エンドツーエンドの労働力管理を取得する： Amazon ForecastおよびAWS Step Functions

『Amazon ForecastおよびAWS Step Functionsによるエンドツーエンドの労働力管理の実現』

この記事は、Nafi Ahmet Turgut、Mehmet İkbal Özmen、Hasan Burak Yel、Fatma Nur Dumlupınar Keşir、Mutlu Polatcan、Emre UzelのGetirから共同執筆されたゲスト投稿です。

Getirは、超高速の食品宅配の先駆者です。このテクノロジー企業は、その食品宅配サービスによって最後の一マイルの配達を革新しました。Getirは2015年に設立され、トルコ、イギリス、オランダ、ドイツ、アメリカで運営しています。今日、Getirは同じブランドの下で9つの分野を統合した複合企業です。

この記事では、地域ごとの需要予測から始まり、Amazon ForecastとAWS Step Functionsを使用してクーリエの人員計画とシフト割り当てを行う、エンドツーエンドの労働力管理システムを説明します。

以前は、運用チームは手動の労働力管理手法を行っていましたが、これにより時間と労力が大幅に浪費されていました。しかし、私たちの包括的なエンドツーエンドの労働力管理プロジェクトの実装により、彼らは簡略化されたワンクリックプロセスを介してウェブインターフェイスから倉庫のクーリエ計画を効率的に作成することができるようになりました。このプロジェクトの開始前、ビジネスチームは需要予測に関してより直感的な手法に頼っており、精度の面での改善が必要でした。

• 「つながる点 OpenAIの主張されたQ-Starモデルの解明」
• このAI論文は、高品質な3Dセグメンテーションを実現するために、与えられたシーン内の任意のオブジェクトのためのセグメントエニシングのための高品質（SANeRF-HQ）フレームワークを紹介しています
• 「大規模言語モデルをより効率的に最適化できるのか？LLMの効率性に関するアルゴリズムの進化についての包括的な調査をご覧ください」

Amazon Forecastは、機械学習アルゴリズムを使用して非常に正確な時系列予測を提供する完全管理型サービスです。この記事では、Amazon Forecastを使用して特徴量エンジニアリングとモデリングを行うことで、モデリング時間を70%削減した方法について説明します。また、AWS Step Functionsを使用して全倉庫のスケジューリングアルゴリズムを実行する際に経過時間を90%削減しました。AWS Step Functionsは、ビジュアルワークフローを使用して分散アプリケーションやマイクロサービスのコンポーネントを調整することを容易にする完全管理型サービスです。このソリューションにより、トルコといくつかのヨーロッパの国々全体で予測精度が90%改善しました。

ソリューションの概要

エンドツーエンドの労働力管理プロジェクト（E2Eプロジェクト）は、大規模なプロジェクトであり、以下の3つのトピックで説明できます。

1. クーリエの要件計算

最初のステップは、アルゴリズム選択セクションで説明されているように、各倉庫の時間当たりの需要を推定することです。これらの予測は、Amazon Forecastで生成され、各倉庫がいつ、どれだけのクーリエが必要かを判断するのに役立ちます。

倉庫のクーリエのスループット比率に基づいて、各倉庫に必要なクーリエの数が時間ごとに計算されます。これらの計算は、法定労働時間を考慮した実現可能なクーリエ数を決定するのに役立ち、数学モデリングを含みます。

2. シフト割り当て問題の解決

クーリエのニーズと倉庫の他の制約を把握したら、シフト割り当て問題を解決することができます。この問題は、割り当てられるクーリエとシフトスケジュールを決定し、ミスの原因となる過剰や不足を最小化する決定変数によってモデル化されます。通常、これは混合整数計画（MIP）の問題です。

3. AWS Step Functionsの活用

AWS Step Functionsを使用して、ジョブの並列実行が可能なワークフローを調整・管理します。各倉庫のシフト割り当てプロセスは、個別のワークフローとして定義されます。AWS Step Functionsはエラーハンドリングを簡素化することで、これらのワークフローを自動的に開始・監視します。

このプロセスでは、広範なデータと複雑な計算が必要なため、AWS Step Functionsのようなサービスは、タスクの組織化と最適化において重要な利点を提供します。それにより、より良い制御と効率的なリソース管理が可能となります。

ソリューションアーキテクチャでは、他のAWSサービスもAWS Step Functionsに統合することで利益を得ています。

• AWS Batch: バッチ処理用
• Amazon DynamoDB: 倉庫情報の保存用
• AWS Lambda: Amazon Redshiftからデータの取得やエラーの通知をSlackチャンネルに行うため
• Amazon CloudWatch: cronのスケジューリングおよびワークフローのトリガー用

