Vključevanje orodij umetne inteligence v celovite informacijske rešitve: primer napovedovanja prodaje in zalog

Gajšek, Garvin

| | SLO | ENG | Piškotki in zasebnost

Večja pisava | Manjša pisava

Prva stran > Izpis gradiva

Izpis gradiva

Naslov:	Vključevanje orodij umetne inteligence v celovite informacijske rešitve: primer napovedovanja prodaje in zalog
Avtorji:	ID Gajšek, Garvin (Avtor) ID Perko, Igor (Mentor) Več o mentorju...
Datoteke:	MAG_Gajsek_Garvin_2024.pdf (2,64 MB) MD5: E5F11F32540BC759473399869D4CF512
Jezik:	Slovenski jezik
Vrsta gradiva:	Magistrsko delo/naloga
Tipologija:	2.09 - Magistrsko delo
Organizacija:	EPF - Ekonomsko-poslovna fakulteta
Opis:	Izziv dela predstavlja integracijo celovitih informacijskih rešitev s tehnologijami umetne inteligence za napovedovanje prodaje in upravljanje zalog v podjetjih, s posebnim poudarkom na platformi Microsoft Dynamics 365 Business Central. V sodobnem poslovnem okolju predstavlja napovedovanje prodaje in zalog enega izmed ključnih elementov za ohranjanje konkurenčne prednosti podjetij. Zaradi naraščajočega pomena teh dejavnikov se vse pogosteje poslužujemo orodij umetne inteligence in strojnega učenja, ki omogočajo bolj natančne in pravočasne napovedi ter optimizacijo zalog. Ena izmed glavnih prednosti strojnega učenja je sposobnost obravnave kompleksnih podatkovnih nizov, ki vključujejo več dejavnikov ali značilk. S tem lahko izboljšamo model in natančnost napovedi, saj lahko algoritmi strojnega učenja učinkoviteje izkoristijo informacije, ki jih vsebujejo podatki. Ta pristop nam daje pomembno prednost nad konkurenco in nam omogoča, da ostajamo korak pred njo v dinamičnem poslovnem okolju. Seveda pa je ključnega pomena pravilna izbira dejavnikov, ustrezna obdelava podatkov ter izbira ustrezne metode strojnega učenja, da lahko dosežemo najboljše rezultate pri napovedovanju. Velik izziv na področju na tem področju je zato vprašanje, katere podatke in zgodovino podatkov umetna inteligenca uporablja in potrebuje za izvajanje kvalitetnih napovedi. V magistrskem delu predstavimo osnovne paradigme strojnega učenja (angl. machine learning, v nadaljevanju ML), ki so uporabljene v našem eksperimentu napovedovanja prodaje iz zalog. Opisani so elementi poteka dela ML, okvir regresijsko temelječih metod ML in ocenjevalne matrike ML. Pomemben del naloge je posvečen analizi in opisu programske kode jezika R, s katero poglobimo razumevanje delovanja modela strojnega učenja v okolju Azure Machine Learning (v nadaljevanju AML) Studio. Model strojnega učenja v AML Studio je nato objavljen kot spletna storitev, do katere dostopamo preko REST (prenos predstavitvenega stanja, angl. REpresentational State Transfer, v nadaljevanju REST) API (aplikacijski programski vmesnik, angl. Application Programming Interface, v nadaljevanju API) protokola. V nadaljevanju je opisan razvoj razširitve Business Centrala, ki predstavlja jedro izvedbe napovedovanja in integracije vtičnika strojenega učenja. Razširitev služi kot neposredni komunikator med uporabnikom in modelom strojnega učenja. Končnemu uporabniku Business centrala omogoča izvajanje funkcij učenja, ocenjevanja in napovedovanja. Magistrsko delo zaključimo z interpretacijo kvantitativnih rezultatov napovedi. Kvantitativna primerjava rezultatov različnih modelov strojenega učenja nam pokaže, da eksperiment strojnega učenja sicer izpolnjuje osnovne pogoje in procese napovedovanja, a se sooča z določenimi pomanjkljivostmi.
Ključne besede:	umetna inteligenca, strojno učenje, celovite informacijske rešitve, napovedovanje prodaje in zalog, nadzorovano učenje.
Kraj izida:	Maribor
Založnik:	G. Gajšek
Leto izida:	2024
PID:	20.500.12556/DKUM-89771
UDK:	004.8
COBISS.SI-ID:	210272003
Datum objave v DKUM:	07.01.2025
Število ogledov:	107
Število prenosov:	91
Metapodatki:
Področja:	EPF
:	Kopiraj citat

Skupna ocena:	(0 glasov)
Vaša ocena:	Ocenjevanje je dovoljeno samo prijavljenim uporabnikom.
Objavi na:

Postavite miškin kazalec na naslov za izpis povzetka. Klik na naslov izpiše podrobnosti ali sproži prenos.

