تحرير

مشاركة عبر

استخدام الذكاء الاصطناعي للتنبؤ بطلبات العملاء

Azure Machine Learning
Azure Synapse Analytics
Azure Data Lake
Azure SQL Database
Power Apps

أفكار الحل

تصف هذه المقالة فكرة الحل. يمكن لمهندس السحابة الخاص بك استخدام هذه الإرشادات للمساعدة في تصور المكونات الرئيسية لتنفيذ نموذجي لهذه البنية. استخدم هذه المقالة كنقطة بداية لتصميم حل جيد التصميم يتوافق مع المتطلبات المحددة لحمل العمل الخاص بك.

توضح هذه المقالة كيف يمكن لموزعي البضائع استخدام الذكاء الاصطناعي والتعلم الآلي للتنبؤ بكمية الطلبات المستقبلية للعميل لوحدة SKU معينة (وحدة حفظ المخزون). باستخدام Next Order Forecasting (NOF)، يمكن للموزعين تزويد العملاء بتوصيات المنتج واقتراح الكميات المثلى. تعتمد هذه المقالة على المفاهيم الموضحة في العديد من النماذج بنية التعلم الآلي.

بناء الأنظمة

رسم تخطيطي يوضح بنية للتنبؤ بالطلبات.

قم بتنزيل ملف PowerPoint لهذا التصميم.

تدفق البيانات

  1. مصادر البيانات

    للتنبؤ بالطلبات المستقبلية، تحتاج إلى بيانات شاملة حول سجل شراء عملائك لمختلف وحدات SKU في متاجر محددة، بما في ذلك معلومات حول التفضيلات وسلوك الشراء. عادة ما يتم الحصول على هذا النوع من المعلومات من الطلبات والبضائع وقواعد بيانات العملاء. تحتاج أيضا إلى النظر في عوامل خارجية مثل الطقس والعطلات والأحداث. عادة ما يتم الحصول على هذه البيانات من مصادر الجهات الخارجية.

    لإنشاء نماذج التنبؤ بالترتيب، يمكنك استخدام البيانات في مخطط يتضمن عدة متغيرات رئيسية:

    • التاريخ والوقت
    • موقع متجر العملاء
    • البضائع SKU
    • الكمية المطلوبة
    • السعر لكل وحدة
    • الميزات المتعلقة بالطقس والعطلات والأحداث والعوامل الخارجية الأخرى

    من خلال تحليل هذه البيانات، يمكنك الحصول على رؤى حول سلوك العميل وتقديم توصيات SKU وكمية مستنيرة لطلب العميل التالي.

  2. استيعاب

    استيعاب البيانات هو عملية نقل البيانات من مصادر مختلفة إلى وجهة معينة. تتضمن هذه العملية استخدام موصلات محددة لكل مصدر بيانات ووجهة مستهدفة.

    يوفر Azure Data Factory موصلات يمكنك استخدامها لاستخراج البيانات من مصادر مختلفة، بما في ذلك قواعد البيانات وأنظمة الملفات والخدمات السحابية. يتم إنشاء هذه الموصلات بواسطة Microsoft أو موردي الجهات الخارجية وهي مصممة للعمل بفعالية مع مصادر بيانات متعددة. على سبيل المثال، يمكنك استخدام موصلات SAP لمختلف سيناريوهات استيعاب بيانات SAP. يمكنك استخدام موصل Snowflake لنسخ البيانات من Snowflake.

  3. منطقة التقسيم المرحلي

    تعمل منطقة التقسيم المرحلي كموقع تخزين مؤقت بين المصدر والوجهة. الغرض الرئيسي من منطقة التقسيم المرحلي هذه هو الحفاظ على البيانات بتنسيق موحد ومنظم أثناء خضوعها للتحويلات أو فحوصات الجودة، قبل تحميلها إلى وجهتها.

