이 글은 Getir의 Nafi Ahmet Turgut, Mehmet İkbal Özmen, Hasan Burak Yel, Fatma Nur Dumlupınar Keşir, Mutlu Polatcan 및 Emre Uzel이 공동 작성한 게스트 게시물입니다.

가져 초고속 식료품 배송의 선구자입니다. 기술 회사는 식료품을 분 단위로 배송한다는 제안을 통해 라스트마일 배송에 혁명을 일으켰습니다. Getir는 2015년에 설립되었으며 터키, 영국, 네덜란드, 독일, 미국에서 운영되고 있습니다. 오늘날 Getir는 동일한 브랜드로 XNUMX개 업종을 통합한 대기업입니다.

이번 포스팅에서는 위치별 수요 예측부터 시작해 택배 인력 계획, 교대 배정까지 이어지는 End-to-End 인력 관리 시스템에 대해 설명합니다. 아마존 예측 과 AWS 단계 함수.

과거에는 운영팀이 인력을 수동으로 관리했기 때문에 상당한 시간과 노력이 낭비되었습니다. 그러나 포괄적인 엔드투엔드 인력 관리 프로젝트를 구현함으로써 이제는 웹 인터페이스를 통해 액세스할 수 있는 단순화된 원클릭 프로세스를 통해 창고에 필요한 택배 계획을 효율적으로 생성할 수 있습니다. 이 프로젝트를 시작하기 전에 비즈니스 팀은 수요 예측을 위해 보다 직관적인 방법에 의존했기 때문에 정확성 측면에서 개선이 필요했습니다.

아마존 예측 기계 학습(ML) 알고리즘을 사용하여 매우 정확한 시계열 예측을 제공하는 완전 관리형 서비스입니다. 이 게시물에서는 Amazon Forecast를 사용하여 기능 엔지니어링 및 모델링을 수행하여 모델링 시간을 70% 단축한 방법을 설명합니다. 다음을 사용하여 모든 창고에 대해 스케줄링 알고리즘을 실행할 때 경과 시간이 90% 감소했습니다. AWS 단계 함수는 시각적 워크플로를 사용하여 분산 애플리케이션 및 마이크로서비스의 구성 요소를 더 쉽게 조정할 수 있게 해주는 완전 관리형 서비스입니다. 또한 이 솔루션은 터키와 여러 유럽 국가에서 예측 정확도를 90% 향상시켰습니다.

솔루션 개요

E2E 프로젝트(End-to-End Workforce Management Project)는 대규모 프로젝트이며 다음 세 가지 주제로 설명할 수 있습니다.

1. 택배 요구 사항 계산

첫 번째 단계는 알고리즘 선택 섹션에서 설명한 대로 각 창고의 시간당 수요를 추정하는 것입니다. Amazon Forecast를 통해 생성된 이러한 예측은 각 창고에 필요한 배송업체의 시기와 수를 결정하는 데 도움이 됩니다.

창고 내 택배사 처리율을 기준으로 각 창고에 필요한 택배사 수를 시간 단위로 계산합니다. 이러한 계산은 수학적 모델링을 포함하는 법적 근무 시간을 고려하여 실현 가능한 택배사 수를 결정하는 데 도움이 됩니다.

2. 교대근무 문제 해결

택배사 요구 사항이 있고 택배사 및 창고의 다른 제약 조건을 알고 나면 교대 근무 할당 문제를 해결할 수 있습니다. 이 문제는 할당될 택배사를 결정하고 교대 일정을 생성하여 주문 누락을 유발할 수 있는 잉여 및 부족을 최소화하는 결정 변수를 통해 모델링됩니다. 이는 일반적으로 혼합 정수 프로그래밍(MIP) 문제입니다.

3. AWS Step Functions 활용

우리는 AWS Step Functions를 사용하여 작업을 병렬로 실행하는 기능으로 워크플로를 조정하고 관리합니다. 각 창고의 교대근무 프로세스는 별도의 작업 흐름으로 정의됩니다. AWS Step Functions는 오류 처리를 단순화하여 이러한 워크플로를 자동으로 시작하고 모니터링합니다.

이 프로세스에는 광범위한 데이터와 복잡한 계산이 필요하므로 AWS Step Functions와 같은 서비스는 작업을 구성하고 최적화하는 데 상당한 이점을 제공합니다. 이를 통해 더 나은 제어와 효율적인 리소스 관리가 가능해집니다.

솔루션 아키텍처에서는 다른 AWS 서비스를 AWS Step Functions에 통합하여 활용하기도 합니다.

다음 다이어그램은 AWS Step Functions 워크플로와 이동 도구의 ​​아키텍처를 보여줍니다.

그림 1 AWS Step Functions 워크플로

그림 2 변속 도구 아키텍처

알고리즘 선택

지역 수요 예측은 E2E 프로젝트의 초기 단계를 구성합니다. E2E의 가장 중요한 목표는 해당 창고에 대한 수요 예측을 시작으로 특정 창고에 할당할 택배사 수를 결정하는 것입니다.

