışları ve geçiş aracının mimarisi gösterilmektedir:
Algoritma seçimi
E2E projesinin ilk aşamasını lokasyonsal talebin tahmin edilmesi oluşturuyor. E2E'nin genel amacı, o depoya olan talebin tahmin edilmesinden başlayarak, belirli bir depoya tahsis edilecek kurye sayısını belirlemektir.
Sonraki aşamalar bu tahmin sonuçlarına dayandığından, bu tahmin bileşeni E2E çerçevesinde çok önemlidir. Bu nedenle, herhangi bir tahmin yanlışlığı tüm projenin etkinliğini olumsuz yönde etkileyebilir.
Lokasyonsal talep tahmini aşamasının amacı, önümüzdeki iki hafta boyunca saatlik olarak bölümlere ayrılan her depo için ülkeye özgü tahminler oluşturmaktır. Başlangıçta, her ülke için günlük tahminler ML modelleri aracılığıyla formüle edilir. Bu günlük tahminler daha sonra aşağıdaki grafikte gösterildiği gibi saatlik bölümlere bölünür. Geçmiş işlemsel talep verileri, lokasyon bazlı hava durumu bilgileri, tatil tarihleri, promosyonlar ve pazarlama kampanyası verileri, aşağıdaki grafikte gösterildiği gibi modelde kullanılan özelliklerdir.
Ekip başlangıçta açık kaynak gibi geleneksel tahmin tekniklerini araştırdı. SARIMA (Mevsimsel Otomatik Gerileyen Entegre Hareketli Ortalama), ARIMAX (Dışsal değişkenler kullanılarak Otomatik Gerileyen Entegre Hareketli Ortalama) ve Üstel Düzeltme.
ARIMA (Otomatik Regresyonlu Entegre Hareketli Ortalama), zaman serisini durağan hale getirmek için otoregresif (AR) ve hareketli ortalama (MA) bileşenlerini fark almayla birleştiren bir zaman serisi tahmin yöntemidir.
SARIMA, zaman serisindeki mevsimselliği hesaba katacak ek parametreler ekleyerek ARIMA'yı genişletir. Belirli aralıklarla yinelenen kalıpları yakalamak için mevsimsel otomatik regresif ve mevsimsel hareketli ortalama terimlerini içerir, bu da onu mevsimsel bileşenli zaman serileri için uygun hale getirir.
ARIMAX, zaman serisini etkileyebilecek dış faktörler olan dışsal değişkenleri tanıtarak ARIMA'yı temel alır. Bu ek değişkenler, zaman serisinin tarihsel değerlerinin ötesindeki dış etkileri hesaba katarak tahmin doğruluğunu artırmak için modelde dikkate alınır.
Üstel Düzeltme, ARIMA'dan farklı olarak geçmiş gözlemlerin ağırlıklı ortalamalarına dayanan başka bir zaman serisi tahmin yöntemidir. Özellikle verilerdeki eğilimleri ve mevsimselliği yakalamak için etkilidir. Yöntem, geçmiş gözlemlere katlanarak azalan ağırlıklar atar ve daha yeni gözlemler daha yüksek ağırlıklar alır.
Sonunda algoritmik modelleme segmenti için Amazon Forecast modelleri seçildi. AWS Forecast'in sunduğu geniş model yelpazesi ve gelişmiş özellik mühendisliği özelliklerinin daha avantajlı olduğu ortaya çıktı ve kaynak kullanımımızı optimize etti.
