Demantra Engine ကိုချိုးကွေ့

By admin Last updated Apr 8, 2022

စီမံကိန်း၏အဓိကအချက်အလက်များ

ကုမ္ပဏီအများအပြားပင် Demantra Demand ကိုစီမံခန့်ခွဲမှု (DM) သို့မဟုတ်အဆင့်မြင့်ကြိုတင်ခန့်မှန်း (AFDM) module တွေအကောင်အထည်ဖော်ပြီးနောက်ဆင်းရဲသားကိုခန့်မှန်းကိန်းဂဏန်းများနှင့်အတူရုန်းကန်မှဆက်လက်။ ဝယ်လိုအားစီစဉ်ခြုံငုံဝယ်လိုအားစီမံခန့်ခွဲမှုလုပ်ငန်းစဉ်များတွင်သိသာထင်ရှားသောနှောင့်နှေးစေမယ့်ရှည်ခန့်မှန်းချက်ပြန်လည်သုံးသပ်သည့်လုပ်ငန်းစဉ်မှဦးဆောင်မှတ်တမ်းများကြီးမားသောအရေအတွက်လက်စွဲစာအုပ်ပဓာနနှုနျးရန်အတင်းအကျပ်ခိုင်းစေနေကြသည်အဖြစ်တစ်ဦးထက်ပိုတိကျမှန်ကန်ခန့်မှန်းချက်ပြီးဆုံးပြီးနောက်အကဲဖြတ် Demantra အကောင်အထည်ဖော်မှု၏ဂတိညျ့စုံနေဆဲဖြစ်သည်။

Demantra ကနေထုတ်လုပ်လိုက်တဲ့ဆင်းရဲသားကိုခန့်မှန်းကိန်းဂဏန်းများအဘို့အအသုံးအများဆုံးအကြောင်းပြချက်အကောင့် client ကိုတိကျတဲ့ဒေတာအစုလိုအပ်ချက်များကိုသို့ယူညှိခံရဘဲအင်ဂျင်ဖြစ်ပါတယ်။

အကောင်းဆုံးကတော့, အကောင်အထည်ဖော်မှုစဉ်အတွင်း, အချိန်တွေအများကြီးဒေတာအစုကိုခွဲခြားစိတ်ဖြာခြင်းနှင့်စိတ်ကိုအတွက် client ကိုတိကျတဲ့ data တွေကိုမော်ဒယ်ကိုစောင့်ရှောက်နေစဉ်အင်ဂျင် parameters တွေကို configure လုပ်ပြီးသုံးစွဲရန်လိုအပ်ပါသည်။ ကံမကောင်းစွာပဲ, က Demantra အင်ဂျင် tuning လေ့ကျင့်ခန်းလိုက်-တိုက်ရိုက်ထုတ်လွှကာလတိုင်အောင်အများအတွက်ထွက်ခွာမကြာခဏအနည်းဆုံးဦးစားပေးနှင့်ရကြောင်းလေ့လာတွေ့ရှိထားသည်။

အဆိုပါ Demantra အကောင်အထည်ဖော်ရေးကာလအတွင်းအတော်များများဟာကြိမ်, ထိုအတိုင်ပင်ခံအဖြစ်စီးပွားရေးလုပ်ငန်းအသုံးပြုသူများသည်နှစ်ဦးစလုံးသူတို့ခွင့်ပြုဘို့ Demantra ထဲကပိုကောင်းတဲ့ခန့်မှန်းချက်တိကျမှန်ကန်မှုကို ယူ. လုပ်ဖို့လျစ်လျူရှုလေ့ကြောင်းသင်ထောက်ကူ, စီးရီး, Workflows စသည်တို့ကိုနှင့်ဆက်စပ်သောလိုအပ်ချက်များကူညီနေတဲ့အပေါ်ဒီတော့အာရုံစိုက်နေကြသည် ညှိဖို့ကြောင့်လုံ့လဝီရိယဟာ Demantra အင်ဂျင်ကို။

