Dit is een gastpost mede geschreven door Nafi Ahmet Turgut, Mehmet İkbal Özmen, Hasan Burak Yel, Fatma Nur Dumlupınar Keşir, Mutlu Polatcan en Emre Uzel van Getir.

bracht is de pionier op het gebied van ultrasnelle bezorging van boodschappen. Het technologiebedrijf heeft een revolutie teweeggebracht in de last-mile-bezorging met zijn voorstel voor bezorging in enkele minuten. Getir is opgericht in 2015 en actief in Turkije, Groot-Brittannië, Nederland, Duitsland en de Verenigde Staten. Tegenwoordig is Getir een conglomeraat met negen branches onder hetzelfde merk.

In dit bericht beschrijven we het end-to-end personeelsbeheersysteem dat begint met locatiespecifieke vraagvoorspelling, gevolgd door personeelsplanning van koeriers en ploegendiensttoewijzing met behulp van Amazon voorspelling en AWS Stap Functies.

In het verleden hielden operationele teams zich bezig met handmatige personeelsbeheerpraktijken, wat resulteerde in een aanzienlijke verspilling van tijd en moeite. Met de implementatie van ons uitgebreide end-to-end personeelsbeheerproject zijn ze nu echter in staat om op efficiënte wijze de noodzakelijke koeriersplannen voor magazijnen te genereren via een vereenvoudigd proces met één klik dat toegankelijk is via een webinterface. Vóór de start van dit project vertrouwden bedrijfsteams op meer intuïtieve methoden voor vraagvoorspelling, die verbetering vereisten in termen van nauwkeurigheid.

Amazon voorspelling is een volledig beheerde service die machine learning-algoritmen (ML) gebruikt om zeer nauwkeurige tijdreeksvoorspellingen te leveren. In dit bericht beschrijven we hoe we de modelleringstijd met 70% hebben verminderd door de feature-engineering en modellering uit te voeren met behulp van Amazon Forecast. We hebben een reductie van 90% in de verstreken tijd bereikt bij het uitvoeren van planningsalgoritmen voor alle gebruikte magazijnen AWS Stap Functies, een volledig beheerde service die het eenvoudiger maakt om de componenten van gedistribueerde applicaties en microservices te coördineren met behulp van visuele workflows. Deze oplossing leidde ook tot een verbetering van 90% in de nauwkeurigheid van de voorspellingen in Turkije en verschillende Europese landen.

Overzicht oplossingen

Het End-to-end Workforce Management Project (E2E Project) is een grootschalig project en kan in drie onderwerpen worden beschreven:

1. Koeriervereisten berekenen

De eerste stap is het schatten van de vraag per uur voor elk magazijn, zoals uitgelegd in de sectie Algoritmeselectie. Deze voorspellingen, geproduceerd met Amazon Forecast, helpen bepalen wanneer en hoeveel koeriers elk magazijn nodig heeft.

Op basis van de doorvoerratio van de koeriers in de magazijnen wordt per uur het aantal benodigde koeriers per magazijn berekend. Deze berekeningen helpen bij het bepalen van het haalbare aantal koeriers, rekening houdend met de wettelijke werkuren, waarvoor wiskundige modellen nodig zijn.

2. Het probleem van de ploegendiensttoewijzing oplossen

Zodra we de koeriersbehoeften kennen en de andere beperkingen van de koeriers en magazijnen kennen, kunnen we het probleem van de ploegendienstindeling oplossen. Het probleem wordt gemodelleerd met beslissingsvariabelen die bepalen welke koeriers moeten worden toegewezen en ploegendienstschema's creëren, waardoor overschotten en tekorten die kunnen leiden tot gemiste bestellingen tot een minimum worden beperkt. Dit is doorgaans een MIP-probleem (Midge-Integer Programming).

3. Gebruik maken van AWS Step-functies

We gebruiken AWS Step Functions om workflows te coördineren en te beheren, met de mogelijkheid om taken parallel uit te voeren. Het ploegentoewijzingsproces van elk magazijn wordt gedefinieerd als een afzonderlijke workflow. AWS Step Functions initieert en bewaakt deze workflows automatisch door de foutafhandeling te vereenvoudigen.

Omdat dit proces uitgebreide gegevens en complexe berekeningen vereist, bieden diensten zoals AWS Step Functions een aanzienlijk voordeel bij het organiseren en optimaliseren van taken. Het zorgt voor betere controle en efficiënt hulpbronnenbeheer.

In de oplossingsarchitectuur profiteren we ook van andere AWS-services door deze te integreren in AWS Step Functions:

De volgende diagrammen tonen de workflows van AWS Step Functions en de architectuur van de schakeltool:

Figuur 1 AWS Step Functions-workflows

Figuur 2 Verschuivende toolarchitectuur

Algoritme selectie

Het voorspellen van de locatievraag vormt de eerste fase van het E2E-project. Het overkoepelende doel van E2E is het bepalen van het aantal koeriers dat aan een specifiek magazijn moet worden toegewezen, te beginnen met een voorspelling van de vraag naar dat magazijn.

