テクノロジー
ブログに戻る ›
カテゴリカル特徴量の勾配推定子を用いた確率的勾配降下法
機械学習（ML）の広範な分野は、さまざまな状況をカバーする多くの技術と手法を提供しています。しかし、サプライチェーンには独自のデータの課題があり、サプライチェーンの実践者にとって基本的と思われる側面でも、満足のいくMLの手段を提供していないことがあります-少なくとも私たちの基準にはそうです。
異なるリレーショナルクエリの差別化
サプライチェーンデータは、ほとんどが注文、顧客、サプライヤー、製品などのようなリレーショナルデータとして表されます。これらのデータは、企業の運営に使用されるERP、CRM、WMSなどのビジネスシステムを介して収集されます。
再現可能な並列確率的勾配降下法
確率的勾配降下法（SGD）は、機械学習と数理最適化の両方において最も成功した技術の一つです。Lokadは、異なるプログラミングを通じて、供給チェーンの目的でSGDを長年にわたり積極的に活用してきました。ほとんどのクライアントのデータパイプラインのどこかに、少なくとも1つのSGDがあります。
Envision VM（パート4）、分散実行
前の記事では、個々のワーカーがEnvisionスクリプトを実行する方法について主に調査しました。ただし、信頼性とパフォーマンスのために、Envisionは実際には複数のマシンのクラスタ上で実行されます。
Envision VM（パート3）、アトムとデータストレージ
実行中、サンクは入力データを読み取り、出力データを書き込みます。これらのデータはしばしば大量に存在します。このデータが作成された瞬間から使用されるまで（一部は複数のマシンに分散されたNVMeドライブに保存されます）、RAMよりも遅いチャネル（ネットワークおよび永続ストレージ）を介して送信されるデータ量を最小限にする方法について説明します。
Envision VM（パート2）、サンクと実行モデル
ほとんどの他の並列実行システムと同様に、Envisionは有向非巡回グラフ（DAG）を生成します。各ノードは実行する必要がある操作を表し、各エッジは下流のノードが上流のノードの出力を実行するために必要とするデータの依存関係を表します。
Envision VM（パート1）、環境と一般的なアーキテクチャ
サプライチェーン最適化パイプラインは、さまざまなデータ処理ニーズをカバーします：データの取り込みと拡張、特徴抽出、確率的予測、制約条件下での最適な意思決定、データのエクスポート、分析、およびダッシュボードの作成。
なぜ REST ではなく FTP を選んだのか
ほとんどのウェブアプリは REST スタイルのウェブ API を採用していますが、Lokad は FTPS と SFTP を採用しています。これは驚くかもしれませんが、この選択は意図的なものです。なぜ Lokad はこのルートを選んだのでしょうか？
Quantitative SCM vs Classic APS
クラシックAPS（先進的な計画とスケジューリング）システムとLokadによる定量的なサプライチェーンのモジュールごとの比較。
Pythonではない理由
Lokadのドメイン固有言語（DSL）であるEnvisionは、Pythonではコスト効果の高い解決策を提供することができない課題に対処するために設計されました。