Αυτή η ανάρτηση συντάχθηκε από κοινού με τον Hernan Figueroa, Sr. Manager Data Science στη Marubeni Power International.
Marubeni Power International Inc (MPII) κατέχει και επενδύει σε επιχειρηματικές πλατφόρμες ενέργειας στην Αμερική. Ένας σημαντικός κλάδος για το MPII είναι η διαχείριση περιουσιακών στοιχείων για ανανεώσιμες πηγές ενέργειας και περιουσιακά στοιχεία αποθήκευσης ενέργειας, τα οποία είναι κρίσιμα για τη μείωση της έντασης άνθρακα της υποδομής ενέργειας μας. Η εργασία με ανανεώσιμες πηγές ενέργειας απαιτεί έξυπνες και ανταποκρινόμενες ψηφιακές λύσεις, επειδή οι συνθήκες παραγωγής ενέργειας από ανανεώσιμες πηγές και της αγοράς ηλεκτρικής ενέργειας αλλάζουν συνεχώς. Το MPII χρησιμοποιεί μια μηχανή βελτιστοποίησης προσφορών μηχανικής εκμάθησης (ML) για την ενημέρωση των προηγούμενων διαδικασιών λήψης αποφάσεων στη διαχείριση και διαπραγμάτευση ενεργειακών περιουσιακών στοιχείων. Αυτή η λύση βοηθά τους αναλυτές αγοράς να σχεδιάζουν και να εκτελούν στρατηγικές υποβολής προσφορών βάσει δεδομένων, βελτιστοποιημένες για την κερδοφορία των ενεργειακών περιουσιακών στοιχείων.
Σε αυτήν την ανάρτηση, θα μάθετε πώς η Marubeni βελτιστοποιεί τις αποφάσεις της αγοράς χρησιμοποιώντας το ευρύ σύνολο υπηρεσιών ανάλυσης AWS και ML, για να δημιουργήσει μια ισχυρή και οικονομικά αποδοτική λύση Power Bid Optimization.
Επισκόπηση λύσεων
Οι αγορές ηλεκτρικής ενέργειας επιτρέπουν στις συναλλαγές ενέργειας και ενέργειας να εξισορροπούν την προσφορά και τη ζήτηση ενέργειας στο ηλεκτρικό δίκτυο και να καλύπτουν διαφορετικές ανάγκες αξιοπιστίας του ηλεκτρικού δικτύου. Οι συμμετέχοντες στην αγορά, όπως οι φορείς εκμετάλλευσης περιουσιακών στοιχείων MPII, υποβάλλουν συνεχώς προσφορές για ποσότητες ενέργειας και ενέργειας σε αυτές τις αγορές ηλεκτρικής ενέργειας για να αποκομίσουν κέρδη από τα περιουσιακά τους στοιχεία ηλεκτρικής ενέργειας. Ένας συμμετέχων στην αγορά μπορεί να υποβάλει προσφορές σε διαφορετικές αγορές ταυτόχρονα για να αυξήσει την κερδοφορία ενός περιουσιακού στοιχείου, αλλά πρέπει να λάβει υπόψη του τα όρια ισχύος και τις ταχύτητες απόκρισης του ενεργητικού, καθώς και άλλους λειτουργικούς περιορισμούς περιουσιακών στοιχείων και τη διαλειτουργικότητα αυτών των αγορών.
Η λύση μηχανής βελτιστοποίησης προσφορών της MPII χρησιμοποιεί μοντέλα ML για τη δημιουργία βέλτιστων προσφορών για συμμετοχή σε διαφορετικές αγορές. Οι πιο συνηθισμένες προσφορές είναι οι προσφορές ενέργειας μιας ημέρας, οι οποίες πρέπει να υποβάλλονται 1 ημέρα πριν από την πραγματική ημέρα διαπραγμάτευσης και οι προσφορές ενέργειας σε πραγματικό χρόνο, οι οποίες πρέπει να υποβάλλονται 75 λεπτά πριν από την ώρα διαπραγμάτευσης. Η λύση ενορχηστρώνει τη δυναμική υποβολή προσφορών και τη λειτουργία ενός περιουσιακού στοιχείου ισχύος και απαιτεί τη χρήση δυνατοτήτων βελτιστοποίησης και πρόβλεψης που είναι διαθέσιμες στα μοντέλα ML της.
Η λύση Power Bid Optimization περιλαμβάνει πολλά στοιχεία που παίζουν συγκεκριμένους ρόλους. Ας δούμε τα εξαρτήματα που εμπλέκονται και την αντίστοιχη επιχειρηματική τους λειτουργία.
Συλλογή και απορρόφηση δεδομένων
Το επίπεδο συλλογής και απορρόφησης δεδομένων συνδέεται με όλες τις ανοδικές πηγές δεδομένων και φορτώνει τα δεδομένα στη λίμνη δεδομένων. Η υποβολή προσφορών στην αγορά ηλεκτρικής ενέργειας απαιτεί τουλάχιστον τέσσερις τύπους εισροών:
- Προβλέψεις ζήτησης ηλεκτρικής ενέργειας
- Οι προγνώσεις καιρού
- Ιστορικό τιμών αγοράς
- Προβλέψεις τιμών ενέργειας
Η πρόσβαση σε αυτές τις πηγές δεδομένων γίνεται αποκλειστικά μέσω API. Επομένως, τα στοιχεία απορρόφησης πρέπει να είναι σε θέση να διαχειρίζονται τον έλεγχο ταυτότητας, την προέλευση δεδομένων σε λειτουργία έλξης, την προεπεξεργασία δεδομένων και την αποθήκευση δεδομένων. Επειδή τα δεδομένα λαμβάνονται ανά ώρα, απαιτείται επίσης ένας μηχανισμός για την ενορχήστρωση και τον προγραμματισμό εργασιών απορρόφησης.