Deze voorspellingscomponent is cruciaal binnen het E2E-framework, aangezien volgende fasen afhankelijk zijn van deze voorspellingsresultaten. Eventuele onnauwkeurigheden in de voorspelling kunnen dus een nadelige invloed hebben op de doeltreffendheid van het hele project.

Het doel van de locatiespecifieke vraagvoorspellingsfase is om de komende twee weken op landspecifieke basis voorspellingen te genereren voor elk magazijn dat per uur wordt gesegmenteerd. In eerste instantie worden dagelijkse voorspellingen voor elk land geformuleerd via ML-modellen. Deze dagelijkse voorspellingen worden vervolgens opgesplitst in uursegmenten, zoals weergegeven in de volgende grafiek. Historische transactionele vraaggegevens, locatiegebaseerde weersinformatie, vakantiedata, promoties en marketingcampagnegegevens zijn de functies die in het model worden gebruikt, zoals weergegeven in de onderstaande grafiek.

Figuur 3 De architectuur van locatiespecifieke prognoses

Het team onderzocht aanvankelijk traditionele voorspellingstechnieken zoals open source SARIMA (Seizoensgebonden auto-regressief geïntegreerd voortschrijdend gemiddelde), ARIMAX (Auto-regressief geïntegreerd voortschrijdend gemiddelde met behulp van exogene variabelen) en exponentiële afvlakking.

ARIMA (Auto-Regressive Integrated Moving Average) is een tijdreeksvoorspellingsmethode die autoregressieve (AR) en voortschrijdend gemiddelde (MA) componenten combineert met differentiatie om de tijdreeksen stationair te maken.

SARIMA breidt ARIMA uit door aanvullende parameters op te nemen om rekening te houden met seizoensinvloeden in de tijdreeksen. Het omvat seizoensgebonden autoregressieve en seizoensgebonden voortschrijdend gemiddelde termen om herhalende patronen over specifieke intervallen vast te leggen, waardoor het geschikt is voor tijdreeksen met een seizoenscomponent.

ARIMAX bouwt voort op ARIMA door exogene variabelen te introduceren, dit zijn externe factoren die de tijdreeksen kunnen beïnvloeden. Met deze aanvullende variabelen wordt in het model rekening gehouden om de nauwkeurigheid van de voorspellingen te verbeteren door rekening te houden met externe invloeden die verder gaan dan de historische waarden van de tijdreeksen.

Exponential Smoothing is een andere methode voor het voorspellen van tijdreeksen die, in tegenstelling tot ARIMA, gebaseerd is op gewogen gemiddelden van waarnemingen uit het verleden. Het is met name effectief voor het vastleggen van trends en seizoensinvloeden in gegevens. De methode kent exponentieel afnemende gewichten toe aan eerdere waarnemingen, waarbij recentere waarnemingen hogere gewichten krijgen.

De Amazon Forecast-modellen werden uiteindelijk geselecteerd voor het algoritmische modelleringssegment. Het brede scala aan modellen en de geavanceerde feature-engineeringmogelijkheden van AWS Forecast bleken voordeliger en optimaliseerden ons resourcegebruik.

Er zijn zes algoritmen getest die beschikbaar zijn in Forecast: Convolutioneel neuraal netwerk – kwantielregressie (CNN-QR), DeepAR +, Profeet, Niet-parametrische tijdreeksen (NPTS), Autoregressief geïntegreerd voortschrijdend gemiddelde (ARIMA), en Exponentiële afvlakking (ETS). Na analyse van de voorspelde resultaten hebben we vastgesteld dat CNN-QR de andere overtrof wat betreft werkzaamheid. CNN-QR is een eigen ML-algoritme ontwikkeld door Amazon voor het voorspellen van scalaire (eendimensionale) tijdreeksen met behulp van causale Convolutional Neural Networks (CNN's). Gezien de beschikbaarheid van diverse gegevensbronnen op dit moment, vergemakkelijkte het gebruik van het CNN-QR-algoritme de integratie van verschillende functies, opererend binnen een raamwerk voor begeleid leren. Dit onderscheid scheidde het van univariate tijdreeksvoorspellingsmodellen en verbeterde de prestaties aanzienlijk.

Het gebruik van Forecast bleek effectief vanwege de eenvoud van het verstrekken van de benodigde gegevens en het specificeren van de prognoseduur. Vervolgens maakt Forecast gebruik van het CNN-QR-algoritme om voorspellingen te genereren. Deze tool heeft het proces voor ons team aanzienlijk versneld, vooral op het gebied van algoritmische modellering. Verder benutten Amazon eenvoudige opslagservice (Amazon S3)-buckets voor opslagplaatsen voor invoergegevens en Amazon Redshift voor het opslaan van resultaten hebben het gecentraliseerde beheer van de hele procedure mogelijk gemaakt.

