Вопросы и ответы
На точность модели влияют:
- чистота данных,
- их достаточность,
- правильный подбор модели.
Пробовать снова надо. Но обязательно перед этим или поработать дополнительно с данными, почистив их, или накопить исторические данные за более продолжительный период.
За правильность выбора модели отвечают математики. Поэтому если нет своих, то наши высококвалифицированные Data Scientist (аналитики данных) готовы поработать над вашей моделью.
Прогнозные модели Белтел Datanomics, разработанные методами машинного обучения, доступны компаниям среднего и малого бизнеса, так как работают на базе облачных сервисов.
Решения продаются по подписке (модель SaaS) и не требуют капитальных вложений на начальном этапе (например покупки серверов или лицензий).
ПРИМЕР:
продукт для прогнозирования спроса в целях минимизации возвратов хлебобулочной продукции позволяет cэкономить производству 500,000 рублей в месяц, а стоимость этого решения Белтел Datanomics по подписке (SaaS) - меньше 50,000 рублей в месяц.
Можно. Но оптимальнее - комбинированное использование облачной и собственной инфраструктуры:
- для обучения арендуются мощности в облаке (например, на несколько часов в месяц),
- обученная модель переносится и работает на собственных серверах внутрь закрытой инфраструктуры.
Создание решений на базе искусственного интеллекта (ИИ) имеет стандартные стадии, три из которых активно используют вычислительные мощности:
- Обучение модели
- Работа обученной модели
- Дообучение модели на новых данных
Стадии 1 и 3 требуют максимального быстродействия, использования специализированных GPU ускорителей и т.п. в течение нескольких часов (иногда - дней). Т.е. - мощных серверов.
Для работы уже готовой модели (стадия 2) достаточно стандартных ресурсов (серверов).
Если не использовать "облако", то можно купить
- мощные и дорогие серверы, чтобы обучение модели проходило за приемлемое время, и потом использовать эти серверы на 5% мощности,
или
- стандартные серверы, и обучать модель неделями.
Оба варианта довольно затратны. Поэтому Белтел Datanomics использует комбинированное решение, которое экономит ресурсы заказчиков.
Как правило, современные ERP-системы обладают встроенным модулем прогнозов, или производитель предлагает отдельный и легко интегрируемый с ERP-системой продукт для планирования и бюджетирования.
Но чтобы система отвечала потребностям бизнеса, любой модуль требует отдельной настройки, а иногда - расширение функционала силами разработчиков.
Кроме того, для точности прогнозов недостаточно использования только внутренних данных компании, исторической информации. Важно учитывать всевозможные внешние факторы, которые могут влиять, например, на спрос.
Модели, построенные методами машинного обучения, учитывают все внутренние и внешние факторы и позволяют решать задачи планирования быстро и с минимальными затратами.
Нашей команде удалось поработать в различных направлениях использования Больших данных.
Например, решение автозаказа для мясоперерабатывающего производства полного цикла, построенное на основе Datanomics Demand Forecast (DDF), приносит производству 150 000 рублей ежемесячно чистого дохода (сокращение расходов за вычетом стоимости подписки).
За счет автоматизации работы был сокращён аналитический отдел, а часть специалистов были переведены на другие задачи.
Решение позволило за счет точных прогнозов оптимизировать допоставки в торговые точки, тем самым увеличив продажи по некоторым позициям на 10%, а затраты по списанию снизить на 6%.
Востребованным в промышленности является компьютерное зрение.
Решение на базе Datanomics Industrial Video Analytics (DIVA) для промышленной аналитики позволяет детектировать вредные выбросы в коксо-химическом производстве и своевременно оповещать ответственный персонал для устранения проблемы, чтобы не нарушать загрязнениями окружающую среду.
Период, за который требуются данные, зависит от поставленной задачи.
Для прогнозирование спроса, где есть ярко выраженная сезонность, нам нужна информация минимум о двух сезонных повторениях, т.е. больше чем за два года.
Для прогнозирование технологического процесса требуемые данные измеряются количествами завершенных процессов и их разнообразием, а не календарным периодом.
Хотя если на технологический процесс влияет, например, температура и влажность окружающей среды, то привязка к календарю тоже будет.
Специалисты Белтел Datanomics имеют опыт написания сложных и объёмных технических заданий для комплексной интеллектуальной системы (то есть для модели, построенной с использованием алгоритмов машинного обучения) и будут рады вам помочь.
Они составят техническое задание с учётом всех требования к сбору и хранению данных, сформулируют критерии оценки результата прогноза, встраивание его в бизнес-процесс.