Προετοιμασία δεδομένων
Όπως συμβαίνει με τις περισσότερες περιπτώσεις χρήσης ML, η προετοιμασία δεδομένων διαδραματίζει κρίσιμο ρόλο. Τα δεδομένα προέρχονται από διαφορετικές πηγές σε διάφορες μορφές. Προτού είναι έτοιμο να καταναλωθεί για εκπαίδευση μοντέλου ML, πρέπει να ακολουθήσει μερικά από τα ακόλουθα βήματα:
- Ενοποιήστε ωριαία σύνολα δεδομένων με βάση την ώρα άφιξης. Ένα πλήρες σύνολο δεδομένων πρέπει να περιλαμβάνει όλες τις πηγές.
- Αυξήστε την ποιότητα των δεδομένων χρησιμοποιώντας τεχνικές όπως η τυποποίηση, η κανονικοποίηση ή η παρεμβολή.
Στο τέλος αυτής της διαδικασίας, τα επιμελημένα δεδομένα σκηνοθετούνται και διατίθενται για περαιτέρω κατανάλωση.
Πρότυπο εκπαίδευσης και ανάπτυξης
Το επόμενο βήμα συνίσταται στην εκπαίδευση και την ανάπτυξη ενός μοντέλου ικανού να προβλέπει τις βέλτιστες προσφορές της αγοράς για την αγορά και την πώληση ενέργειας. Για να ελαχιστοποιήσει τον κίνδυνο χαμηλής απόδοσης, ο Marubeni χρησιμοποίησε την τεχνική του συνόλου. Η μοντελοποίηση συνόλου αποτελείται από το συνδυασμό πολλαπλών μοντέλων ML για τη βελτίωση της απόδοσης πρόβλεψης. Η Marubeni συνδυάζει τα αποτελέσματα εξωτερικών και εσωτερικών μοντέλων πρόβλεψης με σταθμισμένο μέσο όρο για να εκμεταλλευτεί την ισχύ όλων των μοντέλων. Τα εσωτερικά μοντέλα της Marubeni βασίζονται σε αρχιτεκτονικές Long Short-Term Memory (LSTM), οι οποίες είναι καλά τεκμηριωμένες και εύκολο να εφαρμοστούν και να προσαρμοστούν στο TensorFlow. Amazon Sage Maker υποστηρίζει αναπτύξεις TensorFlow και πολλά άλλα περιβάλλοντα ML. Το εξωτερικό μοντέλο είναι ιδιόκτητο και η περιγραφή του δεν μπορεί να συμπεριληφθεί σε αυτήν την ανάρτηση.
Στην περίπτωση χρήσης του Marubeni, τα μοντέλα υποβολής προσφορών εκτελούν αριθμητική βελτιστοποίηση για να μεγιστοποιήσουν τα έσοδα χρησιμοποιώντας μια τροποποιημένη έκδοση των αντικειμενικών συναρτήσεων που χρησιμοποιούνται στη δημοσίευση Ευκαιρίες για Αποθήκευση Ενέργειας στο CAISO.
Το SageMaker επιτρέπει στη Marubeni να εκτελεί αλγόριθμους ML και αριθμητικής βελτιστοποίησης σε ένα ενιαίο περιβάλλον. Αυτό είναι κρίσιμο, επειδή κατά την εσωτερική εκπαίδευση του μοντέλου, η έξοδος της αριθμητικής βελτιστοποίησης χρησιμοποιείται ως μέρος της συνάρτησης απώλειας πρόβλεψης. Για περισσότερες πληροφορίες σχετικά με τον τρόπο αντιμετώπισης περιπτώσεων χρήσης αριθμητικής βελτιστοποίησης, ανατρέξτε στο Επίλυση προβλημάτων αριθμητικής βελτιστοποίησης όπως προγραμματισμός, δρομολόγηση και κατανομή με το Amazon SageMaker Processing.
Στη συνέχεια, αναπτύσσουμε αυτά τα μοντέλα μέσω των τελικών σημείων συμπερασμάτων. Καθώς τα φρέσκα δεδομένα απορροφώνται περιοδικά, τα μοντέλα πρέπει να επανεκπαιδεύονται επειδή με την πάροδο του χρόνου γίνονται μπαγιάτικα. Η ενότητα αρχιτεκτονικής αργότερα σε αυτήν την ανάρτηση παρέχει περισσότερες λεπτομέρειες σχετικά με τον κύκλο ζωής των μοντέλων.