Conclusie

In dit bericht hebben we u laten zien hoe het E2E-project van Getir aantoonde hoe het combineren van Amazon Forecast- en AWS Step Functions-services complexe processen effectief stroomlijnt. We bereikten een indrukwekkende voorspellingsnauwkeurigheid van ongeveer 90% in landen in Europa en Turkije, en het gebruik van Forecast verminderde de modelleringstijd met 70% dankzij de efficiënte afhandeling van feature-engineering en modellering.

Het gebruik van de AWS Step Functions-service heeft tot praktische voordelen geleid, waaronder een vermindering van de planningstijd met 90% voor alle magazijnen. Door rekening te houden met de vereisten in het veld hebben we de nalevingspercentages met 3% verbeterd, waardoor we het personeel efficiënter konden inzetten. Dit onderstreept op zijn beurt het succes van het project bij het optimaliseren van de activiteiten en de dienstverlening.

Voor meer informatie over het starten van uw reis met Forecast kunt u de beschikbare informatie raadplegen Amazon Forecast-bronnen. Daarnaast kunt u verkennen voor inzichten in het construeren van geautomatiseerde workflows en het maken van machine learning-pijplijnen AWS Stap Functies voor uitgebreide begeleiding.

Over de auteurs

Nafi Ahmet Turgut behaalde zijn masterdiploma in Electrical & Electronics Engineering en werkte als afgestudeerd wetenschappelijk onderzoeker. Zijn focus lag op het bouwen van machine learning-algoritmen om afwijkingen in het zenuwstelsel te simuleren. Hij kwam in 2019 bij Getir en werkt momenteel als Senior Data Science & Analytics Manager. Zijn team is verantwoordelijk voor het ontwerpen, implementeren en onderhouden van end-to-end machine learning-algoritmen en datagestuurde oplossingen voor Getir.

Mehmet Ikbal Özmen behaalde zijn Master's Degree in Economics en werkte als Graduate Research Assistant. Zijn onderzoeksgebied was voornamelijk economische tijdreeksmodellen, Markov-simulaties en recessievoorspellingen. Vervolgens trad hij in 2019 in dienst bij Getir en werkt momenteel als Data Science & Analytics Manager. Zijn team is verantwoordelijk voor optimalisatie- en voorspellingsalgoritmen om de complexe problemen op te lossen waarmee de operationele en supply chain-bedrijven te maken hebben.

Hassan Burak Yel behaalde zijn bachelordiploma in elektrische en elektronische techniek aan de Boğaziçi Universiteit. Hij werkte bij Turkcell, voornamelijk gericht op tijdreeksvoorspellingen, datavisualisatie en netwerkautomatisering. Hij kwam in 2021 bij Getir en werkt momenteel als Data Science & Analytics Manager met de verantwoordelijkheid voor de domeinen Zoeken, Aanbeveling en Groei.

Fatma Nur Dumlupinar Keşir behaalde haar bachelordiploma aan de afdeling Industrieel Ingenieurswetenschappen van de Boğaziçi Universiteit. Ze werkte als onderzoeker bij TUBITAK, waar ze zich richtte op het voorspellen en visualiseren van tijdreeksen. Vervolgens trad ze in 2022 in dienst bij Getir als datawetenschapper en heeft ze gewerkt aan Recommendation Engine-projecten en wiskundige programmering voor personeelsplanning.

Emre Uzel behaalde zijn Masterdiploma in Data Science aan de Universiteit van Koç. Hij werkte als data science consultant bij Eczacıbaşı Bilişim, waar hij zich vooral richtte op algoritmen voor aanbevelingsmotoren. Hij kwam in 2022 bij Getir als Data Scientist en begon te werken aan tijdreeksvoorspellingen en wiskundige optimalisatieprojecten.

Mutlu Polatcan is een Staff Data Engineer bij Getir, gespecialiseerd in het ontwerpen en bouwen van cloud-native dataplatforms. Hij combineert graag open-sourceprojecten met clouddiensten.

Esra Kayabalı is een Senior Solutions Architect bij AWS, gespecialiseerd in het analytische domein, waaronder datawarehousing, datalakes, big data-analyse, batch- en real-time datastreaming en data-integratie. Ze heeft 12 jaar ervaring in softwareontwikkeling en architectuur. Ze is gepassioneerd door het leren en doceren van cloudtechnologieën.

• Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
• PlatoData.Network Verticale generatieve AI. Versterk jezelf. Toegang hier.
• PlatoAiStream. Web3-intelligentie. Kennis versterkt. Toegang hier.
• PlatoESG. carbon, CleanTech, Energie, Milieu, Zonne, Afvalbeheer. Toegang hier.
• Plato Gezondheid. Intelligentie op het gebied van biotech en klinische proeven. Toegang hier.
• Bron: https://aws.amazon.com/blogs/machine-learning/getir-end-to-end-workforce-management-amazon-forecast-and-aws-step-functions/