يشير توقع السلاسل الزمنية إلى عملية التنبؤ بالقيم المستقبلية لبيانات السلاسل الزمنية (البيانات التي يتم جمعها على فترات منتظمة بمرور الوقت). تستخدم الطرق البسيطة للتنبؤ بالسلاسل الزمنية القيم التاريخية لنفس المتغير الذي يجب توقع قيمه المستقبلية ، بينما تستخدم الأساليب الأكثر تعقيدًا والقائمة على التعلم الآلي (ML) معلومات إضافية ، مثل بيانات السلاسل الزمنية للمتغيرات ذات الصلة.
توقعات الأمازون هي خدمة توقع السلاسل الزمنية المستندة إلى ML والتي تتضمن خوارزميات تستند إلى أكثر من 20 عامًا من الخبرة في التنبؤ التي يستخدمها Amazon.com، مما يؤدي إلى جلب نفس التقنية المستخدمة في Amazon للمطورين كخدمة مُدارة بالكامل ، مما يلغي الحاجة إلى إدارة الموارد. تستخدم التوقعات تعلم الآلة ليس فقط أفضل خوارزمية لكل عنصر ، ولكن أيضًا أفضل مجموعة من الخوارزميات لكل عنصر ، مما يؤدي تلقائيًا إلى إنشاء أفضل نموذج لبياناتك.
يصف هذا المنشور كيفية نشر أحمال عمل التنبؤ المتكررة (أحمال عمل التنبؤ بالسلسلة الزمنية) بدون استخدام رمز تكوين سحابة AWS, وظائف خطوة AWSو مدير أنظمة AWS. تساعدك الطريقة المقدمة هنا في إنشاء خط أنابيب يسمح لك باستخدام نفس سير العمل بدءًا من اليوم الأول لتجربة التنبؤ بالسلسلة الزمنية الخاصة بك من خلال نشر النموذج في الإنتاج.
التنبؤ بالسلاسل الزمنية باستخدام التنبؤ
يتضمن سير عمل التنبؤ المفاهيم الشائعة التالية:
- استيراد مجموعات البيانات - في التوقعات ، أ مجموعة البيانات عبارة عن مجموعة من مجموعات البيانات والمخطط والنتائج المتوقعة التي تتوافق معًا. يمكن أن تحتوي كل مجموعة بيانات على ما يصل إلى ثلاث مجموعات بيانات ، واحدة من كل مجموعة بيانات النوع: السلاسل الزمنية المستهدفة (TTS) ، والسلاسل الزمنية ذات الصلة (RTS) ، والبيانات الوصفية للعنصر. مجموعة البيانات هي مجموعة من الملفات التي تحتوي على بيانات ذات صلة بمهمة التنبؤ. يجب أن تتوافق مجموعة البيانات مع المخطط المحدد في التنبؤ. لمزيد من التفاصيل ، يرجى الرجوع إلى استيراد مجموعات البيانات.
- تنبئ التدريب - A المتنبئ هو نموذج مُدرَّب على التنبؤ يُستخدم لإجراء تنبؤات بناءً على بيانات السلاسل الزمنية. أثناء التدريب ، يحسب التنبؤ مقاييس الدقة التي تستخدمها لتقييم المتنبئ وتحديد ما إذا كنت ستستخدم المتنبئ لإنشاء توقع أم لا. لمزيد من المعلومات ، يرجى الرجوع إلى متنبئون التدريب.
- توليد التوقعات - يمكنك بعد ذلك استخدام النموذج المدرب لتوليد تنبؤات لأفق زمني مستقبلي ، والمعروف باسم أفق التنبؤ. يوفر التنبؤ تنبؤات في مختلف الكميات المحددة. على سبيل المثال ، توقع عند 0.90 كمي سيقدر قيمة أقل من القيمة الملاحظة 90٪ من الوقت. بشكل افتراضي ، يستخدم التنبؤ القيم التالية لأنواع التنبؤ التوقعي: 0.1 (P10) و 0.5 (P50) و 0.9 (P90). تُستخدم التنبؤات في مختلف الكميات عادةً لتوفير فاصل زمني للتنبؤ (حد أعلى وأدنى للتنبؤات) لحساب عدم اليقين في التنبؤ.
يمكنك تنفيذ سير العمل هذا في التوقعات إما من ملف وحدة تحكم إدارة AWSأطلقت حملة واجهة سطر الأوامر AWS (AWS CLI) ، عبر مكالمات API باستخدام دفاتر Python، أو عبر حلول الأتمتة. ال يرجى العلم بأن يوجد سن محدد للمشاركة بهذه البطولات. الرجاء قراءة القواعد أدناه. و AWS CLI هي الأنسب للتجريب السريع للتحقق من جدوى التنبؤ بالسلاسل الزمنية باستخدام بياناتك. تعتبر طريقة Python للكمبيوتر الدفتري رائعة لعلماء البيانات الذين هم بالفعل على دراية بدفاتر Jupyter وتشفيرها ، وتوفر أقصى قدر من التحكم والضبط. ومع ذلك ، فإن الطريقة المعتمدة على الكمبيوتر المحمول يصعب تنفيذها. نهج الأتمتة لدينا يسهل التجريب السريع ، ويزيل المهام المتكررة ، ويسمح بالانتقال بسهولة بين البيئات المختلفة (التطوير ، التدريج ، الإنتاج).
في هذا المنشور ، نصف نهج الأتمتة لاستخدام التوقعات التي تسمح لك باستخدام بياناتك الخاصة وتوفر سير عمل واحدًا يمكنك استخدامه بسلاسة طوال دورة حياة تطوير حل التنبؤ الخاص بك ، من الأيام الأولى للتجربة وحتى النشر من الحل في بيئة الإنتاج الخاصة بك.
حل نظرة عامة
في الأقسام التالية ، نصف سير عمل كامل شامل يعمل كقالب لمتابعة النشر الآلي لنماذج التنبؤ بالسلاسل الزمنية باستخدام التنبؤ. يقوم سير العمل هذا بإنشاء نقاط بيانات متوقعة من مجموعة بيانات إدخال مفتوحة المصدر ؛ ومع ذلك ، يمكنك استخدام نفس سير العمل لبياناتك الخاصة ، طالما يمكنك تنسيق بياناتك وفقًا للخطوات الموضحة في هذا المنشور. بعد تحميل البيانات ، نوجهك عبر الخطوات لإنشاء مجموعات بيانات التنبؤ ، واستيراد البيانات ، وتدريب نماذج ML ، وإنتاج نقاط بيانات متوقعة على آفاق زمنية غير مرئية في المستقبل من البيانات الأولية. كل هذا ممكن دون الحاجة إلى كتابة أو ترجمة التعليمات البرمجية.
