โพสต์นี้เขียนร่วมกับ Hernan Figueroa, Sr. Manager Data Science ที่ Marubeni Power International
บริษัท Marubeni Power International Inc (MPII) เป็นเจ้าของและลงทุนในแพลตฟอร์มธุรกิจพลังงานในอเมริกา แนวดิ่งที่สำคัญสำหรับ MPII คือการจัดการสินทรัพย์สำหรับพลังงานหมุนเวียนและสินทรัพย์กักเก็บพลังงาน ซึ่งมีความสำคัญอย่างยิ่งต่อการลดความเข้มข้นของคาร์บอนในโครงสร้างพื้นฐานด้านพลังงานของเรา การทำงานกับสินทรัพย์พลังงานหมุนเวียนต้องการโซลูชันดิจิทัลที่คาดการณ์และตอบสนองได้ เนื่องจากการผลิตพลังงานหมุนเวียนและสภาวะตลาดไฟฟ้ามีการเปลี่ยนแปลงอย่างต่อเนื่อง MPII กำลังใช้เครื่องมือเพิ่มประสิทธิภาพการเสนอราคาแบบแมชชีนเลิร์นนิง (ML) เพื่อแจ้งกระบวนการตัดสินใจต้นน้ำในการจัดการและซื้อขายสินทรัพย์พลังงาน โซลูชันนี้ช่วยให้นักวิเคราะห์ตลาดออกแบบและดำเนินกลยุทธ์การเสนอราคาที่อิงตามข้อมูลที่ปรับให้เหมาะสมสำหรับการทำกำไรของสินทรัพย์พลังงาน
ในโพสต์นี้ คุณจะได้เรียนรู้วิธีที่ Marubeni เพิ่มประสิทธิภาพการตัดสินใจของตลาดโดยใช้ชุดการวิเคราะห์ AWS และบริการ ML ที่หลากหลาย เพื่อสร้างโซลูชัน Power Bid Optimization ที่แข็งแกร่งและคุ้มค่า
ภาพรวมโซลูชัน
ตลาดไฟฟ้าช่วยให้สามารถซื้อขายไฟฟ้าและพลังงานเพื่อสร้างสมดุลระหว่างอุปสงค์และอุปทานของไฟฟ้าในโครงข่ายไฟฟ้า และครอบคลุมความต้องการด้านความน่าเชื่อถือของโครงข่ายไฟฟ้าที่แตกต่างกัน ผู้มีส่วนร่วมในตลาด เช่น ผู้ประกอบการสินทรัพย์ MPII กำลังประมูลพลังงานและปริมาณพลังงานในตลาดไฟฟ้าเหล่านี้อย่างต่อเนื่องเพื่อรับผลกำไรจากสินทรัพย์พลังงานของพวกเขา ผู้เข้าร่วมตลาดสามารถส่งการเสนอราคาไปยังตลาดต่างๆ พร้อมกันเพื่อเพิ่มความสามารถในการทำกำไรของสินทรัพย์ แต่จำเป็นต้องพิจารณาขีดจำกัดของพลังของสินทรัพย์และความเร็วในการตอบสนอง ตลอดจนข้อจำกัดในการดำเนินงานของสินทรัพย์อื่นๆ และความสามารถในการทำงานร่วมกันของตลาดเหล่านั้น
โซลูชันเครื่องมือเพิ่มประสิทธิภาพการเสนอราคาของ MPII ใช้โมเดล ML เพื่อสร้างการเสนอราคาที่เหมาะสมที่สุดสำหรับการเข้าร่วมในตลาดต่างๆ การเสนอราคาที่พบบ่อยที่สุดคือการเสนอราคาพลังงานล่วงหน้าหนึ่งวัน ซึ่งควรส่งล่วงหน้า 1 วันก่อนวันซื้อขายจริง และการเสนอราคาพลังงานตามเวลาจริง ซึ่งควรส่ง 75 นาทีก่อนชั่วโมงการซื้อขาย โซลูชันนี้จัดการการเสนอราคาแบบไดนามิกและการดำเนินการของสินทรัพย์พลังงาน และต้องใช้การเพิ่มประสิทธิภาพและความสามารถในการคาดการณ์ที่มีอยู่ในโมเดล ML
โซลูชัน Power Bid Optimization ประกอบด้วยองค์ประกอบหลายอย่างที่มีบทบาทเฉพาะ มาดูองค์ประกอบที่เกี่ยวข้องและหน้าที่ทางธุรกิจที่เกี่ยวข้องกัน
การรวบรวมข้อมูลและการนำเข้า
เลเยอร์การรวบรวมและการนำเข้าข้อมูลจะเชื่อมต่อกับแหล่งข้อมูลอัปสตรีมทั้งหมดและโหลดข้อมูลลงในที่จัดเก็บข้อมูลดิบ การประมูลตลาดไฟฟ้าต้องการข้อมูลอย่างน้อยสี่ประเภท:
