هذه مشاركة ضيف شارك في تأليفها نافع أحمد تورغوت، ومحمد إقبال أوزمان، وحسن بوراك ييل، وفاطمة نور دوملوبينار كشير، وموتلو بولاتكان، وإمري أوزيل من غيتير.
جلبت هي الرائدة في تسليم البقالة فائق السرعة. أحدثت شركة التكنولوجيا ثورة في توصيل الميل الأخير من خلال عرض توصيل البقالة خلال دقائق. تأسست شركة Getir في عام 2015 وتعمل في تركيا والمملكة المتحدة وهولندا وألمانيا والولايات المتحدة. اليوم، Getir عبارة عن تكتل يضم تسعة قطاعات تحت نفس العلامة التجارية.
في هذا المنشور، نصف نظام إدارة القوى العاملة الشامل الذي يبدأ بالتنبؤ بالطلب الخاص بالموقع، يليه تخطيط القوى العاملة في مجال البريد السريع وتعيين المناوبات باستخدام توقعات الأمازون و وظائف خطوة AWS.
في الماضي، كانت الفرق التشغيلية تشارك في ممارسات إدارة القوى العاملة يدويًا، مما أدى إلى إضاعة كبيرة للوقت والجهد. ومع ذلك، مع تنفيذ مشروعنا الشامل لإدارة القوى العاملة من البداية إلى النهاية، أصبحوا الآن قادرين على إنشاء خطط البريد السريع اللازمة للمستودعات بكفاءة من خلال عملية مبسطة بنقرة واحدة يمكن الوصول إليها عبر واجهة الويب. قبل بدء هذا المشروع، اعتمدت فرق العمل على أساليب أكثر سهولة للتنبؤ بالطلب، الأمر الذي يتطلب تحسينًا من حيث الدقة.
توقعات الأمازون هي خدمة مُدارة بالكامل تستخدم خوارزميات التعلم الآلي (ML) لتقديم تنبؤات سلاسل زمنية دقيقة للغاية. في هذا المنشور، نوضح كيف قمنا بتقليل وقت النمذجة بنسبة 70% عن طريق إجراء هندسة الميزات والنمذجة باستخدام Amazon Forecast. لقد حققنا انخفاضًا بنسبة 90% في الوقت المنقضي عند تشغيل خوارزميات الجدولة لجميع المستودعات المستخدمة وظائف خطوة AWS، وهي خدمة مُدارة بالكامل تسهل تنسيق مكونات التطبيقات الموزعة والخدمات الصغيرة باستخدام سير العمل المرئي. وأدى هذا الحل أيضًا إلى تحسين دقة التنبؤ بنسبة 90% في جميع أنحاء تركيا والعديد من الدول الأوروبية.
حل نظرة عامة
يعد مشروع إدارة القوى العاملة الشامل (مشروع E2E) مشروعًا واسع النطاق ويمكن وصفه في ثلاثة مواضيع:
1. حساب متطلبات البريد السريع
الخطوة الأولى هي تقدير الطلب بالساعة لكل مستودع، كما هو موضح في قسم اختيار الخوارزمية. تساعد هذه التنبؤات، التي يتم إنتاجها باستخدام Amazon Forecast، في تحديد متى وعدد شركات النقل التي يحتاجها كل مستودع.
استنادًا إلى نسبة إنتاجية السعاة في المستودعات، يتم حساب عدد السعاة المطلوبين لكل مستودع على فترات كل ساعة. تساعد هذه الحسابات في تحديد عدد شركات البريد الممكنة مع الأخذ في الاعتبار ساعات العمل القانونية، والتي تتضمن النمذجة الرياضية.
2. حل مشكلة تعيين التحول
بمجرد أن نحصل على احتياجات السعاة ونعرف القيود الأخرى للسعاة والمستودعات، يمكننا حل مشكلة تعيين الورديات. تم تصميم المشكلة من خلال متغيرات القرار التي تحدد السعاة الذين سيتم تعيينهم وإنشاء جداول التحول، وتقليل الفائض والنقص الذي قد يتسبب في تفويت الطلبات. عادةً ما تكون هذه مشكلة برمجة أعداد صحيحة مختلطة (MIP).
