Це гостьовий допис, співавторами якого є Нафі Ахмет Тургут, Мехмет Ікбал Озмен, Хасан Бурак Єль, Фатма Нур Думлупінар Кешир, Мутлу Полаткан і Емре Узел із Getir.
приніс є піонером надшвидкої доставки продуктів. Технологічна компанія зробила революцію в доставці «останньої милі» за допомогою пропозиції доставки продуктів за лічені хвилини. Getir була заснована в 2015 році і працює в Туреччині, Великобританії, Нідерландах, Німеччині та США. Сьогодні Getir — це конгломерат, що об’єднує дев’ять галузей під одним брендом.
У цьому дописі ми описуємо наскрізну систему управління робочою силою, яка починається з прогнозу попиту в певному місці, після чого йде планування робочої сили кур’єра та призначення змін за допомогою Прогноз Amazon та Функції кроку AWS.
У минулому оперативні групи застосовували методи ручного управління робочою силою, що призводило до значної втрати часу та зусиль. Однак завдяки впровадженню нашого комплексного проекту управління робочою силою вони тепер можуть ефективно генерувати необхідні плани кур’єрської доставки для складів за допомогою спрощеного процесу одним клацанням миші, доступного через веб-інтерфейс. До початку цього проекту бізнес-команди покладалися на більш інтуїтивні методи прогнозування попиту, які вимагали вдосконалення з точки зору точності.
Прогноз Amazon – це повністю керована служба, яка використовує алгоритми машинного навчання (ML) для надання високоточних прогнозів часових рядів. У цій публікації ми описуємо, як ми скоротили час моделювання на 70% завдяки розробці функцій і моделюванню за допомогою Amazon Forecast. Ми досягли скорочення витраченого часу на 90% під час запуску алгоритмів планування для всіх складів за допомогою Функції кроку AWS, яка є повністю керованою службою, яка полегшує координацію компонентів розподілених програм і мікросервісів за допомогою візуальних робочих процесів. Це рішення також призвело до 90% покращення точності прогнозів у Туреччині та кількох європейських країнах.
Огляд рішення
Проект «Наскрізне управління робочою силою» (проект E2E) — це масштабний проект, який можна описати в трьох темах:
1. Розрахунок потреби в кур'єрі
Першим кроком є оцінка погодинної потреби для кожного складу, як пояснюється в розділі «Вибір алгоритму». Ці прогнози, створені за допомогою Amazon Forecast, допомагають визначити, коли та скільки кур’єрів потрібно кожному складу.
Виходячи з коефіцієнта пропускної здатності кур'єрів на складах, кількість кур'єрів, необхідних для кожного складу, розраховується в погодинних інтервалах. Ці розрахунки допомагають визначити можливу кількість кур’єрів, враховуючи законний робочий час, що передбачає математичне моделювання.
2. Розв’язування задачі Призначення зміни
Коли ми матимемо потреби в кур’єрах і дізнаємося про інші обмеження кур’єрів і складів, ми зможемо вирішити проблему розподілу змін. Проблема моделюється за допомогою змінних рішень, які визначають кур’єрів, яким потрібно призначити, і створюють графіки змін, мінімізуючи надлишок і дефіцит, які можуть спричинити пропуск замовлення. Зазвичай це проблема змішаного цілочисельного програмування (MIP).
3. Використання покрокових функцій AWS
Ми використовуємо AWS Step Functions для координації робочих процесів і керування ними з можливістю паралельного виконання завдань. Процес розподілу змін кожного складу визначається як окремий робочий процес. AWS Step Functions автоматично запускає та контролює ці робочі процеси, спрощуючи обробку помилок.
Оскільки для цього процесу потрібні великі дані та складні обчислення, такі сервіси, як AWS Step Functions, пропонують значну перевагу в організації та оптимізації завдань. Це забезпечує кращий контроль і ефективне управління ресурсами.
В архітектурі рішення ми також використовуємо переваги інших сервісів AWS, інтегруючи їх у AWS Step Functions:
На наступних діаграмах показано робочі процеси AWS Step Functions та архітектуру інструменту перемикання:
Вибір алгоритму
Прогнозування локального попиту є початковою фазою проекту E2E. Головною метою E2E є визначення кількості кур’єрів для певного складу, починаючи з прогнозу попиту на цей склад.