- การพยากรณ์ความต้องการใช้ไฟฟ้า
- การคาดการณ์สภาพอากาศ
- ประวัติราคาตลาด
- การคาดการณ์ราคาไฟฟ้า
แหล่งข้อมูลเหล่านี้สามารถเข้าถึงได้ผ่าน API เท่านั้น ดังนั้น ส่วนประกอบการส่งผ่านข้อมูลจำเป็นต้องสามารถจัดการการรับรองความถูกต้อง การจัดหาข้อมูลในโหมดดึง การประมวลผลข้อมูลล่วงหน้า และการจัดเก็บข้อมูล เนื่องจากมีการดึงข้อมูลทุกชั่วโมง จึงจำเป็นต้องมีกลไกเพื่อจัดการและจัดกำหนดการงานการส่งผ่านข้อมูล
การเตรียมข้อมูล
เช่นเดียวกับกรณีการใช้งาน ML ส่วนใหญ่ การเตรียมข้อมูลมีบทบาทสำคัญ ข้อมูลมาจากแหล่งที่มาที่แตกต่างกันในหลายรูปแบบ ก่อนที่จะพร้อมใช้งานสำหรับการฝึกโมเดล ML จะต้องผ่านขั้นตอนต่อไปนี้:
- รวมชุดข้อมูลรายชั่วโมงตามเวลาที่มาถึง ชุดข้อมูลที่สมบูรณ์ต้องมีแหล่งที่มาทั้งหมด
- เพิ่มคุณภาพของข้อมูลโดยใช้เทคนิคต่างๆ เช่น การทำให้เป็นมาตรฐาน การทำให้เป็นมาตรฐาน หรือการแก้ไข
ในตอนท้ายของกระบวนการนี้ ข้อมูลที่รวบรวมไว้จะถูกจัดฉากและพร้อมใช้งานสำหรับการบริโภคต่อไป
การฝึกโมเดลและการปรับใช้
ขั้นตอนต่อไปประกอบด้วยการฝึกอบรมและปรับใช้แบบจำลองที่สามารถคาดการณ์ราคาเสนอตลาดที่เหมาะสมที่สุดสำหรับการซื้อและขายพลังงาน เพื่อลดความเสี่ยงของประสิทธิภาพที่ต่ำกว่าเกณฑ์ Marubeni ใช้เทคนิคการสร้างแบบจำลองทั้งชุด การสร้างโมเดลทั้งมวลประกอบด้วยการรวมโมเดล ML หลายโมเดลเข้าด้วยกันเพื่อปรับปรุงประสิทธิภาพการทำนาย Marubeni รวมผลลัพธ์ของแบบจำลองการคาดการณ์ภายนอกและภายในด้วยค่าเฉลี่ยถ่วงน้ำหนักเพื่อใช้ประโยชน์จากความแข็งแกร่งของแบบจำลองทั้งหมด โมเดลภายในของ Marubeni อิงตามสถาปัตยกรรม Long Short-Term Memory (LSTM) ซึ่งจัดทำเป็นเอกสารไว้อย่างดี ปรับใช้และปรับแต่งได้ง่ายใน TensorFlow อเมซอน SageMaker รองรับการปรับใช้ TensorFlow และสภาพแวดล้อม ML อื่นๆ อีกมากมาย โมเดลภายนอกเป็นกรรมสิทธิ์และไม่สามารถรวมคำอธิบายไว้ในโพสต์นี้ได้
ในกรณีการใช้งานของ Marubeni รูปแบบการเสนอราคาจะทำการเพิ่มประสิทธิภาพเชิงตัวเลขเพื่อเพิ่มรายได้สูงสุดโดยใช้ฟังก์ชันวัตถุประสงค์เวอร์ชันที่แก้ไขแล้วซึ่งใช้ในสิ่งพิมพ์ โอกาสในการกักเก็บพลังงานใน CAISO.
SageMaker ช่วยให้ Marubeni สามารถเรียกใช้ ML และอัลกอริทึมการปรับให้เหมาะสมเชิงตัวเลขในสภาพแวดล้อมเดียว นี่เป็นสิ่งสำคัญ เนื่องจากในระหว่างการฝึกอบรมแบบจำลองภายใน เอาต์พุตของการเพิ่มประสิทธิภาพเชิงตัวเลขจะถูกใช้เป็นส่วนหนึ่งของฟังก์ชันการสูญเสียการคาดการณ์ สำหรับข้อมูลเพิ่มเติมเกี่ยวกับวิธีจัดการกับกรณีการใช้งานการปรับให้เหมาะสมเชิงตัวเลข โปรดดูที่ การแก้ปัญหาการปรับให้เหมาะสมเชิงตัวเลข เช่น การตั้งเวลา การกำหนดเส้นทาง และการจัดสรรด้วยการประมวลผล Amazon SageMaker.