    يعد تنسيق البيانات المتسق أمرا بالغ الأهمية للتحليل الدقيق والنمذجة. إذا قمت بدمج البيانات وإعدادها في منطقة التقسيم المرحلي، يمكن ل Azure التعلم الآلي معالجتها بكفاءة أكبر.

  4. تدريب نموذج التعلم الآلي

    تدريب النموذج هو عملية تعلم آلي تتضمن استخدام خوارزمية لمعرفة أنماط من البيانات، وفي هذه الحالة، تحديد نموذج يمكنه التنبؤ بالترتيب التالي للعميل بدقة.

    في هذا الحل، يتم استخدام Azure التعلم الآلي لإدارة دورة حياة مشروع التعلم الآلي بالكامل، بما في ذلك نماذج التدريب ونشر النماذج وإدارة عمليات التعلم الآلي (MLOps).

    يستخدم ParallelRunStep لمعالجة كميات كبيرة من البيانات بالتوازي وإنشاء نماذج يمكنها التنبؤ بالترتيب التالي لكل متجر عملاء ومجموعة SKU للبضائع. يمكنك تقليل وقت المعالجة عن طريق تقسيم مجموعة البيانات إلى أجزاء أصغر ومعالجتها في وقت واحد على أجهزة ظاهرية متعددة. يمكنك استخدام مجموعات حساب Azure التعلم الآلي لإنجاز هذا التوزيع لأحمال العمل عبر عقد متعددة.

    بعد إعداد البيانات، يمكن ل Azure التعلم الآلي بدء عملية تدريب النموذج المتوازي باستخدام ParallelRunStep مع مجموعة من نماذج التنبؤ، بما في ذلك التجانس الأسي والشبكة المرنة والنبي. يبدأ كل مثيل عقدة أو حساب في بناء النموذج، بحيث تكون العملية أكثر كفاءة وأسرع.

  5. الاستدلال على نموذج التعلم الآلي

    استنتاج النموذج هو عملية تستخدم نموذج تعلم آلي مدرب لإنشاء تنبؤات لنقاط البيانات غير المرئية سابقا. في هذا الحل، فإنه يتوقع كمية البضائع SKU التي من المحتمل أن يشتريها العميل.

    يوفر Azure التعلم الآلي سجلات النماذج لتخزين النماذج المدربة وتعيين إصداراتها. يمكن أن تساعدك سجلات النماذج على تنظيم النماذج المدربة وتعقبها، ما يضمن توفرها بسهولة للنشر.

    يتيح نشر نموذج التعلم الآلي المدرب للنموذج معالجة بيانات جديدة للاستدلال. نوصي باستخدام نقاط النهاية المدارة من Azure لهدف النشر. تتيح نقاط النهاية قابلية التوسع السهلة وضبط الأداء وقابلية الوصول العالية.

    في حالة الاستخدام هذه، هناك طريقتان لنشر النماذج على نقاط النهاية المدارة. الخيار الأول هو نشر كل نموذج على نقطة النهاية المدارة الخاصة به، كما هو موضح في الرسم التخطيطي. الخيار الثاني هو تجميع نماذج متعددة في نموذج واحد ونشره على نقطة نهاية مدارة واحدة. النهج الأخير هو أكثر كفاءة، ما يوفر طريقة أسهل لنشر وإدارة نماذج متعددة في وقت واحد.

  6. حمل العمل التحليلي

    يتم تخزين إخراج النموذج في أنظمة التحليلات مثل Azure Synapse Analytics أو Azure Data Lake أو قاعدة بيانات Azure SQL، حيث يتم أيضا جمع بيانات الإدخال وتخزينها. تسهل هذه المرحلة توفر نتائج التنبؤ لاستهلاك العملاء ومراقبة النموذج وإعادة تدريب النماذج ببيانات جديدة لتحسين دقتها.