يوضح الرسم البياني التالي سير عمل التنبؤ.
يتم نشر الحل باستخدام نموذجين CloudFormation: قالب التبعيات وقالب حمل العمل. يمكّنك CloudFormation من تنفيذ عمليات نشر البنية التحتية لـ AWS بشكل متوقع ومتكرر باستخدام قوالب تصف الموارد التي سيتم نشرها. يُشار إلى القالب المنشور باسم ملف كومة. لقد حرصنا على تحديد البنية التحتية في الحل من أجلك في النموذجين المقدمين. يحدد قالب التبعيات مصادر المتطلبات الأساسية المستخدمة بواسطة قالب حمل العمل ، مثل خدمة تخزين أمازون البسيطة (Amazon S3) لتخزين العناصر وملفات إدارة الهوية والوصول AWS (IAM) لإجراءات AWS API. يمكن مشاركة الموارد المحددة في قالب التبعيات بواسطة قوالب عبء عمل متعددة. يحدد قالب عبء العمل الموارد المستخدمة لاستيعاب البيانات وتدريب متنبئ وإنشاء توقع.
نشر نموذج CloudFormation التبعيات
أولاً ، دعنا ننشر قالب التبعيات لإنشاء مواردنا الأساسية. ينشر قالب التبعيات حاوية S3 اختيارية ، AWS لامدا وظائف ، وأدوار IAM. Amazon S3 هي خدمة تخزين كائنات منخفضة التكلفة ومتوفرة للغاية ومرنة. نستخدم دلو S3 في هذا الحل لتخزين بيانات المصدر وتشغيل سير العمل ، مما يؤدي إلى توقع. Lambda هي خدمة حوسبة بدون خادم ، وتتيح لك تشغيل التعليمات البرمجية دون توفير أو إدارة الخوادم. يشتمل قالب التبعيات على وظائف للقيام بأشياء مثل إنشاء مجموعة بيانات في التنبؤ ومسح الكائنات داخل حاوية S3 قبل حذف الحاوية. تحدد أدوار IAM الأذونات داخل AWS للمستخدمين والخدمات. ينشر قالب التبعيات دورًا لتستخدمه Lambda ودورًا آخر لوظائف الخطوة ، وهي خدمة إدارة سير العمل التي ستنسق مهام استيعاب البيانات ومعالجتها ، بالإضافة إلى تدريب التنبؤ والاستدلال باستخدام التنبؤ.
أكمل الخطوات التالية لنشر قالب التبعيات:
- على وحدة التحكم ، حدد المطلوب المنطقة مدعومة من التوقعات لنشر الحل.
- في وحدة تحكم AWS CloudFormation ، اختر كومات في جزء التنقل.
- اختار إنشاء مكدس واختر بموارد جديدة (قياسي).
- في حالة مصدر النموذج، حدد عنوان URL لـ Amazon S3.
- أدخل عنوان URL للقالب:
https://amazon-forecast-samples.s3.us-west-2.amazonaws.com/ml_ops/forecast-mlops-dependency.yaml
. - اختار التالى.
- في حالة اسم المكدس، أدخل
forecast-mlops-dependency
. - تحت المعلمات، اختر استخدام حاوية S3 موجودة أو إنشاء واحدة جديدة ، ثم قدم اسم الحاوية.
- اختار التالى.
- اختار التالى لقبول خيارات المكدس الافتراضية.
- حدد خانة الاختيار لتأكيد أن المكدس ينشئ موارد IAM ، ثم اختر إنشاء مكدس لنشر النموذج.
يجب أن ترى القالب يتم نشره على أنه ملف forecast-mlops-dependency
كومة. عندما تتغير الحالة إلى CREATE_COMPLETE
، يمكنك الانتقال إلى الخطوة التالية.
انشر قالب CloudFormation الخاص بحمل العمل
بعد ذلك ، دعنا ننشر قالب حمل العمل لإنشاء مواردنا الأساسية. ينشر قالب عبء العمل آلات حالة وظائف الخطوة لإدارة سير العمل ، متجر معلمات مدير أنظمة AWS المعلمات لتخزين قيم المعلمات من AWS CloudFormation وإبلاغ سير العمل ، و خدمة إعلام أمازون البسيطة (Amazon SNS) لإشعارات سير العمل ودور IAM لأذونات خدمة سير العمل.
الحل يخلق خمس آلات حالة:
- إنشاء DatasetGroupStateMachine - يُنشئ مجموعة بيانات تنبؤات للبيانات التي سيتم استيرادها إليها.
- CreateImportDatasetStateMachine - يستورد بيانات المصدر من Amazon S3 إلى مجموعة بيانات للتدريب.
- إنشاء ForecastStateMachine - يدير المهام المطلوبة لتدريب المتنبئ وتوليد التنبؤ.
- AthenaConnectorStateMachine - يمكّنك من كتابة استعلامات SQL بامتداد أمازون أثينا موصل لبيانات الأرض في Amazon S3. هذه عملية اختيارية للحصول على البيانات التاريخية بالتنسيق المطلوب للتنبؤ باستخدام Athena بدلاً من وضع الملفات يدويًا في Amazon S3.
- StepFunctionWorkflowStateMachine - ينسق المكالمات إلى أجهزة الدولة الأربع الأخرى ويدير سير العمل الكلي.
توفر Parameter Store ، إحدى إمكانيات مدير الأنظمة ، تخزينًا هرميًا آمنًا واسترجاعًا برمجيًا لإدارة بيانات التكوين وإدارة الأسرار. يتم استخدام Parameter Store لتخزين المعلمات التي تم تعيينها في مكدس أحمال العمل بالإضافة إلى المعلمات الأخرى المستخدمة بواسطة سير العمل.
أكمل الخطوات التالية لنشر قالب حمل العمل:
- في وحدة تحكم AWS CloudFormation ، اختر كومات في جزء التنقل.
- اختار إنشاء مكدس واختر بموارد جديدة (قياسي).