จากนั้นเราจะปรับใช้โมเดลเหล่านั้นผ่านจุดสิ้นสุดการอนุมาน เมื่อมีการนำเข้าข้อมูลใหม่เป็นระยะ โมเดลจำเป็นต้องได้รับการฝึกอบรมใหม่เนื่องจากโมเดลเหล่านั้นจะล้าสมัยเมื่อเวลาผ่านไป ส่วนสถาปัตยกรรมในโพสต์นี้จะแสดงรายละเอียดเพิ่มเติมเกี่ยวกับวงจรชีวิตของโมเดล
การสร้างข้อมูล Power Bid
เป็นรายชั่วโมง โซลูชันจะคาดการณ์ปริมาณและราคาที่เหมาะสมที่สุดที่ไฟฟ้าควรได้รับการเสนอในตลาด—เรียกอีกอย่างว่า การเสนอราคา. ปริมาณวัดเป็น MW และราคาวัดเป็น $/MW การเสนอราคาถูกสร้างขึ้นสำหรับการรวมกันของสภาวะตลาดที่คาดการณ์และรับรู้ ตารางต่อไปนี้แสดงตัวอย่างขั้นสุดท้าย เส้นโค้งการเสนอราคา ผลผลิตสำหรับชั่วโมงทำการที่ 17 ที่จุดซื้อขายตัวอย่างใกล้สำนักงานในลอสแองเจลิสของ Marubeni
วันที่ | ชั่วโมง | ตลาด | แผนที่ | MW | ราคา |
11/7/2022 | 17 | อาร์.ที.เอ็นเนอร์ยี่ | LCIENEGA_6_N001 | 0 | $0 |
11/7/2022 | 17 | อาร์.ที.เอ็นเนอร์ยี่ | LCIENEGA_6_N001 | 1.65 | $80.79 |
11/7/2022 | 17 | อาร์.ที.เอ็นเนอร์ยี่ | LCIENEGA_6_N001 | 5.15 | $105.34 |
11/7/2022 | 17 | อาร์.ที.เอ็นเนอร์ยี่ | LCIENEGA_6_N001 | 8 | $230.15 |
ตัวอย่างนี้แสดงถึงความตั้งใจของเราที่จะประมูลพลังงาน 1.65 เมกะวัตต์ หากราคาไฟฟ้าอยู่ที่ $80.79 เป็นอย่างน้อย, 5.15 เมกะวัตต์ หากราคาไฟฟ้าอยู่ที่ $105.34 เป็นอย่างน้อย และ 8 เมกะวัตต์ หากราคาไฟฟ้าอยู่ที่ $230.15 เป็นอย่างน้อย
ผู้ควบคุมระบบอิสระ (ISO) ดูแลตลาดไฟฟ้าในสหรัฐอเมริกาและมีหน้าที่รับผิดชอบในการตัดสินและปฏิเสธการเสนอราคาเพื่อรักษาความน่าเชื่อถือของกริดไฟฟ้าด้วยวิธีที่ประหยัดที่สุด California Independent System Operator (CAISO) ดำเนินการตลาดไฟฟ้าในแคลิฟอร์เนียและเผยแพร่ผลการตลาดทุกชั่วโมงก่อนถึงหน้าต่างการประมูลถัดไป ด้วยการอ้างอิงข้ามสภาวะตลาดปัจจุบันกับค่าที่เทียบเท่ากันบนเส้นโค้ง นักวิเคราะห์จะสามารถอนุมานรายได้ที่เหมาะสมที่สุดได้ โซลูชัน Power Bid Optimization จะอัปเดตการเสนอราคาในอนาคตโดยใช้ข้อมูลตลาดที่เข้ามาใหม่และผลลัพธ์ที่คาดการณ์ของโมเดลใหม่
ภาพรวมสถาปัตยกรรม AWS
สถาปัตยกรรมโซลูชันที่แสดงในรูปต่อไปนี้ใช้เลเยอร์ทั้งหมดที่นำเสนอก่อนหน้านี้ ใช้บริการของ AWS ต่อไปนี้เป็นส่วนหนึ่งของโซลูชัน:
- บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon (Amazon S3) เพื่อจัดเก็บข้อมูลต่อไปนี้:
- ราคา สภาพอากาศ และโหลดข้อมูลพยากรณ์จากแหล่งต่างๆ
- ข้อมูลที่รวบรวมและเพิ่มเติมพร้อมที่จะใช้สำหรับการฝึกอบรมแบบจำลอง
- เส้นกราฟราคาเสนอเอาท์พุตรีเฟรชทุกชั่วโมง
- อเมซอน SageMaker เพื่อฝึก ทดสอบ และปรับใช้โมเดลเพื่อให้บริการการเสนอราคาที่ปรับให้เหมาะสมผ่านจุดสิ้นสุดการอนุมาน
- ฟังก์ชันขั้นตอนของ AWS เพื่อประสานทั้งข้อมูลและไปป์ไลน์ ML เราใช้เครื่องสถานะสองเครื่อง:
- เครื่องจักรสถานะหนึ่งเดียวเพื่อจัดการการรวบรวมข้อมูลและตรวจสอบให้แน่ใจว่าแหล่งที่มาทั้งหมดได้รับการนำเข้าแล้ว
- เครื่องจักรสถานะหนึ่งเดียวเพื่อจัดการไปป์ไลน์ ML รวมถึงเวิร์กโฟลว์การสร้างการเสนอราคาที่ปรับให้เหมาะสม
- AWS แลมบ์ดา เพื่อใช้ฟังก์ชันการส่งผ่านข้อมูล การประมวลผลล่วงหน้า และการประมวลผลภายหลัง:
