الان مع توقعات الأمازون، يمكنك إنشاء تنبؤات أكثر دقة تصل إلى 45٪ للمنتجات التي لا تحتوي على بيانات تاريخية. التنبؤ هي خدمة مُدارة تستخدم التعلم الآلي (ML) لإنشاء توقعات دقيقة للطلب ، دون الحاجة إلى أي خبرة في تعلم الآلة. يعد التنبؤ الدقيق هو الأساس لتحسين المخزون والتخطيط اللوجستي وإدارة القوى العاملة وهو يمكّن الشركات من الاستعداد بشكل أفضل لخدمة عملائها. التنبؤ بالبداية الباردة يمثل تحديًا شائعًا حيث توجد حاجة لإنشاء توقعات ولكن لا توجد بيانات تاريخية للمنتج. هذا أمر نموذجي في صناعات مثل البيع بالتجزئة أو التصنيع أو السلع المعبأة للمستهلكين حيث توجد مقدمات سريعة للمنتجات الجديدة من خلال تقديم المنتجات المطورة حديثًا إلى السوق ، أو إدخال العلامات التجارية أو الكتالوجات لأول مرة ، أو بيع المنتجات في مناطق جديدة. مع هذا الإطلاق ، قمنا بتحسين نهجنا الحالي للتنبؤ بالبداية الباردة ونقدم الآن تنبؤات تصل إلى 45٪ أكثر دقة.
قد يكون من الصعب تطوير نموذج التنبؤ بالبداية الباردة لأن طرق التنبؤ الإحصائي التقليدية مثل الانحدار التلقائي للمتوسط المتحرك المتكامل (ARIMA) أو التجانس الأسي يتم بناؤها باستخدام مفهوم أنه يمكن استخدام البيانات التاريخية للمنتج للتنبؤ بقيمه المستقبلية. ولكن بدون البيانات التاريخية ، لا يمكن حساب معلمات النموذج وبالتالي لا يمكن بناء النموذج. كان لدى التوقعات بالفعل القدرة على إنشاء تنبؤات لمنتجات البدء البارد باستخدام الملكية خوارزميات الشبكة العصبية مثل DeepAR + و CNN-QR. تتعلم هذه النماذج العلاقات بين المنتجات ويمكنها إنشاء تنبؤات للمنتجات بدون بيانات تاريخية. كان استخدام البيانات الوصفية للعناصر لإنشاء هذه العلاقات ضمنيًا مما يعني أن الشبكات لم تكن قادرة على استقراء خصائص الاتجاه بالكامل لمنتجات البدء البارد.
اليوم ، أطلقنا أسلوبًا جديدًا للتنبؤ بالبداية الباردة وهو أكثر دقة بنسبة تصل إلى 45٪ عن ذي قبل. يعمل هذا النهج على تحسين معالجتنا للبيانات الوصفية للعناصر التي من خلالها نحدد المنتجات الصريحة ضمن مجموعة البيانات الخاصة بك والتي لها أكثر الخصائص تشابهًا مع منتجات البدء البارد. من خلال التركيز على هذه المجموعة الفرعية من المنتجات المماثلة ، نحن قادرون على تعلم الاتجاهات بشكل أفضل لإنشاء توقعات لمنتج البدء البارد. على سبيل المثال ، سيرغب بائع تجزئة للأزياء يقدم خطًا جديدًا للقمصان في توقع الطلب على هذا الخط لتحسين مخزون المتجر. يمكنك تقديم التنبؤ بالبيانات التاريخية للمنتجات الأخرى في الكتالوج الخاص بك مثل خطوط القمصان والسترات والسراويل والأحذية ، بالإضافة إلى البيانات الوصفية للعناصر مثل اسم العلامة التجارية واللون والحجم وفئة المنتج لكل من الجديد والحالي منتجات. باستخدام هذه البيانات الوصفية ، يكتشف التنبؤ تلقائيًا المنتجات الأكثر ارتباطًا بخط القميص الجديد ويستخدم تلك المنتجات لإنشاء تنبؤات لخط القميص.
هذه الميزة متاحة في جميع المناطق حيث تتوفر التوقعات للجمهور من خلال وحدة تحكم إدارة AWS أو ال واجهة برمجة تطبيقات التوقع التلقائي. لمزيد من المعلومات حول توفر المنطقة ، راجع خدمات AWS الإقليمية. للبدء في استخدام التوقعات للتنبؤ بالبدء البارد ، يرجى الرجوع إلى توليد التوقعات أو ال دفتر جيثب.