- في حالة مصدر النموذج، حدد عنوان URL لـ Amazon S3.
- أدخل عنوان URL للقالب:
https://amazon-forecast-samples.s3.us-west-2.amazonaws.com/ml_ops/forecast-mlops-solution-guidance.yaml
. - اختار التالى.
- في حالة اسم المكدس، إدخال اسم.
- اقبل القيم الافتراضية أو قم بتعديل المعلمات.
تأكد من إدخال اسم حاوية S3 من حزمة التبعيات لـ دلو S3 وعنوان بريد إلكتروني صالح لـ SNSEنقطة النهاية حتى إذا قبلت قيم المعلمات الافتراضية.
يصف الجدول التالي كل معلمة.
معامل | الوصف | مزيد من المعلومات |
DatasetGroupFrequencyRTS |
معدل تكرار جمع البيانات لمجموعة بيانات RTS. | . |
DatasetGroupFrequencyTTS |
معدل تكرار جمع البيانات لمجموعة بيانات تحويل النص إلى كلام. | . |
DatasetGroupName |
اسم قصير لمجموعة البيانات ، عبء عمل قائم بذاته. | إنشاء مجموعة البيانات |
DatasetIncludeItem |
حدد ما إذا كنت تريد تقديم بيانات تعريف العنصر لحالة الاستخدام هذه. | . |
DatasetIncludeRTS |
حدد ما إذا كنت تريد تقديم سلسلة زمنية ذات صلة بحالة الاستخدام هذه. | . |
ForecastForecastTypes |
عند تشغيل وظيفة CreateForecast ، فإن هذا يحدد الكميات المطلوب إنتاج تنبؤات لها. يمكنك اختيار ما يصل إلى خمس قيم في هذه المجموعة. قم بتحرير هذه القيمة لتضمين القيم حسب الحاجة. | إنشاء توقعات |
PredictorAttributeConfigs |
بالنسبة للمتغير المستهدف في TTS وكل حقل رقمي في مجموعات بيانات RTS ، يجب إنشاء سجل لكل فترة زمنية لكل عنصر. يساعد هذا التكوين في تحديد كيفية ملء السجلات المفقودة: بـ 0 أو NaN أو غير ذلك. نوصي بملء الفجوات في TTS باستخدام NaN بدلاً من 0. مع 0 ، قد يتعلم النموذج بشكل خاطئ لتحيز التنبؤات نحو الصفر. NaN هي الطريقة التي يتم بها تسليم التوجيه. استشر AWS Solutions Architect لديك بخصوص أي أسئلة حول هذا الموضوع. | إنشاء توقع تلقائي |
PredictorExplainPredictor |
القيم الصالحة هي TRUE أو FALSE. تحدد هذه ما إذا كانت إمكانية الشرح ممكّنة للتنبؤ الخاص بك. يمكن أن يساعدك هذا في فهم كيفية تأثير القيم في RTS وبيانات تعريف العنصر على النموذج. | شرح |
PredictorForecastDimensions |
قد ترغب في التنبؤ بحبوب أدق من العنصر. هنا ، يمكنك تحديد أبعاد مثل الموقع أو مركز التكلفة أو أيًا كانت احتياجاتك. يجب أن يتوافق هذا مع الأبعاد الموجودة في RTS و TTS. لاحظ أنه إذا لم يكن لديك بُعد ، فستكون المعلمة الصحيحة خالية ، بمفردها وفي جميع الأحرف الصغيرة. null هي كلمة محجوزة تسمح للنظام بمعرفة عدم وجود معلمة للبعد. | إنشاء توقع تلقائي |
PredictorForecastFrequency |
يحدد النطاق الزمني الذي سيتم فيه إنشاء نموذجك وتوقعاتك ، مثل يومي أو أسبوعي أو شهري. تساعدك القائمة المنسدلة على اختيار القيم المسموح بها. يجب أن يتوافق هذا مع مقياس وقت RTS الخاص بك إذا كنت تستخدم RTS. | إنشاء توقع تلقائي |
PredictorForecastHorizon |
عدد الخطوات الزمنية التي يتوقعها النموذج. يُطلق على أفق التنبؤ أيضًا اسم طول التنبؤ. | إنشاء توقع تلقائي |
PredictorForecastOptimizationMetric |
يحدد مقياس الدقة المستخدم لتحسين المتنبئ. ستساعدك القائمة المنسدلة في تحديد أرصدة الخسارة الكمية الموزونة للتنبؤ الزائد أو الناقص. تهتم RMSE بالوحدات ، وتعنى WAPE / MAPE بأخطاء النسبة المئوية. | إنشاء توقع تلقائي |
PredictorForecastTypes |
عندما يكون للـ CreateAutoPredictor عمليات تشغيل الوظيفة ، وهذا يحدد الكميات المستخدمة لتدريب نقاط التنبؤ. يمكنك اختيار ما يصل إلى خمس قيم في هذه المصفوفة ، مما يسمح لك بالموازنة بين الإفراط في التنبؤ والنقص في التنبؤ. قم بتحرير هذه القيمة لتضمين القيم حسب الحاجة. |
إنشاء توقع تلقائي |
S3Bucket |
اسم حاوية S3 حيث تتم كتابة بيانات الإدخال وبيانات الإخراج لحمل العمل هذا. | . |
SNSEndpoint |
عنوان بريد إلكتروني صالح لتلقي الإخطارات عند اكتمال وظيفة التوقع والتنبؤ. | . |
SchemaITEM |
يحدد هذا الترتيب الفعلي وأسماء الأعمدة وأنواع البيانات لمجموعة بيانات بيانات تعريف العنصر. هذا ملف اختياري متوفر في مثال الحل. | إنشاء مجموعة البيانات |
SchemaRTS |
يحدد هذا الترتيب الفعلي وأسماء الأعمدة وأنواع البيانات لمجموعة بيانات RTS الخاصة بك. يجب أن تتوافق الأبعاد مع TTS الخاص بك. يتحكم الحبيبة الزمنية لهذا الملف في مقدار الوقت الذي يمكن عنده عمل التنبؤات. هذا ملف اختياري متوفر في مثال الحل. | إنشاء مجموعة البيانات |
SchemaTTS |
يحدد هذا الترتيب الفعلي وأسماء الأعمدة وأنواع البيانات لمجموعة بيانات TTS ، وهي مجموعة البيانات الوحيدة المطلوبة. يجب أن يحتوي الملف على قيمة مستهدفة وطابع زمني وعنصر كحد أدنى. | إنشاء مجموعة البيانات |
TimestampFormatRTS |
يحدد تنسيق الطابع الزمني المتوفر في ملف RTS. | إنشاء DatasetImportJob |
TimestampFormatTTS |
يحدد تنسيق الطابع الزمني المتوفر في ملف TTS. | إنشاء DatasetImportJob |
- اختار التالى لقبول خيارات المكدس الافتراضية.
