Megosztás a következőn keresztül:

AI használata az ügyfélrendelések előrejelzéséhez

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

megoldási ötletek

Ez a cikk egy megoldási ötletet ismertet. A felhőmérnök ezen útmutató segítségével megjelenítheti az architektúra tipikus implementációjának fő összetevőit. Ez a cikk kiindulási pontként szolgál egy jól megtervezett megoldás megtervezéséhez, amely megfelel a számítási feladat egyedi követelményeinek.

Ez a cikk azt ismerteti, hogyan használhatják az áruforgalmazók az AI-t és a gépi tanulást az ügyfél jövőbeli rendelési mennyiségének előrejelzésére egy adott termékváltozat (készletmegőrzési egység) esetében. A Next Order Forecasting (NOF) használatával a forgalmazók termékjavaslatokat tehetnek az ügyfeleknek, és optimális mennyiségeket javasolhatnak. Ez a cikk az számos gépi tanulási architektúraismertetett fogalmakra épül.

Építészet

rendelések előrejelzésére szolgáló architektúrát bemutató diagram.

Az architektúra PowerPoint-fájl letöltése.

Adatfolyam

  1. Adatforrások

    A jövőbeli megrendelések előrejelzéséhez átfogó adatokra van szüksége az ügyfelek vásárlási előzményeiről az adott üzletek különböző termékváltozataihoz, beleértve a preferenciákkal és a vásárlási viselkedéssel kapcsolatos információkat. Ezt az információt általában megrendelésekből, áru- és ügyféladatbázisokból szerzik be. Külső tényezőket is figyelembe kell vennie, például az időjárást, az ünnepeket és az eseményeket. Ezeket az adatokat általában külső forrásokból szerzik be.

    A rendelés-előrejelzési modellek létrehozásához olyan sémában használ adatokat, amelyek több kulcsfontosságú változót tartalmaznak:

    • Dátum és idő
    • Ügyféltároló helye
    • Áru termékváltozata
    • Megrendelt mennyiség
    • Egységár
    • Időjárással kapcsolatos jellemzők, ünnepek, események és egyéb külső tényezők

    Az adatok elemzésével betekintést nyerhet az ügyfél viselkedésébe, és megalapozott termékváltozatot és mennyiségi javaslatokat tehet az ügyfél következő megrendeléséhez.

  2. Lenyelés

    Az adatbetöltés az adatok különböző forrásokból egy kijelölt célhelyre történő átvitelének folyamata. Ez a folyamat magában foglalja az egyes adatforrásokhoz és célhelyekhez tartozó összekötők használatát.

    Az Azure Data Factory olyan összekötőket biztosít, amelyekkel adatokat nyerhet ki különböző forrásokból, például adatbázisokból, fájlrendszerekből és felhőszolgáltatásokból. Ezeket az összekötőket a Microsoft vagy külső gyártók hozzák létre, és úgy vannak kialakítva, hogy hatékonyan működjenek több adatforrással. Használhat például SAP-összekötőket különböző SAP-adatbetöltési forgatókönyvekhez. A Snowflake-összekötő használatával adatokat másolhat a Snowflake-ből.

  3. Előkészítési terület

    Az átmeneti terület ideiglenes tárolóhelyként szolgál a forrás és a cél között. Ennek az előkészítési területnek a fő célja az adatok egységes és strukturált formában való megőrzése, miközben átalakításokon vagy minőségellenőrzéseken mennek keresztül, mielőtt betöltené őket a célhelyre.

    A konzisztens adatformátum kritikus fontosságú a pontos elemzéshez és modellezéshez. Ha egy előkészítési területen összesíti és előkészíti az adatokat, az Azure Machine Learning hatékonyabban tudja feldolgozni azokat.

  4. Gépi tanulási modell betanítása

    A modellbetanítás egy olyan gépi tanulási folyamat, amely egy algoritmus használatával tanulja meg az adatok mintáit, és ebben az esetben kiválaszt egy modellt, amely pontosan képes előrejelezni az ügyfél következő sorrendjét.

    Ebben a megoldásban Azure Machine Learning a gépi tanulási projekt teljes életciklusának kezelésére szolgál, beleértve a betanítási modelleket, a modellek üzembe helyezését és a Machine Learning Operations (MLOps) kezelését.