ဒါ့အပြင် Demantra အင်ဂျင် tuning တစ်အထူးပြုကျွမ်းကျင်မှုဖြစ်ခြင်းကတည်းက; ဒါဟာပိုကောင်းတဲ့ရလဒ်အတွက် setup ကိုရောက်ထားရန်လိုအပ်ပါတယ်ကြောင်းအမျိုးမျိုးသောအင်ဂျင် parameters များကိုပိုကောင်းခန့်မှန်းချက်တိကျမှန်ကန်မှုနှင့်နားလည်မှုကိုဦးတည်အထောက်အကူဖြစ်စေကြောင်းအမျိုးမျိုးသောအကြောင်းအချက်များ၏ indepth နားလည်မှုလိုအပ်သည်။

ဒီအထူးပြုဧရိယာသည်နှင့်မြင့်မားအရည်အချင်းပြည့်မီခြင်းနှင့်အတွေ့အကြုံရှိအတိုင်ပင်ခံများကဖျော်ဖြေရပါမည်သို့သော် Demantra နှင့်ဝယ်လိုအားစီစဉ်၏အသုံးပြုသူများသည်ကိုလည်းခန့်မှန်းတိကျမှန်ကန်မှုကိုသြဇာလွှမ်းမိုးနိုငျသောကွဲပြားခြားနားသောအချက်များနှင့်အတူအကျွမ်းတဝင်ဖြစ်သင့်သည်။ သော်လည်း

အဲဒီမှာ Demantra ခန့်မှန်းချက်တိကျမှန်ကန်မှုကိုလွှမ်းမိုးအများအပြားအချက်များဖြစ်ကြသည်ပေမယ့်အရေးပါဆုံးသူမြားအချို့ကိုအောက်တွင်ဖော်ပြထားသောနေကြသည်:

• Demand ကိုဒေတာများကို Profiles

Nodal ချိုးကွေ့•

•ကြောင်းကျိုးဆက်စပ် / ပရိုမိုးရှင်း

•ခန့်မှန်းချက်သစ်ပင်

•အချိုးကျရာထူးအမည်

ဝယ်လိုအားမှာ Data Profiles

Demantra ထဲကပိုကောင်းတဲ့ခန့်မှန်းချက်ဆီသို့ပထမဦးဆုံးခြေလှမ်းနေ client ၏စီးပွားရေးလုပ်ငန်းလျှောက်ထားသောအမျိုးမျိုးသောဝယ်လိုအား profile များကိုသိရန်ဖြစ်ပါသည်။

အဆိုပါဝယ်လိုအားဒေတာပုံစံပြတ်တောင်းပြတ်တောင်း, ပုံမှန်အစည်းအဝေးချောမွေ့စတာတွေဖြစ်နိုင်ပါတယ်နှင့်အမျိုးမျိုးသောထုတ်ကုန်ဤဝယ်လိုအားပုံစံများ၏အသိပညာဗဟုသုတဖြင့် Demantra ကြိုတင်ခန့်မှန်းဘို့လက်ျာစာရင်းအင်းမော်ဒယ်ကိုအသုံးပြုဖို့တက် setting ကိုကူညီလိမ့်မယ်။

Oracle က Demantra အနာဂတ်သို့ဝယ်လိုအားပရောဂျက်ကွဲပြားခြားနားသောစာရင်းအင်းနည်းလမ်းများနှင့် algorithms အသုံးချ။ Demantra AFDM စာရင်းအင်းကြိုတင်ခန့်မှန်းဘို့တိုင်အောင်တဆယ်လေးကွဲပြားခြားနားသောနည်းလမ်းများကိုအသုံးပြုသော်လည်း Demantra DM မော်ဒယ်ရှစ်စာရင်းအင်းနည်းလမ်းများအသုံးပြုသည်။ Demantra DM နှင့် AFDM module တွေနှစ်ဦးစလုံးတစ်ဦးသတ်သတ်မှတ်မှတ်ကို item-တည်နေရာပေါင်းစပ်မှုအတွက်နောက်ဆုံးခန့်မှန်းချက်ထုတ်လုပ်ဘို့ Bayesian ချဉ်းကပ်နည်းကိုအသုံးပြုသည်။

