Đây là bài đăng của khách được đồng tác giả bởi Nafi Ahmet Turgut, Mehmet İkbal Özmen, Hasan Burak Yel, Fatma Nur Dumlupınar Keşir, Mutlu Polatcan và Emre Uzel từ Getir.

mang là người tiên phong trong việc giao hàng tạp hóa cực nhanh. Công ty công nghệ này đã cách mạng hóa việc giao hàng chặng cuối với đề xuất giao hàng tạp hóa trong vài phút. Getir được thành lập vào năm 2015 và hoạt động tại Thổ Nhĩ Kỳ, Anh, Hà Lan, Đức và Hoa Kỳ. Ngày nay, Getir là một tập đoàn kết hợp chín ngành dọc dưới cùng một thương hiệu.

Trong bài đăng này, chúng tôi mô tả hệ thống quản lý lực lượng lao động toàn diện bắt đầu bằng dự báo nhu cầu theo vị trí cụ thể, sau đó là lập kế hoạch lực lượng lao động chuyển phát nhanh và phân công ca làm việc bằng cách sử dụng Dự báo Amazon và Chức năng bước AWS.

Trước đây, các nhóm vận hành thực hiện các biện pháp quản lý lực lượng lao động thủ công, dẫn đến lãng phí đáng kể thời gian và công sức. Tuy nhiên, với việc triển khai dự án quản lý lực lượng lao động toàn diện từ đầu đến cuối của chúng tôi, giờ đây họ có thể tạo ra các kế hoạch chuyển phát nhanh cần thiết cho kho một cách hiệu quả thông qua quy trình đơn giản, chỉ bằng một cú nhấp chuột có thể truy cập qua giao diện web. Trước khi bắt đầu dự án này, các nhóm kinh doanh đã dựa vào các phương pháp trực quan hơn để dự báo nhu cầu, đòi hỏi phải cải thiện về mặt độ chính xác.

Dự báo Amazon là một dịch vụ được quản lý hoàn toàn sử dụng thuật toán học máy (ML) để đưa ra dự báo chuỗi thời gian có độ chính xác cao. Trong bài đăng này, chúng tôi mô tả cách chúng tôi giảm 70% thời gian lập mô hình bằng cách thực hiện kỹ thuật tính năng và lập mô hình bằng Amazon Dự báo. Chúng tôi đã giảm được 90% thời gian trôi qua khi chạy thuật toán lập lịch cho tất cả các kho bằng cách sử dụng Chức năng bước AWS, đây là một dịch vụ được quản lý hoàn toàn giúp điều phối các thành phần của ứng dụng phân tán và vi dịch vụ dễ dàng hơn bằng cách sử dụng quy trình làm việc trực quan. Giải pháp này cũng giúp cải thiện 90% độ chính xác của dự đoán trên khắp Thổ Nhĩ Kỳ và một số quốc gia Châu Âu.

Tổng quan về giải pháp

Dự án Quản lý lực lượng lao động từ đầu đến cuối (Dự án E2E) là một dự án có quy mô lớn và có thể được mô tả theo ba chủ đề:

1. Tính toán yêu cầu chuyển phát nhanh

Bước đầu tiên là ước tính nhu cầu hàng giờ cho từng kho, như được giải thích trong phần lựa chọn Thuật toán. Những dự đoán này, được tạo ra bằng Dự báo của Amazon, giúp xác định thời điểm và số lượng người chuyển phát mà mỗi kho hàng cần.

Dựa trên tỷ lệ thông lượng của người chuyển phát trong kho, số lượng người chuyển phát cần thiết cho mỗi kho được tính theo khoảng thời gian hàng giờ. Những tính toán này hỗ trợ xác định số lượng chuyển phát nhanh khả thi có tính đến giờ làm việc hợp pháp, bao gồm mô hình toán học.

2. Giải bài toán Phân công ca

Khi chúng tôi đã có nhu cầu về người chuyển phát nhanh và biết các hạn chế khác của người chuyển phát và kho hàng, chúng tôi có thể giải quyết vấn đề phân công ca làm việc. Bài toán được mô hình hóa với các biến quyết định xác định người vận chuyển được chỉ định và tạo lịch trình thay đổi, giảm thiểu tình trạng dư thừa và thiếu hụt có thể gây ra đơn hàng bị bỏ lỡ. Đây thường là một vấn đề về lập trình số nguyên hỗn hợp (MIP).