  7. استهلاك المستخدم النهائي

    لتقديم النموذج المسجل بصريا للعملاء، يمكنك استخدام ميزة Web Apps في Azure App Service أو لوحة معلومات Power BI أو Power Apps. يمكن لهذه الأدوات تقديم توصيات ل SKU والكميات المتوقعة بيانيا بطريقة بديهية وجذابة.

    يتم تنبيه العملاء إلى وحدات SKU الموصى بها والكميات المتوقعة، حتى يتمكنوا من تقديم الطلبات بشكل استباقي. يمكن أن تساعد التوصيات في تبسيط عملية الطلب، وتقليل احتمالية الأسهم، وتعزيز رضا العملاء. إذا كنت تستخدم لوحة معلومات Power BI أو Power Apps، يمكنك تزويد عملائك بتجربة طلب سلسة وفعالة.

المكونات

  • Azure Synapse هي خدمة تحليلات للمؤسسات تعمل على تسريع الوقت للحصول على نتيجة تحليلات عبر مستودعات البيانات وأنظمة البيانات الضخمة. يربط Azure Synapse تقنيات SQL بخدمات Azure الأخرى، مثل Power BI وAzure Cosmos DB وAzure التعلم الآلي.
  • Data Factory هي خدمة تكامل بيانات مستندة إلى السحابة تعمل على أتمتة حركة البيانات وتحويلها.
  • Data Lake هي خدمة تخزين بيانات لا حدود لها لبيانات الإسكان في أشكال وتنسيقات مختلفة. يوفر تكاملا سهلا مع أدوات التحليلات في Azure. يستخدم هذا الحل مخزن بيانات محلي لبيانات التعلم الآلي وذاكرة تخزين مؤقت للبيانات المتميزة لتدريب نموذج التعلم الآلي.
  • Azure التعلم الآلي هي خدمة تعلم آلي على مستوى المؤسسة توفر تطويرا ونشرا أسهل للنموذج إلى مجموعة واسعة من أهداف حساب التعلم الآلي. فهو يوفر للمستخدمين على جميع مستويات المهارات مصمما منخفض التعليمات البرمجية والتعلم الآلي الآلي وبيئة Jupyter Notebook مستضافة تدعم بيئات التطوير المتكاملة المختلفة.
    • مجموعات الحوسبة التعلم الآلي Azure هي بنيات حساب مدارة يمكنك استخدامها لإنشاء موارد حساب عقدة واحدة أو متعددة العقد بسهولة.
    • نقاط نهاية Azure التعلم الآلي هي نقاط نهاية HTTPS التي يمكن للعملاء الاتصال بها لتلقي إخراج الاستدلال (تسجيل) لنموذج مدرب. توفر نقطة النهاية URI تسجيل ثابت تتم مصادقته عبر مصادقة المفتاح والرمز المميز.
    • تعد مسارات Azure التعلم الآلي مهام سير عمل قابلة للتنفيذ بشكل مستقل لمهام التعلم الآلي الكاملة. يمكن أن تساعدك البنية الأساسية لبرنامج ربط العمليات التجارية على توحيد أفضل الممارسات لإنتاج نموذج التعلم الآلي وتحسين كفاءة بناء النموذج.
  • قاعدة بيانات SQL هي خدمة قاعدة بيانات ارتباطية حديثة ومدارة بالكامل تم إنشاؤها للسحابة.
  • يوفر Power BI تحليلات الأعمال والرؤى الشاملة والتفاعلية بصريا. يوفر مجموعة غنية من الموصلات لمصادر البيانات المختلفة، وقدرات التحويل السهلة، والتصور المتطور.
  • Power Apps عبارة عن مجموعة من التطبيقات والخدمات والموصلات، جنبا إلى جنب مع نظام أساسي للبيانات، يوفر بيئة تطوير سريعة لإنشاء تطبيقات مخصصة. يمكنك استخدام Power Apps لإنشاء تطبيقات الأعمال التي تتصل ببياناتك بسرعة. يمكن تخزين البيانات في النظام الأساسي للبيانات الأساسية (Microsoft Dataverse) أو في مصادر بيانات مختلفة عبر الإنترنت وفي أماكن العمل، مثل SharePoint وMicrosoft 365 Dynamics 365 وSQL Server.
  • توفر تطبيقات الويب التي تم إنشاؤها باستخدام ASP.NET Core، المستضافة في Azure، مزايا تنافسية على البدائل التقليدية. تم تحسين ASP.NET Core لممارسات تطوير تطبيقات الويب الحديثة وسيناريوهات استضافة السحابة.

