Jak PSI Software – Logistics zbudowało elastyczną platformę chmurową dla Warehouse Intelligence

PSI Software – Logistics jest częścią koncernu PSI AG z siedzibą w Berlinie, który od ponad 50 lat zajmuje się wytwarzaniem oprogramowania dla przemysłu. Poznański oddział PSI osiągnął sukces we wdrożeniach i rozwoju systemu PSIwms, służącego do zarządzania magazynami.

W ramach rozwoju systemu PSIwms, zespół opracował koncepcję Warehouse Intelligence, czyli wykorzystania sztucznej inteligencji do optymalizacji procesów logistycznych.

Wykorzystane usługi:

Klient:

PSI Software – Logistics

Branża:

Produkcja i Przemysł
SaaS / ISV

Technologie:

AWS
Kubernetes (EKS)
Terraform
GitLab CI

ArgoCD
ElasticSearch
LogStash
Kibana

Wyzwania

Wyzwanie biznesowe

Zespół PSI Polska postawił przed nami zadanie zaprojektowania środowiska, które uniesie tempo prac badawczo-rozwojowych nad Warehouse Intelligence. Zidentyfikowaliśmy kluczowe bariery technologiczne, które trzeba było rozwiązać, aby platforma stała się realnym narzędziem do eksperymentów z modelami AI, a nie tylko zapleczem infrastruktury.

Konieczność szybkiego uruchamiania środowisk testowych:

Każdy nowy eksperyment Machine Learning wymagał osobnej, w pełni odtwarzalnej konfiguracji. Czas tworzenia środowisk i przeprowadzania testów stał się jednym z głównych ograniczeń tempa rozwoju produktu, dlatego potrzebne było rozwiązanie eliminujące powtarzalną pracę manualną.

Intuicyjna obsługa bez głębokiej wiedzy DevOps:

Zespół rozwijający Warehouse Intelligence skupiał się na logice modeli i samym oprogramowaniu PSI, a nie na zarządzaniu infrastrukturą. Środowisko musiało być na tyle przystępne, aby osoby bez zaawansowanej wiedzy technicznej mogły samodzielnie zarządzać wszystkimi jego komponentami.

Eksperymenty na różnych konfiguracjach sprzętowych:

Modele Machine Learning wymagały zarówno standardowych instancji CPU, jak i maszyn z kartami graficznymi. Platforma musiała obsługiwać szybkie przełączanie między konfiguracjami i uruchamianie zasobów GPU dokładnie wtedy, kiedy są potrzebne — bez nadmiernych kosztów w okresach niskiego wykorzystania.

Ryzyka inwestycji we własny hardware:

Zakup własnej infrastruktury pod projekt R&D oznaczałby ryzyko błędnego doboru sprzętu, jego szybkiego starzenia się oraz ograniczeń skali. Klient potrzebował modelu, w którym zasoby obliczeniowe pojawiają się i znikają w rytmie projektów, a nie inwestycji kapitałowych.

Eksperymenty machine learning, które wcześniej blokował dobór sprzętu i czas konfiguracji środowisk, dziś prowadzimy równolegle w wielu wariantach. Otrzymaliśmy platformę rosnącą i kurczącą się w rytmie naszych pomysłów, a nie planu zakupów. To zupełnie inny komfort pracy nad produktem badawczym.

WMS Product Owner

Jerzy Danisz

Jak PSI Software – Logistics

Nasza rola

Platforma cloud native zaprojektowana pod ML i GitOps

W odpowiedzi na potrzeby PSI Polska zbudowaliśmy w pełni chmurowe środowisko oparte o AWS, w całości zarządzane jako kod i przygotowane do pracy w modelu cloud native. Naszym celem było połączenie elastyczności badawczej z dyscypliną operacyjną tak, aby zespół klienta mógł skupić się na samych eksperymentach Machine Learning, a nie na utrzymaniu serwerów.

Zakres prac

Projektowanie architektury i Infrastruktura jako Kod
Pracę rozpoczęliśmy od konsultacji i precyzyjnego zaplanowania środowiska pod kątem testów na różnych wielkościach maszyn wirtualnych. Całą infrastrukturę opisaliśmy w Terraform, dzięki czemu PSI może uruchamiać nowe kopie środowiska w wielu konfiguracjach równocześnie, z pełnym wersjonowaniem w GitLab i bez ryzyka błędów manualnych.