3. Sử dụng AWS Step Functions

Chúng tôi sử dụng AWS Step Functions để điều phối và quản lý quy trình làm việc với khả năng thực hiện công việc song song. Quy trình phân công ca của mỗi kho được xác định là một quy trình công việc riêng biệt. AWS Step Functions tự động khởi tạo và giám sát các quy trình công việc này bằng cách đơn giản hóa việc xử lý lỗi.

Vì quy trình này yêu cầu dữ liệu mở rộng và tính toán phức tạp nên các dịch vụ như AWS Step Functions mang lại lợi thế đáng kể trong việc tổ chức và tối ưu hóa các tác vụ. Nó cho phép kiểm soát tốt hơn và quản lý tài nguyên hiệu quả.

Trong kiến ​​trúc giải pháp, chúng tôi cũng tận dụng các dịch vụ AWS khác bằng cách tích hợp chúng vào AWS Step Functions:

Các sơ đồ sau đây minh họa quy trình làm việc và kiến ​​trúc của công cụ dịch chuyển AWS Step Functions:

Hình 1 Quy trình làm việc của AWS Step Functions

Hình 2 Kiến trúc công cụ dịch chuyển

Lựa chọn thuật toán

Dự báo nhu cầu địa phương là giai đoạn đầu của dự án E2E. Mục tiêu bao trùm của E2E là xác định số lượng nhà vận chuyển cần phân bổ đến một kho cụ thể, bắt đầu bằng việc dự báo nhu cầu đối với kho đó.

Thành phần dự báo này có vai trò then chốt trong khuôn khổ E2E vì các giai đoạn tiếp theo phụ thuộc vào các kết quả dự báo này. Do đó, bất kỳ sự thiếu chính xác nào trong dự đoán đều có thể ảnh hưởng tiêu cực đến hiệu quả của toàn bộ dự án.

Mục tiêu của giai đoạn dự báo nhu cầu theo địa điểm là tạo ra các dự đoán trên cơ sở từng quốc gia cụ thể cho mỗi kho được phân đoạn theo giờ trong hai tuần tới. Ban đầu, dự báo hàng ngày cho mỗi quốc gia được xây dựng thông qua mô hình ML. Những dự đoán hàng ngày này sau đó được chia thành các phân đoạn theo giờ, như được mô tả trong biểu đồ sau. Dữ liệu lịch sử về nhu cầu giao dịch, thông tin thời tiết dựa trên vị trí, ngày nghỉ lễ, chương trình khuyến mãi và dữ liệu chiến dịch tiếp thị là những tính năng được sử dụng trong mô hình như được hiển thị trong biểu đồ bên dưới.

Hình 3 Cấu trúc dự báo theo vị trí cụ thể

Ban đầu, nhóm đã khám phá các kỹ thuật dự báo truyền thống như mã nguồn mở SARIMA (Trung bình động tích hợp tự động hồi quy theo mùa), ARIMAX (Trung bình di chuyển tích hợp tự động hồi quy sử dụng các biến ngoại sinh) và Làm mịn hàm mũ.

ARIMA (Trung bình di chuyển tích hợp tự động hồi quy) là phương pháp dự báo chuỗi thời gian kết hợp các thành phần tự hồi quy (AR) và trung bình di chuyển (MA) cùng với sự khác biệt để làm cho chuỗi thời gian đứng yên.

SARIMA mở rộng ARIMA bằng cách kết hợp các tham số bổ sung để tính đến tính thời vụ trong chuỗi thời gian. Nó bao gồm các số hạng trung bình di chuyển theo mùa và tự động hồi quy theo mùa để nắm bắt các mô hình lặp lại trong các khoảng thời gian cụ thể, làm cho nó phù hợp với chuỗi thời gian có thành phần theo mùa.

ARIMAX xây dựng dựa trên ARIMA bằng cách đưa ra các biến ngoại sinh, là các yếu tố bên ngoài có thể ảnh hưởng đến chuỗi thời gian. Các biến bổ sung này được xem xét trong mô hình để cải thiện độ chính xác của dự báo bằng cách tính đến các ảnh hưởng bên ngoài vượt quá các giá trị lịch sử của chuỗi thời gian.