Цей компонент прогнозування є ключовим у структурі E2E, оскільки наступні етапи покладаються на ці результати прогнозування. Таким чином, будь-які неточності прогнозів можуть негативно вплинути на ефективність усього проекту.
Метою етапу прогнозування попиту за місцем розташування є створення прогнозів на основі конкретної країни для кожного складу, сегментованого щогодини, протягом наступних двох тижнів. Спочатку щоденні прогнози для кожної країни формулюються за допомогою моделей ML. Ці щоденні прогнози згодом розбиваються на сегменти по годинах, як показано на наступному графіку. Історичні дані про попит на транзакції, інформація про погоду на основі місця, дати свят, рекламні акції та дані маркетингових кампаній – це функції, які використовуються в моделі, як показано на графіку нижче.
Команда спочатку досліджувала традиційні методи прогнозування, такі як відкритий код САРИМА (Сезонна авторегресійна інтегрована ковзаюча середня), АРИМАКС (Авторегресійне інтегроване ковзне середнє з використанням екзогенних змінних) і експоненціальне згладжування.
ARIMA (інтегроване ковзне середнє з автоматичною регресією) — це метод прогнозування часових рядів, який поєднує компоненти авторегресії (AR) і ковзного середнього (MA) разом із різницею, щоб зробити часовий ряд стаціонарним.
SARIMA розширює ARIMA, додаючи додаткові параметри для врахування сезонності в часових рядах. Він включає сезонні авторегресійні та сезонні ковзні середні терміни для охоплення повторюваних моделей протягом певних інтервалів, що робить його придатним для часових рядів із сезонним компонентом.
ARIMAX будується на основі ARIMA, вводячи екзогенні змінні, які є зовнішніми факторами, які можуть впливати на часовий ряд. Ці додаткові змінні враховуються в моделі для підвищення точності прогнозування шляхом обліку зовнішніх впливів поза історичними значеннями часового ряду.
Експоненціальне згладжування – це інший метод прогнозування часових рядів, який, на відміну від ARIMA, базується на зважених середніх значеннях минулих спостережень. Це особливо ефективно для фіксації тенденцій і сезонності даних. Цей метод призначає експоненціально зменшуючі ваги минулим спостереженням, а новіші спостереження отримують вищі ваги.
Зрештою моделі Amazon Forecast були обрані для сегмента алгоритмічного моделювання. Величезний набір моделей і складні можливості розробки функцій, які пропонує AWS Forecast, виявилися більш вигідними та оптимізували використання наших ресурсів.
Було перевірено шість алгоритмів, доступних у Forecast: Згорточна нейронна мережа – квантильна регресія (CNN-QR), DeepAR+, Пророк, Непараметричні часові ряди (NPTS), Авторегресійне інтегроване ковзне середнє (ARIMA), і Експоненційне згладжування (ETS). Аналізуючи результати прогнозу, ми визначили, що CNN-QR перевершує інші за ефективністю. CNN-QR – це власний алгоритм ML, розроблений Amazon для прогнозування скалярних (одновимірних) часових рядів за допомогою причинно-наслідкових згорткових нейронних мереж (CNN). Враховуючи наявність різноманітних джерел даних на даному етапі, використання алгоритму CNN-QR полегшило інтеграцію різних функцій, що працюють у рамках контрольованого навчання. Ця відмінність відокремила його від однофакторних моделей прогнозування часових рядів і помітно покращила продуктивність.
Використання Forecast виявилося ефективним завдяки простоті надання необхідних даних і визначення тривалості прогнозу. Згодом Forecast використовує алгоритм CNN-QR для створення прогнозів. Цей інструмент значно прискорив процес для нашої команди, зокрема в алгоритмічному моделюванні. Крім того, використовуючи Служба простого зберігання Amazon (Amazon S3) сегменти для сховищ вхідних даних і Amazon Redshift для зберігання результатів полегшили централізоване керування всією процедурою.