    ParallelRunStep nagy mennyiségű adat párhuzamos feldolgozására szolgál, és olyan modelleket hoz létre, amelyek előrejelzhetik a következő megrendelést minden ügyféltároló és termékváltozat kombinációhoz. Csökkentheti a feldolgozási időt, ha az adathalmazt kisebb részekre osztja, és egyszerre több virtuális gépen dolgozza fel őket. Az Azure Machine Learning számítási fürtöivel több csomóponton is elvégezheti a számítási feladatok elosztását.

    Az adatok előkészítése után az Azure Machine Learning elindíthatja a párhuzamos modell betanítási folyamatát a ParallelRunStep használatával számos előrejelzési modellel, beleértve az exponenciális simítást, a rugalmas hálót és a Prophett. Minden csomópont vagy számítási példány elkezdi felépíteni a modellt, így a folyamat hatékonyabb és gyorsabb.

  5. Gépi tanulási modell következtetése

    A modellkövetkezés olyan folyamat, amely betanított gépi tanulási modellt használ a korábban nem látott adatpontokra vonatkozó előrejelzések létrehozásához. Ebben a megoldásban előrejelezi az áru termékváltozatának mennyiségét, amelyet az ügyfél valószínűleg megvásárol.

    Az Azure Machine Learning modellregisztrációs adatbázisokat biztosít a betanított modellek tárolásához és verziószámozásához. A modellregisztrációs adatbázisok segíthetnek a betanított modellek rendszerezésében és nyomon követésében, biztosítva, hogy azok könnyen elérhetők legyenek az üzembe helyezéshez.

    A betanított gépi tanulási modell üzembe helyezése lehetővé teszi a modell számára az új adatok feldolgozását a következtetéshez. Javasoljuk, hogy Azure által felügyelt végpontokat az üzembehelyezési célhoz. A végpontok egyszerű méretezhetőséget, teljesítményhangolást és magas rendelkezésre állást tesznek lehetővé.

    Ebben a használati esetben kétféleképpen helyezhet üzembe modelleket a felügyelt végpontokon. Az első lehetőség az, hogy az egyes modelleket a saját felügyelt végpontján helyezik üzembe, ahogy az a diagramon is látható. A második lehetőség több modell egyetlen modellbe való kötegelése és üzembe helyezése egyetlen felügyelt végponton. Az utóbbi megközelítés hatékonyabb, így egyszerűbben helyezhet üzembe és kezelhet egyszerre több modellt.

  6. Elemzési számítási feladat

    A modell kimenete olyan elemzési rendszerekben van tárolva, mint az Azure Synapse Analytics, az Azure Data Lake vagy az Azure SQL Database, ahol a bemeneti adatok is összegyűjthetők és tárolhatók. Ez a szakasz megkönnyíti az előrejelzési eredmények rendelkezésre állását az ügyfélfelhasználás, a modellfigyelés és a modellek új adatokkal való újratanítása érdekében a pontosság javítása érdekében.

  7. Végfelhasználói felhasználás

    Ha vizuálisan szeretné bemutatni a pontozott modellt az ügyfeleknek, használhatja az Azure App Service Web Apps szolgáltatását, egy Power BI-irányítópultot vagy a Power Appst. Ezek az eszközök intuitív és vonzó módon mutathatják be a termékváltozatra és az előrejelzett mennyiségekre vonatkozó javaslatokat.

    A rendszer figyelmezteti az ügyfeleket az ajánlott termékváltozatok és az előrejelzett mennyiségekre, hogy proaktív módon leadhassák a rendeléseket. A javaslatok segíthetnek egyszerűsíteni a rendelési folyamatot, csökkenteni a készletek valószínűségét, és fokozni az ügyfelek elégedettségét. Ha Power BI-irányítópultot vagy Power Apps-t használ, zökkenőmentes és hatékony rendelési élményt biztosíthat ügyfeleinek.