Δημιουργία δεδομένων προσφοράς ισχύος
Σε ωριαία βάση, η λύση προβλέπει τις βέλτιστες ποσότητες και τιμές στις οποίες θα πρέπει να προσφέρεται ισχύς στην αγορά—ονομάζονται επίσης προσφορές. Οι ποσότητες μετρώνται σε MW και οι τιμές σε $/MW. Οι προσφορές δημιουργούνται για πολλαπλούς συνδυασμούς προβλεπόμενων και αντιληπτών συνθηκών αγοράς. Ο παρακάτω πίνακας δείχνει ένα παράδειγμα του τελικού καμπύλη προσφοράς έξοδος για την ώρα λειτουργίας 17 σε έναν ενδεικτικό κόμβο συναλλαγών κοντά στο γραφείο της Marubeni στο Λος Άντζελες.
Ημερομηνία | ώρα | αγορά | Τοποθεσία | MW | Τιμή |
11/7/2022 | 17 | Ενέργεια RT | LCIENEGA_6_N001 | 0 | $0 |
11/7/2022 | 17 | Ενέργεια RT | LCIENEGA_6_N001 | 1.65 | $80.79 |
11/7/2022 | 17 | Ενέργεια RT | LCIENEGA_6_N001 | 5.15 | $105.34 |
11/7/2022 | 17 | Ενέργεια RT | LCIENEGA_6_N001 | 8 | $230.15 |
Αυτό το παράδειγμα αντιπροσωπεύει την προθυμία μας να προσφέρουμε 1.65 MW ισχύος εάν η τιμή ισχύος είναι τουλάχιστον 80.79 $, 5.15 MW εάν η τιμή ισχύος είναι τουλάχιστον 105.34 $ και 8 MW εάν η τιμή ισχύος είναι τουλάχιστον 230.15 $.
Οι ανεξάρτητοι διαχειριστές συστημάτων (ISO) επιβλέπουν τις αγορές ηλεκτρικής ενέργειας στις ΗΠΑ και είναι υπεύθυνοι για την ανάθεση και την απόρριψη προσφορών για τη διατήρηση της αξιοπιστίας του ηλεκτρικού δικτύου με τον πιο οικονομικό τρόπο. Ο Ανεξάρτητος Διαχειριστής Συστήματος της Καλιφόρνια (CAISO) διαχειρίζεται αγορές ηλεκτρικής ενέργειας στην Καλιφόρνια και δημοσιεύει τα αποτελέσματα της αγοράς κάθε ώρα πριν από την επόμενη περίοδο υποβολής προσφορών. Διασταυρώνοντας τις τρέχουσες συνθήκες της αγοράς με το ισοδύναμό τους στην καμπύλη, οι αναλυτές είναι σε θέση να συναγάγουν τα βέλτιστα έσοδα. Η λύση Power Bid Optimization ενημερώνει τις μελλοντικές προσφορές χρησιμοποιώντας νέες εισερχόμενες πληροφορίες αγοράς και νέα μοντέλα πρόβλεψης
Επισκόπηση αρχιτεκτονικής AWS
Η αρχιτεκτονική λύσης που απεικονίζεται στο παρακάτω σχήμα υλοποιεί όλα τα επίπεδα που παρουσιάστηκαν προηγουμένως. Χρησιμοποιεί τις ακόλουθες υπηρεσίες AWS ως μέρος της λύσης:
- Απλή υπηρεσία αποθήκευσης Amazon (Amazon S3) για να αποθηκεύσετε τα ακόλουθα δεδομένα:
- Δεδομένα πρόβλεψης τιμών, καιρού και φόρτωσης από διάφορες πηγές.
- Ενοποιημένα και επαυξημένα δεδομένα έτοιμα να χρησιμοποιηθούν για εκπαίδευση μοντέλων.
- Οι καμπύλες προσφοράς εξόδου ανανεώνονται ωριαία.
- Amazon Sage Maker για εκπαίδευση, δοκιμή και ανάπτυξη μοντέλων για την προβολή βελτιστοποιημένων προσφορών μέσω τελικών σημείων συμπερασμάτων.
- Λειτουργίες βημάτων AWS για την ενορχήστρωση τόσο των αγωγών δεδομένων όσο και ML. Χρησιμοποιούμε μηχανές δύο κατάστασης:
- Ένα κρατικό μηχάνημα για να ενορχηστρώσει τη συλλογή δεδομένων και να διασφαλίσει ότι όλες οι πηγές έχουν απορροφηθεί.
- Ένα κρατικό μηχάνημα για την ενορχήστρωση του αγωγού ML καθώς και της βελτιστοποιημένης ροής εργασιών δημιουργίας προσφορών.
- AWS Lambda για την υλοποίηση της λειτουργικότητας κατάποσης, προεπεξεργασίας και μεταεπεξεργασίας:
- Τρεις λειτουργίες για την απορρόφηση ροών δεδομένων εισόδου, με μία λειτουργία ανά πηγή.
- Μία λειτουργία για την ενοποίηση και προετοιμασία των δεδομένων για εκπαίδευση.
- Μια συνάρτηση που δημιουργεί την πρόβλεψη τιμής καλώντας το τελικό σημείο του μοντέλου που έχει αναπτυχθεί στο SageMaker.
- Αμαζόν Αθηνά να παρέχει στους προγραμματιστές και τους επιχειρησιακούς αναλυτές πρόσβαση SQL στα δεδομένα που δημιουργούνται για ανάλυση και αντιμετώπιση προβλημάτων.
