Bu Foxconn'un konuk yazısıdır. Bu gönderideki içerik ve görüşler üçüncü taraf yazara aittir ve AWS bu gönderinin içeriğinden veya doğruluğundan sorumlu değildir.
Kendi sözleriyle, “1974 yılında Tayvan'da kurulan Hon Hai Technology Group (Foxconn), dünyanın en büyük elektronik üreticisidir. Foxconn aynı zamanda önde gelen teknolojik çözüm sağlayıcısıdır ve benzersiz üretim sistemlerini gelişen teknolojilerle entegre etmek için yazılım ve donanımdaki uzmanlığından sürekli olarak yararlanır.”
Foxconn'da dünya çapında en yaygın kullanılan elektronik aksamlardan bazılarını üretiyoruz. Etkinliğimiz, kısa vadeli değişikliklere yanıt verme yeteneğimizi korurken, üretim ve personel seviyemizi haftalar öncesinden planlama yeteneğimizden gelir. Foxconn, fabrikalarımızda kaynakları düzgün bir şekilde planlamak ve tahsis etmek için yıllarca öngörülebilir talebe güvendi. Ancak COVID-19 pandemisi başladığında ürünlerimize olan talep daha değişken hale geldi. Bu artan belirsizlik, talebi tahmin etme ve gelecekteki personel ihtiyaçlarımızı tahmin etme yeteneğimizi etkiledi.
Bu, hemen uygulanabilecek gelişmiş bir tahmin çözümü geliştirmemiz için çok önemli bir ihtiyacı vurguladı. İle birlikte Amazon Tahmini ve AWS ile ekibimiz yalnızca iki ayda özel bir tahmin uygulaması oluşturabildi. Dahili olarak sınırlı veri bilimi deneyimiyle, Forecast kullanarak bir çözüm belirlemek için AWS'deki Machine Learning Çözümleri Laboratuvarı ile işbirliği yaptık. Hizmet, yapay zeka destekli tahmin algoritmalarını uzman olmayan uygulayıcıların kullanımına sunar. Artık talep tahmini doğruluğunu %8 oranında artıran ve yıllık tahmini 553,000 ABD doları tasarruf sağlayan son teknoloji ürünü bir çözüme sahibiz. Bu yazıda, ihtiyaçlarımıza uygun bir uygulama oluşturmak için AWS hizmetlerini kullanmanın ne kadar kolay olduğunu gösteriyorum.
Foxconn'da tahmin zorlukları
Meksika'daki fabrikamız, Kuzey ve Güney Amerika'daki tüm bölgelere elektronik ekipmanların montajı ve sevkiyatını yapmaktadır. Her ürünün kendi mevsimsel varyasyonları vardır ve farklı seviyelerde karmaşıklık ve inşa etme becerisi gerektirir. Her ürün için bireysel tahminlere sahip olmak, iş gücümüzde ihtiyaç duyduğumuz becerilerin karışımını anlamak için önemlidir. Kısa vadeli talebi tahmin etmek, günlük ve haftalık üretim gereksinimleri için personel yapmamızı sağlar. Önümüzdeki aylarda talebi karşılamaya yönelik işe alım kararlarını bildirmek için uzun vadeli tahminler kullanılır.
Talep tahminleri yanlışsa, işimizi çeşitli şekillerde etkileyebilir, ancak bizim için en kritik etki fabrikalarımıza personel almaktır. Talebin küçümsenmesi, yetersiz personel ile sonuçlanabilir ve üretim hedeflerine ulaşmak için fazla mesai gerektirebilir. Fazla tahmin, işçiler yeterince kullanılmadığı için çok maliyetli olan aşırı personel alımına yol açabilir. Hem fazla hem de az tahmin etmek farklı maliyetler yaratır ve bu maliyetleri dengelemek işimiz için çok önemlidir.
Bu çabadan önce, bu personel kararlarını vermek için müşterilerimiz tarafından sağlanan tahminlere güveniyorduk. COVID-19 salgınıyla birlikte talebimiz daha düzensiz hale geldi. Bu öngörülemezlik gereğinden fazla ve az tahmin edilen talebin daha yaygın hale gelmesine ve personel ile ilgili maliyetlerin artmasına neden oldu. Tahmin için daha iyi bir yaklaşım bulmamız gerektiği ortaya çıktı.
