تدريب نموذج توقع السلاسل الزمنية بشكل أسرع باستخدام Amazon SageMaker Canvas Quick build

اليوم، قماش أمازون سيج ميكر يقدم القدرة على استخدام ميزة الإنشاء السريع مع حالات استخدام التنبؤ بالسلاسل الزمنية. يتيح لك ذلك تدريب النماذج وإنشاء درجات قابلية التفسير المرتبطة بها في أقل من 20 دقيقة ، وعند هذه النقطة يمكنك إنشاء تنبؤات بشأن بيانات جديدة غير مرئية. يتيح تدريب الإنشاء السريع إجراء تجارب أسرع لفهم مدى ملاءمة النموذج للبيانات والأعمدة التي تقود التنبؤ ، ويسمح لمحللي الأعمال بإجراء تجارب باستخدام مجموعات بيانات متنوعة حتى يتمكنوا من تحديد النموذج الأفضل أداءً.

تعمل Canvas على توسيع نطاق الوصول إلى التعلم الآلي (ML) من خلال تزويد محللي الأعمال بواجهة مرئية للنقر والنقر تسمح لك بإنشاء تنبؤات دقيقة لتعلم الآلة بنفسك - دون الحاجة إلى أي خبرة في تعلم الآلة أو الحاجة إلى كتابة سطر واحد من التعليمات البرمجية.

في هذا المنشور ، نعرض كيفية تدريب نموذج توقع السلاسل الزمنية بشكل أسرع من خلال تدريب سريع على الإنشاء في Canvas.

حل نظرة عامة

حتى اليوم ، استغرق تدريب نموذج التنبؤ بالسلاسل الزمنية ما يصل إلى 4 ساعات عبر طريقة الإنشاء القياسية. على الرغم من أن هذا النهج له فائدة في إعطاء الأولوية للدقة على مدى وقت التدريب ، إلا أن هذا أدى في كثير من الأحيان إلى فترات تدريب طويلة ، والتي بدورها لم تكن تسمح بإجراء التجارب السريعة التي يبحث عنها محللو الأعمال في جميع أنواع المؤسسات عادةً. بدءًا من اليوم ، يتيح لك Canvas استخدام ميزة الإنشاء السريع لتدريب نموذج توقع السلاسل الزمنية ، بالإضافة إلى حالات الاستخدام التي كان متاحًا لها بالفعل (التصنيف الثنائي ومتعدد الفئات والانحدار العددي). يمكنك الآن تدريب نموذج والحصول على معلومات حول قابلية الشرح في أقل من 20 دقيقة ، مع وجود كل شيء في مكانه لبدء توليد الاستدلال.

لاستخدام ميزة الإنشاء السريع للتنبؤ بالسلسلة الزمنية لحالات استخدام ML ، كل ما عليك فعله هو تحميل مجموعة البيانات الخاصة بك إلى Canvas ، وتكوين معلمات التدريب (مثل العمود الهدف) ، ثم الاختيار بناء سريع بدلا من بناء قياسي (والذي كان الخيار الوحيد المتاح لهذا النوع من حالات استخدام ML قبل اليوم). لاحظ أن الإنشاء السريع متاح فقط لمجموعات البيانات التي تحتوي على أقل من 50,000 صف.

دعنا نتصفح سيناريو تطبيق ميزة الإنشاء السريع على حالة استخدام ML في العالم الحقيقي تتضمن بيانات السلاسل الزمنية والحصول على نتائج قابلة للتنفيذ.

قم بإنشاء بناء سريع في Canvas

أي شخص عمل مع ML ، حتى لو لم يكن لديه خبرة أو خبرة ذات صلة ، يعرف أن النتيجة النهائية جيدة مثل مجموعة بيانات التدريب. بغض النظر عن مدى ملاءمة الخوارزمية التي استخدمتها لتدريب النموذج ، فإن النتيجة النهائية ستعكس جودة الاستنتاج على البيانات غير المرئية ، ولن تكون مرضية إذا لم تكن بيانات التدريب تشير إلى المعطى. حالة الاستخدام أو منحازة أو بها قيم مفقودة بشكل متكرر.

