{"id":32908,"date":"2023-05-17T10:00:00","date_gmt":"2023-05-17T08:00:00","guid":{"rendered":"https:\/\/www.ecabs.com.mt\/how-i-used-machine-learning-for-cost-optimisation\/"},"modified":"2023-12-19T14:08:06","modified_gmt":"2023-12-19T13:08:06","slug":"how-i-used-machine-learning-for-cost-optimisation","status":"publish","type":"post","link":"https:\/\/ecabs.com.mt\/it\/how-i-used-machine-learning-for-cost-optimisation\/","title":{"rendered":"Utilizzare l’apprendimento automatico per l’ottimizzazione dei costi"},"content":{"rendered":"

Senior Data Analyst presso eCabs Technologies<\/p>

Julia Vella<\/p><\/div><\/div>\n\n\n

L-importanza dell’l’apprendimento automatico<\/em>.<\/p>\n\n\n\n

Come analista dei dati che opera nell’industria della mobilit\u00e0 tecnologica, lavoro principalmente su attivit\u00e0 incentrate sulle esigenze e i requisiti del Dipartimento Marketing.<\/p>\n\n\n\n

Tuttavia, ho anche l’opportunit\u00e0 di collaborare con diverse squadre e lavorare su progetti che richiedono la mia competenza tecnica e scientifica.<\/p>\n\n\n\n

Di recente sono stata contattata da Ruslan Golomovzy<\/a>, responsabile dello sviluppo commerciale internazionale, nell’ambito di un progetto su larga scala.<\/p>\n\n\n\n

L’obiettivo: pianificare una soluzione di mobilit\u00e0 permanente per trasportare centinaia di persone in varie destinazioni da una posizione centrale iniziale. E poi riportarle alle loro destinazioni originali.<\/p>\n\n\n\n

Lo scopo: assistere il cliente in un esercizio di riduzione dei costi, riducendo il tempo di viaggio (del 50%) per garantire la soddisfazione dei dipendenti.<\/p>\n\n\n\n

Si trattava di un compito impegnativo che presentava una serie unica di sfide. Proprio il tipo di sfida che mi piace affrontare.<\/p>\n\n\n\n

Non potevamo semplicemente fornire un numero infinito di corse agli utenti. Poich\u00e9 ci\u00f2 avrebbe sforato le risorse di bilancio e interferito con le restrizioni imposte dal nostro cliente.<\/p>\n\n\n\n

Quindi, cosa potevamo fare al suo posto? Alla fine, la discussione si \u00e8 concentrata sul l’apprendimento automatico (machine learning<\/em>).<\/p>\n\n\n\n

Utilizzando il modello predittivo che ho creato, sono stata in grado di approssimare il volume degli utenti durante la finestra temporale del progetto. Puoi trovare una spiegazione di questo modello predittivo nel mio blog precedente<\/a>.<\/p>\n\n\n\n

Pertanto, avevo una stima approssimativa di quante vetture avremmo potuto utilizzare per questo progetto. <\/p>\n\n\n\n

Indicher\u00f2 questo numero di vetture disponibili (e massime) con la lettera K.<\/p>\n\n\n\n

Algoritmo di \u2018K-means clustering\u2019 <\/h2>\n\n\n\n

A una prima occhiata, sembrerebbe un esercizio relativamente semplice, giusto? Raggruppare le posizioni entro una certa distanza radiale e fornire un trasporto sufficiente a contenere ciascun cluster.<\/p>\n\n\n\n

L’ottimizzazione del numero di veicoli garantisce costi minimi delle risorse e un’esperienza massima per il cliente.<\/p>\n\n\n\n

Su piccola scala, ci\u00f2 pu\u00f2 essere fatto manualmente o visualmente. Ma questo esercizio in particolare coinvolgeva centinaia di passeggeri, provenienti da diverse destinazioni sparse in tutta Malta.<\/p>\n\n\n\n

Cos\u00ec, ho esaminato il mio set di strumenti scientifici. E ho deciso di utilizzare una tecnica di apprendimento non supervisionato chiamata algoritmo di clustering K-means.<\/p>\n\n\n\n

Questo algoritmo basato su centroidi \u00e8 ampiamente utilizzato nell’Apprendimento Automatico. \u00c8 utilizzato per raggruppare insiemi di dati non etichettati sulla base della minimizzazione della somma delle distanze tra i dati e i loro corrispondenti K cluster.<\/p>\n\n\n\n