البدائل

  • يوفر Azure التعلم الآلي نمذجة البيانات ونشرها في هذا الحل. بدلا من ذلك، يمكنك استخدام Azure Databricks لإنشاء الحل باستخدام نهج التعليمات البرمجية أولا. لاختيار أفضل تقنية للسيناريو الخاص بك، ضع في اعتبارك تفضيلات فريقك وخبراته. يعد Azure التعلم الآلي خيارا جيدا إذا كنت تفضل واجهة رسومية سهلة الاستخدام. Azure Databricks مناسب بشكل جيد للمطورين الذين يرغبون في مرونة نهج التعليمات البرمجية أولا الذي يتيح المزيد من التخصيص.

    يمكنك أيضا استخدام Azure Databricks بدلا من Azure Synapse لاستكشاف البيانات في هذا الحل ومعالجتها. يوفر كلا الخيارين أدوات قوية لاستكشاف البيانات ومعالجتها. يوفر Azure Synapse مساحة عمل موحدة تتضمن ميزات تسهل الاتصال بالبيانات ودمجها من مصادر مختلفة (Azure والجهات الخارجية). يوفر Azure Databricks بشكل أساسي معالجة البيانات وتحليلها.

    يتضمن Azure Synapse محرك SQL يمكنك استخدامه للاستعلام عن البيانات ومعالجتها باستخدام بناء جملة SQL. يستخدم Azure Databricks واجهة مستندة إلى دفتر الملاحظات تدعم استخدام Python وR وSc scala وSQL.

  • Power BI هي أداة شائعة للتصور. Grafana هو خيار آخر قابل للتطبيق. الفرق الرئيسي هو أن Grafana مصدر مفتوح، في حين أن Power BI هو منتج SaaS تقدمه Microsoft. إذا كنت تعطي الأولوية للتخصيص واستخدام الأدوات مفتوحة المصدر، فإن Grafana هي خيار أفضل. إذا قمت بتحديد أولويات تكامل أكثر سلاسة مع منتجات Microsoft الأخرى ودعم المنتجات، فإن Power BI هو خيار أفضل.

  • بدلا من استخدام نقطة نهاية لكل نموذج، يمكنك تجميع نماذج متعددة في نموذج واحد للتوزيع إلى نقطة نهاية مدارة واحدة. تعرف نماذج التجميع للتوزيع باسم تنسيق النموذج. تتضمن العيوب المحتملة لاستخدام هذا النهج زيادة التعقيد، والتعارضات المحتملة بين النماذج، وزيادة خطر التوقف عن العمل إذا فشلت نقطة النهاية الفردية.

تفاصيل السيناريو

وقد ناضلت صناعة توزيع البضائع تاريخيا للحصول على رؤى حول سلوك العملاء وأنماط الشراء، ما يجعل من الصعب تقديم توصيات منتجات مخصصة، وتحسين رضا العملاء، ودفع المبيعات. باستخدام الذكاء الاصطناعي والتعلم الآلي، يقوم موزعو البضائع بتحويل هذه الصناعة.