- Amazon EventBridge για να ενεργοποιήσετε την απορρόφηση δεδομένων και τη διοχέτευση ML σε ένα χρονοδιάγραμμα και ως απόκριση σε γεγονότα.
Στις επόμενες ενότητες, θα συζητήσουμε τη ροή εργασίας με περισσότερες λεπτομέρειες.
Συλλογή και προετοιμασία δεδομένων
Κάθε ώρα, καλείται η μηχανή κατάστασης Βήμα Λειτουργίες προετοιμασίας δεδομένων. Καλεί κάθε μία από τις συναρτήσεις Lambda κατάποσης δεδομένων παράλληλα και περιμένει να ολοκληρωθούν και οι τέσσερις. Οι συναρτήσεις συλλογής δεδομένων καλούν το αντίστοιχο API προέλευσης και ανακτούν δεδομένα για την τελευταία ώρα. Στη συνέχεια, κάθε συνάρτηση αποθηκεύει τα δεδομένα που λαμβάνονται στον αντίστοιχο κάδο S3.
Αυτές οι συναρτήσεις μοιράζονται μια κοινή γραμμή βάσης υλοποίησης που παρέχει δομικά στοιχεία για τυπικό χειρισμό δεδομένων, όπως κανονικοποίηση ή ευρετηρίαση. Για να το πετύχουμε αυτό, χρησιμοποιούμε Lambda layers και Δισκοπότηρο AWS, όπως περιγράφεται στο Χρήση AWS Lambda Layers με AWS Chalice. Αυτό διασφαλίζει ότι όλοι οι προγραμματιστές χρησιμοποιούν τις ίδιες βασικές βιβλιοθήκες για να δημιουργήσουν νέες λογικές προετοιμασίας δεδομένων και επιταχύνει την υλοποίηση.
Αφού καταποθούν και αποθηκευτούν και οι τέσσερις πηγές, το μηχάνημα κατάστασης ενεργοποιεί τη λειτουργία Lambda προετοιμασίας δεδομένων. Τα δεδομένα πρόβλεψης τιμής ενέργειας, καιρού και φόρτωσης λαμβάνονται σε αρχεία JSON και οριοθετημένα χαρακτήρες. Κάθε τμήμα εγγραφής κάθε αρχείου φέρει μια χρονική σήμανση που χρησιμοποιείται για την ενοποίηση ροών δεδομένων σε ένα σύνολο δεδομένων που καλύπτει χρονικό πλαίσιο 1 ώρας.
Αυτή η κατασκευή παρέχει μια πλήρως βασισμένη σε συμβάντα ροή εργασίας. Η προετοιμασία των δεδομένων εκπαίδευσης ξεκινά μόλις απορροφηθούν όλα τα αναμενόμενα δεδομένα.
Αγωγός ML
Μετά την προετοιμασία των δεδομένων, τα νέα σύνολα δεδομένων αποθηκεύονται στο Amazon S3. Ένας κανόνας EventBridge ενεργοποιεί τη διοχέτευση ML μέσω ενός μηχανήματος κατάστασης Λειτουργιών Βήματος. Η κρατική μηχανή οδηγεί δύο διαδικασίες:
- Ελέγξτε εάν το μοντέλο δημιουργίας καμπύλης προσφοράς είναι τρέχον
- Ενεργοποιήστε αυτόματα την επανεκπαίδευση μοντέλου όταν η απόδοση υποβαθμίζεται ή τα μοντέλα είναι μεγαλύτερα από ένα συγκεκριμένο χρονικό διάστημα
Εάν η ηλικία του τρέχοντος αναπτυσσόμενου μοντέλου είναι μεγαλύτερη από το πιο πρόσφατο σύνολο δεδομένων κατά ένα ορισμένο όριο - ας πούμε 7 ημέρες - ο μηχάνημα κατάστασης Step Functions ξεκινά τον αγωγό SageMaker που εκπαιδεύει, δοκιμάζει και αναπτύσσει ένα νέο τελικό σημείο συμπερασμάτων. Εάν τα μοντέλα εξακολουθούν να είναι ενημερωμένα, η ροή εργασίας παρακάμπτει τη διοχέτευση ML και προχωρά στο βήμα δημιουργίας προσφοράς. Ανεξάρτητα από την κατάσταση του μοντέλου, μια νέα καμπύλη προσφοράς δημιουργείται κατά την παράδοση ενός νέου ωριαίου δεδομένων. Το παρακάτω διάγραμμα απεικονίζει αυτή τη ροή εργασίας. Από προεπιλογή, το StartPipelineExecution
η δράση είναι ασύγχρονη. Μπορούμε να βάλουμε την κρατική μηχανή να περιμένει το τέλος του αγωγού προτού επικαλεστεί το βήμα δημιουργίας προσφορών χρησιμοποιώντας το «Αναμονή για επανάκληση'επιλογή.
