Machine Lerning-Modell zur Wetterprognose

In der Bedarfsplanung wurde ein neues Prognosemodell (ML-Wetter) eingeführt, das die Prognose mithilfe von maschinellem Lernen und Wettervorhersageinformationen berechnet. Dieses neue Prognosemodell beinhaltet die Kommunikation mit APIs außerhalb von IFS Cloud und ist nach der Einrichtung ein völlig autonomer Prozess. Die Schritte der Kommunikation sind wie folgt.

• Die Pipeline für maschinelles Lernen fordert die Elemente, die trainiert werden müssen, vom Bedarfsplanungs-Server an.
• Der Bedarfsplanungs-Server antwortet mit den Artikeln, denen das Prognosemodell ML-Wetter zugewiesen wurde, zusammen mit den vollständigen historischen Daten dieser Artikel.
• Die ML-Pipeline ruft eine Berechnungs-Engine eines Drittanbieters auf, die die eigentlichen Berechnungen durchführt und eine 14-Tage-Prognose zurücksendet, die dann im Azure Data Lake gespeichert wird.
• Die ML-Pipeline übernimmt die Paketierung der Prognose und sendet sie zurück an den Bedarfsplanungs-Server. In der folgenden Abbildung ist der gesamte Kommunikationsfluss dargestellt.

Damit diese Funktion funktioniert, müssen sowohl der Bedarfsplanungs-Server als auch die Machine Learning Engine eingerichtet und konfiguriert werden. Die Machine Learning Engine wird während der Installation des Verkaufsartikels eingerichtet. Nachfolgend sehen Sie die für den Bedarfsplanungs-Server erforderlichen Einstellungen.

Einrichtung des Bedarfsplanungs-Servers

• Maschinelles Lernen in Bedarfsplanungs-Server aktivieren
  • Dafür gibt es einen Schalter im Abschnitt „Bedarfsplanungs-Server/Allgemein“.
• Standortdetails für Basis-Flow
  • Sobald ein Bedarfsplanungs-Server mit „ML aktivieren“ markiert ist, ist es möglich, die Standortdetails auf Basis-Flow-Ebenen einzugeben. Es ist möglich, die Funktionalität des Anhangsbereichs zu nutzen, um die Standorte über eine Karte auszuwählen.
• Auftrag „Täglich zusammenfassen“ für die Ausführung im täglichen Intervall planen
  • Dies ist erforderlich, um die tägliche Historie für die Übermittlung der historischen täglichen Transaktionen an die ML-Engine zu erhalten. Daher muss der Job „Täglich zusammenfassen“ mit täglicher Ausführung geplant werden, damit diese Funktion funktioniert.

Hinweis: Die tägliche Ausführungszeit dieses Jobs muss mit der Konfiguration des Machine Learning-Jobs synchronisiert werden. Das bedeutet, dass Machine Learning-Aufträge so konfiguriert werden sollten, dass sie nach Abschluss des Jobs „Täglich zusammenfassen“ im Bedarfsplanungs-Server ausgeführt werden.

• Prognosemodell des Prognoseartikels auf ML-Wetter einrichten
  • Prognoseartikel mit Standortinformationen auf Flow-Ebene und einem festgelegten ML-Wetter-Prognosemodell werden an die ML-Engine übermittelt, um eine wetterbasierte Prognose zu erstellen.

Hinweis: SendAllForecastParts in Erweiterte Serverparameter kann verwendet werden, um Prognoseartikel unabhängig vom verwendeten Prognosemodell zu übermitteln.

Berechtigungssatz für ML-Integration

Der Berechtigungssatz DEMAND_ML sollte dem in der ML-Engine verwendeten Anwender zugewiesen werden, damit er mit dem Bedarfsplanungs-Server kommunizieren kann.

Typische Auftrags-Flow einrichten

• Grundeinstellungen für Bedarfsplanung und maschinelles Lernen abschließen
• Artikel/Historie/Standorten abrufen und Machine Learning-Modell trainieren (wöchentlich)
• Artikelbedarfsprognosen auf der Grundlage von Wetterdaten generieren und senden (täglich)

Hinweis: Das bedeutet, dass es nach der Auswahl eines neuen ML-Wetter-Prognoseartikels im schlimmsten Fall bis zu 7 Tage dauern kann, bis dieser in die Machine Learning Engine abgerufen wird und dadurch Prognosen auf der Grundlage von Wetterdaten generiert werden können.