Od nafty k datům: predikce logistiky a Text-to-SQL s AWS AI

Zjistěte, jak pětitýdenní sprint generativní AI proměnil manuální post-trade analýzu v predikční sílu, která dosáhla 79% přesnosti v logistickém prognozování a poskytla bezpečný chatbot v přirozeném jazyce pro okamžité datové poznatky.

KlientPost-Trade Logistics

PublikovánoJuly 2026

OdvětvíEnergetika a komodity

Většina obchodních operátorů tráví dny prohledáváním historických dat, jen aby odhadli, kdy zásilka dorazí. Tato případová studie rozebírá pětitýdenní projekt, který nahradil tyto manuální pracovní postupy predikčním motorem s 79% přesností a bezpečným chatbotem, který umožňuje uživatelům dotazovat se na komplexní obchodní data běžnou angličtinou.

Naším zákazníkem je technologická společnost založená konsorciem významných hráčů v oboru, která poskytuje sofistikovanou platformu pro zpracování post-trade operací pro globální komoditní průmysl. Klíčovým posláním společnosti je digitalizovat a automatizovat komplexní, na smlouvy náročný a logisticky nabitý post-trade životní cyklus. Jejich platforma se zaměřuje na digitalizaci obchodních smluv a řízení komplexní globální logistiky potřebné pro pohyb fyzických komodit.

Platforma zákazníka zpracovává obrovské množství citlivých obchodních a logistických dat, ale zákazník čelil několika výzvám při jejich plném využití. Tento projekt byl zahájen s cílem ověřit proveditelnost nových, inteligentních funkcí při dodržení extrémně vysokých standardů zabezpečení dat.

Manuální a opakující se analýza dat: Uživatelé zákazníka, jako jsou obchodní operátoři, prováděli opakovanou analýzu historických dat pro predikci logistických akcí, například časování a množství budoucích nominací. Tento proces byl manuální a časově náročný.
Nedostupné datové poznatky: Obchodní manažeři a operátoři nemohli snadno dotazovat bohatá historická obchodní data. Získání konkrétních poznatků, například "kdy bylo aktivum X naposledy použito", vyžadovalo zakázkové reporty, což byl pomalý a neflexibilní proces.
Složitá a jemně odstíněná data: Existující systémy zákazníka měly potíže s přesnou interpretací a zpracováním vysoce komplexních dokumentů a jemně odstíněných cenových struktur, často opomíjely kritické informace.
Přísné požadavky na soukromí a izolaci dat: Nejvýznamnější výzvou byla federovaná architektura platformy. Jako systém pro konkurující si globální společnosti jsou data každého zákazníka přísně izolována ve vlastní dedikované instanci. Jakékoli AI řešení muselo respektovat tyto hranice a zaručit, že data jednoho klienta nikdy neuvidí jiný.

Byla navržena a nasazena bezserverová architektura AWS, která poskytuje dvě odlišná řešení generativní AI běžící v izolovaném AWS účtu zákazníka.

Bezpečná aplikační a API vrstva
Pro demonstraci řešení byla vytvořena funkční demo aplikace.

Amazon API Gateway: Amazon API Gateway byl použit k vytvoření jak HTTP API (pro predikce), tak WebSocket API (pro chatbot).
AWS Fargate a CloudFront: Demo UI postavené na Streamlit bylo hostováno pomocí AWS Fargate a Application Load Balancer, přičemž Amazon CloudFront poskytoval bezpečný, nízkolatenční přístup k aplikaci pro tým zákazníka.

Motor pro predikci logistiky

Pro řešení výzvy manuálního prognozování vytvořil Stormit pipeline strojového učení pro predikci tří klíčových výsledků nového obchodu: logistického vzoru, časování nominace a množství zásilky.

Amazon SageMaker byl použit k natrénování modelu XGBoost na historických, anonymizovaných datech. Finální model byl nasazen na endpointu SageMaker Serverless Inference, což poskytlo škálovatelný a nákladově efektivní způsob získávání predikcí v reálném čase bez správy serverů.
Byla vytvořena funkce AWS Lambda pro zpracování přicházejících požadavků na predikci. Přijímá data z nového obchodu, volá SageMaker endpoint pro predikci (inferenci modelu) a vrací výsledek.

Konverzační AI chatbot
Aby byly datové poznatky přístupné, vytvořil Stormit chatbot poháněný AI, který umožňuje uživatelům pokládat otázky běžnou angličtinou. Toto řešení respektuje pravidla izolace dat platformy tím, že netrénuje centrální model na datech.

Amazon Bedrock: Řešení využívá Amazon Bedrock k poskytnutí základního modelu Claude.
Inteligentní dotazování (Text-to-SQL): Když uživatel položí otázku, funkce "Chatbot Lambda" bezpečně odešle otázku a schéma databáze do Amazon Bedrock. Bedrock přeloží otázku v přirozeném jazyce do přesného SQL dotazu.
Amazon Athena: Vygenerovaný SQL dotaz je pak spuštěn proti Amazon Athena, bezserverovému dotazovacímu enginu. Athena dotazuje data přímo v data lake Amazon S3, který obsahoval anonymizovaná obchodní a logistická data ve formátu Parquet.
AWS Glue: Katalog AWS Glue byl použit k definování schémat dat, což umožnilo snadné dotazování S3 dat pomocí Athena.
Výsledky dotazu jsou odeslány zpět do Bedrock k překladu do odpovědi v přirozeném jazyce pro uživatele.

Byl úspěšně dodán jak Motor pro predikci logistiky, tak Konverzační AI chatbot.
Predikční modely přinesly velmi slibné a měřitelné výsledky:

Predikce logistického vzoru: Model dosáhl 79% přesnosti při predikci správného logistického vzoru.
Predikce časování nominace: Model predikoval časování nominací s průměrnou chybou pouhých 0,98 dne.
Predikce množství zásilky: Model efektivně vysvětlil 62 % variability v datech o množství první zásilky.

Využitím bezserverové architektury AWS s Amazon SageMaker a Amazon Bedrock získal zákazník výkonný, bezpečný a škálovatelný základ. Projekt poskytl zákazníkovi konkrétní data a jistotu potřebnou k definování plánu pro integraci těchto inteligentních funkcí do jejich klíčové platformy, což jim v konečném důsledku umožňuje nabízet bezkonkurenční, datově řízenou hodnotu svým klientům.