3. الاستفادة من وظائف خطوة AWS
نحن نستخدم AWS Step Functions لتنسيق وإدارة سير العمل مع قدرتها على تنفيذ المهام بالتوازي. يتم تعريف عملية تعيين الورديات لكل مستودع على أنها سير عمل منفصل. تقوم AWS Step Functions ببدء ومراقبة سير العمل تلقائيًا من خلال تبسيط معالجة الأخطاء.
نظرًا لأن هذه العملية تتطلب بيانات مكثفة وحسابات معقدة، فإن خدمات مثل AWS Step Functions توفر ميزة كبيرة في تنظيم المهام وتحسينها. فهو يسمح بتحكم أفضل وإدارة فعالة للموارد.
في بنية الحلول، نستفيد أيضًا من خدمات AWS الأخرى من خلال دمجها في AWS Step Functions:
توضح الرسوم البيانية التالية سير عمل AWS Step Functions وبنية أداة التحويل:
الشكل 1: سير عمل AWS Step Functions
الشكل 2: تغيير بنية الأداة
اختيار الخوارزمية
يشكل التنبؤ بالطلب المحلي المرحلة الأولية في مشروع E2E. الهدف الشامل لـ E2E هو تحديد عدد شركات النقل التي سيتم تخصيصها لمستودع معين، بدءًا من توقع الطلب على هذا المستودع.
يعد عنصر التنبؤ هذا محوريًا في إطار E2E، حيث تعتمد المراحل اللاحقة على نتائج التنبؤ هذه. وبالتالي، فإن أي عدم دقة في التنبؤ يمكن أن يؤثر بشكل ضار على فعالية المشروع بأكمله.
الهدف من مرحلة التنبؤ بالطلب المحلي هو إنشاء تنبؤات على أساس خاص بكل بلد لكل مستودع مقسم بالساعة على مدار الأسبوعين القادمين. في البداية، تتم صياغة التوقعات اليومية لكل دولة من خلال نماذج التعلم الآلي. يتم بعد ذلك تقسيم هذه التوقعات اليومية إلى أجزاء كل ساعة، كما هو موضح في الرسم البياني التالي. تعد بيانات طلب المعاملات التاريخية ومعلومات الطقس المستندة إلى الموقع وتواريخ العطلات والعروض الترويجية وبيانات الحملات التسويقية هي الميزات المستخدمة في النموذج كما هو موضح في الرسم البياني أدناه.
الشكل 3: بنية التنبؤ الخاصة بالموقع
استكشف الفريق في البداية تقنيات التنبؤ التقليدية مثل المصادر المفتوحة ساريما (المتوسط المتحرك المتكامل ذو الانحدار التلقائي الموسمي)، أريماكس (المتوسط المتحرك المتكامل ذو الانحدار التلقائي باستخدام المتغيرات الخارجية)، والتجانس الأسي.
ARIMA (المتوسط المتحرك المتكامل ذاتي الانحدار) هي طريقة للتنبؤ بالسلاسل الزمنية تجمع بين مكونات الانحدار الذاتي (AR) والمتوسط المتحرك (MA) إلى جانب الاختلاف لجعل السلاسل الزمنية ثابتة.
تقوم SRIMA بتوسيع ARIMA من خلال دمج معلمات إضافية لمراعاة الموسمية في السلسلة الزمنية. وهو يشتمل على مصطلحات الانحدار التلقائي والمتوسط المتحرك الموسمي لالتقاط الأنماط المتكررة على فترات زمنية محددة، مما يجعله مناسبًا للسلاسل الزمنية ذات المكون الموسمي.
يعتمد ARIMAX على ARIMA من خلال إدخال متغيرات خارجية، وهي عوامل خارجية يمكن أن تؤثر على السلسلة الزمنية. يتم أخذ هذه المتغيرات الإضافية في الاعتبار في النموذج لتحسين دقة التنبؤ من خلال مراعاة التأثيرات الخارجية التي تتجاوز القيم التاريخية للسلسلة الزمنية.