- حدد خانة الاختيار لتأكيد أن المكدس ينشئ موارد IAM ، ثم اختر إنشاء مكدس لنشر النموذج.
يجب أن ترى القالب يتم نشره كاسم المكدس الذي اخترته سابقًا. عندما تتغير الحالة إلى CREATE_COMPLETE
، يمكنك الانتقال إلى خطوة تحميل البيانات.
قم بتحميل البيانات
في القسم السابق ، قمت بتوفير اسم مكدس وحاوية S3. يصف هذا القسم كيفية إيداع مجموعة البيانات المتاحة للجمهور الطلب على الغذاء في هذا الدلو. إذا كنت تستخدم مجموعة البيانات الخاصة بك ، فارجع إلى قواعد البيانات لتجهيز مجموعة البيانات بتنسيق يتوقعه النشر. يجب أن تحتوي مجموعة البيانات على الأقل على السلاسل الزمنية المستهدفة ، وبشكل اختياري ، السلاسل الزمنية ذات الصلة والبيانات الوصفية للعنصر:
- TTS هي بيانات السلاسل الزمنية التي تتضمن الحقل الذي تريد إنشاء توقع له ؛ هذا المجال يسمى الحقل الهدف
- RTS هي بيانات سلاسل زمنية لا تتضمن الحقل الهدف ، ولكنها تتضمن حقلاً مرتبطًا
- ملف بيانات العنصر ليس بيانات سلاسل زمنية ، ولكنه يتضمن معلومات بيانات أولية حول العناصر الموجودة في مجموعات بيانات TTS أو RTS
أكمل الخطوات التالية:
- إذا كنت تستخدم نموذج مجموعة البيانات المتوفرة ، فقم بتنزيل مجموعة البيانات الطلب على الغذاء إلى جهاز الكمبيوتر الخاص بك وفك ضغط الملف ، مما يؤدي إلى إنشاء ثلاثة ملفات داخل ثلاثة أدلة (
rts
,tts
,item
). - في وحدة التحكم Amazon S3 ، انتقل إلى الحاوية التي أنشأتها مسبقًا.
- اختار إنشاء مجلد.
- استخدم نفس السلسلة مثل اسم مكدس حمل العمل الخاص بك لاسم المجلد.
- اختار تحميل.
- اختر مجلدات مجموعة البيانات الثلاثة ، ثم اختر تحميل.
عند اكتمال التحميل ، من المفترض أن ترى شيئًا مثل لقطة الشاشة التالية. في هذا المثال ، المجلد الخاص بنا هو aiml42
.
قم بإنشاء مجموعة بيانات التنبؤ
أكمل الخطوات الواردة في هذا القسم لإنشاء مجموعة بيانات كحدث لمرة واحدة لكل حمل عمل. من الآن فصاعدًا ، يجب أن تخطط لتشغيل بيانات الاستيراد ، وإنشاء توقع ، وإنشاء خطوات التنبؤ بالشكل المناسب ، كسلسلة ، وفقًا لجدولك الزمني ، والتي يمكن أن تكون يومية أو أسبوعية أو غير ذلك.
- في وحدة التحكم في وظائف الخطوة ، حدد موقع جهاز الحالة الذي يحتوي على ملفات
Create-Dataset-Group
. - في صفحة تفاصيل جهاز الحالة ، اختر ابدأ التنفيذ.
- اختار ابدأ التنفيذ مرة أخرى للتأكيد.
تستغرق آلة الحالة حوالي دقيقة واحدة للتشغيل. عندما تكتمل ، القيمة تحت حالة التنفيذ يجب أن يتغير من الركض إلى نجح
استيراد البيانات إلى التوقعات
اتبع الخطوات الواردة في هذا القسم لاستيراد مجموعة البيانات التي قمت بتحميلها إلى حاوية S3 إلى مجموعة البيانات الخاصة بك:
- في وحدة التحكم في وظائف الخطوة ، حدد موقع جهاز الحالة الذي يحتوي على ملفات
Import-Dataset
. - في صفحة تفاصيل جهاز الحالة ، اختر بدء التنفيذ.
- اختار ابدأ التنفيذ مرة أخرى للتأكيد.
يعتمد مقدار الوقت الذي تستغرقه آلة الحالة للتشغيل على مجموعة البيانات التي تتم معالجتها.
- أثناء تشغيل هذا ، في المستعرض الخاص بك ، افتح علامة تبويب أخرى وانتقل إلى وحدة التحكم في التوقعات.
- في وحدة تحكم التوقعات ، اختر اعرض مجموعات البيانات وانتقل إلى مجموعة البيانات بالاسم المحدد لـ
DataGroupName
من مكدس عبء العمل الخاص بك. - اختار عرض مجموعات البيانات.
يجب أن تشاهد استيراد البيانات قيد التقدم.
عندما آلة الدولة ل Import-Dataset
اكتمل ، يمكنك المتابعة إلى الخطوة التالية لبناء نموذج بيانات السلاسل الزمنية الخاصة بك.
إنشاء توقع تلقائي (تدريب نموذج السلاسل الزمنية)
يصف هذا القسم كيفية تدريب المتنبئ الأولي باستخدام التنبؤ. يمكنك اختيار إنشاء متنبئ جديد (أول متنبئ أساسي) أو إعادة تدريب متنبئ خلال كل دورة إنتاج ، والتي يمكن أن تكون يومية أو أسبوعية أو غير ذلك. يمكنك أيضًا اختيار عدم إنشاء متنبئ كل دورة والاعتماد على مراقبة المتنبئ لإرشادك عند إنشاء واحد. يوضح الشكل التالي عملية إنشاء توقع تنبؤ جاهز للإنتاج.