Identificare i percorsi di viaggio pi\u00f9 efficienti<\/h2>\n\n\n\n

Raggruppando le posizioni di prelievo e riconsegna dei nostri clienti, siamo in grado di identificare i percorsi di viaggio pi\u00f9 efficienti insieme al numero ottimale di vetture per questo evento particolare, garantendo anche un tempo di attesa minimo.<\/p>\n\n\n

\n
\"Machine
Nell’immagine di sopra \u00e8 presente una schermata con una piccola parte delle posizioni geografiche per il prelievo, mostrando come non sia semplice come raggruppare punti visualmente.<\/figcaption><\/figure><\/div>\n\n\n

Per iniziare, ho raccolto le posizioni geografiche dei punti di prelievo e riconsegna in coordinate di latitudine e longitudine al fine di elaborare preliminarmente i dati.<\/p>\n\n\n\n

Li ho posizionati su una mappa per visualizzare la distribuzione in tutta Malta. In modo da poter fare una prima ipotesi sul numero di cluster che ritenevo sufficienti. Garantendo cos\u00ec che fosse inferiore (o uguale) al valore K che avevo determinato in precedenza.<\/p>\n\n\n\n

Tuttavia, \u00e8 importante notare che nella maggior parte dei casi sarebbe necessario utilizzare il metodo \u2018Elbow<\/em>\u2019<\/a> per trovare il numero ottimale di cluster.<\/p>\n\n\n\n

Dove avviene la ‘magia’<\/h2>\n\n\n\n

Ho scritto uno script Python per addestrare l’algoritmo di clustering K-means sul mio set di dati. E ha raggruppato queste posizioni in K cluster in base alla loro vicinanza reciproca.<\/p>\n\n\n\n

L’addestramento \u00e8 dove avviene la magia. In questo caso, l’addestramento \u00e8 stato eseguito assegnando ciascun punto dati al cluster con il centroide pi\u00f9 vicino. E la varianza \u00e8 quindi calcolata per ciascun punto in modo tale da posizionare un nuovo centroide all’interno di ciascun cluster.<\/p>\n\n\n\n

Si tratta di una procedura interattiva che si ripete fino a quando si verifica una riassegnazione. In tal caso, il modello si interrompe e i K cluster vengono definitivamente stabiliti.<\/p>\n\n\n\n

Sono arrivata a un numero inferiore di cluster rispetto a quanto avevo precedentemente stimato, il che \u00e8 stato soddisfacente.<\/p>\n\n\n\n

I risultati finali del clustering sono stati rappresentati sulla mappa per visualizzare la proposta dell’algoritmo.<\/p>\n\n\n\n

\u00c8 stato interessante notare che alcuni cluster contenevano molte persone e richiedevano quindi un veicolo pi\u00f9 grande. Mentre alcuni cluster contenevano solo due persone, quindi un veicolo pi\u00f9 piccolo era sufficiente.<\/p>\n\n\n\n

A prima vista, volevamo raggruppare questi piccoli cluster in altri pi\u00f9 grandi per ridurre la quantit\u00e0 di vetture necessarie. Ma ispezionandoli attentamente, aveva pi\u00f9 senso lasciarli isolati a causa della loro distanza dalla posizione centrale di prelievo e quindi di un tempo di guida molto pi\u00f9 lungo, che \u00e8 stata una suggerimento molto apprezzato dal metodo.<\/p>\n\n\n\n

Risparmiare di tempo, denaro e risorse attraverso l’apprendimento automatico<\/h2>\n\n\n\n

\u00c8 importante notare che alla fine della giornata, questi modelli sono suggerimenti oggettivi. Tali che se vengono fatti determinati richieste dagli utenti o se un cliente B2B ha ulteriori restrizioni, limitazioni o requisiti, possono facilmente sovrascrivere questi risultati nella fase di pianificazione finale.<\/p>\n\n\n\n

In conclusione, l’algoritmo di clustering K-means si \u00e8 dimostrato uno strumento prezioso per ottimizzare i percorsi di viaggio e il numero di risorse necessarie per il nostro progetto collaborativo su larga scala.<\/p>\n\n\n\n

Utilizzando questa tecnica di apprendimento automatico, sono stata in grado di offrire al team B2B una soluzione per risparmiare tempo, denaro e risorse. Continuando comunque a fornire un servizio eccellente ai nostri clienti, riducendo il tempo di attesa del 50%.<\/p>\n\n\n\n

Riferimenti:<\/strong><\/p>\n\n\n\n