Висновок
У цій публікації ми показали вам, як проект Getir E2E продемонстрував, як поєднання сервісів Amazon Forecast і AWS Step Functions ефективно спрощує складні процеси. Ми досягли вражаючої точності прогнозування близько 90% у країнах Європи та Туреччини, а використання Forecast скоротило час моделювання на 70% завдяки його ефективній обробці функцій інженерії та моделювання.
Використання сервісу AWS Step Functions привело до практичних переваг, зокрема скорочення часу планування на 90% для всіх складів. Крім того, враховуючи вимоги на місцях, ми підвищили показники відповідності на 3%, що допомогло розподілити робочу силу ефективніше. Це, у свою чергу, підкреслює успіх проекту в оптимізації роботи та надання послуг.
Щоб отримати додаткову інформацію про те, як розпочати свою подорож із Forecast, зверніться до доступних Ресурси Amazon Forecast. Крім того, щоб отримати інформацію про побудову автоматизованих робочих процесів і розробку конвеєрів машинного навчання, ви можете дослідити Функції кроку AWS для вичерпного керівництва.
Про авторів
Нафі Ахмет Тургут отримав ступінь магістра з інженерії електротехніки та електроніки та працював науковим співробітником. Він зосереджувався на створенні алгоритмів машинного навчання для моделювання аномалій нервової мережі. Він приєднався до Getir у 2019 році та зараз працює старшим менеджером з аналізу даних і аналітики. Його команда відповідає за розробку, впровадження та підтримку наскрізних алгоритмів машинного навчання та рішень на основі даних для Getir.
Мехмет Ікбал Озмен отримав ступінь магістра економіки та працював аспірантом. Сферою його досліджень були переважно економічні моделі часових рядів, моделювання Маркова та прогнозування рецесії. Потім він приєднався до Getir у 2019 році і зараз працює менеджером з аналізу даних і аналітики. Його команда відповідає за алгоритми оптимізації та прогнозування для вирішення складних проблем, з якими стикаються підприємства операційної діяльності та ланцюга постачання.
Хасан Бурак Єл отримав ступінь бакалавра з електротехніки та електроніки в Університеті Богазічі. Він працював у Turkcell, в основному зосереджений на прогнозуванні часових рядів, візуалізації даних та автоматизації мережі. Він приєднався до Getir у 2021 році та зараз працює менеджером з аналізу даних і аналітики, відповідаючи за домени пошуку, рекомендацій і розвитку.
Фатма Нур Думлупинар Кешир отримала ступінь бакалавра на факультеті промислової інженерії Університету Богазічі. Вона працювала дослідником у TUBITAK, зосередившись на прогнозуванні та візуалізації часових рядів. Потім вона приєдналася до Getir у 2022 році як спеціаліст із обробки даних і працювала над проектами Recommendation Engine, Mathematical Programming for Workforce Planning.
Емре Узел отримав ступінь магістра з даних в Університеті Коч. Він працював консультантом із науки про дані в Eczacıbaşı Bilişim, де в основному зосереджувався на алгоритмах механізму рекомендацій. Він приєднався до Getir у 2022 році як Data Scientist і почав працювати над проектами прогнозування часових рядів і математичної оптимізації.
Мутлу Полацкан є штатним інженером з обробки даних Getir, який спеціалізується на розробці та створенні хмарних платформ даних. Йому подобається поєднувати проекти з відкритим вихідним кодом і хмарні сервіси.
Есра Каябалі є старшим архітектором рішень в AWS, який спеціалізується на сфері аналітики, включаючи сховища даних, озера даних, аналітику великих даних, пакетну передачу даних і потокове передавання даних у реальному часі та інтеграцію даних. Вона має 12 років досвіду розробки програмного забезпечення та архітектури. Вона захоплена вивченням та викладанням хмарних технологій.
- Розповсюдження контенту та PR на основі SEO. Отримайте посилення сьогодні.
- PlatoData.Network Vertical Generative Ai. Додайте собі сили. Доступ тут.
- PlatoAiStream. Web3 Intelligence. Розширення знань. Доступ тут.