لإنشاء متنبئ جديد ، أكمل الخطوات التالية:
- في وحدة التحكم في وظائف الخطوة ، حدد موقع جهاز الحالة الذي يحتوي على ملفات
Create-Predictor
. - في صفحة تفاصيل جهاز الحالة ، اختر بدء التنفيذ.
- اختار ابدأ التنفيذ مرة أخرى للتأكيد.
يمكن أن يعتمد مقدار وقت التشغيل على مجموعة البيانات التي تتم معالجتها. قد يستغرق هذا ما يصل إلى ساعة أو أكثر ليكتمل. - أثناء تشغيل هذا ، في المستعرض الخاص بك ، افتح علامة تبويب أخرى وانتقل إلى وحدة التحكم في التوقعات.
- في وحدة تحكم التوقعات ، اختر اعرض مجموعات البيانات وانتقل إلى مجموعة البيانات بالاسم المحدد لـ
DataGroupName
من مكدس عبء العمل الخاص بك. - اختار عرض المتنبئين.
يجب أن ترى تدريب المتنبئ قيد التقدم (تظهر حالة التدريب "الإنشاء قيد التقدم ...").
عندما آلة الدولة ل Create-Predictor
اكتمل ، يمكنك تقييم أدائه.
كجزء من آلة الحالة ، يقوم النظام بإنشاء متنبئ ويقوم أيضًا بتشغيل ملف BacktestExport
وظيفة تكتب مقاييس توقع على مستوى التسلسل الزمني إلى Amazon S3. توجد هذه الملفات في مجلدين S3 أسفل ملف backtest-export
المجلد:
- دقة المقاييس القيم - يوفر حسابات قياس دقة على مستوى العنصر حتى تتمكن من فهم أداء سلسلة زمنية واحدة. يسمح لك هذا بالتحقيق في الانتشار بدلاً من التركيز على المقاييس العالمية وحدها.
- القيم المتوقعة - يوفر تنبؤات على مستوى الخطوة لكل سلسلة زمنية في نافذة الاختبار الخلفي. يمكّنك هذا من مقارنة القيمة المستهدفة الفعلية من مجموعة اختبار الانتظار إلى القيم الكمية المتوقعة. تساعد مراجعة هذا في صياغة أفكار حول كيفية توفير ميزات بيانات إضافية في RTS أو بيانات تعريف العنصر للمساعدة في تقدير القيم المستقبلية بشكل أفضل ، وتقليل الخسارة بشكل أكبر. يمكنك تنزيل ملفات
backtest-export
الملفات من Amazon S3 أو الاستعلام عنها في مكانها مع Athena.
باستخدام بياناتك الخاصة ، تحتاج إلى فحص نتائج التوقع عن كثب والتأكد من أن المقاييس تلبي نتائجك المتوقعة باستخدام بيانات التصدير ذات الاختبار الخلفي. عندما تشعر بالرضا ، يمكنك البدء في إنشاء تنبؤات مؤرخة في المستقبل كما هو موضح في القسم التالي.
إنشاء توقعات (استنتاج حول آفاق الوقت في المستقبل)
يصف هذا القسم كيفية إنشاء نقاط بيانات التنبؤ باستخدام التنبؤ. من الآن فصاعدًا ، يجب عليك جمع بيانات جديدة من النظام المصدر ، واستيراد البيانات إلى التوقعات ، ثم إنشاء نقاط بيانات التنبؤ. اختياريًا ، يمكنك أيضًا إدراج إنشاء توقع جديد بعد الاستيراد وقبل التنبؤ. يوضح الشكل التالي عملية إنشاء تنبؤات السلاسل الزمنية للإنتاج باستخدام التنبؤ.
أكمل الخطوات التالية:
- في وحدة التحكم في وظائف الخطوة ، حدد موقع جهاز الحالة الذي يحتوي على ملفات
Create-Forecast
. - في صفحة تفاصيل جهاز الحالة ، اختر بدء التنفيذ.
- اختار ابدأ التنفيذ مرة أخرى للتأكيد.
تنتهي آلة الحالة هذه بسرعة كبيرة لأن النظام غير مهيأ لإنشاء تنبؤ. لا يعرف نموذج التوقع الذي وافقت عليه للاستدلال.
لنقم بتهيئة النظام لاستخدام المتنبئ المدرّب. - في وحدة التحكم في التوقعات ، حدد موقع ARN للمتنبئ الخاص بك.
- انسخ ARN لاستخدامها في خطوة لاحقة.
- في المستعرض الخاص بك ، افتح علامة تبويب أخرى وانتقل إلى وحدة تحكم مدير الأنظمة.
- في وحدة تحكم "إدارة الأنظمة" ، اختر متجر المعلمة في جزء التنقل.
- حدد موقع المعلمة المتعلقة بالمكدس الخاص بك (
/forecast/<StackName>/Forecast/PredictorArn
). - أدخل ARN الذي نسخته للمتنبئ الخاص بك.
هذه هي الطريقة التي تربط بها بين متنبئ مدرب بوظيفة الاستدلال في التنبؤ. - حدد موقع المعلمة
/forecast/<StackName>/Forecast/Generate
وتحرير القيمة ، مع استبدالFALSE
معTRUE
.
أنت الآن جاهز لتشغيل وظيفة توقع لمجموعة البيانات هذه. - في وحدة التحكم في وظائف الخطوة ، قم بتشغيل ملف
Create-Forecast
آلة الدولة.
هذه المرة ، تعمل الوظيفة كما هو متوقع. كجزء من آلة الحالة ، يقوم النظام بإنشاء تنبؤ و a ForecastExport
وظيفة ، التي تكتب تنبؤات السلاسل الزمنية لـ Amazon S3. توجد هذه الملفات في ملف forecast
مجلد
داخل forecast
مجلد ، ستجد تنبؤات عن عناصرك ، موجودة في العديد من ملفات CSV أو Parquet ، بناءً على اختيارك. توجد التنبؤات لكل خطوة زمنية وسلسلة زمنية محددة مع جميع القيم الكمية المختارة لكل سجل. يمكنك تنزيل هذه الملفات من Amazon S3 ، أو الاستعلام عنها في مكانها مع Athena ، أو اختيار استراتيجية أخرى لاستخدام البيانات.