以下の図はAWS Step Functionsのワークフローとシフトツールのアーキテクチャを示しています。

図1 AWS Step Functionsのワークフロー

図2 シフトツールのアーキテクチャ

アルゴリズムの選択

ロケーションの需要予測はE2Eプロジェクトの最初のフェーズです。E2Eの主な目標は、特定の倉庫への割り当てるクーリエの数を決定するために、その倉庫の需要の予測から始めることです。

この予測コンポーネントはE2Eフレームワーク内では重要であり、後続のフェーズはこれらの予測結果に依存しています。したがって、予測の不正確さはプロジェクト全体の効果に悪影響を与える可能性があります。

ロケーションの需要予測フェーズの目的は、国ごとに2週間先まで毎時セグメント化されたすべての倉庫の予測を生成することです。最初に、各国の日別の予測がMLモデルを通じて形成されます。これらの日別の予測はその後、以下のグラフに示すように、毎時セグメントに分割されます。モデルでは、過去の取引需要データ、ロケーションベースの天気情報、休日の日付、キャンペーンデータ、プロモーションなどの特徴が使用されます。

図3 ロケーション固有の予測のアーキテクチャ

チームは最初に、オープンソースのSARIMA（季節自己回帰和分移動平均）、ARIMAX（外生変数を使った自己回帰和分移動平均）、指数平滑化などの伝統的な予測技術を探求しました。

ARIMA（自己回帰和分移動平均）は、自己回帰（AR）および移動平均（MA）の要素と差分を組み合わせて時系列を定常化する時間系列予測手法です。

SARIMAは、ARIMAに季節性を考慮するための追加のパラメータを組み込むことで、時系列の繰り返しパターンをキャプチャするために季節性自己回帰と季節性移動平均項を含んでいます。これにより、季節性のある時系列に適したモデルになります。

ARIMAXは、時系列に影響を与える外部要因である外生変数を導入することで、ARIMAをさらに拡張しています。これらの追加の変数は、時系列の過去の値を超えて外部の影響を考慮することで予測の正確性を向上させるためにモデルに考慮されます。

指数平滑化は、ARIMAとは異なり、過去の観測値の加重平均に基づく時系列予測手法です。データのトレンドや季節性を捉えるのに特に効果的です。この手法では、過去の観測値に指数的に減少する重みを割り当て、より新しい観測値にはより高い重みを与えます。

予測モデルとしては、最終的にAmazon Forecastのモデルが選択されました。AWS Forecastが提供する多数のモデルと洗練された特徴エンジニアリング機能は、リソースの利用効率を向上させるのに有利でした。

予測モデルとしては、以下の6つのアルゴリズムがテストされました：畳み込みニューラルネットワーク-分位数回帰（CNN-QR）、DeepAR+、Prophet、非パラメトリック時系列（NPTS）、自己回帰和分移動平均（ARIMA）、および指数平滑化（ETS）。予測結果の分析を行った結果、CNN-QRが他のアルゴリズムよりも優れていることが判明しました。CNN-QRは、引因性畳み込みニューラルネットワーク（CNN）を使用して、スカラー（1次元）時系列の予測を行うためのAmazonが開発した独自のMLアルゴリズムです。この時点で利用可能なさまざまなデータソースを考慮し、CNN-QRアルゴリズムの使用は監視学習フレームワーク内でさまざまな特徴の統合を容易にしました。この特徴は、一変量時系列予測モデルとの差別化と、性能の向上に著しく寄与しました。

予測の利用は、必要なデータの提供と予測期間の指定の簡易性により効果的であることが証明されました。その後、予測はCNN-QRアルゴリズムを用いて予測を生成します。このツールは、特にアルゴリズムモデリングにおいて、チームのプロセスを大幅に迅速化しました。さらに、入力データリポジトリにAmazon Simple Storage Service（Amazon S3）バケットを利用し、結果を格納するためにAmazon Redshiftを利用することにより、手続き全体の中央集権的な管理が容易になりました。

結論

この記事では、GetirのE2Eプロジェクトが、Amazon ForecastとAWS Step Functionsサービスの組み合わせによって複雑なプロセスを効果的に効率化する方法を示しました。ヨーロッパとトルコの国々全体で約90％の予測精度を達成し、予測は特徴エンジニアリングとモデリングの効率的な処理によりモデリング時間を70％削減しました。

AWS Step Functionsサービスの利用により、すべての倉庫のスケジューリング時間を90％削減するなど、実用的な利点がありました。また、フィールドの要件を考慮することにより、労働力の割り当てをより効率的に改善し、遵守率を3％向上させました。これにより、プロジェクトの成功がオペレーションとサービスデリバリーの最適化を強調しています。

Forecastを開始するための詳細情報にアクセスするには、利用可能なAmazon Forecastリソースをご参照ください。また、自動化されたワークフローの構築と機械学習パイプラインの作成に関する洞察を得るために、AWS Step Functionsを詳しくご覧ください。

We will continue to update VoAGI; if you have any questions or suggestions, please contact us!