- ПлатонЕСГ. вуглець, CleanTech, Енергія, Навколишнє середовище, Сонячна, Поводження з відходами. Доступ тут.
- PlatoHealth. Розвідка про біотехнології та клінічні випробування. Доступ тут.
- джерело: https://aws.amazon.com/blogs/machine-learning/getir-end-to-end-workforce-management-amazon-forecast-and-aws-step-functions/
- : має
- :є
- :де
- 1
- 100
- 12
- 2015
- 2019
- 2021
- 2022
- 32
- 7
- 91
- a
- Здатний
- МЕНЮ
- доступ
- доступною
- рахунки
- бухгалтерський облік
- точність
- точний
- досягнутий
- через
- Додатковий
- Додатково
- Перевага
- вигідний
- Переваги
- алгоритм
- алгоритмічний
- алгоритми
- ВСІ
- виділяти
- дозволяє
- по
- Також
- Amazon
- Прогноз Amazon
- Амазонська червона зміна
- Amazon Web Services
- an
- аналіз
- аналітика
- та
- аномалії
- Інший
- будь-який
- застосування
- AR
- архітектура
- ЕСТЬ
- ПЛОЩА
- навколо
- масив
- AS
- призначений
- допомогу
- Помічник
- At
- Автоматизований
- автоматично
- Автоматизація
- наявність
- доступний
- середній
- AWS
- Функції кроку AWS
- заснований
- основа
- BE
- перед тим
- нижче
- Краще
- За
- Великий
- Великий даних
- марка
- Зламаний
- Створюємо
- Будує
- бізнес
- підприємства
- by
- розрахований
- розрахунок
- розрахунки
- Кампанія
- CAN
- можливості
- можливості
- захоплення
- захопивши
- Викликати
- централізована
- ланцюг
- хмара
- хмарні сервіси
- комбінати
- об'єднання
- починаючи
- компанія
- комплекс
- дотримання
- компонент
- Компоненти
- всеосяжний
- обчислення
- конгломерат
- вважається
- беручи до уваги
- обмеження
- будівництво
- консультант
- контроль
- координувати
- країни
- країна
- конкретної країни
- створення
- В даний час
- щодня
- дані
- Analytics даних
- наука про дані
- вчений даних
- візуалізація даних
- керовані даними
- Дати
- рішення
- певний
- Ступінь
- доставляти
- доставка
- Попит
- Прогнозування попиту
- продемонстрований
- відділ
- описувати
- описаний
- проектування
- деталі
- Визначати
- певний
- визначення
- розвиненою
- розробка
- діаграми
- відмінність
- розподілений
- Різне
- справи
- домен
- домени
- вниз
- два
- тривалість
- кожен
- легше
- Економічний
- Економіка
- Ефективний
- фактично
- ефективність
- ефективний
- продуктивно
- зусилля
- електроніка
- наймаючи
- працює
- кінець в кінець
- зайнятий
- двигун
- інженер
- Машинобудування
- підвищена
- Весь
- помилка
- оцінити
- Європа
- Європейська
- Європейські країни
- врешті-решт
- Кожен
- виконувати
- досвід
- досвідчений
- пояснені
- дослідити
- Розвіданий
- експонентний
- експоненціально
- продовжується
- обширний
- зовнішній
- полегшений
- фактори
- реально
- особливість
- риси
- поле
- Перший
- Сфокусувати
- увагу
- фокусування
- потім
- після
- для
- Прогноз
- Прогнози
- майбутній
- Заснований
- Рамки
- від
- повністю
- Функції
- далі
- Крім того
- породжувати
- Німеччина
- даний
- мета
- випускник
- графік
- Зростання
- гість
- Guest Post
- керівництво
- Обробка
- Мати
- he
- допомога
- допомогу
- її
- вище
- основний момент
- дуже
- його
- історичний
- історичний
- свято
- ГОДИННИК
- Як
- Однак
- HTML
- HTTP
- HTTPS
- Impact
- реалізація
- реалізації
- вражаючий
- удосконалювати
- поліпшений
- поліпшення
- in
- includes
- У тому числі
- включення
- промислові
- вплив
- інформація
- початковий
- спочатку
- ініціювати
- вхід
- розуміння
- інтегрований
- Інтеграція
- інтеграція
- інтерфейс
- в
- введення
- інтуїтивний
- IT
- ЙОГО
- Джобс
- приєднався
- подорож
- JPG
- стик
- Знати
- озера
- масштабний
- вивчення
- Led
- легальний
- як
- На основі розташування
- любить
- машина
- навчання за допомогою машини
- головним чином
- Підтримка
- зробити
- РОБОТИ
- Робить
- управляти
- вдалося
- управління
- менеджер
- керівництво
- багато
- Маркетинг
- магістра
- математичний
- Може..