Konteneryzacja i orkiestracja Kubernetes
Środowisko zbudowaliśmy na Amazon EC2 i Amazon EKS, które przejęły orkiestrację kontenerów. Wszystkie elementy aplikacji umieściliśmy w kontenerach, dzięki czemu platforma stała się odporna na przeciążenia, a liczba instancji dynamicznie rośnie i maleje wraz z zapotrzebowaniem na moc obliczeniową z natychmiastowym uruchamianiem instancji EC2 z GPU pod testy ML w razie potrzeby.

Automatyzacja CI/CD w modelu GitOps
Na potrzeby projektu uruchomiliśmy GitLab i opisaliśmy wszystkie procesy w pipeline’ach CI/CD. Jako narzędzie GitOps wdrożyliśmy ArgoCD w klastrze Kubernetes, dzięki czemu repozytorium kodu stało się jedynym, spójnym interfejsem do zarządzania całą platformą z pełnym audytem zmian i powtarzalnością wdrożeń.

Monitoring, dane i sterowanie ruchem
Logi z eksperymentów trafiają do stosu ELK (ElasticSearch, LogStash, Kibana), który wdrożyliśmy w celu monitorowania w czasie rzeczywistym i szybkiego rozwiązywania problemów. Dane wynikowe zapisujemy w Amazon S3, a ruchem przychodzącym do klastra steruje Network Load Balancer dobrany świadomie, aby cała platforma pozostała przenośna pomiędzy chmurami publicznymi i prywatnymi.

Rezultaty

Środowisko R&D, które dotrzymuje kroku ambicjom AI

Wdrożone rozwiązanie zamieniło infrastrukturę z bariery rozwojowej w katalizator pracy badawczej zespołu PSI Polska. Platforma Warehouse Intelligence zyskała powtarzalność, elastyczność i stałą widoczność, co bezpośrednio przełożyło się na tempo eksperymentów Machine Learning oraz komfort osób je prowadzących.

Najważniejsze rezultaty:

Pełna automatyzacja tworzenia środowisk dzięki Terraform i GitOps pozwala zespołowi PSI uruchamiać równolegle wiele kopii platformy w różnych konfiguracjach sprzętowych.
Konteneryzacja i orkiestracja w Amazon EKS zapewniła wysoką odporność na przeciążenia oraz automatyczne skalowanie zasobów w rytmie eksperymentów Machine Learning.
Możliwość natychmiastowego uruchamiania instancji EC2 z GPU otworzyła zespołowi drogę do szybkiego prototypowania modeli AI bez kolejek do dedykowanego sprzętu.
Centralizacja logów w stosie ELK oraz monitoring metryk zapewniły pełną widoczność stanu platformy i pozwalają reagować na anomalie zanim wpłyną na wyniki eksperymentów.
Architektura cloud native i opis infrastruktury w kodzie sprawiły, że całe środowisko jest przenośne pomiędzy operatorami chmur publicznych oraz w obrębie chmury prywatnej.
Eliminacja zakupów własnego hardware’u uwolniła PSI od ryzyk niewłaściwego doboru sprzętu, jego starzenia się i kosztów utrzymania w okresach niskiego wykorzystania.

tempo uruchomienia

Czas uruchomienia kompletnego środowiska R&D dzięki Terraform/IaC

GPU on-demand

Czas startu instancji EC2 z GPU on-demand pod testy ML

Niezależność operacyjna i wsparcie dokładnie wtedy, kiedy jest potrzebne

Po wdrożeniu platformy zespół PSI Polska samodzielnie zarządza środowiskiem Warehouse Intelligence i rozwija je w rytmie własnych prac badawczych. Naszą rolą jest pozostawanie partnerem technologicznym dostępnym w trybie doraźnym wtedy, kiedy pojawia się potrzeba kolejnego usprawnienia, doradztwa lub szybkiej reakcji na nowe wymaganie biznesowe.

Samodzielny zespół PSI w codziennej pracy z platformą
Dzięki fundamentom takim jak Infrastruktura jako Kod, GitOps i konteneryzacja zespół technologiczny PSI Polska prowadzi codzienną eksploatację oraz dalszy rozwój środowiska bez potrzeby stałego wsparcia z naszej strony. Wszystkie procesy są opisane w kodzie, w pełni powtarzalne i przejrzyste dla inżynierów klienta co od początku było jednym z założeń projektu.