هذا يختتم سير العمل بأكمله. يمكنك الآن تصور مخرجاتك باستخدام أي أداة تصور من اختيارك ، مثل أمازون QuickSight. بدلاً من ذلك ، يمكن لعلماء البيانات استخدام الباندا لإنشاء قطع أراضيهم الخاصة. إذا اخترت استخدام QuickSight ، يمكنك ذلك ربط نتائج التوقعات الخاصة بك إلى QuickSight لإجراء عمليات تحويل البيانات ، وإنشاء تحليل واحد أو أكثر للبيانات ، و إنشاء تصورات.
توفر هذه العملية نموذجًا لمتابعة. ستحتاج إلى تكييف العينة وفقًا لمخططك ، وتعيين أفق التنبؤ ، ودقة الوقت ، وما إلى ذلك وفقًا لحالة الاستخدام الخاصة بك. ستحتاج أيضًا إلى تعيين جدول متكرر حيث يتم حصاد البيانات من النظام المصدر ، واستيراد البيانات ، وإنتاج التوقعات. إذا رغبت في ذلك ، يمكنك إدراج مهمة توقع بين خطوات الاستيراد والتنبؤ.
أعد تدريب المتنبئ
لقد مررنا بعملية تدريب متنبئ جديد ، ولكن ماذا عن إعادة تدريب المتنبئ؟ تعد إعادة تدريب المتنبئ إحدى الطرق لتقليل التكلفة والوقت اللذين ينطوي عليهما تدريب المتنبئ على أحدث البيانات المتاحة. بدلاً من إنشاء متنبئ جديد وتدريبه على مجموعة البيانات بأكملها ، يمكننا إعادة تدريب المتنبئ الحالي من خلال توفير البيانات الإضافية الجديدة التي تم توفيرها فقط منذ أن تم تدريب المتنبئ آخر مرة. دعنا نتعرف على كيفية إعادة تدريب المتنبئ باستخدام حل الأتمتة:
- في وحدة تحكم التوقعات ، اختر اعرض مجموعات البيانات.
- اختر مجموعة البيانات المرتبطة بالمتوقع الذي تريد إعادة تدريبه.
- اختار عرض المتنبئين، ثم اختر المتنبئ الذي تريد إعادة تدريبه.
- على الإعدادات علامة التبويب ، انسخ المتنبئ ARN.
نحتاج إلى تحديث معلمة يستخدمها سير العمل لتحديد المتنبئ لإعادة التدريب. - في وحدة تحكم "إدارة الأنظمة" ، اختر متجر المعلمة في جزء التنقل.
- حدد موقع المعلمة
/forecast/<STACKNAME>/Forecast/Predictor/ReferenceArn
. - في صفحة تفاصيل المعلمة ، اختر تعديل.
- في حالة القيم، أدخل المتنبئ ARN.
يحدد هذا المتنبئ الصحيح لسير العمل لإعادة التدريب. بعد ذلك ، نحتاج إلى تحديث معلمة يستخدمها سير العمل لتغيير استراتيجية التدريب. - حدد موقع المعلمة
/forecast/<STACKNAME>/Forecast/Predictor/Strategy
. - في صفحة تفاصيل المعلمة ، اختر تحرير.
- للقيمة ، أدخل
RETRAIN
.
سير العمل الافتراضي لتدريب متنبئ جديد ؛ ومع ذلك ، يمكننا تعديل هذا السلوك لإعادة تدريب متنبئ حالي أو ببساطة إعادة استخدام متنبئ موجود دون إعادة التدريب عن طريق تعيين هذه القيمة علىNONE
. قد ترغب في التخلي عن التدريب إذا كانت بياناتك مستقرة نسبيًا أو كنت تستخدمها مراقبة توقع آلية لتقرير متى تكون إعادة التدريب ضرورية. - قم بتحميل بيانات التدريب التزايدية إلى حاوية S3.
- في وحدة التحكم في وظائف الخطوة ، حدد موقع جهاز الحالة
<STACKNAME>-Create-Predictor
. - في صفحة تفاصيل جهاز الحالة ، اختر ابدأ التنفيذ لبدء إعادة التدريب.
عند اكتمال إعادة التدريب ، سينتهي سير العمل وستتلقى إشعارًا بالبريد الإلكتروني من SNS إلى عنوان البريد الإلكتروني المقدم في معلمات قالب عبء العمل.
تنظيف
عند الانتهاء من هذا الحل ، اتبع الخطوات الواردة في هذا القسم لحذف الموارد ذات الصلة.
احذف حاوية S3
- في وحدة تحكم Amazon S3 ، اختر الدلاء في جزء التنقل.
- حدد الحاوية حيث تم تحميل البيانات واختر فارغ لحذف جميع البيانات المرتبطة بالحل ، بما في ذلك بيانات المصدر.
- أدخل
permanently delete
لحذف محتويات الحاوية بشكل دائم. - على الدلاء الصفحة ، حدد الحاوية واختر حذف.
- أدخل اسم المستودع لتأكيد الحذف واختيار حذف دلو.
حذف موارد التوقعات
- في وحدة تحكم التوقعات ، اختر اعرض مجموعات البيانات.
- حدد اسم مجموعة البيانات المرتبط بالحل ، ثم اختر حذف.
- أدخل
delete
لحذف مجموعة البيانات والتنبؤات المرتبطة بها ، والتنبؤ بوظائف التصدير ، والتنبؤات ، ووظائف التصدير المتوقعة. - اختار حذف للتأكيد.
احذف مكدسات CloudFormation
- في وحدة تحكم AWS CloudFormation ، اختر كومات في جزء التنقل.
- حدد مكدس عبء العمل واختر حذف.
- اختار حذف المكدس لتأكيد حذف المكدس وجميع الموارد المرتبطة به.
- عند اكتمال الحذف ، حدد مجموعة التبعيات واختر حذف.
- اختار حذف للتأكيد.
وفي الختام
في هذا المنشور ، ناقشنا بعض الطرق المختلفة لبدء استخدام التوقعات. مررنا عبر حل تنبؤ آلي يعتمد على AWS CloudFormation لنشر حل سريع وقابل للتكرار لخط أنابيب التنبؤ من استيعاب البيانات إلى الاستدلال ، مع القليل من المعرفة بالبنية التحتية المطلوبة. أخيرًا ، رأينا كيف يمكننا استخدام Lambda لأتمتة إعادة تدريب النموذج ، وتقليل التكلفة ووقت التدريب.