Làm mịn theo cấp số nhân là một phương pháp dự báo chuỗi thời gian khác, không giống như ARIMA, dựa trên mức trung bình có trọng số của các quan sát trong quá khứ. Nó đặc biệt hiệu quả trong việc nắm bắt xu hướng và tính thời vụ trong dữ liệu. Phương pháp này gán trọng số giảm theo cấp số nhân cho các quan sát trong quá khứ, với những quan sát gần đây hơn nhận được trọng số cao hơn.

Các mô hình Dự báo của Amazon cuối cùng đã được chọn cho phân đoạn lập mô hình thuật toán. Hàng loạt mô hình và khả năng kỹ thuật tính năng phức tạp do AWS Dự báo cung cấp đã chứng tỏ lợi thế hơn và tối ưu hóa việc sử dụng tài nguyên của chúng tôi.

Sáu thuật toán có sẵn trong Dự báo đã được thử nghiệm: Mạng nơ-ron tích chập – Hồi quy lượng tử (CNN-QR), DeepAR+, Tiên tri, Chuỗi thời gian không tham số (NPTS), Trung bình di chuyển tích hợp tự hồi quy (ARIMA) và Làm mịn theo cấp số nhân (ETS). Sau khi phân tích kết quả dự báo, chúng tôi xác định rằng CNN-QR vượt trội hơn các kết quả khác về hiệu quả. CNN-QR là thuật toán ML độc quyền được phát triển bởi Amazon để dự báo chuỗi thời gian vô hướng (một chiều) bằng cách sử dụng Mạng thần kinh chuyển đổi nhân quả (CNN). Với sự sẵn có của các nguồn dữ liệu đa dạng tại thời điểm này, việc sử dụng thuật toán CNN-QR đã tạo điều kiện thuận lợi cho việc tích hợp nhiều tính năng khác nhau, hoạt động trong khuôn khổ học tập có giám sát. Sự khác biệt này đã tách nó ra khỏi các mô hình dự báo chuỗi thời gian đơn biến và hiệu suất được nâng cao rõ rệt.

Việc sử dụng Dự báo tỏ ra hiệu quả do tính đơn giản trong việc cung cấp dữ liệu cần thiết và chỉ định thời lượng dự báo. Sau đó, Dự báo sử dụng thuật toán CNN-QR để tạo dự đoán. Công cụ này đã đẩy nhanh đáng kể quy trình cho nhóm của chúng tôi, đặc biệt là trong mô hình hóa thuật toán. Hơn nữa, việc sử dụng Dịch vụ lưu trữ đơn giản của Amazon Bộ chứa (Amazon S3) dành cho kho lưu trữ dữ liệu đầu vào và Amazon Redshift để lưu trữ kết quả đã tạo điều kiện thuận lợi cho việc quản lý tập trung toàn bộ quy trình.

Kết luận

Trong bài đăng này, chúng tôi đã giới thiệu cho bạn cách dự án E2E của Getir thể hiện cách kết hợp các dịch vụ Amazon Dự báo và AWS Step Functions để hợp lý hóa các quy trình phức tạp một cách hiệu quả. Chúng tôi đã đạt được độ chính xác dự đoán ấn tượng khoảng 90% ở các quốc gia ở Châu Âu và Thổ Nhĩ Kỳ, đồng thời sử dụng Dự báo giúp giảm 70% thời gian lập mô hình nhờ khả năng xử lý hiệu quả kỹ thuật tính năng và lập mô hình.

Việc sử dụng dịch vụ AWS Step Functions đã mang lại những lợi ích thiết thực, đáng chú ý là giảm 90% thời gian lập kế hoạch cho tất cả các kho. Ngoài ra, bằng cách xem xét các yêu cầu tại hiện trường, chúng tôi đã cải thiện tỷ lệ tuân thủ thêm 3%, giúp phân bổ lực lượng lao động hiệu quả hơn. Ngược lại, điều này làm nổi bật sự thành công của dự án trong việc tối ưu hóa hoạt động và cung cấp dịch vụ.

Để truy cập thêm thông tin chi tiết về việc bắt đầu hành trình của bạn với Dự báo, vui lòng tham khảo thông tin có sẵn Tài nguyên dự báo của Amazon. Ngoài ra, để biết thông tin chi tiết về cách xây dựng quy trình làm việc tự động và xây dựng quy trình máy học, bạn có thể khám phá Chức năng bước AWS để được hướng dẫn toàn diện.

