
В современном бизнесе каждое действие оставляет след, который можно анализировать. Это может быть показание машины, платеж, продажа, заказ или изменение запасов. Все эти данные формируют временные ряды, которые содержат сигналы, помогающие предсказывать будущее. Однако задача состоит в том, чтобы превратить эти сигналы в решения, пока они еще актуальны. Прогноз, предоставленный после завершения производственного цикла или авторизации платежа, может быть точным, но слишком поздним, чтобы повлиять на результат. IBM и Confluent предлагают решение, которое приближает модели временных рядов к данным в режиме реального времени.
Временные ряды и их значение
Модели временных рядов от IBM, которые были загружены более 50 миллионов раз, теперь доступны в Confluent как встроенные функции как в облаке, так и на локальных серверах, работающие на стандартных процессорах. Эти модели могут поддерживать широкий спектр критически важных задач, от оптимизации производственных процессов до прогнозирования объемов торгов и оценки платежей по картам. Они позволяют организациям более эффективно использовать данные, которые поступают в режиме реального времени.
Потоковая обработка данных с Apache Flink
С помощью Apache Flink команды могут применять прогнозирование, обнаружение аномалий и семантический анализ к потоковым данным, используя SQL. Это делает результаты моделей доступными для приложений и сотрудников, ответственных за последующие действия. Модели временных рядов учатся на разнообразных исторических данных и применяют эти знания к новым задачам, что позволяет избежать необходимости обучать отдельную модель для каждой серии данных.
Преимущества использования моделей временных рядов
Использование моделей временных рядов в архитектуре потоковой обработки данных может помочь командам в следующих аспектах:
Масштабирование разработки моделей: Предобученные модели могут служить общей отправной точкой для множества временных рядов, что уменьшает необходимость в разработке и поддержке отдельных моделей.
Обновление прогнозов: Прогнозы могут обновляться по мере поступления новых данных, что позволяет учитывать последние наблюдения.
Ближе к принятию решений: Прогнозы и аномалии могут быть направлены в операционные приложения быстрее, что позволяет командам комбинировать их с бизнес-контекстом и правилами.
Компактные модели на стандартных процессорах: Модели достаточно малы, чтобы работать на стандартных процессорах, что упрощает развертывание и снижает потребность в специализированной инфраструктуре.
Примеры применения в реальных сценариях
Оптимизация производства
На примере линии по производству мороженого, качество продукта зависит от количества воздуха, добавляемого в смесь. Процессный инженер может использовать предобученную модель для прогнозирования доли упаковок, соответствующих стандартам, за несколько часов до завершения производственного цикла. Это позволяет заранее корректировать параметры заморозки, минимизируя переработку и снижая энергозатраты.
Обнаружение аномалий
Команда по операциям в магазине может использовать модели для мониторинга продаж тысяч продуктов. Вместо фиксированных порогов, которые могут пропустить менее предсказуемые изменения, модели могут определять ожидаемый диапазон продаж и сигнализировать о выходе за его пределы, что позволяет быстро реагировать на проблемы с запасами.
Планирование цепочки поставок
Планировщики могут использовать предобученные модели для прогнозирования спроса на товары в каждом магазине. Это позволяет избежать дефицита или избытка запасов, так как прогнозы обновляются по мере поступления новых данных о продажах.
Борьба с мошенничеством
В банковской сфере модели временных рядов могут оценивать транзакции на основе индивидуальных паттернов расходов каждого клиента. Это позволяет более точно определять подозрительные операции и принимать меры, такие как запрос дополнительной аутентификации.
Торговля
На торговых площадках модели могут прогнозировать объем торгов на основе исторических данных, что позволяет эффективно делить крупные заказы на меньшие, минимизируя влияние на рынок.
Семантический поиск
Инженеры могут использовать модели для поиска похожих паттернов среди данных с сенсоров, что помогает в расследовании необычных событий и улучшает процесс диагностики.
Заключение
Модели временных рядов от IBM и Confluent открывают новые горизонты для бизнеса, позволяя им более эффективно использовать данные в режиме реального времени. С их помощью компании могут не только улучшать свои операционные процессы, но и принимать более обоснованные решения, основанные на актуальной информации.
Комментарии (0)