Összetevők

  • Az Azure Synapse Analytics egy nagyvállalati elemzési szolgáltatás, amely felgyorsítja az adattárházak és big data rendszerek áttekintését. Az Azure Synapse sql-technológiákat kapcsol össze más Azure-szolgáltatásokkal, például a Power BI-val, az Azure Cosmos DB-vel és az Azure Machine Learningtel.
  • Data Factory egy felhőalapú adatintegrációs szolgáltatás, amely automatizálja az adatáthelyezést és -átalakítást.
  • A Data Lake Storage egy korlátlan adattárolási szolgáltatás, amely különböző alakzatokban és formátumokban tárolja az adatokat. Egyszerű integrációt biztosít az Azure-beli elemzési eszközökkel. Ez a megoldás egy helyi adattárat használ a gépi tanulási adatokhoz és egy prémium szintű adatgyorsítótárat a gépi tanulási modell betanításához.
  • Azure Machine Learning egy nagyvállalati szintű gépi tanulási szolgáltatás, amely egyszerűbb modellfejlesztést és üzembe helyezést biztosít a gépi tanulási számítási célok széles körében. Minden készségszinten biztosít a felhasználóknak alacsony kódszámú tervezőt, automatizált gépi tanulást és egy üzemeltetett Jupyter Notebook-környezetet, amely támogatja a különböző integrált fejlesztési környezeteket.
    • Azure Machine Learning számítási fürtök felügyelt számítási struktúrák, amelyekkel egyszerűen létrehozhat egycsomópontos vagy többcsomópontos számítási erőforrásokat.
    • Azure Machine Learning-végpontok OLYAN HTTPS-végpontok, amelyeket az ügyfelek meghívhatnak a betanított modellek következtetési (pontozási) kimenetének fogadásához. A végpont stabil pontozási URI-t biztosít, amely kulcs- és token-hitelesítéssel hitelesítve van.
    • Azure Machine Learning-folyamatok önállóan végrehajtható munkafolyamatok teljes gépi tanulási feladatokhoz. A folyamatok segítségével szabványosíthatja a gépi tanulási modellek előállításának ajánlott eljárásait, és javíthatja a modellépítés hatékonyságát.
  • SQL Database egy mindigup-todátumalapú, teljes körűen felügyelt relációs adatbázis-szolgáltatás, amely a felhőhöz készült.
  • Power BI üzleti elemzéseket, vizuálisan magával ragadó és interaktív elemzéseket biztosít. Számos összekötőt biztosít különböző adatforrásokhoz, egyszerű átalakítási képességekhez és kifinomult vizualizációkhoz.
  • Power Apps egy alkalmazásokat, szolgáltatásokat és összekötőket tartalmazó csomag, valamint egy adatplatform, amely gyors fejlesztési környezetet biztosít az egyéni alkalmazások létrehozásához. A Power Apps segítségével gyorsan készíthet olyan üzleti alkalmazásokat, amelyek csatlakoznak az adataihoz. Az adatok tárolhatók a mögöttes adatplatformon (Microsoft Dataverse), vagy különböző online és helyszíni adatforrásokban, például a SharePointban, a Microsoft 365-ben, a Dynamics 365-ben és az SQL Serverben.
  • ASP.NET Core-nal létrehozott webalkalmazások versenyelőnyöket kínálnak a hagyományos alternatívákkal szemben. ASP.NET Core a modern webalkalmazás-fejlesztési eljárásokhoz és a felhőalapú üzemeltetési forgatókönyvekhez van optimalizálva.

Alternatívák

  • Az Azure Machine Learning adatmodellezést és üzembe helyezést biztosít ebben a megoldásban. Másik lehetőségként Azure Databricks használatával is létrehozhatja a megoldást kódelső megközelítéssel. A legjobb technológia kiválasztásához vegye figyelembe a csapat preferenciáit és szakértelmét. Az Azure Machine Learning jó választás, ha felhasználóbarát grafikus felületet szeretne használni. Az Azure Databricks kiválóan alkalmas olyan fejlesztőknek, akik egy kódelső megközelítés rugalmasságát szeretnék használni, amely nagyobb testreszabást tesz lehetővé.

    Az Azure Synapse helyett az Azure Databrickset is használhatja a megoldás adatainak feltárásához és kezeléséhez. Mindkét lehetőség hatékony adatfeltárási és -kezelési eszközöket biztosít. Az Azure Synapse egységes munkaterületet biztosít, amely olyan funkciókat tartalmaz, amelyek megkönnyítik a különböző forrásokból (Azure-ból és külső felektől) származó adatokhoz való csatlakozást és integrálást. Az Azure Databricks elsősorban adatfeldolgozást és elemzést biztosít.

    Az Azure Synapse tartalmaz egy SQL-motort, amellyel adatokat kérdezhet le és kezelhet SQL-szintaxissal. Az Azure Databricks egy notebookalapú felületet használ, amely támogatja a Python, az R, a Scala és az SQL használatát.

  • A Power BI egy népszerű vizualizációs eszköz. A Grafana egy másik életképes lehetőség. A fő különbség az, hogy a Grafana nyílt forráskódú, míg a Power BI a Microsoft által kínált SaaS-termék. Ha előnyben részesíti a testreszabást és a nyílt forráskódú eszközök használatát, a Grafana jobb választás. Ha a többi Microsoft-termékkel való zökkenőmentesebb integrációt és a terméktámogatást részesíti előnyben, a Power BI jobb választás.