- метод
- методика
- мікросервіс
- мінімізація
- пропущений
- ML
- модель
- моделювання
- моделювання
- Моделі
- монітор
- більше
- переміщення
- moving average
- необхідно
- потреби
- Нідерланди
- мережу
- мереж
- нервовий
- нейронної мережі
- нейронні мережі
- дев'ять
- особливо
- зараз
- номер
- мета
- of
- пропонувати
- запропонований
- on
- з відкритим вихідним кодом
- працює
- операційний
- операція
- оперативний
- операції
- оптимізація
- оптимізований
- оптимізуючий
- замовлень
- організація
- Інше
- інші
- наші
- Результати
- над
- всеохоплюючий
- Паралельні
- параметри
- особливо
- пристрасний
- Минуле
- моделі
- продуктивність
- фаза
- піонер
- основний
- планування
- плани
- Платформи
- plato
- Інформація про дані Платона
- PlatoData
- будь ласка
- пошта
- Практичний
- практики
- Точність
- прогноз
- Прогнози
- Проблема
- проблеми
- процедура
- процес
- процеси
- Вироблений
- Програмування
- проект
- проектів
- Промоакції
- пропозиція
- власником
- доведений
- забезпечення
- ставки
- співвідношення
- реального часу
- дані в режимі реального часу
- отримано
- отримання
- останній
- спад
- Рекомендація
- Знижений
- зниження
- скорочення
- послатися
- покладатися
- вимагається
- Вимога
- Вимагається
- необхідний
- дослідження
- дослідник
- ресурс
- відповідальність
- відповідальний
- результати
- революціонізували
- біг
- то ж
- планування
- наука
- вчений
- Пошук
- сезонний
- розділ
- сегмент
- сегменти
- обраний
- вибір
- старший
- окремий
- Серія
- обслуговування
- Послуги
- кілька
- вона
- зсув
- ПЕРЕМІЩЕННЯ
- нестача
- Показувати
- показав
- показаний
- значний
- істотно
- простий
- простота
- спрощений
- спрощення
- Софтвер
- розробка програмного забезпечення
- рішення
- Рішення
- ВИРІШИТИ
- Розв’язування
- складний
- Джерела
- спеціалізується
- конкретний
- Персонал
- почалася
- Штати
- Крок
- зберігання
- зберігання
- потоковий
- Спрощує
- наступні
- Згодом
- успіх
- такі
- підходящий
- поставка
- ланцюжка поставок
- перевершив
- профіцит
- система
- Приймати
- завдання
- Навчання
- команда
- команди
- методи
- Технології
- Технологія
- terms
- перевірений
- Що
- Команда
- Графік
- Нідерланди
- Великобританія
- Їх
- потім
- Ці
- вони
- це
- три
- через
- пропускна здатність
- Таким чином
- час
- Часовий ряд
- до
- сьогодні
- інструмент
- теми
- традиційний
- транзакційний
- Тенденції
- Туреччина
- ПЕРЕГЛЯД
- два
- типово
- Uk
- при
- United
- Сполучені Штати
- університет
- на відміну від
- на
- використання
- використовуваний
- використовує
- використання
- використовує
- Цінності
- різний
- величезний
- вертикалі
- через
- візуальний
- візуалізації
- було
- Відходи
- we
- погода
- Web
- веб-сервіси
- тижня
- були
- коли
- який
- з
- в
- працював
- робочий
- Робочі процеси
- Трудові ресурси
- робочий
- працює
- років
- Ти
- вашу
- зефірнет