Licence

Licenca:	CC BY-NC-ND 4.0, Creative Commons Priznanje avtorstva-Nekomercialno-Brez predelav 4.0 Mednarodna

Povezava:	http://creativecommons.org/licenses/by-nc-nd/4.0/deed.sl
Opis:	Najbolj omejujoča licenca Creative Commons. Uporabniki lahko prenesejo in delijo delo v nekomercialne namene in ga ne smejo uporabiti za nobene druge namene.
Začetek licenciranja:	11.08.2024

Sekundarni jezik

Jezik:	Nemški jezik
Naslov:	Einsatz von Werkzeugen der Künstlichen Intelligenz in der Unternehmensressourcenplanung: Fallbeispiel der Umsatz- und Lagerbestandsplanung
Opis:	Die Herausforderung dieser Arbeit besteht darin, umfassende Informationstechnologielösungen mit Künstlicher Intelligenz für Umsatzprognosen und das Lagerbestandsmanagement in Unternehmen zu integrieren, wobei ein besonderer Schwerpunkt auf der Plattform Microsoft Dynamics 365 Business Central liegt. In der modernen Geschäftswelt stellen Umsatzprognosen und Lagerbestandsmanagement Schlüsselelemente für die Aufrechterhaltung der Wettbewerbsfähigkeit von Unternehmen dar. Aufgrund der zunehmenden Bedeutung dieser Faktoren greifen wir immer häufiger auf Werkzeuge der Künstlichen Intelligenz und des Maschinellen Lernens zurück, die präzisere und rechtzeitigere Prognosen sowie eine Optimierung der Lagerbestände ermöglichen. Ein wesentlicher Vorteil des Maschinellen Lernens liegt in der Fähigkeit, komplexe Datensätze zu verarbeiten, die mehrere Faktoren oder Merkmale umfassen. Dies verbessert das Modell und erhöht die Genauigkeit der Prognosen, da die Algorithmen des Maschinellen Lernens die in den Daten enthaltenen Informationen effektiver nutzen können. Dieser Ansatz verschafft uns einen entscheidenden Wettbewerbsvorteil und ermöglicht es uns, in einer dynamischen Geschäftsumgebung einen Schritt voraus zu bleiben. Natürlich ist es entscheidend, die richtigen Faktoren auszuwählen, Daten angemessen zu verarbeiten und die geeignete Methode des Maschinellen Lernens zu wählen, um die besten Ergebnisse bei der Prognose zu erzielen. Eine große Herausforderung in diesem Bereich besteht daher darin, zu bestimmen, welche Daten und welche Datenhistorie für hochwertige Prognosen verwendet und benötigt werden. In der Masterarbeit werden die grundlegenden Paradigmen des Maschinellen Lernens (ML) vorgestellt, die in unserem Experiment zur Umsatzprognose aus Lagerbeständen verwendet werden. Die Ablaufelemente des ML-Prozesses, das Rahmenwerk regressionsbasierter ML-Methoden und die Bewertungsmatrizen des ML werden beschrieben. Ein wichtiger Teil der Arbeit ist der Analyse und Beschreibung des Programmcodes in der R-Sprache gewidmet, mit dem wir das Verständnis für die Funktionsweise des Maschinellen Lernmodells in der Azure Machine Learning Studio-Umgebung vertiefen. Das ML-Modell im AML Studio wird anschließend als Webdienst veröffentlicht, auf den über das REST API-Protokoll zugegriffen wird. Im weiteren Verlauf wird die Entwicklung der Business Central-Erweiterung beschrieben, die das Kernstück der Implementierung der Vorhersage und der Integration des Machine Learning-Plugins darstellt. Die Erweiterung dient als direkter Kommunikator zwischen dem Benutzer und dem ML-Modell. Sie ermöglicht dem Endbenutzer von Business Central die Ausführung von Funktionen für Training, Bewertung und Vorhersage. Die Masterarbeit schließt mit der Interpretation der quantitativen Ergebnisse der Prognosen ab. Ein quantitativer Vergleich der Ergebnisse verschiedener Machine Learning-Modelle zeigt, dass das Machine Learning-Experiment zwar die grundlegenden Anforderungen und Prozesse der Prognoseerstellung erfüllt, aber auch mit bestimmten Mängeln konfrontiert ist.
Ključne besede:	Künstliche Intelligenz, maschinelles Lernen, Unternehmensressourcenplanung, Verkaufs- und Lagerprognosen, überwachtes Lernen

Komentarji

Dodaj komentar

Za komentiranje se morate prijaviti.

Komentarji (0)

0 - 0 / 0

Ni komentarjev!

Nazaj