Tahmin'de bulunan altı algoritma test edildi: Evrişimli Sinir Ağı – Kantil Regresyon (CNN-QR), Derin AR+, Peygamber, Parametrik Olmayan Zaman Serileri (NPTS), Otoregresif Entegre Hareketli Ortalama (ARIMA) ve Üstel Yumuşatma (ETS). Tahmin sonuçlarının analizi sonucunda CNN-QR'ın etkinlik açısından diğerlerini geride bıraktığını tespit ettik. CNN-QR, nedensel Evrişimli Sinir Ağlarını (CNN'ler) kullanarak skaler (tek boyutlu) zaman serilerini tahmin etmek için Amazon tarafından geliştirilen özel bir makine öğrenimi algoritmasıdır. Bu noktada çeşitli veri kaynaklarının mevcudiyeti göz önüne alındığında, CNN-QR algoritmasının kullanılması, denetimli bir öğrenme çerçevesinde çalışan çeşitli özelliklerin entegrasyonunu kolaylaştırdı. Bu ayrım, onu tek değişkenli zaman serisi tahmin modellerinden ayırdı ve performansı önemli ölçüde artırdı.
Tahmini kullanmanın, gerekli verileri sağlamanın ve tahmin süresini belirlemenin basitliği nedeniyle etkili olduğu kanıtlandı. Daha sonra Tahmin, tahminler oluşturmak için CNN-QR algoritmasını kullanır. Bu araç, özellikle algoritmik modellemede ekibimiz için süreci önemli ölçüde hızlandırdı. Ayrıca, yararlanılan Amazon Basit Depolama Hizmeti Giriş verileri depoları için (Amazon S3) klasörleri ve sonuçları depolamak için Amazon Redshift, tüm prosedürün merkezi yönetimini kolaylaştırdı.
Sonuç
Bu yazıda size Getir'in E2E projesinin, Amazon Forecast ve AWS Step Functions hizmetlerini birleştirmenin karmaşık süreçleri etkili bir şekilde nasıl kolaylaştırdığını nasıl gösterdiğini gösterdik. Avrupa ve Türkiye'deki ülkeler genelinde %90 civarında etkileyici bir tahmin doğruluğu elde ettik ve Forecast'i kullanmak, özellik mühendisliği ve modellemeyi verimli bir şekilde ele alması nedeniyle modelleme süresini %70 oranında azalttı.
AWS Step Functions hizmetini kullanmak, özellikle planlama süresini tüm depolar için %90 oranında azaltarak pratik avantajlar sağladı. Ayrıca saha ihtiyaçlarını dikkate alarak uyumluluk oranlarını %3 artırarak iş gücünün daha verimli tahsis edilmesine yardımcı olduk. Bu da projenin operasyonları ve hizmet sunumunu optimize etmedeki başarısını vurguluyor.
Tahmin ile yolculuğunuza başlamayla ilgili daha fazla ayrıntıya erişmek için lütfen mevcut bilgilere bakın. Amazon Tahmin kaynakları. Ek olarak, otomatik iş akışları oluşturma ve makine öğrenimi ardışık düzenleri oluşturma hakkında bilgi edinmek için şunları keşfedebilirsiniz: AWS Basamak İşlevleri kapsamlı rehberlik için.
Yazarlar Hakkında
Nafi Ahmet Turgut Elektrik-Elektronik Mühendisliği alanında yüksek lisansını tamamladı ve yüksek lisans araştırma görevlisi olarak çalıştı. Odak noktası, sinir ağı anormalliklerini simüle etmek için makine öğrenimi algoritmaları oluşturmaktı. Getir'e 2019 yılında katılmıştır ve şu anda Kıdemli Veri Bilimi ve Analitik Müdürü olarak çalışmaktadır. Ekibi, Getir için uçtan uca makine öğrenimi algoritmalarının ve veri odaklı çözümlerin tasarlanması, uygulanması ve sürdürülmesinden sorumludur.
Mehmet İkbal Özmen İktisat alanında yüksek lisansını tamamladı ve Lisansüstü Araştırma Görevlisi olarak çalıştı. Araştırma alanı ağırlıklı olarak ekonomik zaman serisi modelleri, Markov simülasyonları ve durgunluk tahminiydi. Daha sonra 2019 yılında Getir'e katıldı ve şu anda Veri Bilimi ve Analitik Müdürü olarak çalışıyor. Ekibi, operasyon ve tedarik zinciri işletmelerinin yaşadığı karmaşık sorunları çözmek için optimizasyon ve tahmin algoritmalarından sorumludur.