အဆိုပါ Bayesian ချဉ်းကပ်တစ်ဦးချင်းစီမော်ဒယ်များ၏ရလဒ်များကိုပေါင်းစပ်။ တစ်ခုချင်းစီကိုမော်ဒယ်အကဲဖြတ်ခြင်း, အလှည့်စီမော်ဒယ်စနစ်၏အစိတ်အပိုင်းအစုနှင့်အသုံးပြုသူ-ထောက်ပံ့ကြောင်းကျိုးဆက်စပ်အချက်များများစွာစမ်းသပ်နေပါတယ်။ ကြောင်းကျိုးဆက်စပ်အချက်များ၏မော်ဒယ်များနှင့်အစိတ်အပိုင်းအစုအားလုံးပေါင်းစပ်သူတို့ရဲ့ဆက်စပ်မှုကိုညွှန်းလေးတာဝန်ပေးအပ်ထားပါသည်။ တိုင်းပေါင်းစပ်ယင်း၏ weightage အဆိုအရနောက်ဆုံးခန့်မှန်းချက်ကိုအထောက်အကူပြုရန်။

ထို့ကြောင့်, သင့်ရဲ့ထုတ်ကုန်များ၏ဝယ်လိုအားပုံစံများတစ်ဦးနားလည်မှုရှိခြင်းကိုသင်သိသိသာသာခန့်မှန်းချက်တိကျမှန်ကန်မှုကိုတိုးတက်စေလိမ့်မည်ဟု Demantra အတွက်ကို item-တည်နေရာကိုပေါင်းစပ်ဖို့မှန်ကန်သောခန့်မှန်းချက်နည်းလမ်းလျှောက်ထားကူညီနိုင်ဘူး။

ဥပမာ, သငျသညျပြီးသားသာပြတ်တောင်းပြတ်တောင်းဝယ်လိုအားပုံစံများထားပါတယ်တဲ့ကုန်ပစ္စည်းလိုင်းရှိကွောငျးကိုသိလျှင်အခြားကြိုတင်ခန့်မှန်းနည်းလမ်းများနောက်ဆုံးခန့်မှန်းချက်အရေအတွက်အထောက်အကူပြုမည်မဟုတ်သကဲ့သို့, သို့ဖြစ်လျှင်ဤပေါင်းစပ်အခြားကြိုတင်ခန့်မှန်းမော်ဒယ်များပိတ်ခြင်းသိသိသာသာခန့်မှန်းချက်တိကျမှန်ကန်မှုကိုတိုးတက်စေနိုင်ပါတယ်။

အောက်ပါကြိုတင်ခန့်မှန်းမော်ဒယ်များ Demantra နေဖြင့်အသုံးပြုကြသည်:

• Regression

• Regression

• Log in ဝင်ရန် (ဆုတ်ယုတ်မတိုင်မီအသွင်ပြောင်း log)

• CMReg (ကြောင်းကျိုးဆက်စပ်အချက်များ၏အစိတ်အပိုင်းအစု၏ Markov ကွင်းဆက်ရွေးချယ်ရေး)

• Elog (မှတ်တမ်းအသွင်ပြောင်းပြီးနောက် Markov ကွင်းဆက်ကိုအသုံးပြုသည်)

•အဆတင်ပါသည်

• Holt

• Bwint

•ပြတ်တောင်းပြတ်တောင်း & Models

•ပြတ်တောင်းပြတ်တောင်းဘို့ CMReg

•ပြတ်တောင်းပြတ်တောင်းဘို့ Regression

• Croston

•အချိန်စီးရီး & Models

• ARX နှင့် ARIX

• Logistic နှင့် AR Logistic

•အခြား & Models

• BWint (ဆုတ်ယုတ်ခြင်းနှင့်အဆတင်ပါသည်အရောအနှော)

Nodal ချိုးကွေ့

Demantra Demand ကိုစီမံခန့်ခွဲမှု (DM) module ကိုသုံးပြီး client များအတွက်ဆင်းရဲသားတို့ကိုခန့်မှန်းချက်မှန်ကန်မှုများအတွက်အကြောင်းပြချက်တစ်ခုမှာစာရင်းအင်းနည်းလမ်းများနှင့် algorithms အပေါငျးတို့သပေါင်းစပ်ဖို့ဖြစ်စေလျှောက်ထားသို့မဟုတ်မှာအားလုံးလျှောက်ထားမဟုတ်သောကြောင့်ဖြစ်သည်။ ကြောင်းကို item-တည်နေရာကိုပေါင်းစပ်ခြင်းဖြင့်ပြသလိုအပ်ချက်ပုံစံပေါင်းစပ်၏ကျန်ထံမှကွဲပြားခြားနားပါလိမ့်မယ်သော်လည်းလူဦးရေ၏ကျန်ထံမှကွဲပြားခြားနားသောတဦးတည်းသီးခြားပေါင်းစပ်ဖို့တိကျတဲ့စာရင်းအင်းမော်ဒယ်များရွေးချယ်ဖို့အဘယ်သူမျှမပြောင်းလွယ်ပြင်လွယ်ရှိပါသည်။ ဤသည် Demantra DM module တစ်ခု၏ client များအတွက်ခန့်မှန်းချက် tuning လေ့ကျင့်ခန်းအတွင်းမှာအဓိကသတ်ဖြစ်သထေူ၏။

