Внедрение MLOps-подхода для повышения эффективности логистики
- DevOps
- ML
- Git
- CI/CD
- Docker
- Kubernetes
- MLflow
- TensorFlow
- PostgreSQL
У вас есть задача? Давайте обсудим!
О клиенте
Более 15 лет компания предоставляет услуги автомобильных, железнодорожных, морских и авиаперевозок. Обладает собственным парком полуприцепов и подъемных механизмов, выполняет такелаж тяжелых грузов, располагает складами для хранения и распределения товаров.
О проекте
Логистическая цепь представляет собой сложную сеть взаимодействующих поставщиков, контрагентов и покупателей. Рост объемов перевозок привел к увеличению нагрузки на ИТ-инфраструктуру, замедлению аналитических процессов и снижению точности прогнозов поставок.
Описание задачи
Существующая ИТ-инфраструктура не обеспечивала требуемую скорость и масштабируемость при обработке логистических данных. Это вызывало:
- отклонения от запланированных маршрутов;
- несвоевременные доставки грузов;
- снижение эффективности складских операций;
- длительный цикл подготовки сведений для аналитики.
Аутсорс ИТ-специалистам RedLab требовалось автоматизировать управление жизненным циклом ML-моделей, ускорить их развертывание и внедрить потоковую обработку данных для работы в режиме реального времени.
Реализация
RedLab привлекла к проекту ML- и DevOps-инженеров, которые выполнили следующие задачи:
- Настроили автоматизированные пайплайны для подготовки данных, обучения, тестирования, валидации и деплоя моделей.
- Организовали централизованное управление артефактами и версиями моделей.
- Масштабировали вычислительную архитектуру, чтобы гибко распределять мощности между задачами обработки потоковых данных и обучением моделей.
- Внедрили GitOps-подход для деплоя ML-моделей, сократив путь от эксперимента до продакшна.
- Разработали и обучили модели на основе временных рядов и геопространственных данных.
- Спроектировали архитектуру ML-решения для прогнозирования логистических отклонений.
Результат
Переходите по ссылке, чтобы узнать об аутсорсинге MLOps инженеров больше.