Hasan Burak Yel Lisans derecesini Boğaziçi Üniversitesi Elektrik-Elektronik Mühendisliği bölümünde aldı. Turkcell'de ağırlıklı olarak zaman serisi tahmini, veri görselleştirme ve ağ otomasyonu üzerine çalıştı. Getir'e 2021 yılında katılmıştır ve şu anda Arama, Öneri ve Büyüme alanlarından sorumlu Veri Bilimi ve Analitik Yöneticisi olarak çalışmaktadır.
Fatma Nur Dumlupınar Keşir Lisans derecesini Boğaziçi Üniversitesi Endüstri Mühendisliği Bölümü'nden aldı. TÜBİTAK'ta araştırmacı olarak zaman serisi tahmini ve görselleştirme üzerine çalıştı. Daha sonra 2022 yılında veri bilimci olarak Getir'e katıldı ve Recommendation Engine projeleri, İşgücü Planlaması için Matematiksel Programlama üzerinde çalıştı.
Emre Uzel Yüksek Lisans derecesini Koç Üniversitesi'nden Veri Bilimi alanında aldı. Eczacıbaşı Bilişim'de veri bilimi danışmanı olarak çalıştı ve ağırlıklı olarak öneri motoru algoritmaları üzerine yoğunlaştı. Getir'e 2022 yılında Veri Bilimcisi olarak katıldı ve zaman serisi tahmini ve matematiksel optimizasyon projeleri üzerinde çalışmaya başladı.
Mutlu Polatcan Getir'de bulut tabanlı veri platformları tasarlama ve oluşturma konusunda uzmanlaşmış bir Personel Veri Mühendisidir. Açık kaynaklı projeleri bulut hizmetleriyle birleştirmeyi seviyor.
Esra Kayabalı AWS'de veri ambarı, veri gölleri, büyük veri analitiği, toplu ve gerçek zamanlı veri akışı ve veri entegrasyonu dahil olmak üzere analitik alanında uzmanlaşmış bir Kıdemli Çözüm Mimarıdır. 12 yıllık yazılım geliştirme ve mimarlık tecrübesine sahiptir. Bulut teknolojilerini öğrenme ve öğretme konusunda tutkulu.
- SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
- PlatoData.Network Dikey Üretken Yapay Zeka. Kendine güç ver. Buradan Erişin.
- PlatoAiStream. Web3 Zekası. Bilgi Genişletildi. Buradan Erişin.
- PlatoESG. karbon, temiz teknoloji, Enerji, Çevre, Güneş, Atık Yönetimi. Buradan Erişin.
- PlatoSağlık. Biyoteknoloji ve Klinik Araştırmalar Zekası. Buradan Erişin.
- Kaynak: https://aws.amazon.com/blogs/machine-learning/getir-end-to-end-workforce-management-amazon-forecast-and-aws-step-functions/
- :vardır
- :dır-dir
- :Neresi
- 1
- 100
- 12
- 2015
- 2019
- 2021
- 2022
- 32
- 7
- 91
- a
- Yapabilmek
- Hakkımızda
- erişim
- ulaşılabilir
- Hesap
- muhasebe
- doğruluk
- doğru
- elde
- karşısında
- Ek
- Ayrıca
- avantaj
- avantajlı
- avantajları
- algoritma
- algoritmik
- algoritmalar
- Türkiye
- ayırmak
- veriyor
- boyunca
- Ayrıca
- Amazon
- Amazon Tahmini
- Amazon Kırmızıya Kaydırma
- Amazon Web Servisleri
- an
- analiz
- analytics
- ve
- anomaliler
- Başka
- herhangi
- uygulamaları
- AR
- mimari
- ARE
- ALAN
- etrafında
- Dizi
- AS
- atanmış
- yardım
- Asistan
- At
- Otomatik