- สามฟังก์ชันในการรับฟีดข้อมูลเข้า โดยมีหนึ่งฟังก์ชันต่อแหล่งที่มา
- ฟังก์ชั่นเดียวในการรวมและเตรียมข้อมูลสำหรับการฝึกอบรม
- ฟังก์ชันหนึ่งที่สร้างการคาดการณ์ราคาโดยการเรียกจุดสิ้นสุดของแบบจำลองที่ปรับใช้ภายใน SageMaker
- อเมซอน อาเธน่า เพื่อให้นักพัฒนาและนักวิเคราะห์ธุรกิจ SQL เข้าถึงข้อมูลที่สร้างขึ้นสำหรับการวิเคราะห์และแก้ไขปัญหา
- อเมซอน EventBridge เพื่อทริกเกอร์การนำเข้าข้อมูลและไปป์ไลน์ ML ตามกำหนดเวลาและเพื่อตอบสนองต่อเหตุการณ์
ในส่วนต่อไปนี้ เราจะพูดถึงเวิร์กโฟลว์ในรายละเอียดเพิ่มเติม
การรวบรวมและจัดทำข้อมูล
ทุก ๆ ชั่วโมง เครื่องสถานะ Step Functions การเตรียมข้อมูลจะถูกเรียกใช้ โดยจะเรียกใช้ฟังก์ชัน Lambda ของการนำเข้าข้อมูลแต่ละรายการพร้อมกัน และรอให้ทั้งสี่ทำงานจนเสร็จสมบูรณ์ ฟังก์ชันการรวบรวมข้อมูลเรียก API ต้นทางที่เกี่ยวข้องและดึงข้อมูลสำหรับชั่วโมงที่ผ่านมา จากนั้นแต่ละฟังก์ชันจะจัดเก็บข้อมูลที่ได้รับลงในบัคเก็ต S3 ตามลำดับ
ฟังก์ชันเหล่านี้ใช้พื้นฐานการใช้งานทั่วไปร่วมกันซึ่งจัดเตรียมแบบเอกสารสำเร็จรูปสำหรับการจัดการข้อมูลมาตรฐาน เช่น การทำให้เป็นมาตรฐานหรือการจัดทำดัชนี เพื่อให้บรรลุเป้าหมายนี้ เราใช้เลเยอร์แลมบ์ดาและ ถ้วย AWSตามที่อธิบายไว้ใน การใช้เลเยอร์ AWS Lambda กับ AWS Chalice. สิ่งนี้ทำให้มั่นใจได้ว่านักพัฒนาทั้งหมดกำลังใช้ไลบรารีฐานเดียวกันเพื่อสร้างตรรกะการเตรียมข้อมูลใหม่และเพิ่มความเร็วในการนำไปใช้งาน
หลังจากนำเข้าและจัดเก็บแหล่งข้อมูลทั้งสี่แล้ว เครื่องสถานะจะทริกเกอร์ฟังก์ชัน Lambda ที่เตรียมข้อมูล รับข้อมูลราคาพลังงาน สภาพอากาศ และการคาดการณ์โหลดใน JSON และไฟล์ที่คั่นด้วยอักขระ แต่ละส่วนบันทึกของแต่ละไฟล์มีการประทับเวลาที่ใช้เพื่อรวมฟีดข้อมูลเป็นชุดข้อมูลเดียวที่ครอบคลุมกรอบเวลา 1 ชั่วโมง
โครงสร้างนี้จัดเตรียมเวิร์กโฟลว์ที่ขับเคลื่อนด้วยเหตุการณ์อย่างสมบูรณ์ การเตรียมข้อมูลการฝึกอบรมจะเริ่มต้นทันทีที่นำเข้าข้อมูลที่คาดหวังทั้งหมด
ML ไปป์ไลน์
หลังจากเตรียมข้อมูล ชุดข้อมูลใหม่จะถูกจัดเก็บไว้ใน Amazon S3 กฎ EventBridge ทริกเกอร์ไปป์ไลน์ ML ผ่านเครื่องสถานะ Step Functions เครื่องสถานะขับเคลื่อนสองกระบวนการ:
- ตรวจสอบว่ารูปแบบการสร้างเส้นราคาเสนอเป็นปัจจุบันหรือไม่
- ทริกเกอร์การฝึกโมเดลใหม่โดยอัตโนมัติเมื่อประสิทธิภาพลดลงหรือโมเดลเก่ากว่าจำนวนวันที่กำหนด
หากอายุของโมเดลที่ใช้งานอยู่ในปัจจุบันเก่ากว่าชุดข้อมูลล่าสุดตามเกณฑ์ที่กำหนด เช่น 7 วัน เครื่องสถานะ Step Functions จะเริ่มดำเนินการไปป์ไลน์ SageMaker ที่ฝึก ทดสอบ และใช้งานจุดสิ้นสุดการอนุมานใหม่ หากแบบจำลองยังคงเป็นปัจจุบัน เวิร์กโฟลว์จะข้ามไปป์ไลน์ ML และไปยังขั้นตอนการสร้างการเสนอราคา โดยไม่คำนึงถึงสถานะของโมเดล เส้นราคาเสนอใหม่จะถูกสร้างขึ้นเมื่อมีการส่งชุดข้อมูลรายชั่วโมงใหม่ ไดอะแกรมต่อไปนี้แสดงเวิร์กโฟลว์นี้ โดยค่าเริ่มต้น StartPipelineExecution
การกระทำเป็นแบบอะซิงโครนัส เราสามารถให้เครื่องสถานะรอจนถึงจุดสิ้นสุดของไปป์ไลน์ก่อนที่จะเรียกใช้ขั้นตอนการสร้างราคาเสนอโดยใช้ปุ่ม 'รอการติดต่อกลับ'