후속 단계가 이러한 예측 결과에 의존하기 때문에 이 예측 구성 요소는 E2E 프레임워크 내에서 중추적인 역할을 합니다. 따라서 예측 부정확성은 전체 프로젝트의 효율성에 해로운 영향을 미칠 수 있습니다.

위치별 수요 예측 단계의 목표는 앞으로 XNUMX주 동안 시간별로 분류된 모든 창고에 대해 국가별 기준으로 예측을 생성하는 것입니다. 처음에는 국가별 일일 예측이 ML 모델을 통해 공식화됩니다. 이러한 일일 예측은 다음 그래프에 표시된 대로 시간별 세그먼트로 분류됩니다. 아래 그래프와 같이 과거 거래 수요 데이터, 위치 기반 날씨 정보, 휴일 날짜, 프로모션 및 마케팅 캠페인 데이터가 모델에 사용된 기능입니다.

그림 3 위치별 예측 아키텍처

팀은 처음에 오픈 소스와 같은 전통적인 예측 기술을 탐색했습니다. 사리마 (계절 자동 회귀 통합 이동 평균), 아리맥스 (외생 변수를 사용한 자동 회귀 통합 이동 평균) 및 지수 평활.

ARIMA(자동 회귀 통합 이동 평균)는 자기 회귀(AR) 및 이동 평균(MA) 구성 요소와 차이를 결합하여 시계열을 고정시키는 시계열 예측 방법입니다.

SARIMA는 시계열의 계절성을 설명하기 위해 추가 매개변수를 통합하여 ARIMA를 확장합니다. 특정 간격에 걸쳐 반복되는 패턴을 포착하기 위한 계절 자동 회귀 및 계절 이동 평균 항이 포함되어 있어 계절 구성 요소가 있는 시계열에 적합합니다.

ARIMAX는 시계열에 영향을 미칠 수 있는 외부 요인인 외생 변수를 도입하여 ARIMA를 기반으로 합니다. 이러한 추가 변수는 시계열의 과거 값을 넘어서는 외부 영향을 고려하여 예측 정확도를 향상시키기 위해 모델에서 고려됩니다.

지수평활은 ARIMA와 달리 과거 관측치의 가중 평균을 기반으로 하는 또 다른 시계열 예측 방법입니다. 이는 데이터의 추세와 계절성을 포착하는 데 특히 효과적입니다. 이 방법은 과거 관측치에 기하급수적으로 감소하는 가중치를 할당하고, 최근 관측치에는 더 높은 가중치를 부여합니다.

Amazon Forecast 모델은 결국 알고리즘 모델링 부문으로 선택되었습니다. AWS Forecast가 제공하는 광범위한 모델과 정교한 기능 엔지니어링 기능은 더욱 유리하고 리소스 활용도를 최적화했습니다.

Forecast에서 사용할 수 있는 XNUMX가지 알고리즘이 테스트되었습니다. 컨볼루셔널 신경망 – 분위수 회귀 (CNN-QR), DeepAR +, 예언자, 비모수적 시계열 (NPTS), 자기 회귀 통합 이동 평균 (ARIMA) 및 지수 평활화 (ETS). 예측 결과를 분석한 결과, CNN-QR은 효율성 면에서 다른 것보다 우수하다고 판단되었습니다. CNN-QR은 인과 CNN(Convolutional Neural Networks)을 사용하여 스칼라(XNUMX차원) 시계열을 예측하기 위해 Amazon에서 개발한 독점 ML 알고리즘입니다. 이 시점에서 다양한 데이터 소스의 가용성을 고려하여 CNN-QR 알고리즘을 사용하면 지도 학습 프레임워크 내에서 작동하면서 다양한 기능의 통합이 용이해졌습니다. 이러한 구별로 인해 단변량 시계열 예측 모델과 구분되어 성능이 크게 향상되었습니다.

예측 활용은 필수 데이터 제공 및 예측 기간 지정의 단순성으로 인해 효과적인 것으로 입증되었습니다. 이후 Forecast는 CNN-QR 알고리즘을 사용하여 예측을 생성합니다. 이 도구는 특히 알고리즘 모델링에서 우리 팀의 프로세스를 크게 가속화했습니다. 더욱이 이를 활용하여 아마존 단순 스토리지 서비스 (Amazon S3) 입력 데이터 저장소용 버킷과 결과 저장용 Amazon Redshift를 통해 전체 절차를 중앙 집중식으로 관리할 수 있습니다.

결론

이 게시물에서는 Getir의 E2E 프로젝트가 Amazon Forecast와 AWS Step Functions 서비스를 결합하여 복잡한 프로세스를 효과적으로 간소화하는 방법을 보여주었습니다. 우리는 유럽과 터키 국가에서 약 90%라는 놀라운 예측 정확도를 달성했으며 Forecast를 사용하면 기능 엔지니어링 및 모델링을 효율적으로 처리하여 모델링 시간이 70% 단축되었습니다.