- otomatik olarak
- Otomasyon
- kullanılabilirliği
- mevcut
- ortalama
- AWS
- AWS Basamak İşlevleri
- merkezli
- temel
- BE
- önce
- altında
- Daha iyi
- Ötesinde
- Büyük
- büyük Veri
- marka
- Kırık
- bina
- inşa
- iş
- işletmeler
- by
- hesaplanmış
- hesaplanması
- hesaplamalar
- Kampanya
- CAN
- yetenekleri
- kabiliyet
- ele geçirmek
- Yakalama
- Sebeb olmak
- merkezi
- zincir
- bulut
- bulut hizmetleri
- biçerdöverler
- birleştirme
- başlangıç
- şirket
- karmaşık
- uyma
- bileşen
- bileşenler
- kapsamlı
- hesaplamalar
- holding
- kabul
- düşünen
- kısıtlamaları
- inşa
- danışman
- kontrol
- koordinat
- ülkeler
- ülke
- Ülkeye özgü
- Oluşturma
- Şu anda
- günlük
- veri
- Veri Analizi
- veri bilimi
- veri bilimcisi
- veri goruntuleme
- veri-güdümlü
- Tarih
- karar
- tanımlı
- derece
- teslim etmek
- teslim
- Talep
- Talep tahmini
- gösterdi
- bölüm
- tanımlamak
- tarif edilen
- tasarım
- ayrıntılar
- Belirlemek
- kararlı
- belirlenmesi
- gelişmiş
- gelişme
- diyagramlar
- ayrım
- dağıtıldı
- çeşitli
- yapıyor
- domain
- etki
- aşağı
- gereken
- süre
- her
- kolay
- Ekonomik
- ekonomi bilimi
- Etkili
- etkili bir şekilde
- etki
- verimli
- verimli biçimde
- çaba
- Elektronik
- kullanılarak
- istihdam
- son uca
- nişanlı
- Motor
- mühendis
- Mühendislik
- gelişmiş
- Tüm
- hata
- tahmin
- AVRUPA
- Avrupa
- Avrupa ülkeleri
- sonunda
- Her
- yürütmek
- deneyim
- deneyimli
- açıkladı
- keşfetmek
- keşfedilmeyi
- üstel
- katlanarak
- uzanır
- kapsamlı, geniş
- dış
- kolaylaştırılmış
- faktörler
- mümkün
- Özellikler(Hazırlık aşamasında)
- Özellikler
- alan
- Ad
- odak
- odaklanmış
- odaklanma
- takip
- takip etme
- İçin
- Tahmin
- tahminleri
- önümüzdeki
- Kurulmuş
- iskelet
- itibaren
- tamamen
- fonksiyonlar
- daha fazla
- Ayrıca
- oluşturmak
- Almanya
- verilmiş
- gol
- mezun
- grafik
- Büyüme
- Konuk
- Misafir Mesaj
- rehberlik
- kullanma
- Var
- he
- yardım et
- yardım
- onu
- daha yüksek
- özeti
- büyük ölçüde
- onun
- tarihi
- tarihsel
- Tatil
- SAAT
- Ne kadar
- Ancak
- HTML
- http
- HTTPS
- darbe
- uygulama
- uygulanması
- etkileyici
- iyileştirmek
- gelişmiş
- iyileşme
- in
- içerir
- Dahil olmak üzere
- birleşmeyle
- Sanayi
- etkilemek
- bilgi
- ilk
- başlangıçta
- başlatmak
- giriş
- anlayışlar
- entegre
- Bütünleştirme
- bütünleşme
- arayüzey
- içine
- tanıtım
- sezgisel
- IT
- ONUN
- Mesleki Öğretiler
- katıldı
- seyahat
- jpg
- birleşme
- Bilmek
- göller
- büyük ölçekli
- öğrenme
- Led
- Yasal Şartlar
- sevmek
- Konum tabanlı
- seviyor
- makine
- makine öğrenme
- ağırlıklı olarak
- Bakımı
- yapmak
- YAPAR
- Yapımı
- yönetmek
- yönetilen
- yönetim
- müdür
- Manuel
- çok
- Pazarlama
- yüksek lisans
- matematiksel
- Mayıs..