เพื่อลดต้นทุนและเวลาในการออกสู่ตลาดในการสร้างโซลูชันนำร่อง Marubeni ใช้ การอนุมานแบบไร้เซิร์ฟเวอร์ของ Amazon SageMaker. สิ่งนี้ทำให้มั่นใจได้ว่าโครงสร้างพื้นฐานพื้นฐานที่ใช้สำหรับการฝึกอบรมและการปรับใช้จะมีค่าใช้จ่ายเมื่อจำเป็นเท่านั้น นอกจากนี้ยังทำให้กระบวนการสร้างไปป์ไลน์ง่ายขึ้นเนื่องจากนักพัฒนาไม่จำเป็นต้องจัดการโครงสร้างพื้นฐานอีกต่อไป นี่เป็นตัวเลือกที่ยอดเยี่ยมสำหรับปริมาณงานที่มีช่วงว่างระหว่างปริมาณการใช้งานที่พุ่งกระฉูด เมื่อโซลูชันเติบโตเต็มที่และเปลี่ยนไปสู่การผลิต Marubeni จะทบทวนการออกแบบและปรับใช้การกำหนดค่าที่เหมาะสมยิ่งขึ้นสำหรับการใช้งานที่คาดการณ์ได้และคงที่
การสร้างราคาเสนอและการสืบค้นข้อมูล
ฟังก์ชัน Lambda การสร้างการเสนอราคาจะเรียกใช้จุดสิ้นสุดการอนุมานเป็นระยะๆ เพื่อสร้างการคาดคะเนรายชั่วโมงและจัดเก็บเอาต์พุตไว้ใน Amazon S3
นักพัฒนาและนักวิเคราะห์ธุรกิจสามารถสำรวจข้อมูลโดยใช้ Athena และ Microsoft Power BI สำหรับการแสดงภาพ ข้อมูลยังสามารถทำให้พร้อมใช้งานผ่าน API ไปยังแอปพลิเคชันธุรกิจดาวน์สตรีม ในขั้นตอนนำร่อง ผู้ปฏิบัติงานจะดูเส้นกราฟราคาเสนอเพื่อสนับสนุนกิจกรรมการทำธุรกรรมด้านพลังงานในตลาด อย่างไรก็ตาม Marubeni กำลังพิจารณาที่จะทำให้กระบวนการนี้เป็นไปโดยอัตโนมัติในอนาคต และโซลูชันนี้มีพื้นฐานที่จำเป็นในการดำเนินการดังกล่าว
สรุป
โซลูชันนี้ช่วยให้ Marubeni ดำเนินการประมวลผลข้อมูลและไปป์ไลน์การส่งผ่านข้อมูลได้โดยอัตโนมัติ รวมทั้งลดเวลาการปรับใช้แบบจำลองการคาดการณ์และการปรับให้เหมาะสมจากชั่วโมงเหลือเป็นนาที เส้นราคาเสนอจะถูกสร้างขึ้นโดยอัตโนมัติและปรับปรุงให้ทันสมัยอยู่เสมอเมื่อสภาวะตลาดเปลี่ยนแปลง พวกเขายังตระหนักถึงการลดต้นทุน 80% เมื่อเปลี่ยนจากจุดสิ้นสุดการอนุมานที่จัดเตรียมไว้ไปยังจุดสิ้นสุดแบบไร้เซิร์ฟเวอร์
โซลูชันการคาดการณ์ของ MPII เป็นหนึ่งในความคิดริเริ่มด้านการเปลี่ยนแปลงทางดิจิทัลล่าสุดที่ Marubeni Corporation กำลังเปิดตัวในภาคพลังงาน MPII วางแผนที่จะสร้างโซลูชันดิจิทัลเพิ่มเติมเพื่อรองรับแพลตฟอร์มธุรกิจพลังงานใหม่ MPII สามารถพึ่งพาบริการของ AWS เพื่อสนับสนุนกลยุทธ์การเปลี่ยนแปลงทางดิจิทัลในกรณีการใช้งานต่างๆ
"เราสามารถมุ่งเน้นไปที่การจัดการห่วงโซ่คุณค่าสำหรับแพลตฟอร์มธุรกิจใหม่ โดยรู้ว่า AWS กำลังจัดการโครงสร้างพื้นฐานดิจิทัลของโซลูชันของเรา"
– Hernan Figueroa ผู้จัดการอาวุโสด้านวิทยาศาสตร์ข้อมูลที่ Marubeni Power International
สำหรับข้อมูลเพิ่มเติมเกี่ยวกับวิธีที่ AWS ช่วยองค์กรด้านพลังงานในการเปลี่ยนแปลงทางดิจิทัลและความคิดริเริ่มด้านความยั่งยืน โปรดดูที่ AWS พลังงาน.
Marubeni Power International เป็นบริษัทในเครือของ Marubeni Corporation Marubeni Corporation เป็นกลุ่มธุรกิจการค้าและการลงทุนรายใหญ่ของญี่ปุ่น ภารกิจของ Marubeni Power International คือการพัฒนาแพลตฟอร์มธุรกิจใหม่ ประเมินแนวโน้มพลังงานและเทคโนโลยีใหม่ และจัดการพอร์ตโฟลิโอพลังงานของ Marubeni ในอเมริกา หากคุณต้องการทราบข้อมูลเพิ่มเติมเกี่ยวกับ Marubeni Power โปรดดู https://www.marubeni-power.com/.