لأغراض هذا المنشور ، نستخدم عينة مجموعة بيانات تركيبية تحتوي على معلومات عن الطلب والتسعير لعناصر مختلفة في فترة زمنية معينة ، محددة بطابع زمني (حقل تاريخ في ملف CSV). مجموعة البيانات متاحة على GitHub جيثب:. تُظهر لقطة الشاشة التالية أول عشرة صفوف.

حل مشكلة العمل باستخدام ML بدون رمز مع Canvas هو عملية من أربع خطوات: استيراد مجموعة البيانات ، وبناء نموذج ML ، والتحقق من أدائها ، ثم استخدام النموذج لإنشاء تنبؤات (تُعرف أيضًا باسم الإستنباط في مصطلحات ML). إذا كنت جديدًا على Canvas ، فستظهر مطالبة بإرشادك خلال العملية. لا تتردد في قضاء بضع دقائق مع البرنامج التعليمي داخل التطبيق إذا كنت تريد ذلك ، وإلا يمكنك الاختيار تخطي في الوقت الراهن. هناك أيضًا ملف دليل البداية يمكنك متابعة الانغماس الكامل في الخدمة إذا كنت تريد مقدمة أكثر تفصيلاً.

نبدأ بتحميل مجموعة البيانات. أكمل الخطوات التالية:

1. على قواعد البيانات الصفحة ، اختر استيراد البيانات.
2. تحميل البيانات من قرص محلي أو مصادر أخرى، مثل خدمة تخزين أمازون البسيطة (Amazon S3) ، الأمازون الأحمرو ندفة الثلج، لتحميل عينة مجموعة البيانات product_demand.csv يظهر الآن في قائمة مجموعات البيانات.
3. ساعات العمل product_demand.csv واختر قم بإنشاء نموذج لبدء عملية إنشاء النموذج.
   تتم إعادة توجيهك إلى البناء علامة التبويب في تطبيق Canvas لبدء الخطوة التالية في سير عمل Canvas.
4. أولاً ، نختار المتغير الهدف ، القيمة التي نحاول التنبؤ بها كدالة للمتغيرات الأخرى المتوفرة في مجموعة البيانات. في حالتنا ، هذا هو demand المتغير.
   يستنتج Canvas تلقائيًا أن هذه مشكلة تنبؤ متسلسلة زمنية.
   لكي تحل Canvas حالة استخدام التنبؤ بالسلسلة الزمنية ، نحتاج إلى إعداد اثنين من خيارات التكوين.
5. حدد العمود الذي يعرّف العناصر في مجموعة البيانات بشكل فريد ، ومكان تخزين الطوابع الزمنية ، وأفق التنبؤات (كم عدد الأشهر في المستقبل الذي نريد إلقاء نظرة عليه).
6. بالإضافة إلى ذلك ، يمكننا توفير جدول عطلة ، والذي يمكن أن يكون مفيدًا في بعض حالات الاستخدام التي تستفيد من الحصول على هذه المعلومات ، مثل حالات استخدام البيع بالتجزئة أو سلسلة التوريد.
7. اختار حفظ.
   
   يعد اختيار أفق التنبؤ الصحيح ذا أهمية قصوى للحصول على حالة استخدام جيدة للتنبؤ بالسلسلة الزمنية. فكلما زادت القيمة ، زاد توقعنا في المستقبل - ومع ذلك ، فمن غير المرجح أن يكون دقيقًا بسبب الطبيعة الاحتمالية للتنبؤ المتولد. تعني القيمة الأعلى أيضًا وقتًا أطول للتدريب ، بالإضافة إلى المزيد من الموارد اللازمة لكل من التدريب والاستدلال. أخيرًا ، من أفضل الممارسات أن يكون لديك نقاط بيانات من الماضي على الأقل 3-5 مرات من أفق التنبؤ. إذا كنت تريد توقع 6 أشهر في المستقبل (كما في مثالنا) ، يجب أن يكون لديك ما لا يقل عن 18 شهرًا من البيانات التاريخية ، حتى 30 شهرًا.
8. بعد تأمين هذه التكوينات ، اختر بناء سريع.