ဒီအသတ် Nodal tuning အင်္ဂါရပ်ကတဆင့်အဆင့်မြင့် analytics စွမ်းရည်ကိုထောက်ပံ့ပေးသော Demantra AFDM module တစ်ခုအတွက်ကိုကျော်လွှားသည်။

Nodal ချိုးကွေ့စီမံခန့်ခွဲမှု (AFDM) module တစ်ခုအပြောင်းအလဲကိုခန့်မှန်းခြင်းသည်နှင့်ဝယ်လိုအား Demantra အဆင့်မြင့်အတွက်ရရှိနိုင်မယ့်အစွမ်းထက်လုပ်ဆောင်ချက်ကိုဖြစ်ပါတယ်။

Nodal ချိုးကွေ့ဝယ်လိုအားစီစဉ်ကောက်နှင့်အင်ဂျင်စနစ်ခန့်မှန်းချက်ထုတ်လုပ်များအတွက်အထူးသဖြင့်ကို item-တည်နေရာကိုပေါင်းစပ်ဖို့လျှောက်ထားခြင်းနှင့်လည်းပေါင်းစပ်ဘို့အင်ဂျင် parameters တွေကို setting ကိုခွင့်ပြုသင့်ကြောင်းအဆိုပါစာရင်းအင်းမော်ဒယ်များကိုရွေးချယ်ပေးနိုင်ပါတယ်။

Nodal tuning လည်းဒဏ်ငွေ tuning ပေါင်းစပ်ဖို့တိကျတဲ့အဆိုပါ Demantra အင်ဂျင် parameters များကိုခွင့်ပြုပါတယ်။

ဒီ feature ညှိပိုကောင်းခန့်မှန်းချက်မှန်ကန်မှုများအတွက်အင်ဂျင်ဒဏျကွေးဖို့ Demantra ကျွမ်းကျင်သူများ၏လက်၌ကိရိယာတခုပေးပါသည်။ ယခင်အပိုင်းတှငျဖျောပွထားအဖြစ်ဝယ်လိုအားပုံစံများကိုသိသောဥာဏ်နှင့်အတူဒီ feature ရိုက်ထည့်အသုံးပြုသူများဝယ်လိုအားပုံစံ fit ကြောင်းသူတို့သာကြိုတင်ခန့်မှန်းမော်ဒယ်များကို enable လုပ်ဖို့ခွင့်ပြုပါလိမ့်မယ်။ ဒါဟာသိသိသာသာခန့်မှန်းချက်တိကျမှန်ကန်မှုကိုပိုမိုကောင်းမွန်စေတယ်။

ကြောင်းကျိုးဆက်စပ်အချက်များ / ပရိုမိုးရှင်း

တဦးတည်း Demantra သို့ကြောင်းကျိုးဆက်စပ်အချက်များမော်ဒယ်စဉ်ကအလွန်သတိထားပါရန်လိုအပ်သည်။ ဒေတာမော်ဒယ်အများအပြားကြောင်းကျိုးဆက်စပ်အချက်များနှင့်ပရိုမိုးရှင်းရှိပါတယ်ဆိုရင်သူတို့ကခြေရင်းလိုင်းခန့်မှန်းချက်မှေးမှိန်ပြီးအလွန်အမင်း skewed ခန့်မှန်းချက်သို့ဖြစ်ပေါ်လေ့ရှိပါတယ်။