  • Ahelyett, hogy végpontot használ az egyes modellekhez, több modellt is egyetlen modellbe csomagolhat egyetlen felügyelt végpontra való üzembe helyezéshez. Az üzembehelyezési modellek összekapcsolása modell vezénylésinéven ismert. Ennek a megközelítésnek a lehetséges hátrányai közé tartozik a megnövekedett összetettség, a modellek közötti lehetséges ütközések, valamint az állásidő nagyobb kockázata, ha az egyetlen végpont meghibásodik.

Forgatókönyv részletei

Az áruterjesztési iparág korábban nehezen szerzett betekintést az ügyfelek viselkedésébe és vásárlási mintáiba, ami megnehezíti a személyre szabott termékajánlások biztosítását, az ügyfelek elégedettségének javítását és az értékesítés ösztönzését. A mi és a gépi tanulás használatával az áruforgalmazók átalakítják az iparágat.

Bevezetik a Next Order Forecasting (NOF) metódust, amellyel termékeket és mennyiségeket javasolnak az ügyfelek vásárlási mintái alapján. Ez a módszer a megrendelések összevonásával, valamint a szállítási és logisztikai költségek csökkentésével nyújt előnyöket az ügyfeleknek. Emellett lehetővé teszi a forgalmazók számára, hogy intelligens szerződéseket hozzanak létre a rendszeres ügyfelekkel. Ezek a szerződések lehetővé teszik a forgalmazók számára, hogy proaktív módon javasolják a termékeket és mennyiségeket rendszeres ütemben, felügyelhessék a leltárt, befolyásolhassák a gyártási hatékonyságot, pénzt takaríthassanak meg, és előmozdítsák a fenntarthatóságot. A pontos előrejelzés végrehajtásával például a romlandó tételek forgalmazói kezelhetik a készlet optimális szintjét, és így elkerülhetik a felesleges készletek hulladéklerakókba való lerakását.

A NOF mesterséges intelligenciával és gépi tanulási algoritmusokkal elemzi az ügyfélrendeléseket, és javaslatokat tesz a jövőbeli megrendelésekre. A cikkben ismertetett architektúra egy másik szintre emeli a NOF-et azáltal, hogy párhuzamos feldolgozással engedélyezi az előrejelzést az egyes termékváltozatok és tárolási szinten. Ez a kombináció lehetővé teszi, hogy a vállalkozások előre jelezhessenek bizonyos termékek iránti keresletet adott üzletekben. Ezzel a módszertannal személyre szabott javaslatokat adhat ügyfeleinek, amelyek megfelelnek az igényeiknek, és túllépik az elvárásaikat.

Lehetséges használati esetek

A NOF-et olyan szervezetek használhatják, amelyeknek előre kell jeleznie az ügyféligényt, és optimalizálnia kell a készletkezelést. Íme néhány konkrét használati eset:

  • E-kereskedelem. Az online kiskereskedők előre jelezhetik az ügyfelek keresletét, és termékeket javasolhatnak az ügyfelek vásárlási előzményei, a böngészési viselkedés és a beállítások alapján. Ezek az előrejelzések javíthatják az ügyfélélményt, növelhetik az értékesítést, és csökkenthetik a logisztika és a raktározás költségeit.
  • Vendégszeretet. A szállodák és éttermek előre jelezhetik az ügyfelek keresletét menüelemek, italok és egyéb termékek iránt. Ezzel optimalizálhatják a leltárt, csökkenthetik az élelmiszer-pazarlást és javíthatják a jövedelmezőséget.
  • Egészségügyi. A kórházak és a klinikák előre jelezhetik a betegek keresletét az orvosi eszközök, berendezések és gyógyszerek iránt. Ezek az előrejelzések segíthetnek a készletkészletek csökkentésében, a túlkészletezés elkerülésében és a beszerzési folyamatok optimalizálásában.
  • Gyártási. A gyártók előre jelezhetik a termékek és nyersanyagok iránti keresletet, optimalizálhatják a készletszinteket, és javíthatják az ellátási lánc rugalmasságát.
  • Energia. Az energiavállalatok előre jelezhetik a keresletet, és optimalizálhatják az energiatermelést, az átvitelt és az elosztást. A NOF segíthet a szén-dioxid-kibocsátás csökkentésében és a fenntarthatóság javításában.

Megfontolások

Ezek a szempontok implementálják az Azure Well-Architected-keretrendszer alappilléreit, amelyek a számítási feladatok minőségének javítása érdekében használható vezérelvek. További információ: Microsoft Azure Well-Architected Framework.

