注意:以下翻译的准确性尚未经过验证。这是使用 AIP ↗ 从原始英文文本进行的机器翻译。
组织每天都在决定如何分配他们的资源,无论是确定生产哪些产品,分配电动车充电站组合以最大化投资回报,还是整合货物以节省运输成本。
通过创建组织运营现实的数字孪生,Foundry 利用组织的数字表示来推动和优化资源分配决策。
资源分配与优化是在一组约束下以最大化或最小化特定目标的方式使用可用资源的任务。组织面临着各种此类分配和优化问题。
资源分配与优化工作流要求组织收集、清洗、变换和建模相关数据,以便可以做出最佳分配决策。这通常是通过在单一数据源上运行的专用软件完成的,该软件无法适应新的现实和不断变化的组织动态,或者通过对多种数据源进行费力的收集,涵盖大量电子表格和数据库。这导致:
使用 Foundry,组织能够创建闭环的分配优化工作流,允许进行可重复、及时的决策,使用完整的数据图景,并且可以随着组织环境的演变而适应和改进。
首先,主题专家识别应最大化或最小化的目标函数,识别相关动态,并定义系统及其约束。识别需要从源系统收集和集成的相关数据。这通常是一个迭代过程,其中 Contour 和 Quiver 用于深入研究数据并了解可行性。
相关产品:
系统动态、目标函数和约束通过Object上的函数进行编码,或者通过观察与可以在代码工作簿中开发并通过Foundry ML管理的ML模型进行学习。Foundry ML套件将机器学习、人工智能、统计和数学模型与 Foundry 生态系统的关键组件集成,并允许模型实现运营化及其性能随时间进行监控。
在电动车充电站分配应用案例中,地理数据、财务数据和潜在充电站组合的特征被汇集并评分。
客户还可以通过数据连接连接到第三方仿真和优化工具进行利用。
相关产品:
通过自动变换生成模拟的最佳分配、情景候选或“假设”情景。最佳分配或情景替代方案可以在工作坊或Slate应用程序中构建的无代码到低代码应用程序中进行探索和评估。
例如,在负载利用率提升应用案例中,用户会看到建议的机会,以整合货物(卡车负载)以节省运输成本。负载规划师会查看机会仪表盘,寻找包括他们负责的货物在内的潜在整合机会,并通知相关利益相关者(工厂、客户、承运人等)。这些机会考虑了额外的停靠站、重新安排的提货/交货预约以及工厂/客户限制。负载规划师然后批准、拒绝、整合或重新指派机会。
数据输出的分配决策及其做出决策的背景意味着可以比较和评估预测的结果与实际结果。通过对观察结果进行新模型的训练或对编码动态进行更新,可以通过模型准确性的提高实现改进的决策。
相关产品:
无论使用的模式如何,底层数据基础都是通过管道和同步到外部源系统构建的。
数据集成管道
用包括 SQL、Python 和 Java 在内的多种语言编写的数据集成管道用于将数据源集成到主题本体中。
Foundry 可以同步数据来自广泛的来源,包括 FTP、JDBC、REST API 和 S3。从各种来源同步数据并编译尽可能完整的真实来源是实现最高价值决策的关键。
想了解更多关于此应用案例模式的信息?想要实施类似的东西?开始使用 Palantir。↗