Tecnología
Volver al blog ›
Diferenciación Automática de Rutas Selectiva: Más Allá de la Distribución Uniforme en el Dropout de Retropropagación
El enfoque Selective Path Automatic Differentiation (SPAD) mejora el Stochastic Gradient Descent (SGD) al adoptar una perspectiva sub-punto de datos. Esta técnica, implementada a nivel de compilador, intercambia la calidad del gradiente por la cantidad del mismo, complementando los métodos tradicionales de SGD con una visión más matizada.
Una reseña con opinión sobre Deep Inventory Management
Un equipo en Amazon publicó Deep Inventory Management (DIM) a finales de 2022. Este artículo presenta una técnica de optimización de inventario DIM que cuenta tanto con reinforcement learning como con deep learning. Como Lokad siguió un camino similar en el pasado, su CEO y fundador Joannes Vermorel ofrece su evaluación crítica de la técnica sugerida.
Programación diferenciable para optimizar sobre datos relacionales a gran escala
La investigación doctoral de Paul Peseux sobre la diferenciación de consultas relacionales -otra área poco investigada de supply chain- introdujo el operador TOTAL JOIN, Polystar y un mini-language ADSL para diferenciar consultas relacionales, todo lo cual Lokad integró en su DSL Envision como parte del autodiff para optimizar la toma de decisiones diarias de inventario.
Análisis de Proveedores a través de Envision - Workshop #1
Lokad lanza su primer Envision Workshop, enseñando a estudiantes (y a especialistas de supply chain) cómo analizar proveedores de retail utilizando la perspectiva probabilística y de gestión de riesgos de Lokad.
Gestión de inventario bajo la restricción de cantidades mínimas de pedido multi-referencia
La investigación doctoral de Gaetan Delétoille sobre MOQs - una área sorprendentemente poco estudiada de supply chain - introdujo la w-policy, algo que Lokad integró en su solución para la toma de decisiones diarias de inventario.
Algoritmos de clasificación distribuidos en la computación en la nube
Matthieu Durut, segundo empleado en Lokad, defendió su doctorado en 2012 por su trabajo de investigación realizado en Lokad. Este doctorado sentó las bases para la transición de Lokad hacia arquitecturas de computación distribuida nativas de la nube, actualmente críticas para gestionar a gran escala supply chain.
Aprendizaje a gran escala: una contribución a algoritmos de clustering distribuidos asincrónicos
Benoit Patra, el primer empleado de Lokad, defendió su doctorado en 2012 por su investigación realizada en Lokad. Este doctorado aportó elementos radicalmente novedosos a la teoría de supply chain, y sentó las bases para el futuro desarrollo del enfoque probabilistic forecasting de Lokad.
Descenso por gradiente estocástico con estimador de gradiente para variables categóricas
El amplio campo del aprendizaje automático (ML) proporciona una amplia gama de técnicas y métodos que cubren numerosas situaciones. Supply chain, sin embargo, cuenta con su propio conjunto específico de desafíos de datos, y a veces aspectos que podrían considerarse 'básicos' por los profesionales de supply chain, no se benefician de instrumentos de ML satisfactorios – al menos según nuestros estándares.
Diferenciando Consultas Relacionales
Los datos de supply chain se presentan casi exclusivamente como datos relacionales tales como pedidos, clientes, proveedores, productos, etc. Estos datos se recogen a través de los sistemas empresariales - el ERP, el CRM, el WMS - que se utilizan para operar la empresa.
Descenso del Gradiente Estocástico Paralelo Reproducible
La stochastic gradient descent (SGD) es una de las técnicas más exitosas jamás ideadas tanto para el aprendizaje automático como para la optimización matemática. Lokad ha estado explotando extensamente el SGD durante años con fines de supply chain, mayormente a través de la programación diferenciable. La mayoría de nuestros clientes tienen al menos un SGD en algún lugar de su [tubería de extracción de datos](/es/tuberia-de-extraccion-de-datos/).
Envision VM (parte 4), Ejecución Distribuida
Los artículos anteriores examinaban en su mayor parte cómo los trabajadores individuales ejecutaban scripts de Envision. Sin embargo, tanto para la resiliencia como para el rendimiento, Envision se ejecuta en realidad a través de un clúster de máquinas.
Envision VM (parte 3), Átomos y Almacenamiento de Datos
Durante la ejecución, los thunks leen datos de entrada y escriben datos de salida, a menudo en grandes cantidades. Cómo preservar estos datos desde el momento en que se crean y hasta el momento en que se usan (parte de la respuesta está en unidades NVMe distribuidas en varias máquinas), y cómo minimizar la cantidad de datos que pasan a través de canales más lentos que la RAM (red y almacenamiento persistente).