إنهم يعتمدون Next Order Forecasting (NOF)، وهي منهجية يستخدمونها للتوصية بالمنتجات والكميات استنادا إلى أنماط شراء العملاء. تفيد هذه المنهجية العملاء من خلال توحيد الطلبات وتقليل تكاليف النقل واللوجستيات. كما يسمح للموزعين بتأسيس عقود ذكية مع العملاء العاديين. تمكن هذه العقود الموزعين من التوصية بالمنتجات والكميات بشكل استباقي بوتيرة منتظمة، وإدارة المخزون، والتأثير على كفاءة التصنيع، وتوفير المال، وتعزيز الاستدامة. على سبيل المثال، من خلال تنفيذ تنبؤ دقيق، يمكن لموزعي الأصناف القابلة للتلف إدارة المستويات المثلى للمخزون وبالتالي تجنب إغراق المخزون الزائد في مقالب القمامة.

يستخدم NOF خوارزميات الذكاء الاصطناعي والتعلم الآلي لتحليل طلبات العملاء وتقديم توصيات للطلبات المستقبلية. تأخذ البنية الموضحة في هذه المقالة NOF إلى مستوى آخر عن طريق تمكين التنبؤ على مستوى SKU الفردي والمخزن باستخدام المعالجة المتوازية. تمكن هذه المجموعة الشركات من التنبؤ بالطلب على منتجات معينة في متاجر معينة. باستخدام هذه المنهجية، يمكنك تزويد عملائك بتوصيات مخصصة تلبي احتياجاتهم وتتجاوز توقعاتهم.

حالات الاستخدام المحتملة

يمكن استخدام NOF من قبل المؤسسات التي تحتاج إلى التنبؤ بطلب العملاء وتحسين إدارة المخزون. فيما يلي بعض حالات الاستخدام المحددة:

  • التجارة الإلكترونية. يمكن لتجار التجزئة عبر الإنترنت التنبؤ بطلب العملاء والتوصية بالمنتجات استنادا إلى سجل شراء العملاء وسلوك الاستعراض والتفضيلات. يمكن لهذه التنبؤات تحسين تجربة العملاء، وزيادة المبيعات، وتقليل تكلفة الخدمات اللوجستية والتخزين.
  • الضيافه. يمكن للفنادق والمطاعم التنبؤ بطلب العملاء على عناصر القائمة والمشروبات والمنتجات الأخرى. ويمكن أن يساعدهم القيام بذلك على تحسين المخزون، والحد من الهدر الغذائي، وتحسين الربحية.
  • Healthcare. يمكن للمستشفيات والعيادات التنبؤ بطلب المرضى على الإمدادات الطبية والمعدات والأدوية. ويمكن لهذه التنبؤات أن تساعدها على تقليل مخزون المخزون، وتجنب الإفراط في المخزون، وتحسين عمليات الشراء.
  • التصنيع. يمكن للشركات المصنعة التنبؤ بالطلب على المنتجات والمواد الخام، وتحسين مستويات المخزون، وتحسين مرونة سلسلة التوريد.
  • طاقة. يمكن لشركات الطاقة التنبؤ بالطلب وتحسين توليد الطاقة ونقلها وتوزيعها. ويمكن للمؤسسة أن تساعدهم على تقليل انبعاثاتهم الكربونية وتحسين الاستدامة.

الاعتبارات

تطبق هذه الاعتبارات ركائز إطار عمل Azure Well-Architected Framework، وهي مجموعة من المبادئ التوجيهية التي يمكنك استخدامها لتحسين جودة حمل العمل. لمزيد من المعلومات، يرجى مراجعةMicrosoft Azure Well-Architected Framework.

تم اختيار التقنيات في هذا الحل لقابلية التوسع والتوافر وتحسين التكلفة.

الأمان

ويوفر عامل الأمان ضمانات للحماية من الهجمات المتعمدة واستغلال البيانات والأنظمة القيمة الخاصة بك. للمزيد من المعلومات، يرجى الرجوع إلى نظرة عامة على ركيزة الأمان.

تم تضمين الأمان المحسن في مكونات هذا السيناريو. يمكنك استخدام مصادقة Microsoft Entra أو التحكم في الوصول المستند إلى الدور لإدارة الأذونات. ضع في اعتبارك تنفيذ أفضل ممارسات Azure التعلم الآلي لأمان المؤسسة لإنشاء مستويات أمان مناسبة.