- yöntem
- yöntemleri
- microservices
- minimize
- cevapsız
- ML
- model
- Modelleme
- modelleme
- modelleri
- izlemek
- Daha
- hareketli
- hareketli ortalamalardır
- gerekli
- ihtiyaçlar
- Hollanda
- ağ
- ağlar
- sinir
- sinir ağı
- nöral ağlar
- dokuz
- özellikle
- şimdi
- numara
- nesnel
- of
- teklif
- sunulan
- on
- açık kaynak
- faaliyet
- işletme
- operasyon
- işletme
- Operasyon
- optimizasyon
- optimize
- optimize
- emir
- düzenleme
- Diğer
- Diğer
- bizim
- sonuçlar
- tekrar
- kapsayıcı
- Paralel
- parametreler
- özellikle
- tutkulu
- geçmiş
- desen
- performans
- faz
- öncü
- asıl
- planlama
- ağladım
- Platformlar
- Platon
- Plato Veri Zekası
- PlatoVeri
- Lütfen
- Çivi
- Pratik
- uygulamalar
- Hassas
- tahmin
- Tahminler
- Sorun
- sorunlar
- prosedür
- süreç
- Süreçler
- Üretilmiş
- Programlama
- proje
- Projeler
- Promosyonlar
- önerme
- özel
- kanıtladı
- sağlama
- oranlar
- oran
- gerçek zaman
- gerçek zamanlı veri
- Alınan
- alma
- son
- durgunluk
- Tavsiye
- Indirimli
- azaltarak
- azalma
- başvurmak
- güvenmek
- gereklidir
- Yer Alan Kurallar
- gerektirir
- gerekli
- araştırma
- araştırmacı
- kaynak
- sorumluluk
- sorumlu
- Sonuçlar
- devrim
- koşu
- aynı
- çizelgeleme
- Bilim
- bilim adamı
- Ara
- mevsimlik
- Bölüm
- bölüm
- segmentler
- seçilmiş
- seçim
- kıdemli
- ayrı
- Dizi
- hizmet
- Hizmetler
- birkaç
- o
- çalışma
- KAYDIRMA
- kıtlık
- şov
- gösterdi
- gösterilen
- önemli
- önemli ölçüde
- Basit
- basitlik
- basitleştirilmiş
- basitleştirilmesi
- Yazılım
- yazılım geliştirme
- çözüm
- Çözümler
- ÇÖZMEK
- Çözme
- sofistike
- kaynaklar
- uzmanlaşmış
- özel
- Personel
- başladı
- Devletler
- adım
- hafızası
- depolamak
- akış
- akıntı yolları
- sonraki
- Daha sonra
- başarı
- böyle
- uygun
- arz
- tedarik zinciri
- aştı
- fazlalık
- sistem
- Bizi daha iyi tanımak için
- görevleri
- Öğretim
- takım
- takım
- teknikleri
- Teknolojileri
- Teknoloji
- şartlar
- test edilmiş
- o
- The
- Grafik
- Hollanda
- UK
- Onları
- sonra
- Bunlar
- onlar
- Re-Tweet
- üç
- İçinden
- verim
- Böylece
- zaman
- Zaman serisi
- için
- bugün
- araç
- Konular
- geleneksel
- işlemsel
- Trendler
- Türkiye
- DÖNÜŞ
- iki
- tipik
- Uk
- altında
- Birleşik
- USA
- üniversite
- aksine
- üzerine
- kullanım
- Kullanılmış
- kullanım
- kullanma
- Kullanılması
- Değerler
- çeşitli
- Geniş
- sektörler
- üzerinden
- görsel
- görüntüleme
- oldu
- Atık
- we
- hava
- ağ
- web hizmetleri
- Haftalar
- vardı
- ne zaman
- hangi
- ile
- içinde
- işlenmiş
- iş akışı
- iş akışları
- işgücü
- çalışma
- çalışır
- yıl
- Sen
- zefirnet