မော်ဒယ်သို့ကြောင်းကျိုးဆက်စပ်အချက်များမိတ်ဆက်၏ A ကောင်းဆုံးအလေ့အကျင့်ပထမဦးဆုံး Demantra ထဲကအခြေခံခန့်မှန်း generate မရှိကြောင်းကျိုးဆက်စပ်အချက်များနှင့်ပရိုမိုးရှင်းဒေတာနှင့်အတူစတင်ရန်ဖြစ်ပါသည်။ ယင်းအခြေခံခန့်မှန်းညှိပြီးတာနဲ့အခြားကြောင်းကျိုးဆက်စပ်အချက်များဟာအခြေခံခန့်မှန်းဖို့စိတျထဲတှငျတစျဦးစောင့်ရှောက်ခြင်းဖြင့်တဦးတည်းဆိုကြောင်းကျိုးဆက်စပ်အချက်များ၏နိဒါန်း၏အကျိုးသက်ရောက်မှုမိတ်ဆက်ရပါမည်။

ဒီနည်းလမ်းကတော့အခြေခံခန့်မှန်းချက်အပေါ်ကြောင်းကျိုးဆက်စပ်အချက်များ၏အကျိုးသက်ရောက်မှုကိုအလွယ်တကူခြေရာခံများနှင့်ခွဲခြမ်းစိတ်ဖြာနိုင်ပါတယ်နှင့်ကြောင်းကျိုးဆက်စပ်၏အချိန်မရွေးမိတ်ဆက်စကားအကျိုးသက်ရောက်မှုဆန္ဒရှိကြပုံမရပါဘူး, ဒါကြောင့်ပိတ်ထားသင့်ပါတယ်။

ခန့်မှန်းချက်သစ်ပင်

အဆိုပါခန့်မှန်းချက်ကိုသစ်ပင်အင်ဂျင်မှာခန့်မှန်းတံ့သောကို item / တည်နေရာစုစည်းမှုပေါင်းစပ်ဆုံးဖြတ်သည်။ အဆိုပါအင်ဂျင်ခန့်မှန်းချက် tree ထဲမှာတစ်ဦးချင်းစီအဆင့်အထိကို examine နှင့်ကြိုတင်ခန့်မှန်းဘို့ဒါမှမဟုတ်ခန့်မှန်းကြောင်းအဆင့်မှာလုံလောက်သောတိကျမှန်ကန်မှုရှိနေထုတ်လုပ်လိုက်တဲ့လျှင်ရရှိနိုင်အလုံအလောက်ရောင်းအားသမိုင်းဒေတာရှိလျှင် validates ။ က validation ပျက်ကွက်ကိစ္စတွင်ခုနှစ်, အင်ဂျင်နောက်တစ်နေ့အဆင့်အထိပေါ်လှုံ့ဆျောနှင့်အဲဒါကိုတစ်ဦးခန့်မှန်းချက် generate နိုင်ပါတယ်တဲ့အဆင့်အထိကိုတွေ့အထိ validation ကိုအဆင့်နှင့်အတူဆက်လက်။

အင်ဂျင်ခန့်မှန်းချက် tree ထဲမှာစုစည်းမှုတစ်ခုမြင့်မားတဲ့အဆင့်မှာကြိုတင်ခန့်မှန်းတက်အဆုံးသတ်ကိစ္စတွင်ခုနှစ်, ခန့်မှန်းချက်အောက်ပိုင်းအဆင့်ဆင့်မှခွဲထွက်သည်။

ခန့်မှန်းချက်သစ်ပင်ခန့်မှန်းချက်မှန်ကန်မှုပျေါတိုကျရိုကျသကျရှိပါတယျတဲ့ကွန်ပျူတာစနစ် configuration ဖြစ်ပါတယ်။

ဒါဟာရောင်းအားသမိုင်း၏သတိထားခွဲခြမ်းစိတ်ဖြာပြီးနောက်နှင့်သုံးစွဲသူများနှင့်တိုင်ပင်ဆွေးနွေးပြီးမှအမှုကိုပြုခံရဖို့လိုအပျကွောငျးကိုပထမဦးဆုံး Setup တစ်ခုဖြစ်ပါသည်။ အဆိုပါခန့်မှန်းချက်ကိုအဆင့်ဆင့်စီးပွားရေးလုပ်ငန်းအသုံးပြုသူများအဓိပ္ပါယ်ရှိသောဖြစ်သင့်ကြောင်းအင်ဂျင်ဖြတ်သန်းနှင့်ခန့်မှန်းချက်နိုငျကွောငျး 3 အကြားနဲ့ 6 အဆင့်ဆင့်ရှိသည်ဖို့အကြံပြုသည်။

