制造业中的数据分析和机器学习

전자상거래의성,장공급업체의변동,글로벌팬데믹의위험으로인해공급망이타격을받고부담이가중되었습니다。기업에서는수요를예측하고재고를관리하던기존의모델과전략으로는리테일의새로운상황을예측할수없다는것을깨달았습니다。과거에는한정적인데이터세트로매주또는매월예측을집계했을지몰라도,소비자가쉽게매장을바꿀수있는전자상거래의시대가도래하면서기업에는각매장에서하루단위로SKU에대한수요를예측하는능력이필요하게되었습니다。

소매업체가성공하려면시계열분석의속도와정확성을개선하여제품과서비스에대한수요를더욱정확하게예측하는것이중요합니다。이노트북에서는시계열전망예측의중요성을설명하고,일부샘플시계열데이터를시각화한다음,Facebook先知사용을보여주는간단한모델을구축합니다。모델하나를잘구축하면,先知과Apache火花™의마법과같은기능을결합하여한번에수백개의모델을훈련하고지금까지실현이불가능에가까웠던수준으로세분화하여각제품——매장조합에대해정확히예측해볼것입니다。

최근에일어난자연재해,팬데믹,사회적불안등의요소로인해글로벌공급망이큰타격을입었습니다。어느기업에나수요에맞는충분한제품을확보하면서도지나치게재고를비축하지않는것이핵심과제입니다。이솔루션은소매업체와제조업체가최적의안전재고를알아내운전자본에여유를두면서도비즈니스에대한타격을방지하기위한현대적인방법을제시합니다。

制造商如何了解他们在全球范围内数十万甚至数百万个零件的库存，而本地团队可能在内部系统中有不同的项目描述?或者，制造商如何解决他们的产品定义和数十个零售合作伙伴之间的产品描述之间的差异?bob体育外网下载该解决方案使用机器学习来进化基于规则和概率(模糊)匹配技术，以在不完美的数据上进行有效的产品匹配。

物联网센서에서수신되는실시간데이터로머신러닝모델을훈련하기위해서는각각의연결된기기에개별모델을적용해야하는사용사례가있습니다。대부분기본머신러닝알고리즘이하나의복잡한모델보다성능이우수한경우가많기때문입니다。그러나物联网및기기의데이터용량이매우커져서한대의컴퓨터에들어가지못할수있습니다。기기한대의데이터는컴퓨터한대에들어갑니다。또한데이터사이언스팀은sklearn이나와熊猫같은단일노드라이브러리를사용하여구현하므로단일머신개념증명(PoC)을배포할때마찰이적어야합니다。이블로그에서는각物联网기기에두가지설계(모델훈련,모델스코어링)를적용하여이문제를해결하는방법을보여드리겠습니다。

컴프레서와같은자산을관리하려면매우복잡한작업이필합니다。이런자산은소형굴착장치에서심해플랫폼에이르기까지다양한용도로사용되며,전세계곳곳에서매일몇테라바이트의데이터를생성합니다。이런컴프레서가하나만고장나도하루에생산손실로인한비용이수백만달러에달합니다。이솔루션에서는전체예측데이터파이프라인을구축하여실시간데이터베이스를제공하는방법을알려드립니다。이를통해자산부품과센서매핑을관리하고,방대한원격측정데이터를처리하는지속적인애플리케이션을지원하고,이들데이터세트를통해컴프레서고장을예측할수있습니다。