İşleme ve modelleme
Başlangıçta, yerel makinelerimizde ARIMA gibi geleneksel tahmin yöntemlerini araştırdık. Ancak bu yaklaşımların her bir ürün için geliştirilmesi, test edilmesi ve ayarlanması uzun zaman aldı. Ayrıca her bir ürün için bir model tutmamızı gerektiriyordu. Bu deneyimden yeni tahmin çözümünün hızlı, doğru, yönetimi kolay ve ölçeklenebilir olması gerektiğini öğrendik. Ekibimiz şu anda veri bilimcilerine ulaştı: Amazon Machine Learning (ML) Çözümleri Laboratuvarı, çözümümüzü Tahmin etrafında oluşturma sürecinde bize tavsiyede bulunan ve rehberlik eden.
Bu çözüm için dokuz farklı ürün kategorisinde 3 yıllık günlük satış geçmişi kullandık. Bu dokuz kategoriyi seçtik çünkü modelin üzerinde çalışacağı uzun bir geçmişleri vardı ve farklı mevsimsel satın alma modelleri sergilediler. Başlamak için, şirket içi sunucularımızdan gelen verileri bir Amazon Basit Depolama Hizmeti (Amazon S3) kova. Bundan sonra, bilinen anormallikleri kaldırarak ve verileri Tahmin ile uyumlu bir biçimde düzenleyerek verileri önceden işledik. Son veri setimiz üç sütundan oluşuyordu: timestamp, item_id, ve demand.
Model eğitimi için, Tahmin'de AutoML işlevini kullanmaya karar verdik. AutoML aracı, verilere birkaç farklı algoritma sığdırmaya çalışır ve en yüksek doğruluğu elde etmek için her birini ayarlar. AutoML özelliği, bizimki gibi zaman serisi modellemede sınırlı bir geçmişe sahip bir ekip için hayati önem taşıyordu. Tahmin'in bir tahminciyi eğitmesi yalnızca birkaç saat sürdü. Hizmet en etkili algoritmayı belirledikten sonra, son tahmin ediciyi elde etmek için bu algoritmayı hiper parametre optimizasyonu (HPO) aracılığıyla daha da ayarlar. Bu AutoML özelliği, ekibin çeşitli algoritmaları araştırmak, eğitmek ve değerlendirmek için harcayacağı haftalarca geliştirme süresini ortadan kaldırdı.
Tahmin değerlendirmesi
AutoML eğitimi bitirdikten sonra, ortalama karesel hata (RMSE) ve ağırlıklı niceliksel kayıp (wQL) dahil olmak üzere bir dizi temel performans metriğinin çıktısını verir. Modelin farklı nicelikler için tahminlerinin doğruluğunu değerlendirerek olasılıksal tahminler sağlayan wQL'ye odaklanmayı seçtik. Düşük wQL puanlarına sahip bir model, işimiz için önemliydi çünkü talebi eksik tahmin etmek ve fazla tahmin etmekle ilişkili farklı maliyetlerle karşı karşıyayız. Değerlendirmelerimize göre, kullanım durumumuz için en iyi model CNN-QR idi.
Uzatılmış bir test seti kullanarak ek bir değerlendirme adımı uyguladık. Yeni tahmini kullanarak personel alımını nasıl planlayacağımızı değerlendirmek için tahmini tahmini dahili iş mantığıyla birleştirdik. Sonuçlar büyük bir başarıydı. Yeni çözüm, tahmin doğruluğumuzu %8 oranında artırarak yılda tahmini 553,000$ tasarruf sağladı.
Uygulama mimarisi
Foxconn'da verilerimizin çoğu şirket içinde bulunur, bu nedenle uygulamamız hibrit bir çözümdür. Uygulama, verileri şirket içi sunucudan AWS'ye yükler, tahminleri oluşturur ve ekibimizin çıktıyı istemci tarafı GUI'de değerlendirmesine olanak tanır.
Verileri AWS'ye almak için, şirket içi veritabanındaki en son verileri haftalık olarak sorgulayan şirket içinde çalışan bir programımız var. Tarafından yönetilen bir SFTP sunucusu aracılığıyla verileri bir S3 kovasına yükler. AWS Transfer Ailesi. Bu yükleme, bir AWS Lambda Veri ön işlemesini gerçekleştiren ve hazırlanan verileri Amazon S3'e geri yükleyen işlev. S3 kovasına yazılan önceden işlenmiş veriler, iki Lambda işlevini tetikler. İlki, verileri Amazon S3'ten bir OLTP veritabanına yükler. İkincisi, işlenen veriler üzerinde Tahmin eğitimini başlatır. Tahmin eğitildikten sonra sonuçlar ayrı bir S3 kovasına ve ayrıca OLTP veritabanına yüklenir. Aşağıdaki diyagram bu mimariyi göstermektedir.
