機械学習気象予測モデル

需要予測に新しい予測モデル (ML 気象) が導入され、機械学習と気象予測情報を使用して予測を計算します。この新しい予測モデルには、 IFS Cloud 外部の API との通信が含まれており、一度設定すれば完全に自律的な処理になります。コミュニケーションのステップは以下のとおりです。

• 機械学習パイプラインは、需要予測サーバーからトレーニングが必要な項目を要求します。
• 需要予測サーバーは、 ML 気象予測モデルが割り当てられた項目と、これらの品目の包括的履歴データで応答します。
• ML パイプラインは、実際の計算を実行して 14 日間の予測を返すサードパーティの計算エンジンを呼び出します。この予測は、Azure Data Lake に保存されます。
• ML パイプラインは予測をパッケージ化し、それを需要予測サーバーに送り返します。通信フロー全体については下の図を参照してください。

この機能が動作するには、需要予測担当者と機械学習エンジンの両方をセットアップして構成する必要があります。機械学習エンジンは、販売品目のインストール中にセットアップされます。以下に、需要予測担当者に必要な設定を示します。

需要予測担当者の設定

• 需要予測サーバーで機械学習を有効にする
  • 需要予測サーバー/一般セクションにこのためのスイッチがあります。
• 基本フロー場所の詳細
  • 需要予測サーバーが ML を有効としてマークすると、基本フロー レベルで場所の詳細を入力できるようになります。紐付けパネル機能を使用して、地図から場所を選択することも可能です。
• 日別集計ジョブを毎日実行するようにスケジュールする
  • 過去の日次トランザクションを ML エンジンに送信するには、日次履歴を取得する必要があります。したがって、この機能が動作するには、日別集計ジョブを毎日スケジュールする必要があります。

注釈:このジョブの毎日の実行時間は、機械学習ジョブ構成と同期する必要があります。つまり、機械学習ジョブは、需要予測担当者で日別集計ジョブを完了した後に実行されるように構成する必要があります。

• 予測品目の予測モデルを ML 気象に設定する
  • フロー レベルで位置情報を持ち、ML 気象予測モデルが設定されている予測品目は、天気に基づいて予測を生成するために ML エンジンに送信されます。

注釈:詳細サーバー パラメーターの SendAllForecastParts を使用すると、使用される予測モデルに関係なく、予測品目を送信できます。

ML 統合の権限セット

需要予測サーバーと通信するには、 ML エンジンで使用されるユーザーに DEMAND_ML 権限セットを割り当てる必要があります。

典型的なジョブ フローの設定

• 需要予測と機械学習の基本設定の完了
• 品目/履歴/場所の取得と機械学習モデルのトレーニング (毎週)
• 気象データに基づいて品目需要予測を生成して送信する (毎日)

注釈:つまり、新しい ML 気象予測品目が選択されると、最悪のシナリオでは、機械学習エンジンに取得され、気象データに基づいて予測が生成されるまでに最大 7 日かかる場合があります。