Technologie
Zurück zum Blog ›
Stochastischer Gradientenabstieg mit Gradientenschätzer für kategoriale Merkmale
Das breite Feld des maschinellen Lernens (ML) bietet eine Vielzahl von Techniken und Methoden, die zahlreiche Situationen abdecken. Die Supply Chain hingegen bringt ihre eigenen spezifischen Datenausforderungen mit sich, und manchmal profitieren Aspekte, die von Supply Chain-Experten als grundlegend angesehen werden könnten, nicht von zufriedenstellenden ML-Instrumenten - zumindest nach unseren Maßstäben.
Die Quantitative Supply Chain
Supply Chain-Daten präsentieren sich fast ausschließlich als relationale Daten wie 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.
Reproduzierbarer paralleler stochastischer Gradientenabstieg
Der stochastische Gradientenabstieg (SGD) ist eine der erfolgreichsten Techniken, die je für maschinelles Lernen und mathematische Optimierung entwickelt wurden. Lokad nutzt den SGD seit Jahren intensiv für Supply-Chain-Zwecke, hauptsächlich durch differenzierbare Programmierung. Die meisten unserer Kunden haben mindestens einen SGD irgendwo in ihrer Datenpipeline.
Envision VM (Teil 4), Verteilte Ausführung
Die vorherigen Artikel haben hauptsächlich untersucht, wie einzelne Arbeiter Envision-Skripte ausführen. Envision wird jedoch sowohl aus Gründen der Robustheit als auch der Leistung tatsächlich auf einem Cluster von Maschinen ausgeführt.
Envision VM (Teil 3), Atome und Datenspeicherung
Während der Ausführung lesen Thunks Eingabedaten und schreiben Ausgabedaten, oft in großen Mengen. Wie kann diese Daten von dem Moment an, in dem sie erstellt werden, bis zu dem Moment, in dem sie verwendet werden, aufbewahrt werden (ein Teil der Antwort liegt auf NVMe-Laufwerken, die auf mehrere Maschinen verteilt sind), und wie kann die Menge an Daten minimiert werden, die durch Kanäle fließen, die langsamer als der RAM sind (Netzwerk und persistenter Speicher).
Envision VM (Teil 2), Thunks und das Ausführungsmodell
Wie die meisten anderen parallelen Ausführungssysteme erzeugt Envision einen gerichteten azyklischen Graphen (DAG), bei dem jeder Knoten eine auszuführende Operation darstellt und jede Kante eine Datenabhängigkeit darstellt, bei der der nachgelagerte Knoten die Ausgabe des vorgelagerten Knotens benötigt, um ausgeführt zu werden.
Envision VM (Teil 1), Umgebung und allgemeine Architektur
Eine Supply Chain Optimization-Pipeline deckt eine Vielzahl von Datenverarbeitungsanforderungen ab: Datenübernahme und -erweiterung, Merkmalsextraktion, probabilistische Prognose, Erzeugung optimaler Entscheidungen unter Einschränkungen, Datenexport, Analyse und Dashboard-Erstellung.
Warum FTP anstelle von REST
Die meisten Webanwendungen verfügen über Web-APIs im REST-Stil, während Lokad FTPS und SFTP verwendet, was überraschend erscheinen mag. Diese Wahl ist jedoch bewusst getroffen worden. Warum hat sich Lokad für diesen Weg entschieden?
Faktoren für den Erfolg in der quantitativen Supply Chain
Die Navigation durch den Nebel der Supply Chain-Technologien bleibt eine Herausforderung. Was kann helfen, den Erfolg zu garantieren?
Auf Platz 6 von 909 Teams im M5-Prognosewettbewerb
Lokad hat den 6. Platz im M5-Prognosewettbewerb von insgesamt 909 teilnehmenden Teams erreicht. Eine beeindruckende Leistung.
Quantitative SCM vs Classic APS
Modul-für-Modul-Vergleich zwischen klassischen APS (Advanced Planning and Scheduling)-Systemen und der quantitativen Supply Chain, wie sie von Lokad implementiert wird.
Warum nicht Python
Envision, die domänenspezifische Sprache (DSL) von Lokad, wurde entwickelt, um Herausforderungen anzugehen, bei denen Python niemals kosteneffektive Lösungen liefern wird.