AWS Step Functions 서비스를 사용하면 모든 웨어하우스의 예약 시간이 90% 단축되는 등 실질적인 이점을 얻을 수 있습니다. 또한, 현장 요구사항을 고려하여 규정 준수율을 3% 향상시켜 인력을 보다 효율적으로 배치하는 데 도움을 주었습니다. 이는 결국 운영 및 서비스 제공 최적화에 있어 프로젝트의 성공을 강조합니다.

Forecast를 통한 여정 시작에 대한 자세한 내용은 다음을 참조하세요. Amazon Forecast 리소스. 또한 자동화된 워크플로 구성 및 기계 학습 파이프라인 제작에 대한 통찰력을 얻으려면 다음을 탐색할 수 있습니다. AWS 단계 함수 종합적인 안내를 위해.

저자에 관하여

나피 아흐메트 투르구트 전기전자공학 석사학위를 취득하고 대학원 연구원으로 일했습니다. 그의 초점은 신경 네트워크 이상 현상을 시뮬레이션하기 위한 기계 학습 알고리즘을 구축하는 것이었습니다. 그는 2019년에 Getir에 합류했으며 현재 수석 데이터 과학 및 분석 관리자로 일하고 있습니다. 그의 팀은 Getir의 엔드투엔드 기계 학습 알고리즘과 데이터 기반 솔루션을 설계, 구현 및 유지 관리하는 일을 담당하고 있습니다.

메흐메트 이크발 오즈멘 경제학 석사 학위를 받고 대학원 연구 조교로 일했습니다. 그의 연구 분야는 주로 경제 시계열 모델, Markov 시뮬레이션 및 경기 침체 예측이었습니다. 그 후 2019년에 Getir에 합류했으며 현재 데이터 과학 및 분석 관리자로 일하고 있습니다. 그의 팀은 운영 및 공급망 비즈니스에서 경험하는 복잡한 문제를 해결하기 위한 최적화 및 예측 알고리즘을 담당하고 있습니다.

하산 부락 옐 Boğaziçi 대학교에서 전기전자공학 학사 학위를 받았습니다. 그는 Turkcell에서 주로 시계열 예측, 데이터 시각화 및 네트워크 자동화에 중점을 두고 근무했습니다. 그는 2021년에 Getir에 합류했으며 현재 검색, 추천 및 성장 도메인을 담당하는 데이터 과학 및 분석 관리자로 일하고 있습니다.

Fatma Nur Dumlupınar Keşir Boğaziçi 대학교 산업공학과에서 학사 학위를 받았습니다. 그녀는 TUBITAK에서 시계열 예측 및 시각화에 중점을 둔 연구원으로 일했습니다. 그녀는 2022년에 데이터 과학자로 Getir에 합류했으며 추천 엔진 프로젝트인 인력 계획을 위한 수학적 프로그래밍에 참여했습니다.

엠레 우젤 Koç University에서 데이터 과학 석사 학위를 받았습니다. 그는 Eczacıbaşı Bilişim에서 데이터 과학 컨설턴트로 일하면서 주로 추천 엔진 알고리즘에 집중했습니다. 그는 2022년 데이터 과학자로 Getir에 입사하여 시계열 예측 및 수학적 최적화 프로젝트 작업을 시작했습니다.

무틀루 폴라칸 Getir의 스태프 데이터 엔지니어로 클라우드 네이티브 데이터 플랫폼 설계 및 구축을 전문으로 합니다. 그는 오픈 소스 프로젝트를 클라우드 서비스와 결합하는 것을 좋아합니다.

에스라 카야발리 데이터 웨어하우징, 데이터 레이크, 빅 데이터 분석, 배치 및 실시간 데이터 스트리밍, 데이터 통합을 포함한 분석 도메인을 전문으로 하는 AWS의 선임 솔루션 아키텍트입니다. 그녀는 12년의 소프트웨어 개발 및 아키텍처 경험을 가지고 있습니다. 그녀는 클라우드 기술을 배우고 가르치는 데 열정적입니다.

• SEO 기반 콘텐츠 및 PR 배포. 오늘 증폭하십시오.
• PlatoData.Network 수직 생성 Ai. 자신에게 권한을 부여하십시오. 여기에서 액세스하십시오.
• PlatoAiStream. 웹3 인텔리전스. 지식 증폭. 여기에서 액세스하십시오.
• 플라톤ESG. 탄소, 클린테크, 에너지, 환경, 태양광, 폐기물 관리. 여기에서 액세스하십시오.
• PlatoHealth. 생명 공학 및 임상 시험 인텔리전스. 여기에서 액세스하십시오.
• 출처: https://aws.amazon.com/blogs/machine-learning/getir-end-to-end-workforce-management-amazon-forecast-and-aws-step-functions/