Για να μειώσει το κόστος και τον χρόνο στην αγορά για την κατασκευή μιας πιλοτικής λύσης, η Marubeni χρησιμοποίησε Συμπεράσματα χωρίς διακομιστή Amazon SageMaker. Αυτό διασφαλίζει ότι η υποκείμενη υποδομή που χρησιμοποιείται για εκπαίδευση και ανάπτυξη επιβαρύνεται με χρεώσεις μόνο όταν χρειάζεται. Αυτό διευκολύνει επίσης τη διαδικασία κατασκευής του αγωγού, επειδή οι προγραμματιστές δεν χρειάζεται πλέον να διαχειρίζονται την υποδομή. Αυτή είναι μια εξαιρετική επιλογή για φόρτους εργασίας που έχουν περιόδους αδράνειας μεταξύ των εκρήξεων κυκλοφορίας. Καθώς η λύση ωριμάζει και μεταβαίνει στην παραγωγή, η Marubeni θα αναθεωρήσει τον σχεδιασμό της και θα υιοθετήσει μια διαμόρφωση πιο κατάλληλη για προβλέψιμη και σταθερή χρήση.
Δημιουργία προσφορών και ερωτήματα δεδομένων
Η συνάρτηση Lambda δημιουργίας προσφορών επικαλείται περιοδικά το τελικό σημείο συμπερασμάτων για να δημιουργήσει ωριαίες προβλέψεις και αποθηκεύει την έξοδο στο Amazon S3.
Οι προγραμματιστές και οι επιχειρηματικοί αναλυτές μπορούν στη συνέχεια να εξερευνήσουν τα δεδομένα χρησιμοποιώντας το Athena και το Microsoft Power BI για οπτικοποίηση. Τα δεδομένα μπορούν επίσης να διατεθούν μέσω API σε μεταγενέστερες επιχειρηματικές εφαρμογές. Στην πιλοτική φάση, οι φορείς εκμετάλλευσης συμβουλεύονται οπτικά την καμπύλη προσφοράς για να υποστηρίξουν τις δραστηριότητές τους στις συναλλαγές ηλεκτρικής ενέργειας στις αγορές. Ωστόσο, η Marubeni σκέφτεται να αυτοματοποιήσει αυτή τη διαδικασία στο μέλλον και αυτή η λύση παρέχει τις απαραίτητες βάσεις για να το κάνει.
Συμπέρασμα
Αυτή η λύση επέτρεψε στη Marubeni να αυτοματοποιήσει πλήρως τους αγωγούς επεξεργασίας και απορρόφησης δεδομένων καθώς και να μειώσει τον χρόνο ανάπτυξης των μοντέλων πρόβλεψης και βελτιστοποίησης από ώρες σε λεπτά. Οι καμπύλες προσφορών δημιουργούνται πλέον αυτόματα και διατηρούνται ενημερωμένες καθώς αλλάζουν οι συνθήκες της αγοράς. Συνειδητοποίησαν επίσης μείωση του κόστους κατά 80% κατά τη μετάβαση από ένα προβλεπόμενο τελικό σημείο συμπερασμάτων σε ένα τελικό σημείο χωρίς διακομιστή.
Η λύση πρόβλεψης του MPII είναι μία από τις πρόσφατες πρωτοβουλίες ψηφιακού μετασχηματισμού που λανσάρει η Marubeni Corporation στον τομέα της ενέργειας. Η MPII σχεδιάζει να δημιουργήσει πρόσθετες ψηφιακές λύσεις για την υποστήριξη νέων ενεργειακών επιχειρηματικών πλατφορμών. Το MPII μπορεί να βασιστεί στις υπηρεσίες AWS για την υποστήριξη της στρατηγικής ψηφιακού μετασχηματισμού τους σε πολλές περιπτώσεις χρήσης.
"Μπορούμε να επικεντρωθούμε στη διαχείριση της αλυσίδας αξίας για νέες επιχειρηματικές πλατφόρμες, γνωρίζοντας ότι η AWS διαχειρίζεται την υποκείμενη ψηφιακή υποδομή των λύσεών μας."
– Hernan Figueroa, Sr. Manager Data Science στη Marubeni Power International.
Για περισσότερες πληροφορίες σχετικά με τον τρόπο με τον οποίο το AWS βοηθά τους ενεργειακούς οργανισμούς στις πρωτοβουλίες ψηφιακού μετασχηματισμού και βιωσιμότητας, ανατρέξτε στο AWS Energy.
Η Marubeni Power International είναι θυγατρική της Marubeni Corporation. Η Marubeni Corporation είναι ένας σημαντικός ιαπωνικός όμιλος εμπορικών και επενδυτικών επιχειρήσεων. Αποστολή της Marubeni Power International είναι η ανάπτυξη νέων επιχειρηματικών πλατφορμών, η αξιολόγηση νέων ενεργειακών τάσεων και τεχνολογιών και η διαχείριση του χαρτοφυλακίου ενέργειας της Marubeni στην Αμερική. Αν θέλετε να μάθετε περισσότερα για το Marubeni Power, ρίξτε μια ματιά https://www.marubeni-power.com/.
Σχετικά με τους Συγγραφείς
Ερνάν Φιγκερόα ηγείται των πρωτοβουλιών ψηφιακού μετασχηματισμού στη Marubeni Power International. Η ομάδα του εφαρμόζει την επιστήμη δεδομένων και τις ψηφιακές τεχνολογίες για να υποστηρίξει τις στρατηγικές ανάπτυξης Marubeni Power. Πριν ενταχθεί στο Marubeni, ο Hernan ήταν Επιστήμονας Δεδομένων στο Πανεπιστήμιο Columbia. Είναι κάτοχος Ph.D. Ηλεκτρολόγος Μηχανικός και Πτυχίο Μηχανικού Υπολογιστών.