အဆိုပါခန့်မှန်းချက်ကိုသစ်ပင်တိကျမှန်ကန်မှုကိုတိုင်းတာသောအဆင့်ကိုထည့်သွင်းရန်အဘို့အဖြစ်နိုင်လျှင်၎င်းသည်အသုံးဝင်သည်။

အချိုးအစား

အချိုးအစားအလွန်အရေးကြီးလှသည်နှင့်အဆင့်မြင့်အဆင့်ဆင့်နှင့်အောက်ခြေအဆင့်မှအဆင့်မြင့် level မှာထုတ်လုပ်ခန့်မှန်းချက်များက de-စုစည်းမှုမှနိမ့်ဆုံးအဆင့်ကိုမှအခန့်မှန်းချက်များစုစည်းမှုစဉ်အတွင်းအသုံးပြုကြသည်။

အဆိုပါ Demantra ၏နောက်ဆုံးထွက်ရှိခန့်မှန်းချက်ဟာအချိုးအစားပေါ် မူတည်. အလွန်ကွဲပြားခြားနားသောဖြစ်နိုင်ပါတယ် generated ။

အဆိုပါအချိုးအစားအရောင်းသမိုင်းဒေတာဝန်စဉ်အတွင်းတွက်ချက်ခြင်းနှင့်သိမ်းဆည်းထားသည်။ အများအပြားက parameters တွေကိုအချိုးအစား၏တွက်ချက်မှုထိန်းချုပ်ထားသည်။

ယင်းအချိုးအစားကိုသြဇာလွှမ်းမိုးသော parameters တွေကိုတစ်ခုမှာစနစ်အချိုးအစားတွက်ချက်ရန်အသုံးပြုအရောင်းသမိုင်းအချက်အလက်များ၏ပမာဏဖြစ်သည်။ 12 လအတွင်းအရောင်းဒေတာအပေါ်အခြေခံပြီးတွက်ချက်အဆိုပါအချိုးအစား 6 လသမိုင်းဆိုင်ရာအချက်အလက်ပေါ်အခြေပြုတွက်ချက်ရှိသူများအနေဖြင့်ကွဲပြားခြားနားသောလိမ့်မည်။ ထို့ကြောင့်ဤ parameter သည်၏သင့်လျော်သော setting ကိုအလှည့်အတွက်နောက်ဆုံးခန့်မှန်းချက်ကိုသြဇာလွှမ်းမိုးထားသည့်အချိုးအစား၏တွက်ချက်မှုမှအလွန်အရေးပါသည်။

နိဂုံး

အဆိုပါ Demantra အင်ဂျင် tuning ရှုပ်ထွေးပြီးစစ်ရေးလေ့ကျင့်ခန်းသည်နှင့်ထိုသို့အဘယ်သူမျှမ-မထိုက်မတန်-အားလုံးဖြေရှင်းချက်လည်းမရှိ။

ထုတ်ကုန်များ၏ဝယ်လိုအားပုံစံအတွက်ပြောင်းလဲမှုရှိသည့်အခါတိုင်းတစ်ဦးကအဓိကအင်ဂျင် tuning လေ့ကျင့်ခန်းအနှစ်အမှုအမျိုးမျိုးရှိသမျှစုံတွဲဆောင်ရွက်ခြင်းနှင့်ရပါမည်။ အဆိုပါ tuning လေ့ကျင့်ခန်း client ကိုတိကျတဲ့ Demantra အကောင်အထည်ဖော်မှုကိုက်ညီရန်လိုအပ်ပါသည်ပေမယ့်ခန့်မှန်းတိကျမှန်ကန်မှုကိုသြဇာလွှမ်းမိုးသောအချက်များ၏အသိအမြင်ရှိခြင်းထပ်မံခန့်မှန်းချက်တိကျမှန်ကန်မှုကိုတိုးတက်စေခြင်း၌ရှည်လျားသောလမ်းကိုသွားလိမ့်မယ်။

Source by Adil Mujeeb