التجانس الأسي هو أسلوب آخر للتنبؤ بالسلاسل الزمنية، على عكس ARIMA، يعتمد على المتوسطات المرجحة للملاحظات السابقة. وهو فعال بشكل خاص في التقاط الاتجاهات والموسمية في البيانات. تقوم الطريقة بتعيين أوزان متناقصة بشكل كبير للملاحظات السابقة، مع حصول الملاحظات الأحدث على أوزان أعلى.
تم اختيار نماذج Amazon Forecast في النهاية لقطاع النمذجة الخوارزمية. أثبتت المجموعة الواسعة من النماذج وإمكانات هندسة الميزات المتطورة التي تقدمها AWS Forecast أنها أكثر فائدة وحسّنت استخدامنا للموارد.
تم اختبار ستة خوارزميات متوفرة في Forecast: الشبكة العصبية التلافيفية – الانحدار الكمي (سي إن إن-ريال قطري)، DeepAR +, نبي, السلاسل الزمنية غير البارامترية (نبتس)، المتوسط المتحرك التلقائي للانحدار الذاتي (أريما)، و تجانس الأسي (إتس). وبعد تحليل النتائج المتوقعة، قررنا أن CNN-QR تفوق على الآخرين من حيث الفعالية. CNN-QR هي خوارزمية ML خاصة تم تطويرها بواسطة Amazon للتنبؤ بالسلاسل الزمنية العددية (أحادية البعد) باستخدام الشبكات العصبية التلافيفية السببية (CNNs). ونظرًا لتوافر مصادر بيانات متنوعة في هذه المرحلة، فإن استخدام خوارزمية CNN-QR سهّل تكامل الميزات المختلفة، التي تعمل ضمن إطار التعلم الخاضع للإشراف. وقد أدى هذا التمييز إلى فصلها عن نماذج التنبؤ بالسلاسل الزمنية أحادية المتغير وتحسين الأداء بشكل ملحوظ.
لقد أثبت استخدام التنبؤ فعاليته بسبب بساطة توفير البيانات المطلوبة وتحديد مدة التنبؤ. بعد ذلك، يستخدم تطبيق Forecast خوارزمية CNN-QR لإنشاء التنبؤات. ساهمت هذه الأداة في تسريع العملية لفريقنا بشكل كبير، لا سيما في النمذجة الخوارزمية. علاوة على ذلك، الاستفادة من خدمة تخزين أمازون البسيطة وقد سهلت حاويات (Amazon S3) لمستودعات بيانات الإدخال وAmazon Redshift لتخزين النتائج الإدارة المركزية للإجراء بأكمله.
وفي الختام
في هذا المنشور، أوضحنا لك كيف أظهر مشروع Getir's E2E كيف أن الجمع بين خدمات Amazon Forecast وAWS Step Functions يعمل على تبسيط العمليات المعقدة بشكل فعال. لقد حققنا دقة تنبؤ مذهلة تبلغ حوالي 90% عبر دول أوروبا وتركيا، كما أدى استخدام Forecast إلى تقليل وقت النمذجة بنسبة 70% بسبب تعامله الفعال مع هندسة الميزات والنمذجة.
أدى استخدام خدمة AWS Step Functions إلى مزايا عملية، ولا سيما تقليل وقت الجدولة بنسبة 90% لجميع المستودعات. بالإضافة إلى ذلك، ومن خلال مراعاة المتطلبات الميدانية، قمنا بتحسين معدلات الامتثال بنسبة 3%، مما ساعد على توزيع القوى العاملة بشكل أكثر كفاءة. وهذا بدوره يسلط الضوء على نجاح المشروع في تحسين العمليات وتقديم الخدمات.
للوصول إلى مزيد من التفاصيل حول بدء رحلتك مع التوقعات، يرجى الرجوع إلى ما هو متاح موارد توقعات أمازون. بالإضافة إلى ذلك، للحصول على رؤى حول إنشاء مسارات عمل تلقائية وصياغة مسارات التعلم الآلي، يمكنك الاستكشاف وظائف خطوة AWS للحصول على إرشادات شاملة.