Λίνο Μπρέσια είναι ένα Principal Account Executive με έδρα τη Νέα Υόρκη. Έχει πάνω από 25 χρόνια εμπειρίας στην τεχνολογία και έχει ενταχθεί στην AWS το 2018. Διαχειρίζεται παγκόσμιες εταιρικούς πελάτες καθώς μεταμορφώνουν την επιχείρησή τους με υπηρεσίες cloud AWS και εκτελούν μεταναστεύσεις μεγάλης κλίμακας.
Νάρκισσος Ζέκπα είναι αρχιτέκτονας Sr. Solutions με έδρα τη Βοστώνη. Βοηθά τους πελάτες στις βορειοανατολικές ΗΠΑ να επιταχύνουν τον μετασχηματισμό της επιχείρησής τους μέσω καινοτόμων και επεκτάσιμων λύσεων στο AWS Cloud. Όταν ο Narcisse δεν χτίζει, του αρέσει να περνά χρόνο με την οικογένειά του, να ταξιδεύει, να μαγειρεύει, να παίζει μπάσκετ και να τρέχει.
Πέντραμ Τζαχανγκίρι είναι Enterprise Solution Architect με AWS, με διδακτορικό στην Ηλεκτρολογία. Διαθέτει 10+ χρόνια εμπειρία στον κλάδο της ενέργειας και της πληροφορικής. Η Pedram έχει πολυετή πρακτική εμπειρία σε όλες τις πτυχές του Advanced Analytics για τη δημιουργία ποσοτικών και μεγάλης κλίμακας λύσεων για επιχειρήσεις αξιοποιώντας τεχνολογίες cloud.
Σάρα Τσάιλντερς είναι διαχειριστής λογαριασμού με έδρα την Ουάσιγκτον. Είναι μια πρώην εκπαιδευτικός επιστήμης που έγινε λάτρης του cloud και επικεντρώθηκε στην υποστήριξη πελατών στο ταξίδι τους στο cloud. Η Sarah απολαμβάνει να εργάζεται μαζί με μια ομάδα με κίνητρα που ενθαρρύνει διαφοροποιημένες ιδέες για να εξοπλίσει καλύτερα τους πελάτες με τις πιο καινοτόμες και ολοκληρωμένες λύσεις.
- SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
- Platoblockchain. Web3 Metaverse Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
- πηγή: https://aws.amazon.com/blogs/machine-learning/how-marubeni-is-optimizing-market-decisions-using-aws-machine-learning-and-analytics/
- :είναι
- $UP
- 1
- 10
- 100
- 2018
- 7
- 8
- a
- Ικανός
- Σχετικά
- επιταχύνουν
- πρόσβαση
- πρόσβαση
- Λογαριασμός
- Κατορθώνω
- απέναντι
- Ενέργειες
- δραστηριοτήτων
- Πρόσθετος
- διεύθυνση
- ενστερνίζομαι
- εκ των προτέρων
- προηγμένες
- Πλεονέκτημα
- αλγόριθμοι
- Όλα
- κατανομή
- κατά μήκος της πλευράς
- Amazon
- Amazon Sage Maker
- Αμερική
- ποσό
- ανάλυση
- Αναλυτές
- analytics
- και
- Angeles
- api
- APIs
- εφαρμογές
- αρχιτεκτονική
- ΕΙΝΑΙ
- άφιξη
- AS
- πτυχές
- προσόν
- διαχείριση περιουσιακών στοιχείων
- Ενεργητικό
- At
- επαυξημένης
- Πιστοποίηση
- αυτοματοποίηση
- αυτομάτως
- αυτοματοποίηση
- διαθέσιμος
- μέσος
- AWS
- AWS Lambda
- Μηχανική εκμάθηση AWS
- Υπόλοιπο
- βάση
- βασίζονται
- Baseline
- βάση
- Μπάσκετ
- BE
- επειδή
- γίνονται
- πριν
- είναι
- ΚΑΛΎΤΕΡΟΣ
- μεταξύ
- προσφορά
- Μπλοκ
- boston
- ευρύς
- χτίζω
- Κτίριο
- επιχείρηση
- Επιχειρηματικές εφαρμογές
- Επιχειρηματική μετασχηματισμός
- Εξαγορά
- by
- Καλιφόρνια
- κλήση
- που ονομάζεται
- κλήση
- κλήσεις
- CAN
- δεν μπορώ
- δυνατότητες
- ικανός
- άνθρακας
- περίπτωση
- περιπτώσεις
- ορισμένες
- αλυσίδα
- αλλαγή
- αλλαγή
- χαρακτήρας
- φορτία
- έλεγχος
- Backup
- υπηρεσίες cloud
- συλλογή
- Κολούμπια