Về các tác giả

Nafi Ahmet Turgut đã hoàn thành bằng thạc sĩ về Kỹ thuật Điện & Điện tử và làm nhà khoa học nghiên cứu sau đại học. Trọng tâm của ông là xây dựng các thuật toán học máy để mô phỏng các điểm bất thường của mạng lưới thần kinh. Anh gia nhập Getir vào năm 2019 và hiện đang làm Giám đốc phân tích & khoa học dữ liệu cấp cao. Nhóm của ông chịu trách nhiệm thiết kế, triển khai và duy trì các thuật toán học máy toàn diện cũng như các giải pháp dựa trên dữ liệu cho Getir.

Mehmet İkbal Özmen nhận bằng Thạc sĩ Kinh tế và làm Trợ lý Nghiên cứu Sau đại học. Lĩnh vực nghiên cứu của ông chủ yếu là các mô hình chuỗi thời gian kinh tế, mô phỏng Markov và dự báo suy thoái. Sau đó, anh ấy gia nhập Getir vào năm 2019 và hiện đang làm Giám đốc phân tích và khoa học dữ liệu. Nhóm của anh ấy chịu trách nhiệm về các thuật toán tối ưu hóa và dự báo để giải quyết các vấn đề phức tạp mà hoạt động kinh doanh và chuỗi cung ứng gặp phải.

Hasan Burak Yel nhận bằng Cử nhân Kỹ thuật Điện & Điện tử tại Đại học Boğaziçi. Anh ấy làm việc tại Turkcell, chủ yếu tập trung vào dự báo chuỗi thời gian, trực quan hóa dữ liệu và tự động hóa mạng. Anh gia nhập Getir vào năm 2021 và hiện đang làm Giám đốc phân tích & khoa học dữ liệu với trách nhiệm về các lĩnh vực Tìm kiếm, Đề xuất và Phát triển.

Fatma Nur Dumlupınar Keşir nhận bằng Cử nhân của Khoa Kỹ thuật Công nghiệp tại Đại học Boğaziçi. Cô làm nhà nghiên cứu tại TUBITAK, tập trung vào dự báo và trực quan hóa chuỗi thời gian. Sau đó, cô gia nhập Getir vào năm 2022 với tư cách là nhà khoa học dữ liệu và đã làm việc trong các dự án Công cụ đề xuất, Lập trình toán học để lập kế hoạch lực lượng lao động.

Emre Uzel nhận bằng Thạc sĩ Khoa học Dữ liệu của Đại học Koç. Anh làm cố vấn khoa học dữ liệu tại Eczacıbaşı Bilişim, nơi anh chủ yếu tập trung vào các thuật toán công cụ đề xuất. Anh gia nhập Getir vào năm 2022 với tư cách là Nhà khoa học dữ liệu và bắt đầu thực hiện các dự án tối ưu hóa toán học và dự báo chuỗi thời gian.

Mutlu Ba Lan là Kỹ sư dữ liệu nhân viên tại Getir, chuyên thiết kế và xây dựng nền tảng dữ liệu gốc trên đám mây. Anh ấy thích kết hợp các dự án nguồn mở với các dịch vụ đám mây.

Esra Kayabalı là Kiến trúc sư giải pháp cấp cao tại AWS, chuyên về lĩnh vực phân tích bao gồm kho dữ liệu, hồ dữ liệu, phân tích dữ liệu lớn, truyền dữ liệu theo lô và thời gian thực cũng như tích hợp dữ liệu. Cô có 12 năm kinh nghiệm phát triển phần mềm và kiến ​​trúc. Cô đam mê học hỏi và giảng dạy các công nghệ đám mây.

• Phân phối nội dung và PR được hỗ trợ bởi SEO. Được khuếch đại ngay hôm nay.
• PlatoData.Network Vertical Generative Ai. Trao quyền cho chính mình. Truy cập Tại đây.
• PlatoAiStream. Thông minh Web3. Kiến thức khuếch đại. Truy cập Tại đây.
• Trung tâmESG. Than đá, công nghệ sạch, Năng lượng, Môi trường Hệ mặt trời, Quản lý chất thải. Truy cập Tại đây.
• PlatoSức khỏe. Tình báo thử nghiệm lâm sàng và công nghệ sinh học. Truy cập Tại đây.
• nguồn: https://aws.amazon.com/blogs/machine-learning/getir-end-to-end-workforce-management-amazon-forecast-and-aws-step-functions/