حول المؤلف
نافع أحمد تورغوت أنهى درجة الماجستير في الهندسة الكهربائية والإلكترونية وعمل كعالم أبحاث عليا. كان تركيزه على بناء خوارزميات التعلم الآلي لمحاكاة الحالات الشاذة في الشبكة العصبية. انضم إلى Getir في عام 2019 ويعمل حاليًا كمدير أول لعلوم البيانات والتحليلات. فريقه مسؤول عن تصميم وتنفيذ وصيانة خوارزميات التعلم الآلي الشاملة والحلول المستندة إلى البيانات لـ Getir.
محمد إقبال أوزمن حصل على درجة الماجستير في الاقتصاد وعمل مساعد باحث للخريجين. كان مجال بحثه في الأساس عبارة عن نماذج السلاسل الزمنية الاقتصادية ، ومحاكاة ماركوف ، والتنبؤ بالركود. انضم بعد ذلك إلى Getir في عام 2019 ويعمل حاليًا كمدير لعلوم البيانات والتحليلات. فريقه مسؤول عن التحسين والتنبؤ بالخوارزميات لحل المشكلات المعقدة التي تواجهها أعمال التشغيل وسلسلة التوريد.
حسن بوراك يل حصل على درجة البكالوريوس في الهندسة الكهربائية والإلكترونية من جامعة البوغازيتشي. عمل في شركة توركسيل، وركز بشكل أساسي على التنبؤ بالسلاسل الزمنية، وتصور البيانات، وأتمتة الشبكة. انضم إلى Getir في عام 2021 ويعمل حاليًا كمدير لعلوم البيانات والتحليلات ويتولى مسؤولية مجالات البحث والتوصية والنمو.
فاطمة نور دوملوبينار كشير حصلت على درجة البكالوريوس من قسم الهندسة الصناعية في جامعة البوغازيتشي. عملت كباحثة في TUBITAK، مع التركيز على التنبؤ بالسلاسل الزمنية وتصورها. انضمت بعد ذلك إلى Getir في عام 2022 كعالمة بيانات وعملت في مشاريع محرك التوصيات والبرمجة الرياضية لتخطيط القوى العاملة.
إمري أوزيل حصل على درجة الماجستير في علوم البيانات من جامعة كوتش. عمل كمستشار لعلوم البيانات في Eczacıbaşı Bilişim حيث ركز بشكل أساسي على خوارزميات محرك التوصية. انضم إلى Getir في عام 2022 كعالم بيانات وبدأ العمل في مشاريع التنبؤ بالسلاسل الزمنية والتحسين الرياضي.
موتلو بولاتكان مهندس بيانات موظفين في Getir ، متخصص في تصميم وبناء منصات البيانات السحابية الأصلية. يحب الجمع بين المشاريع مفتوحة المصدر والخدمات السحابية.
إسراء كايابالي هو مهندس حلول أول في AWS ، متخصص في مجال التحليلات بما في ذلك تخزين البيانات ، وبحيرات البيانات ، وتحليلات البيانات الضخمة ، وتدفق البيانات في الوقت الفعلي والدُفعات وتكامل البيانات. لديها 12 عامًا من الخبرة في تطوير البرمجيات والهندسة المعمارية. إنها شغوفة بتعلم تقنيات السحابة وتدريسها.
- محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
- PlatoData.Network Vertical Generative Ai. تمكين نفسك. الوصول هنا.
- أفلاطونايستريم. ذكاء Web3. تضخيم المعرفة. الوصول هنا.
- أفلاطون كربون، كلينتك ، الطاقة، بيئة، شمسي، إدارة المخلفات. الوصول هنا.
- أفلاطون هيلث. التكنولوجيا الحيوية وذكاء التجارب السريرية. الوصول هنا.
- المصدر https://aws.amazon.com/blogs/machine-learning/getir-end-to-end-workforce-management-amazon-forecast-and-aws-step-functions/