تُطلق Canvas عملية AutoML في الذاكرة تدرب على نماذج التنبؤ بالسلاسل الزمنية المتعددة بمعلمات تشعبية مختلفة. في أقل من 20 دقيقة (اعتمادًا على مجموعة البيانات) ، ستخرج Canvas أفضل أداء للنموذج في شكل خمسة مقاييس.

دعنا نتعمق في المقاييس المتقدمة لتوقعات السلاسل الزمنية في Canvas ، وكيف يمكننا فهمها:

• متوسط ​​الخسارة الكمية الموزونة (WQL) - يقيم التنبؤ عن طريق حساب متوسط ​​الدقة في الكميات P10 و P50 و P90. تشير القيمة الأقل إلى نموذج أكثر دقة.
• النسبة المئوية للخطأ المطلق المرجح (WAPE) - مجموع الخطأ المطلق الذي تم تسويته بمجموع الهدف المطلق ، والذي يقيس الانحراف الكلي للقيم المتوقعة عن القيم المرصودة. تشير القيمة الأقل إلى نموذج أكثر دقة ، حيث WAPE = 0 هو نموذج بدون أخطاء.
• جذر متوسط ​​المربع الخطأ (RMSE) - الجذر التربيعي لمتوسط ​​الأخطاء التربيعية. يشير RMSE الأقل إلى نموذج أكثر دقة ، حيث RMSE = 0 هو نموذج بدون أخطاء.
• متوسط ​​نسبة الخطأ المطلق (MAPE) - النسبة المئوية للخطأ (الفرق بالنسبة المئوية لمتوسط ​​القيمة المتوقعة مقابل القيمة الفعلية) المتوسط ​​عبر جميع النقاط الزمنية. تشير القيمة الأقل إلى نموذج أكثر دقة ، حيث MAPE = 0 هو نموذج بدون أخطاء.
• يعني الخطأ المطلق المقياس (MASE) - متوسط ​​الخطأ المطلق للتنبؤ المقيس بمتوسط ​​الخطأ المطلق لطريقة بسيطة للتنبؤ الأساسي. تشير القيمة الأقل إلى نموذج أكثر دقة ، حيث يُقدر أن MASE 1 أسوأ من خط الأساس.

لمزيد من المعلومات حول المقاييس المتقدمة ، يرجى الرجوع إلى استخدم المقاييس المتقدمة في تحليلاتك.

تعد إمكانية الشرح المضمنة جزءًا من عرض القيمة الخاص بـ Canvas ، لأنها توفر معلومات حول تأثير العمود على حلل التبويب. في حالة الاستخدام هذه ، يمكننا أن نرى أن السعر له تأثير كبير على قيمة الطلب. هذا أمر منطقي لأن السعر المنخفض للغاية من شأنه أن يزيد الطلب بهامش كبير.

التنبؤات وسيناريوهات ماذا لو

بعد أن قمنا بتحليل أداء نموذجنا ، يمكننا استخدامه لإنشاء تنبؤات واختبار سيناريوهات ماذا لو.

1. على تنبؤ علامة التبويب، اختر عنصر واحد.
2. اختر عنصرًا (على سبيل المثال ، item_002).

تُظهر لقطة الشاشة التالية توقعات لـ item_002.

