Технологии
Вернуться к блогу ›
Стохастический градиентный спуск с оценкой градиента для категориальных признаков
Обширная область машинного обучения (ML) предоставляет широкий спектр техник и методов, которые охватывают множество ситуаций. Однако снабженческая цепочка имеет свой собственный набор специфических проблем с данными, и иногда аспекты, которые могут считаться базовыми для практиков снабженческой цепочки, не получают пользы от удовлетворительных инструментов ML - по крайней мере, согласно нашим стандартам.
Различение реляционных запросов
Данные цепочки поставок представляют собой в основном реляционные данные, такие как заказы, клиенты, поставщики, продукты и т. д. Эти данные собираются через бизнес-системы - ERP, CRM, WMS - которые используются для работы компании.
Воспроизводимый параллельный стохастический градиентный спуск
Стохастический градиентный спуск (SGD) - одна из самых успешных техник, когда-либо разработанных для машинного обучения и математической оптимизации. Lokad на протяжении многих лет активно использует SGD для целей управления поставками, в основном через дифференцируемое программирование. Большинство наших клиентов где-то в своем конвейере данных имеют хотя бы один SGD.
Envision VM (часть 4), Распределенное выполнение
Предыдущие статьи в основном рассматривали, как отдельные рабочие выполняют скрипты Envision. Однако, как для устойчивости, так и для производительности, Envision фактически выполняется на кластере машин.
Envision VM (часть 3), Атомы и хранение данных
Во время выполнения, thunks считывают входные данные и записывают выходные данные, часто в больших объемах. Как сохранить эти данные с момента их создания и до их использования (часть ответа находится на NVMe-накопителях, распределенных по нескольким машинам), и как минимизировать количество данных, которые проходят через каналы, медленнее оперативной памяти (сеть и постоянное хранилище).
Envision VM (часть 2), Thunks и модель выполнения
Как и большинство других систем параллельного выполнения, Envision создает направленный ациклический граф (DAG), где каждый узел представляет операцию, которую необходимо выполнить, а каждое ребро представляет зависимость данных, где узел внизу требует вывода узла вверху для выполнения.
Envision VM (часть 1), Окружение и Общая архитектура
Пайплайн оптимизации цепи поставок охватывает широкий спектр потребностей в обработке данных: ввод и дополнение данных, извлечение признаков, вероятностное прогнозирование, принятие оптимальных решений при ограничениях, экспорт данных, аналитика и создание панелей управления.
Почему FTP вместо REST
Большинство веб-приложений используют веб-API в стиле REST, но Lokad использует FTPS и SFTP, что может показаться удивительным. Однако это выбор сознательный, почему Lokad выбрала этот путь?
Факторы успеха в прогнозирующих цепях поставок
Прохождение через миазму технологий цепей поставок остается вызовом. Что может помочь гарантировать успех?
Занято 6-е место среди 909 команд в соревновании по прогнозированию M5
Lokad заняла 6-е место в соревновании по прогнозированию M5 среди 909 конкурирующих команд. Это впечатляющий результат.
Количественная SCM против классической APS
Сравнение модуль за модулем между классическими системами APS (Advance Planning and Scheduling) и количественной цепью поставок, реализованной Lokad.
Почему не Python
Envision, специализированный язык (DSL) компании Lokad, был разработан для решения задач, в которых Python никогда не сможет предложить экономически эффективные решения.