เกี่ยวกับผู้เขียน
เฮอร์นาน ฟิเกอรัว เป็นผู้นำในการริเริ่มการเปลี่ยนแปลงทางดิจิทัลที่ Marubeni Power International ทีมของเขาใช้วิทยาศาสตร์ข้อมูลและเทคโนโลยีดิจิทัลเพื่อสนับสนุนกลยุทธ์การเติบโตของ Marubeni Power ก่อนร่วมงานกับ Marubeni เฮอร์นันเคยเป็นนักวิทยาศาสตร์ข้อมูลที่มหาวิทยาลัยโคลัมเบีย เขาจบปริญญาเอก ในสาขาวิศวกรรมไฟฟ้าและปริญญาตรีสาขาวิศวกรรมคอมพิวเตอร์
ลิโน่ เบรสชา เป็นผู้บริหารบัญชีหลักในนิวยอร์ค เขามีประสบการณ์ด้านเทคโนโลยีมากกว่า 25 ปีและเข้าร่วม AWS ในปี 2018 เขาจัดการลูกค้าระดับองค์กรทั่วโลกขณะที่พวกเขาเปลี่ยนแปลงธุรกิจด้วยบริการ AWS Cloud และดำเนินการย้ายข้อมูลขนาดใหญ่
นาร์ซิสเซ่ เซคปา เป็น Sr. Solutions Architect ซึ่งตั้งอยู่ในเมืองบอสตัน เขาช่วยลูกค้าในภาคตะวันออกเฉียงเหนือของสหรัฐอเมริกาเร่งการเปลี่ยนแปลงธุรกิจด้วยโซลูชันที่เป็นนวัตกรรมและปรับขนาดได้บน AWS Cloud เมื่อ Narcisse ยังไม่สร้าง เขาชอบใช้เวลากับครอบครัว ท่องเที่ยว ทำอาหาร เล่นบาสเก็ตบอล และวิ่ง
พีดัม จาฮังกิรี เป็น Enterprise Solution Architect กับ AWS พร้อมปริญญาเอกสาขาวิศวกรรมไฟฟ้า เขามีประสบการณ์มากกว่า 10 ปีในอุตสาหกรรมพลังงานและไอที Pedram มีประสบการณ์จริงหลายปีในทุกแง่มุมของการวิเคราะห์ขั้นสูงสำหรับการสร้างโซลูชันเชิงปริมาณและขนาดใหญ่สำหรับองค์กรโดยใช้ประโยชน์จากเทคโนโลยีคลาวด์
ซาราห์ ชิลเดอร์ส เป็นผู้จัดการบัญชีในวอชิงตัน ดี.ซี. เธอเป็นอดีตนักการศึกษาด้านวิทยาศาสตร์ที่หันมาสนใจระบบคลาวด์โดยมุ่งเน้นที่การสนับสนุนลูกค้าผ่านการเดินทางบนระบบคลาวด์ Sarah สนุกกับการทำงานร่วมกับทีมที่มีแรงบันดาลใจซึ่งสนับสนุนแนวคิดที่หลากหลายเพื่อให้ลูกค้าได้รับโซลูชั่นที่เป็นนวัตกรรมและครอบคลุมที่สุด
- เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
- เพลโตบล็อคเชน Web3 Metaverse ข่าวกรอง ขยายความรู้. เข้าถึงได้ที่นี่.
- ที่มา: https://aws.amazon.com/blogs/machine-learning/how-marubeni-is-optimizing-market-decisions-using-aws-machine-learning-and-analytics/
- :เป็น
- $ ขึ้น
- 1
- 10
- 100
- 2018
- 7
- 8
- a
- สามารถ
- เกี่ยวกับเรา
- เร่งความเร็ว
- เข้า
- Accessed
- ลงชื่อเข้าใช้
- บรรลุ
- ข้าม
- การกระทำ
- กิจกรรม
- เพิ่มเติม
- ที่อยู่
- นำมาใช้
- ความก้าวหน้า
- สูง
- ความได้เปรียบ
- อัลกอริทึม
- ทั้งหมด
- การจัดสรร
- คู่ขนาน
- อเมซอน
- อเมซอน SageMaker
- อเมริกา
- จำนวน
- การวิเคราะห์
- นักวิเคราะห์
- การวิเคราะห์
- และ
- Angeles
- API
- APIs
- การใช้งาน
- สถาปัตยกรรม
- เป็น
- การมาถึง
- AS
- ด้าน
- สินทรัพย์
- การจัดการสินทรัพย์
- สินทรัพย์
- At
- เติม
- การยืนยันตัวตน
- โดยอัตโนมัติ
- อัตโนมัติ
- โดยอัตโนมัติ
- ใช้ได้
- เฉลี่ย
- AWS
- AWS แลมบ์ดา
- AWS Machine Learning AWS
- ยอดคงเหลือ
- ฐาน
- ตาม
- baseline
- รากฐาน
- บาสเกตบอล
- BE
- เพราะ
- กลายเป็น
- ก่อน
- กำลัง
- ที่ดีที่สุด
- ระหว่าง
- สั่ง
- Blocks
- บอสตัน
- กว้าง
- สร้าง
- การก่อสร้าง
- ธุรกิจ
- การประยุกต์ทางธุรกิจ
- การเปลี่ยนแปลงทางธุรกิจ
- การซื้อ
- by
- แคลิฟอร์เนีย
- โทรศัพท์
- ที่เรียกว่า
- โทร
- โทร
- CAN
- ไม่ได้
- ความสามารถในการ
- สามารถ
- คาร์บอน
- กรณี
- กรณี
- บาง