- συνδυασμοί
- συνδυάζοντας
- Κοινός
- πλήρης
- εξαρτήματα
- περιεκτικός
- υπολογιστή
- Μηχανικός ηλεκτρονικών υπολογιστών
- Συνθήκες
- διαμόρφωση
- συσφαιρώνω
- συνδέει
- Εξετάστε
- θεωρώντας
- παγιώνω
- συνεχώς
- περιορισμούς
- κατασκευάσει
- καταναλώνεται
- κατανάλωση
- συνεχώς
- μαγείρεμα
- ΕΤΑΙΡΕΙΑ
- Κόστος
- μείωση κόστους
- αποδοτική
- κάλυμμα
- κάλυμμα
- κρίσιμης
- διασταύρωση
- επιμέλεια
- Ρεύμα
- Τη στιγμή
- καμπύλη
- Πελάτες
- προσαρμόσετε
- ημερομηνία
- Λίμνη δεδομένων
- Προετοιμασία δεδομένων
- επεξεργασία δεδομένων
- επιστημονικά δεδομένα
- επιστήμονας δεδομένων
- αποθήκευση δεδομένων
- βασίζονται σε δεδομένα
- σύνολα δεδομένων
- Ημερομηνία
- ημέρα
- dc
- Λήψη Αποφάσεων
- αποφάσεις
- Προεπιλογή
- διανομή
- Ζήτηση
- παρατάσσω
- αναπτυχθεί
- ανάπτυξη
- ανάπτυξη
- αναπτύξεις
- αναπτύσσεται
- περιγράφεται
- περιγραφή
- Υπηρεσίες
- λεπτομέρεια
- καθέκαστα
- ανάπτυξη
- προγραμματιστές
- διαφορετικές
- ψηφιακό
- ψηφιακή Μετασχηματισμού
- συζητήσουν
- τρέλα
- διαφοροποιημένη
- κατά την διάρκεια
- δυναμικός
- κάθε
- Νωρίτερα
- ευκολότερη
- εύκολος
- Ηλεκτρικό
- Ηλεκτρολόγων Μηχανικών
- ηλεκτρικής ενέργειας
- ενεργοποιήσετε
- ενεργοποιημένη
- δίνει τη δυνατότητα
- Ενθαρρύνει
- Τελικό σημείο
- ενέργεια
- Κινητήρας
- Μηχανική
- εξασφαλίζω
- εξασφαλίζει
- Εταιρεία
- επιχειρηματικούς πελάτες
- επιχειρήσεις
- θιασώτης
- Περιβάλλον
- περιβάλλοντα
- Ισοδύναμος
- Αιθέρας (ΕΤΗ)
- εκδηλώσεις
- Κάθε
- παράδειγμα
- αποκλειστικά
- εκτελεστικός
- αναμένεται
- εμπειρία
- διερευνήσει
- εξωτερικός
- οικογένεια
- Ανακτήθηκε
- Εικόνα
- Αρχεία
- Αρχεία
- τελικός
- Συγκέντρωση
- επικεντρώθηκε
- Εξής
- Για
- Πρόβλεψη
- Πρώην
- Ιδρύματα
- ΠΛΑΙΣΙΟ
- φρέσκο
- από
- πλήρως
- λειτουργία
- λειτουργικότητα
- λειτουργίες
- περαιτέρω
- μελλοντικός
- παράγουν
- παράγεται
- δημιουργεί
- γενεά
- Παγκόσμιο
- Go
- εξαιρετική
- Πλέγμα
- Ανάπτυξη
- hands-on
- Έχω
- βοήθεια
- βοηθά
- κατέχει
- ΩΡΕΣ
- Πως
- Πώς να
- Ωστόσο
- HTML
- HTTPS
- ιδεών
- Idle
- εφαρμογή
- εκτέλεση
- υλοποιεί
- σημαντικό
- in
- περιλαμβάνουν
- περιλαμβάνονται
- περιλαμβάνει
- Εισερχόμενος
- Αυξάνουν
- ανεξάρτητος
- βιομηχανία
- πληροφορίες
- Υποδομή
- πρωτοβουλίες
- καινοτόμες
- εισαγωγή
- εσωτερικός
- International
- Διαλειτουργικότητα
- επένδυση
- Επενδύει
- επικαλείται
- συμμετέχουν
- IT
- Βιομηχανία πληροφορικής
- ΤΟΥ
- Ιαπωνικά
- Θέσεις εργασίας
- εντάχθηκαν
- ενώνει
- ταξίδι
- jpg
- json
- Kicks
- Ξέρω
- Γνωρίζοντας
- λίμνη
- μεγάλης κλίμακας
- αργότερο
- δρομολόγηση
- στρώμα
- στρώματα
- Οδηγεί
- ΜΑΘΑΊΝΩ
- μάθηση
- μόχλευσης
- βιβλιοθήκες
- κύκλος ζωής
- Μου αρέσει
- όρια
- φορτίο
- φορτία
- Μακριά
- πλέον
- ο
- Λος Άντζελες
- off
- μηχανή
- μάθηση μηχανής
- μηχανήματα
- που
- διατηρήσουν
- μεγάλες
- ΚΑΝΕΙ
- διαχείριση
- διαχείριση
- διευθυντής
- διαχειρίζεται
- διαχείριση
- Χειρισμός
- πολοί
- αγορά
- συνθήκες της αγοράς
- αγορές
- ωριμάζει
- Αυξάνω στον ανώτατο βαθμό
- μηχανισμός
- Μνήμη
- Microsoft