يمكننا أن نتوقع زيادة في الطلب في الأشهر المقبلة. توفر اللوحة القماشية أيضًا حدًا احتماليًا حول التوقعات المتوقعة ، لذلك يمكننا أن نقرر ما إذا كنا سنأخذ الحد الأعلى للتنبؤ (مع خطر التخصيص الزائد) أو الحد الأدنى (المخاطرة بنقص التخصيص). استخدم هذه القيم بحذر ، وطبق معرفة المجال الخاص بك لتحديد أفضل تنبؤ لعملك.

تدعم Canvas أيضًا سيناريوهات ماذا لو ، مما يجعل من الممكن رؤية كيف يمكن أن يؤثر تغيير القيم في مجموعة البيانات على التوقعات الإجمالية لعنصر واحد ، مباشرة في مخطط التنبؤ. لأغراض هذا المنشور ، نقوم بمحاكاة حملة لمدة شهرين حيث نقدم خصمًا بنسبة 2٪ ، ونخفض السعر من 50 دولارًا إلى 120 دولارًا.

1. اختار ماذا لو سيناريو.
2. اختر القيم التي تريد تغييرها (على سبيل المثال ، نوفمبر وديسمبر).
3. اختار توليد التنبؤ.
   
   يمكننا أن نرى أن السعر المتغير يؤدي إلى ارتفاع كبير في الطلب على المنتج للأشهر المتأثرة بحملة الخصم ، ثم يعود ببطء إلى القيم المتوقعة من التوقعات السابقة.
   كاختبار نهائي ، يمكننا تحديد تأثير التغيير النهائي لسعر المنتج.
4. اختار جرب سيناريو ماذا لو الجديد.
5. أختار تحرير جميع القيم بالجملة.
6. في حالة قيمة جديدة، أدخل 70.
7. اختار توليد التنبؤ.
   

هذا سعر أقل من السعر الأولي 100-120 دولار أمريكي ، لذلك نتوقع زيادة حادة في الطلب على المنتج. هذا ما تؤكده التوقعات ، كما هو موضح في الصورة التالية.

تنظيف

لتجنب تكبد المستقبل رسوم الجلسة، تسجيل الخروج من قماش SageMaker.

وفي الختام

في هذا المنشور ، قمنا بإرشادك عبر ميزة الإنشاء السريع لنماذج التنبؤ بالسلسلة الزمنية وطريقة عرض تحليل المقاييس المحدثة. كلاهما متاح اعتبارًا من اليوم في جميع المناطق التي يتوفر بها Canvas. لمزيد من المعلومات ، يرجى الرجوع إلى بناء نموذج و استخدم المقاييس المتقدمة في تحليلاتك.

لمعرفة المزيد حول Canvas ، راجع هذه الروابط:

لمعرفة المزيد حول حالات الاستخدام الأخرى التي يمكنك حلها باستخدام Canvas ، تحقق من المنشورات التالية:

ابدأ بتجربة Canvas اليوم ، وقم ببناء نماذج التنبؤ بالسلسلة الزمنية الخاصة بك في أقل من 20 دقيقة ، باستخدام اشتراك مجاني لمدة شهرين التي تقدمها كانفاس.

---

حول المؤلف

دافيد جاليتيلي مهندس حلول متخصص للذكاء الاصطناعي / تعلم الآلة في منطقة أوروبا والشرق الأوسط وإفريقيا. يقيم في بروكسل ويعمل بشكل وثيق مع العملاء في جميع أنحاء البنلوكس. لقد كان مطورًا منذ أن كان صغيرًا جدًا ، حيث بدأ البرمجة في سن السابعة. بدأ تعلم الذكاء الاصطناعي / تعلم الآلة في الجامعة ، ووقع في حبها منذ ذلك الحين.

نيكيفوروس بوتيس مهندس حلول في AWS ، يعتني بالقطاع العام في اليونان وقبرص ، وهو عضو في المجتمع التقني AWS AI / ML. إنه يستمتع بالعمل مع العملاء على تصميم تطبيقاتهم بطريقة مرنة وقابلة للتطوير وآمنة ومنخفضة التكلفة.