- โซ่
- เปลี่ยนแปลง
- เปลี่ยนแปลง
- ตัวอักษร
- โหลด
- ตรวจสอบ
- เมฆ
- บริการคลาวด์
- ชุด
- โคลัมเบีย
- รวม
- การรวมกัน
- ร่วมกัน
- สมบูรณ์
- ส่วนประกอบ
- ครอบคลุม
- คอมพิวเตอร์
- วิศวกรรมคอมพิวเตอร์
- เงื่อนไข
- องค์ประกอบ
- กลุ่ม บริษัท ในเครือ
- เชื่อมต่อ
- พิจารณา
- พิจารณา
- รวบรวม
- ไม่หยุดหย่อน
- ข้อ จำกัด
- สร้าง
- ถูกใช้
- การบริโภค
- อย่างต่อเนื่อง
- การปรุงอาหาร
- บริษัท
- ราคา
- ลดต้นทุน
- ค่าใช้จ่ายที่มีประสิทธิภาพ
- หน้าปก
- ครอบคลุม
- วิกฤติ
- การอ้างอิงโยง
- curated
- ปัจจุบัน
- ขณะนี้
- เส้นโค้ง
- ลูกค้า
- ปรับแต่ง
- ข้อมูล
- ดาต้าเลค
- การเตรียมข้อมูล
- การประมวลผล
- วิทยาศาสตร์ข้อมูล
- นักวิทยาศาสตร์ข้อมูล
- การจัดเก็บข้อมูล
- ที่ขับเคลื่อนด้วยข้อมูล
- ชุดข้อมูล
- วันที่
- วัน
- dc
- การตัดสินใจ
- การตัดสินใจ
- ค่าเริ่มต้น
- การจัดส่ง
- ความต้องการ
- ปรับใช้
- นำไปใช้
- ปรับใช้
- การใช้งาน
- การใช้งาน
- Deploys
- อธิบาย
- ลักษณะ
- ออกแบบ
- รายละเอียด
- รายละเอียด
- พัฒนา
- นักพัฒนา
- ต่าง
- ดิจิตอล
- แปลงดิจิตอล
- สนทนา
- ต่างกัน
- นานา
- ในระหว่าง
- พลวัต
- แต่ละ
- ก่อน
- ง่ายดาย
- ง่าย
- ติดตั้งระบบไฟฟ้า
- วิศวกรรมไฟฟ้า
- กระแสไฟฟ้า
- ทำให้สามารถ
- เปิดการใช้งาน
- ช่วยให้
- กระตุ้นให้เกิดการ
- ปลายทาง
- พลังงาน
- เครื่องยนต์
- ชั้นเยี่ยม
- ทำให้มั่นใจ
- เพื่อให้แน่ใจ
- Enterprise
- ลูกค้าองค์กร
- ผู้ประกอบการ
- คนที่กระตือรือร้น
- สิ่งแวดล้อม
- สภาพแวดล้อม
- เท่ากัน
- อีเธอร์ (ETH)
- เหตุการณ์
- ทุกๆ
- ตัวอย่าง
- โดยเฉพาะ
- ผู้บริหารงาน
- ที่คาดหวัง
- ประสบการณ์
- สำรวจ
- ภายนอก
- ครอบครัว
- ดึงข้อมูลแล้ว
- รูป
- เนื้อไม่มีมัน
- ไฟล์
- สุดท้าย
- โฟกัส
- มุ่งเน้น
- ดังต่อไปนี้
- สำหรับ
- พยากรณ์
- อดีต
- ฐานราก
- FRAME
- สด
- ราคาเริ่มต้นที่
- อย่างเต็มที่
- ฟังก์ชัน
- ฟังก์ชั่น
- ฟังก์ชั่น
- ต่อไป
- อนาคต
- สร้าง
- สร้าง
- สร้าง
- รุ่น
- เหตุการณ์ที่
- Go
- ยิ่งใหญ่
- ตะแกรง
- การเจริญเติบโต
- มือบน
- มี
- การช่วยเหลือ
- จะช่วยให้
- ถือ
- ชั่วโมง
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- ทำอย่างไร
- อย่างไรก็ตาม
- HTML
- HTTPS
- ความคิด
- Idle
- การดำเนินการ
- การดำเนินงาน
- การดำเนินการ
- สำคัญ
- in
- ประกอบด้วย
- รวม
- รวมถึง
- ขาเข้า
- เพิ่ม
- อิสระ
- อุตสาหกรรม
- ข้อมูล
- โครงสร้างพื้นฐาน
- ความคิดริเริ่ม
- นวัตกรรม
- อินพุต
- ภายใน
- International
- การทำงานร่วมกัน
- การลงทุน
- ลงทุน
- จะเรียก
- ร่วมมือ
- IT
- อุตสาหกรรมไอที
- ITS
- ภาษาญี่ปุ่น
- งาน
- เข้าร่วม
- การร่วม
- การเดินทาง
- jpg
- JSON
- kicks
- ทราบ
- รู้ดี
- ทะเลสาบ
- ขนาดใหญ่
- ล่าสุด
- การเปิดตัว
- ชั้น
- ชั้น
- นำไปสู่
- เรียนรู้
- การเรียนรู้
- การใช้ประโยชน์
- ห้องสมุด
- วงจรชีวิต
- กดไลก์
- ขีด จำกัด
- โหลด
- โหลด
- นาน
- อีกต่อไป
- ลอส
- Los Angeles
- ปิด
- เครื่อง
- เรียนรู้เครื่อง
- เครื่อง
- ทำ
- เก็บรักษา
- สำคัญ
- ทำให้
- จัดการ
- การจัดการ
- ผู้จัดการ
- จัดการ
- การจัดการ
- การจัดการ
- หลาย
- ตลาด
- สภาวะตลาด
- ตลาด
- ครบกำหนดไถ่ถอน
- เพิ่ม
- กลไก
- หน่วยความจำ
- ไมโครซอฟท์
- ลด
- นาที
- ภารกิจ