ليس هناك وقت أفضل من الوقت الحاضر لبدء التنبؤ باستخدام التوقعات. لبدء إنشاء سير عمل مؤتمت ونشره ، تفضل بزيارة موارد توقعات أمازون. توقعات سعيدة!
حول المؤلف
آرون فاجان هو مهندس حلول متخصص رئيسي في AWS ومقرها نيويورك. إنه متخصص في مساعدة العملاء على تصميم حلول في التعلم الآلي وأمان السحابة.
راجو باتيل هو عالم بيانات في خدمات AWS الاحترافية. يقوم ببناء ونشر حلول AI / ML لمساعدة عملاء AWS في التغلب على تحديات أعمالهم. لقد غطت ارتباطاته في AWS مجموعة واسعة من حالات استخدام الذكاء الاصطناعي / التعلم الآلي مثل رؤية الكمبيوتر ، والتنبؤ بالسلاسل الزمنية ، والتحليلات التنبؤية ، وما إلى ذلك ، عبر العديد من الصناعات ، بما في ذلك الخدمات المالية ، والاتصالات ، والرعاية الصحية ، والمزيد. قبل ذلك ، قاد فرق علوم البيانات في تكنولوجيا الإعلان ، وقدم مساهمات كبيرة في العديد من مبادرات البحث والتطوير في رؤية الكمبيوتر والروبوتات. خارج العمل ، يستمتع بالتصوير الفوتوغرافي والمشي لمسافات طويلة والسفر واستكشافات الطهي.
- محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
- أفلاطونايستريم. ذكاء بيانات Web3. تضخيم المعرفة. الوصول هنا.
- سك المستقبل مع أدرين أشلي. الوصول هنا.
- شراء وبيع الأسهم في شركات ما قبل الاكتتاب مع PREIPO®. الوصول هنا.
- المصدر https://aws.amazon.com/blogs/machine-learning/automate-the-deployment-of-an-amazon-forecast-time-series-forecasting-model/
- :لديها
- :يكون
- :ليس
- :أين
- $ UP
- 1
- 10
- 100
- 11
- 20
- 20 سنة
- 2022
- 7
- 8
- 9
- a
- من نحن
- استمر
- الوصول
- وفقا
- حسابي
- دقة
- نقر
- في
- الإجراءات
- تكيف
- إضافي
- معلومات اضافية
- العنوان
- دعاية
- بعد
- مرة أخرى
- AI / ML
- خوارزمية
- خوارزميات
- الكل
- السماح
- يسمح
- وحده
- سابقا
- أيضا
- أمازون
- توقعات الأمازون
- كمية
- an
- تحليل
- تحليلات
- و
- آخر
- أي وقت
- API
- نهج
- مناسب
- من وزارة الصحة
- هي
- مجموعة
- AS
- مساعدة
- محام
- أسوشيتد
- At
- أتمتة
- الآلي
- تلقائيا
- أتمتة
- متاح
- AWS
- تكوين سحابة AWS
- الخدمات المهنية AWS
- Backtest
- الرصيد
- أرصدة
- على أساس
- خط الأساس
- BE
- لان
- قبل
- بدأ
- يجري
- أفضل
- أفضل
- ما بين
- انحياز
- مقيد
- صندوق
- وبذلك
- المتصفح
- نساعدك في بناء
- ابني
- يبني
- الأعمال
- لكن
- by
- تحسب
- تسمى
- دعوات
- CAN
- يهمني
- حقيبة
- الحالات
- مركز
- التحديات
- تغيير
- التغييرات
- التحقق
- خيار
- اختار
- اختار
- اختيار
- عن كثب
- سحابة
- سحابة الأمن
- الكود
- البرمجة
- مجموعة شتاء XNUMX
- عمود
- COM
- مشترك
- قارن
- إكمال
- مجمع
- الحسابات
- إحصاء
- الكمبيوتر
- رؤية الكمبيوتر
- المفاهيم
- قلق
- الاعداد
- أكد
- كنسولات
- تحتوي على
- محتويات
- مساهمات
- مراقبة
- رابطة
- تصحيح
- التكلفة
- استطاع
- مغطى
- خلق
- خلق
- يخلق
- خلق
- خلق
- العملاء
- دورة
- الدورية
- يوميا
- البيانات
- إدارة البيانات
- نقاط البيانات
- علم البيانات
- عالم البيانات
- مجموعة البيانات
- قواعد البيانات
- يوم
- أيام
- تقرر
- يعلن
- الترتيب
- الافتراضات
- تعريف
- يعرف
- تحديد
- تم التوصيل
- اعتمادا
- يعتمد
- نشر
- نشر
- نشر
- نشر
- نشر
- ينشر
- الايداع
- وصف
- وصف
- مطلوب
- التفاصيل
- تفاصيل
- حدد
- المطورين
- التطوير التجاري
- مختلف
- صعبة
- بعد
- الأبعاد
- الدلائل
- ناقش
- do
- لا
- فعل
- بإمكانك تحميله
- أثناء
- كل
- في وقت سابق
- أسهل
- إما
- يقضي على
- البريد الإلكتروني
- تمكين
- تمكن
- النهاية
- النهائي إلى نهاية
- ضمان
- أدخل
- كامل
- البيئة
- البيئات
- أخطاء
- تقدير
- إلخ
- تقييم
- حتى
- الحدث/الفعالية
- مثال
- يوجد
- القائمة
- متوقع
- تتوقع
- الخبره في مجال الغطس
- تصدير
- يسهل
- زائف
- مألوف
- المميزات
- حقل
- الشكل
- قم بتقديم
- ملفات
- إيداع
- معبأ
- أخيرا
- مالي
- الخدمات المالية
- الاسم الأول
- التركيز
- اتباع
- متابعيك
- في حالة
- توقعات
- التوقعات
- شكل
- عليها
- إلى الأمام
- أربعة
- تردد
- تبدأ من
- تماما
- وظيفة
- وظائف
- إضافي
- مستقبل
- توليد
- ولدت
- توليد
- دولار فقط واحصل على خصم XNUMX% على جميع
- العالمية
- Go
- الذهاب
- يحكم
- رسم بياني
- عظيم
- تجمع
- مجموعات
- توجيه
- توجيه
- سعيد
- موسم الحصاد
- يملك
- وجود
- he
- صحة الإنسان
- الرعاية الصحية
- مساعدة
- مساعدة
- يساعد
- هنا
- جدا
- له
- تاريخي
- الأفق
- آفاق
- ساعة
- كيفية
- كيفية
- لكن
- HTML
- HTTP
- HTTPS
- الأفكار
- يحدد
- تحديد
- هوية
- if
- يوضح
- تنفيذ
- استيراد
- واردات
- in
- تتضمن
- يشمل
- بما فيه
- الصناعات
- تأثير
- إعلام
- معلومات
- البنية التحتية
- في البداية
- المبادرات
- إدخال
- بدلًا من ذلك
- إلى
- بحث
- المشاركة
- IT
- العناصر
- انها
- نفسها
- وظيفة
- المشــاريــع
- JPG
- علم
- المعرفة
- معروف
- البلد
- اسم العائلة
- الى وقت لاحق
- آخر
- تعلم
- تعلم
- الأقل
- ليد
- بيانات الصمام
- يتيح
- دورة حياة
- مثل
- خط
- القليل
- تقع
- موقع
- طويل
- خسارة
- منخفضة التكلفة
- خفض
- آلة
- آلة التعلم
- الآلات
- صنع
- القيام ب
- إدارة
- تمكن
- إدارة
- مدير
- يدير
- إدارة
- يدويا
- كثير
- أقصى
- مايو..