A megoldás technológiáit a skálázhatóság, a rendelkezésre állás és a költségoptimalizálás érdekében választották ki.

Biztonság

A biztonság biztosítékokat nyújt a szándékos támadások és az értékes adatokkal és rendszerekkel való visszaélés ellen. További információ: A biztonsági pilléráttekintése.

A továbbfejlesztett biztonság a forgatókönyv összetevőire épül. Az engedélyek kezeléséhez Microsoft Entra-hitelesítést vagy szerepköralapú hozzáférés-vezérlést használhat. Fontolja meg a vállalati biztonsági Azure Machine Learning ajánlott eljárásainak implementálását a megfelelő biztonsági szintek kialakítása érdekében.

Az Azure Synapse nagyvállalati szintű biztonsági funkciókat kínál, amelyek az összetevők elkülönítését biztosítják az adatok védelme, a hálózati biztonság javítása és a fenyegetésvédelem javítása érdekében. Az összetevők elkülönítése biztonsági rés esetén minimalizálhatja az expozíciót. Az Azure Synapse lehetővé teszi az adatok eltömítését is a bizalmas személyes adatok védelme érdekében.

A Data Lake továbbfejlesztett adatvédelmet, adatmaszkolást és továbbfejlesztett fenyegetésvédelmet biztosít. További információ: Data Lake biztonsági.

Az architektúra biztonságáról az alábbi forrásokban talál további információt:

Működési kiválóság

Az üzemeltetési kiválóság azokat az üzemeltetési folyamatokat fedi le, amelyek üzembe helyeznek egy alkalmazást, és éles környezetben tartják azt. A megfigyelhetőség, a monitorozás és a diagnosztikai beállítások három fontos szempontot emelnek ki ebben a pillérben.

megfigyelhetőségi a rendszer adatfolyamának működésének megértésére utal. monitorozási a rendszer teljesítményének nyomon követésének folyamatos folyamata. Monitorozhat olyan metrikákat, mint a processzorhasználat, a hálózati forgalom és a válaszidők. diagnosztikai beállítások a diagnosztikai adatok rögzítésére használható konfigurációs beállítások.

További információ: Működési kiválósági pillér áttekintése.

Kövesse MLOps-irányelveket egy teljes körű gépi tanulási életciklus kezeléséhez, amely több munkaterületen skálázható. Mielőtt éles környezetben üzembe helyezi a megoldást, győződjön meg arról, hogy támogatja a folyamatos következtetést újratanítási ciklusokkal és a modellek automatikus újratelepítésével.

Íme néhány megfontolandó erőforrás:

Teljesítményhatékonyság

A teljesítményhatékonyság az a képesség, hogy a számítási feladat méretezhető legyen a felhasználók által támasztott követelmények hatékony kielégítése érdekében. További információ: Teljesítményhatékonysági pillér áttekintése.

Az architektúra legtöbb összetevője fel- és leskálázható az elemzési tevékenység szintjei alapján. Az Azure Synapse skálázhatóságot és nagy teljesítményt biztosít, és alacsony tevékenységszintek esetén csökkenthető vagy szüneteltethető.

Az Azure Machine Learning skálázhatja az adatok mennyisége és a modell betanításához szükséges számítási erőforrások alapján. Az üzembe helyezési és számítási erőforrásokat a várt terhelés és pontozási szolgáltatás alapján skálázhatja.

A terheléstesztelés fontos lépés a gépi tanulási modell teljesítményhatékonyságának biztosításához. Ez a tesztelés magában foglalja a modell felé irányuló nagy mennyiségű kérés szimulációját olyan metrikák mérésére, mint az átviteli sebesség, a válaszidő és az erőforrás-kihasználtság. A terheléses tesztelés segíthet azonosítani azokat a szűk keresztmetszeteket és problémákat, amelyek befolyásolhatják a modell teljesítményét egy éles környezetben.

A skálázható megoldások tervezéséről további információt Teljesítményhatékonyság ellenőrzőlistacímű témakörben talál.

Közreműködők

Ezt a cikket a Microsoft tartja karban. Eredetileg a következő közreműködők írták.

Fő szerző:

  • Manasa Ramalinga | Vezető felhőmegoldás-tervező – AZ USA-beli ügyfél sikere

Egyéb közreműködők:

A nem nyilvános LinkedIn-profilok megtekintéséhez jelentkezzen be a LinkedInbe.

Következő lépések