- ML
- โหมด
- แบบ
- การสร้างแบบจำลอง
- โมเดล
- การแก้ไข
- ข้อมูลเพิ่มเติม
- มากที่สุด
- แรงบันดาลใจ
- ย้าย
- หลาย
- ใกล้
- จำเป็น
- จำเป็นต้อง
- จำเป็น
- ความต้องการ
- ใหม่
- ถัดไป
- ปม
- จำนวน
- NYC
- วัตถุประสงค์
- ได้รับ
- of
- เสนอ
- Office
- on
- ONE
- ดำเนินการ
- การดำเนินงาน
- การดำเนินการ
- การดำเนินงาน
- ผู้ประกอบการ
- ผู้ประกอบการ
- ดีที่สุด
- การเพิ่มประสิทธิภาพ
- การปรับให้เหมาะสม
- การเพิ่มประสิทธิภาพ
- ตัวเลือกเสริม (Option)
- องค์กร
- อื่นๆ
- เอาท์พุต
- เป็นเจ้าของ
- Parallel
- ส่วนหนึ่ง
- ผู้เข้าร่วม
- การมีส่วนร่วม
- อดีต
- ที่รับรู้
- ดำเนินการ
- การปฏิบัติ
- งวด
- ระยะ
- นักบิน
- ท่อ
- แผน
- แพลตฟอร์ม
- เพลโต
- เพลโตดาต้าอินเทลลิเจนซ์
- เพลโตดาต้า
- เล่น
- เล่น
- ผลงาน
- โพสต์
- อำนาจ
- กำลัง BI
- พาวเวอร์ซัพพลาย
- ทายได้
- ที่คาดการณ์
- ทำนาย
- คำทำนาย
- การคาดการณ์
- คาดการณ์
- เตรียมการ
- นำเสนอ
- ราคา
- พยากรณ์ราคา
- ราคา
- หลัก
- ก่อน
- ปัญหาที่เกิดขึ้น
- กระบวนการ
- กระบวนการ
- การประมวลผล
- การผลิต
- ทำกำไรได้
- กำไร
- เป็นเจ้าของ
- ให้
- ให้
- สิ่งพิมพ์
- เผยแพร่
- คุณภาพ
- เชิงปริมาณ
- พร้อม
- เรียลไทม์
- ตระหนัก
- ที่ได้รับ
- เมื่อเร็ว ๆ นี้
- ระเบียน
- ลด
- ไม่คำนึงถึง
- ความเชื่อถือได้
- วางใจ
- ทดแทน
- พลังงานทดแทน
- แสดงให้เห็นถึง
- จำเป็นต้องใช้
- ต้อง
- ว่า
- คำตอบ
- รับผิดชอบ
- การตอบสนอง
- ผลสอบ
- การอบรมขึ้นใหม่
- รายได้
- ทบทวน
- ความเสี่ยง
- แข็งแรง
- บทบาท
- บทบาท
- กฎ
- วิ่ง
- วิ่ง
- s
- sagemaker
- เดียวกัน
- ที่ปรับขนาดได้
- กำหนด
- วิทยาศาสตร์
- นักวิทยาศาสตร์
- Section
- ส่วน
- ภาค
- Selling
- ให้บริการ
- serverless
- บริการ
- ชุด
- Share
- ระยะสั้น
- น่า
- แสดงให้เห็นว่า
- ง่าย
- พร้อมกัน
- เดียว
- So
- ทางออก
- โซลูชัน
- บาง
- ในไม่ช้า
- แหล่ง
- แหล่งที่มา
- การจัดหา
- โดยเฉพาะ
- ความเร็ว
- การใช้จ่าย
- SQL
- มาตรฐาน
- สถานะ
- คงที่
- ขั้นตอน
- ขั้นตอน
- ยังคง
- การเก็บรักษา
- จัดเก็บ
- เก็บไว้
- ร้านค้า
- กลยุทธ์
- กลยุทธ์
- ความแข็งแรง
- ส่ง
- ส่ง
- บริษัท สาขา
- อย่างเช่น
- จัดหาอุปกรณ์
- อุปทานและอุปสงค์
- สนับสนุน
- ที่สนับสนุน
- รองรับ
- การพัฒนาอย่างยั่งยืน
- ระบบ
- ตาราง
- เอา
- ทีม
- เทคนิค
- เทคโนโลยี
- เทคโนโลยี
- tensorflow
- ทดสอบ
- การทดสอบ
- ที่
- พื้นที่
- ก้าวสู่อนาคต
- รัฐ
- ของพวกเขา
- ดังนั้น
- ล้อยางขัดเหล่านี้ติดตั้งบนแกน XNUMX (มม.) ผลิตภัณฑ์นี้ถูกผลิตในหลายรูปทรง และหลากหลายเบอร์ความแน่นหนาของปริมาณอนุภาคขัดของมัน จะทำให้ท่านได้รับประสิทธิภาพสูงในการขัดและการใช้งานที่ยาวนาน
- ตลอด
- เวลา
- การประทับเวลา
- ไปยัง
- เทรด
- การจราจร
- รถไฟ
- การฝึกอบรม
- รถไฟ
- การทำธุกรรม
- แปลง
- การแปลง
- กลยุทธ์การเปลี่ยนแปลง
- การเปลี่ยน
- การเดินทาง
- แนวโน้ม
- เรียก
- หัน
- ชนิด
- เรา
- พื้นฐาน
- มหาวิทยาลัย
- การปรับปรุง
- ข้อมูลต้นน้ำ
- us
- การใช้
- ใช้
- ใช้กรณี
- ความคุ้มค่า
- ต่างๆ
- รุ่น
- ผ่านทาง
- การสร้างภาพ
- รอ
- วอชิงตัน
- วอชิงตันดีซี
- ทาง..
- สภาพอากาศ
- ดี
- ที่
- จะ
- ความเต็มใจ
- กับ
- ภายใน
- เวิร์กโฟลว์
- การทำงาน
- จะ
- ปี
- ลมทะเล