Son olarak, müşterilerin tahmin çıktılarını gözden geçirmeleri ve sisteme kendi geri bildirimlerini sağlamaları için bir yol istedik. Ekip, kullanan bir GUI oluşturdu Amazon API Ağ Geçidi kullanıcıların veritabanındaki tahmin sonuçlarını görselleştirmesine ve bunlarla etkileşime girmesine izin vermek. GUI, müşterinin en son tahmini incelemesine ve önümüzdeki haftalar için bir hedef üretim seçmesine olanak tanır. Hedefler OLTP'ye geri yüklenir ve sonraki planlama çalışmalarında kullanılır.
Özet ve sonraki adımlar
Bu gönderide, AWS ve veri biliminde yeni olan bir ekibin 2 ayda Forecast ile nasıl özel bir tahmin çözümü oluşturduğunu gösterdik. Uygulama, tahmin doğruluğumuzu %8 oranında iyileştirdi ve yalnızca Meksika tesisimiz için yıllık tahmini 553,000$ tasarruf sağladı. Tahmini kullanmak, gelecekte yeni ürün kategorileri eklersek ölçeği genişletme esnekliği de sağladı.
Yalnızca geçmiş talep verilerini kullanan Tahmin çözümünün yüksek performansını görmekten heyecan duyuyoruz. Bu, tedarik zinciri yönetimi ve üretim planlaması için ML kullanımımızı genişletmek için daha büyük bir planın ilk adımıdır.
Önümüzdeki aylarda ekip, diğer planlama verilerini ve iş yüklerini buluta taşıyacak. İşgücü planlaması ve tahsisi için bir optimizasyon çözümü oluşturmak için talep tahminini envanter, biriktirme listesi ve işçi verileriyle birlikte kullanacağız. Bu çözümler, üretim seviyelerini ve kaynak ihtiyaçlarını daha iyi planlamamıza izin vererek iyileştirilmiş tahmini daha da etkili hale getirecek.
Ürün ve hizmetlerinizde makine öğrenimi kullanımını hızlandırmak için yardıma ihtiyacınız varsa, lütfen şu adresle iletişime geçin: Amazon ML Çözümleri Laboratuvarı programı. Amazon Tahmininin nasıl kullanılacağı hakkında daha fazla bilgi edinmek için hizmete göz atın belgeleme.
Yazarlar Hakkında
Azim Sıddık Foxconn'da Teknik Danışman ve CoE Mimarı olarak görev yapmaktadır. Dijital Dönüşüm programı için mimari yön sağlar, gelişen teknolojilerle PoC'ler yürütür ve mühendislik ekiplerine dijital teknolojilerden geniş ölçekte yararlanarak iş değeri sunmaları için rehberlik eder.
Felice Çuang Foxconn'da Veri Mimarıdır. Büyük veri, veri yönetişimi ve iş zekası uygulamaları için uçtan uca mimari ve tasarım uygulamak için çeşitli becerilerini kullanır. Analitik iş yüklerini destekler ve Dijital Dönüşüm programları için PoC'leri yürütür.
Yash Shah Amazon ML Çözümleri Laboratuvarı'nda, sağlık hizmetlerinden üretim ve perakendeye kadar çeşitli makine öğrenimi kullanım durumları üzerinde çalıştığı bir veri bilimcisidir. İnsan Faktörleri ve İstatistik alanında resmi bir geçmişe sahiptir ve daha önce verimli envanter yönetimi ile 3P satıcılarına rehberlik edecek ürünler tasarlayan Amazon SCOT ekibinin bir parçasıydı.
Dan Volk Amazon ML Solutions Lab'de Veri Bilimcisi olup, çeşitli sektörlerdeki AWS müşterilerinin yapay zeka ve bulutu benimsemelerini hızlandırmalarına yardımcı oluyor. Dan, imalat, havacılık ve spor gibi çeşitli alanlarda çalıştı ve UC Berkeley'den Veri Bilimi alanında Yüksek Lisans derecesine sahiptir.
Xin Chen Amazon ML Solutions Lab'de kıdemli bir yöneticidir ve burada Automotive Vertical'ı yönetir ve farklı sektörlerdeki AWS müşterilerinin, kuruluşlarının en yüksek yatırım getirisi sağlayan makine öğrenimi fırsatlarını ele almak için makine öğrenimi çözümlerini belirlemesine ve oluşturmasına yardımcı olur. Xin doktora derecesini aldı. Notre Dame Üniversitesi'nden Bilgisayar Bilimi ve Mühendisliği bölümünden mezun oldu.