- تعرف علي
- القائمة
- البيانات الوصفية
- طريقة
- طرق
- متري
- المقاييس
- ربما
- الحد الأدنى
- دقيقة
- مفقود
- ML
- نموذج
- عارضات ازياء
- تعديل
- مراقبة
- شهريا
- الأكثر من ذلك
- خطوة
- متعدد
- يجب
- الاسم
- أسماء
- التنقل
- قائمة الإختيارات
- ضروري
- حاجة
- إحتياجات
- جديد
- نيويورك
- التالي
- لا
- مفكرة
- إعلام
- الإخطارات
- الآن
- عدد
- كثير
- موضوع
- الأجسام
- تحصل
- of
- on
- ONE
- فقط
- جاكيت
- المصدر المفتوح
- الأمثل
- مزيد من الخيارات
- or
- طلب
- أخرى
- وإلا
- لنا
- خارج
- النتائج
- أوجز
- الناتج
- في الخارج
- على مدى
- الكلي
- الخاصة
- صفحة
- الباندا
- خبز
- المعلمة
- المعلمات
- جزء
- فى المائة
- نفذ
- أداء
- بشكل دائم
- أذونات
- تصوير
- مادي
- خط أنابيب
- المكان
- وضع
- خطة
- أفلاطون
- الذكاء افلاطون البيانات
- أفلاطون داتا
- نقاط
- ممكن
- منشور
- وتوقع
- توقع
- تنبؤ
- تنبؤات
- التحليلات التنبؤية
- متنبئ
- تتوقع
- إعداد
- يقدم
- قدم
- سابق
- رئيسي
- قبل
- عملية المعالجة
- معالجتها
- معالجة
- إنتاج
- الإنتــاج
- محترف
- برنامجي
- التقدّم
- تزود
- المقدمة
- ويوفر
- توفير
- علانية
- بايثون
- الاستفسارات
- الأسئلة المتكررة
- سريع
- بسرعة
- نطاق
- سريع
- بدلا
- الخام
- استعداد
- تسلم
- نوصي
- سجل
- تسجيل
- متكرر
- تخفيض
- تقليص
- يشار
- يشير
- منتظم
- ذات صلة
- نسبيا
- ذات الصلة
- اعتمد
- إزالة
- تكرار
- مرارا وتكرارا
- تكرارية
- مطلوب
- بحث
- البحث والتطوير
- محفوظة
- مرن
- دقة الشاشة
- الموارد
- مما أدى
- النتائج
- إعادة استخدام
- مراجعة
- الروبوتات
- النوع
- الأدوار
- يجري
- تشغيل
- نفسه
- عينة مجموعة بيانات
- راض
- حجم
- جدول
- علوم
- عالم
- العلماء
- بسلاسة
- القسم
- أقسام
- تأمين
- أمن
- انظر تعريف
- مختار
- اختيار
- مسلسلات
- Serverless
- خوادم
- يخدم
- الخدمة
- خدماتنا
- طقم
- ضبط
- شاركت
- قصير
- ينبغي
- يظهر
- هام
- الاشارات
- ببساطة
- منذ
- عزباء
- So
- حل
- الحلول
- بعض
- شيء
- مصدر
- متخصص
- تتخصص
- محدد
- انتشار
- مستقر
- كومة
- انطلاق
- معيار
- بداية
- بدأت
- ابتداء
- الولايه او المحافظه
- الحالة
- خطوة
- خطوات
- تخزين
- متجر
- الإستراتيجيات
- خيط
- بناء
- هذه
- مدعومة
- نظام
- أنظمة
- جدول
- أخذ
- يأخذ
- الهدف
- مهمة
- المهام
- فريق
- تكنولوجيا
- الاتصالات
- قالب
- النماذج
- تجربه بالعربي
- من
- أن
- •
- المصدر
- الدولة
- من مشاركة
- منهم
- then
- هناك.
- تشبه
- الأشياء
- ثلاثة
- عبر
- طوال
- الوقت
- السلاسل الزمنية
- الطابع الزمني
- إلى
- سويا
- أداة
- موضوع
- نحو
- قطار
- متدرب
- قادة الإيمان
- التحولات
- انتقال
- سفر
- يثير
- صحيح
- اثنان
- نوع
- أنواع
- عادة
- عدم اليقين
- مع
- فهم
- الوحدات
- تحديث
- تم التحميل
- URL
- تستخدم
- حالة الاستخدام
- مستعمل
- المستخدمين
- استخدام
- قيمنا
- القيم
- مختلف
- جدا
- بواسطة
- رؤيتنا
- قم بزيارتنا
- التصور
- مشى
- تريد
- وكان
- طريق..
- طرق
- we
- أسبوعي
- حسن
- ابحث عن
- متى
- سواء
- التي
- واسع
- مدى واسع
- سوف
- مع
- في غضون
- بدون
- كلمة
- للعمل
- اكتب
- مكتوب
- سنوات
- نيويورك
- أنت
- حل متجر العقارات الشامل الخاص بك في جورجيا
- زفيرنت
- الرمز البريدي