يوفر Azure Synapse ميزات أمان على مستوى المؤسسة توفر عزل المكونات للمساعدة في حماية البيانات وتحسين أمان الشبكة وتحسين الحماية من التهديدات. يمكن أن يقلل عزل المكونات من التعرض في حالة وجود ثغرة أمنية. يتيح Azure Synapse أيضا تعتيم البيانات للمساعدة في حماية البيانات الشخصية الحساسة.

يوفر Data Lake حماية محسنة للبيانات وإخفاء البيانات وحماية محسنة من التهديدات. لمزيد من المعلومات، راجع أمان Data Lake.

لمزيد من المعلومات حول الأمان لهذه البنية، راجع هذه الموارد:

التميز التشغيلي

يغطي التميز التشغيلي عمليات التشغيل التي تحافظ على تشغيل التطبيق في الإنتاج. تعد إعدادات المراقبة والمراقبة والتشخيص ثلاثة اعتبارات مهمة لتسليط الضوء عليها ضمن هذه الركيزة.

تشير إمكانية الملاحظة إلى القدرة على فهم كيفية عمل تدفق البيانات للنظام. المراقبة هي العملية الجارية لتتبع أداء النظام بمرور الوقت. يمكنك مراقبة مقاييس مثل استخدام وحدة المعالجة المركزية وحركة مرور الشبكة وأوقات الاستجابة. إعدادات التشخيص هي خيارات التكوين التي يمكنك استخدامها لالتقاط معلومات التشخيص.

لمزيد من المعلومات، يرجى مراجعةنظرة عامة على ركيزة التميز التشغيلي.

اتبع إرشادات MLOps لإدارة دورة حياة التعلم الآلي الشاملة القابلة للتطوير عبر مساحات عمل متعددة. قبل نشر الحل الخاص بك للإنتاج، تأكد من أنه يدعم الاستدلال المستمر مع دورات إعادة التدريب وإعادة التوزيع التلقائي للنماذج.

فيما يلي بعض الموارد التي يجب مراعاتها:

كفاءة الأداء

كفاءة الأداء هي قدرة حمل عملك على تغيير الحجم لتلبية المطالب التي يضعها المستخدمون عليها بطريقة فعالة. لمزيد من المعلومات، يرجى مراجعةأنماط كفاءة الأداء.

يمكن توسيع معظم المكونات في هذه البنية صعودا وهبوطا استنادا إلى مستويات نشاط التحليل. يوفر Azure Synapse قابلية التوسع والأداء العالي ويمكن تقليله أو إيقافه مؤقتا أثناء مستويات النشاط المنخفضة.

يمكنك قياس Azure التعلم الآلي استنادا إلى كمية البيانات وموارد الحوسبة اللازمة لتدريب النموذج. يمكنك توسيع نطاق موارد النشر والحوسبة استنادا إلى خدمة التحميل والتسجل المتوقعة.

يعد اختبار التحميل خطوة مهمة لضمان كفاءة أداء نموذج التعلم الآلي. يتضمن هذا الاختبار محاكاة حجم كبير من الطلبات إلى النموذج لقياس مقاييس مثل معدل النقل ووقت الاستجابة واستخدام الموارد. يمكن أن يساعدك اختبار التحميل في تحديد الاختناقات والمشاكل التي يمكن أن تؤثر على أداء النموذج في بيئة الإنتاج.

لمزيد من المعلومات حول تصميم حلول قابلة للتطوير، راجع قائمة التحقق من كفاءة الأداء.

المساهمون

تحتفظ Microsoft بهذه المقالة. وهي مكتوبة في الأصل من قبل المساهمين التاليين.

الكاتب الرئيسي:

مساهمون آخرون:

لمشاهدة ملفات تعريف LinkedIn غير العامة، سجل الدخول إلى LinkedIn.

الخطوات التالية