- ελαχιστοποίηση
- πρακτικά
- Αποστολή
- ML
- Τρόπος
- μοντέλο
- μοντελοποίηση
- μοντέλα
- τροποποιημένο
- περισσότερο
- πλέον
- κίνητρα
- κινήσεις
- πολλαπλούς
- Κοντά
- απαραίτητος
- Ανάγκη
- που απαιτούνται
- ανάγκες
- Νέα
- επόμενη
- κόμβος
- αριθμός
- NYC
- σκοπός
- αποκτήσει
- of
- προσφέρονται
- Office
- on
- ONE
- λειτουργεί
- λειτουργίας
- λειτουργία
- επιχειρήσεων
- χειριστής
- φορείς
- βέλτιστη
- βελτιστοποίηση
- βελτιστοποιημένη
- βελτιστοποίηση
- Επιλογή
- οργανώσεις
- ΑΛΛΑ
- παραγωγή
- ανήκει
- Παράλληλο
- μέρος
- συμμετέχοντες
- συμμετοχή
- Το παρελθόν
- γινεται αντιληπτο
- εκτελέσει
- επίδοση
- έμμηνα
- φάση
- πιλότος
- αγωγού
- φώναξε
- Πλατφόρμες
- Πλάτων
- Πληροφορία δεδομένων Plato
- Πλάτωνα δεδομένα
- Δοκιμάστε να παίξετε
- παιχνίδι
- χαρτοφυλάκιο
- Θέση
- δύναμη
- Power BI
- Τροφοδοσία
- Αναμενόμενος
- προβλεπόμενη
- προβλέποντας
- πρόβλεψη
- Προβλέψεις
- Προβλέπει
- Προετοιμάστε
- παρουσιάζονται
- τιμή
- πρόβλεψη τιμής
- Τιμές
- Κύριος
- Πριν
- προβλήματα
- διαδικασια μας
- Διεργασίες
- μεταποίηση
- παραγωγή
- κερδοφορία
- κέρδη
- ιδιόκτητο
- παρέχουν
- παρέχει
- Δημοσίευση
- Δημοσιεύει
- ποιότητα
- ποσοτικός
- έτοιμος
- σε πραγματικό χρόνο
- συνειδητοποίησα
- έλαβε
- πρόσφατος
- ρεκόρ
- μείωση
- Ανεξάρτητα
- αξιοπιστία
- βασίζονται
- Ανανεώσιμος
- ανανεώσιμες πηγές ενέργειας
- αντιπροσωπεύει
- απαιτείται
- Απαιτεί
- εκείνοι
- απάντησης
- υπεύθυνος
- ανταποκρίνονται
- Αποτελέσματα
- επανεκπαίδευση
- έσοδα
- ανασκόπηση
- Κίνδυνος
- εύρωστος
- Ρόλος
- ρόλους
- Άρθρο
- τρέξιμο
- τρέξιμο
- s
- σοφός
- ίδιο
- επεκτάσιμη
- πρόγραμμα
- Επιστήμη
- Επιστήμονας
- Τμήμα
- τμήματα
- τομέας
- Τις Πωλήσεις
- εξυπηρετούν
- Χωρίς διακομιστή
- Υπηρεσίες
- σειρά
- Κοινοποίηση
- βραχυπρόθεσμα
- θα πρέπει να
- Δείχνει
- Απλούς
- ταυτοχρόνως
- ενιαίας
- So
- λύση
- Λύσεις
- μερικοί
- Σύντομα
- Πηγή
- Πηγές
- Sourcing
- συγκεκριμένες
- ταχύτητες
- Δαπάνες
- SQL
- πρότυπο
- Κατάσταση
- σταθερός
- Βήμα
- Βήματα
- Ακόμη
- χώρος στο δίσκο
- κατάστημα
- αποθηκεύονται
- καταστήματα
- στρατηγικές
- Στρατηγική
- δύναμη
- υποβάλουν
- υποβάλλονται
- θυγατρική
- τέτοιος
- προμήθεια
- Προσφορά και ζήτηση
- υποστήριξη
- Στήριξη
- Υποστηρίζει
- Βιωσιμότητα
- σύστημα
- τραπέζι
- Πάρτε
- τεχνικές
- Τεχνολογίες
- Τεχνολογία
- tensorflow
- δοκιμή
- δοκιμές
- ότι
- Η
- Το μέλλον
- Το κράτος
- τους
- επομένως
- Αυτοί
- Μέσω
- ώρα
- timestamp
- προς την
- Διαπραγμάτευσης
- ΚΙΝΗΣΗ στους ΔΡΟΜΟΥΣ
- Τρένο
- Εκπαίδευση
- τρένα
- συναλλαγή
- Μεταμορφώστε
- Μεταμόρφωση
- Στρατηγική μετασχηματισμού
- μεταβάσεις
- Ταξίδια
- Τάσεις
- ενεργοποιούν
- Γύρισε
- τύποι
- μας
- υποκείμενες
- πανεπιστήμιο
- ενημερώσεις
- Δεδομένα ανάντη
- us
- Χρήση
- χρήση
- περίπτωση χρήσης
- αξία
- διάφορα
- εκδοχή
- μέσω
- οραματισμός
- περιμένετε
- Ουάσιγκτον
- Washington DC
- Τρόπος..
- Weather
- ΛΟΙΠΌΝ
- Ποιό
- θα
- Προθυμία
- με
- εντός
- ροής εργασίας
- εργαζόμενος
- θα
- χρόνια
- zephyrnet