Die Quantitative Supply Chain
Supply Chain-Daten präsentieren sich fast ausschließlich als relationale Daten: Bestellungen, Kunden, Lieferanten, Produkte usw. Diese Daten werden über die Geschäftssysteme - das ERP, das CRM, das WMS - gesammelt, die zur Betrieb des Unternehmens verwendet werden.
Die meisten gängigen Machine Learning-Techniken sind jedoch nicht gut geeignet, um mit relationalen Daten umzugehen. Der Umgang mit relationalen Daten ist in der Regel eine nachträgliche Überlegung, die in der Regel einige clevere Hacks auf der Grundlage eines Designs beinhaltet, das entschieden nicht mit der relationalen Perspektive übereinstimmt.
Lokad hat seine eigene Variante des differenzierbaren Programmierens entwickelt, bei dem der relationale Anwendungsfall im Mittelpunkt steht. Tatsächlich möchten wir, dass unsere Machine Learning-Tools die relationale Natur der Daten von Natur aus erfassen. Im Vergleich zu den alternativen Optionen bietet dieser Ansatz zahlreiche Vorteile, diese Modelle sind:
- einfacher zu schreiben
- einfacher zu verstehen und nachzuvollziehen
- interpretierbarer
- schneller zu erlernen und schneller auszuführen
- usw.
Die Lokad-Plattform ist programmatisch und konzentriert sich seit ihrer Gründung auf die Verarbeitung und Visualisierung relationaler Daten. Im Jahr 2019 haben wir uns jedoch auf eine neue Reise begeben und beschlossen, unseren gesamten Machine Learning-Stack ebenfalls dem relationalen Paradigma anzupassen.
Die Differenzierung relationaler Abfragen ist ein kleiner, aber grundlegender Baustein in diese Richtung. Es handelt sich um ein Mittel, um Gradienten durch relationale Abfragen zu propagieren. Diese Gradienten werden wiederum verwendet, um eine stochastische Gradientenabstieg durchzuführen, die in der Regel den Kern der Lern-/Optimierungslogik darstellt.
Das unten stehende Papier präsentiert einen Beitrag von Paul Peseux (Lokad) zu diesem Thema.
Titel: Die Quantitative Supply Chain
Autor: Paul Peseux, Lokad
Aus den Proceedings des VLDB 2021 PhD Workshop, 16. August 2021.
Zusammenfassung: Diese Arbeit befasst sich mit der automatischen Differentiation einer Abfrage im Kontext relationaler Datenbanken und Abfragen. Dies geschieht, um eine Optimierung durch Gradientenabstieg in diesen relationalen Datenbanken durchzuführen. Diese Arbeit beschreibt eine Form der automatischen Differentiation für eine Teilmenge relationaler Abfragen.