حل نظرة عامة
توضح الخطوات الواردة في هذا المنشور كيفية استخدام التنبؤ للتنبؤ بالبداية الباردة على وحدة تحكم إدارة AWS. نستعرض مثالاً لتاجر تجزئة يُنشئ توقعات طلب المخزون لمنتج تم إطلاقه حديثًا باتباع الخطوات الثلاث في التوقعات: استيراد بياناتك ، وتدريب متنبئ ، وإنشاء توقع. للاستخدام المباشر لواجهة برمجة تطبيقات التوقعات للتنبؤ بالبداية الباردة ، اتبع دفتر الملاحظات الموجود في جيثب ريبو، والذي يقدم عرضًا مشابهًا.
استيراد بيانات التدريب الخاصة بك
لاستخدام طريقة التنبؤ بالبدء البارد الجديدة ، يجب عليك استيراد ملفين CSV: ملف يحتوي على بيانات السلاسل الزمنية المستهدفة (يُظهر هدف التنبؤ) ، وملف آخر يحتوي على البيانات الوصفية للعنصر (يعرض خصائص المنتج مثل الحجم أو اللون). تحدد التوقعات منتجات البداية الباردة على أنها تلك المنتجات الموجودة في ملف البيانات الوصفية للعنصر ولكنها غير موجودة في ملف السلسلة الزمنية الهدف.
لتحديد منتج البدء البارد الخاص بك بشكل صحيح ، تأكد من إدخال معرف العنصر لمنتج البدء البارد الخاص بك كصف في ملف البيانات الوصفية للعنصر وأنه غير موجود في ملف السلسلة الزمنية المستهدفة. بالنسبة إلى العديد من منتجات البدء البارد ، أدخل معرّف كل عنصر منتج كصف منفصل في ملف البيانات الوصفية للعنصر. إذا لم يكن لديك معرّف عنصر لمنتج البدء البارد الخاص بك ، فيمكنك استخدام أي تركيبة أبجدية رقمية أقل من 64 حرفًا لا تمثل بالفعل منتجًا آخر في مجموعة البيانات الخاصة بك.
في مثالنا ، يحتوي ملف السلسلة الزمنية الهدف على معرف عنصر المنتج والطابع الزمني والطلب (المخزون) ، ويحتوي ملف البيانات الوصفية للعنصر على معرف عنصر المنتج واللون وفئة المنتج والموقع.
لاستيراد بياناتك ، أكمل الخطوات التالية:
- في وحدة تحكم التوقعات ، اختر اعرض مجموعات البيانات.
-
- اختار إنشاء مجموعة بيانات.
- في حالة اسم مجموعة البيانات، أدخل اسم مجموعة البيانات (لهذا المنشور ، my_company_shoe_inventory).
- بالنسبة لمجال التنبؤ ، اختر مجال التنبؤ (لهذا المنشور ، البيع بالتجزئة).
- اختر التالي.
- في صفحة إنشاء مجموعة بيانات السلاسل الزمنية المستهدفة ، قم بتوفير اسم مجموعة البيانات وتكرار البيانات ومخطط البيانات.
- قدم تفاصيل استيراد مجموعة البيانات.
- اختر ابدأ.
تُظهر لقطة الشاشة التالية المعلومات الخاصة بصفحة السلسلة الزمنية المستهدفة التي تم ملؤها على سبيل المثال.
تتم إعادة توجيهك إلى لوحة التحكم التي يمكنك استخدامها لتتبع التقدم.
- لاستيراد ملف البيانات الأولية للعنصر ، من لوحة المعلومات ، اختر استيراد.
- على إنشاء مجموعة بيانات تعريف العنصر الصفحة ، قدم اسم مجموعة البيانات ومخطط البيانات.
- قدم تفاصيل استيراد مجموعة البيانات.
- اختار آبدأ.
تُظهر لقطة الشاشة التالية المعلومات التي تم ملؤها لمثالنا.
تدريب المتنبئ
بعد ذلك ، نقوم بتدريب المتنبئ.
- في لوحة القيادة ، اختر تدريب المتنبئ.
- على تدريب المتنبئ الصفحة ، أدخل اسمًا للمتنبئ الخاص بك ، والمدة التي تريد توقعها في المستقبل وبأي تردد ، وعدد الكميات التي تريد توقعها.
- تفعيل متنبئ تلقائي. هذا مطلوب للتنبؤ بالبدء البارد.
- اختار إنشاء.
تُظهر لقطة الشاشة التالية المعلومات التي تم ملؤها لمثالنا.
ضع توقعات
بعد تدريب المتنبئ الخاص بنا (قد يستغرق ذلك حوالي 2.5 ساعة) ، نقوم بإنشاء توقعات للمنتج الذي تم إطلاقه حديثًا. ستعرف أن المتنبئ الخاص بك قد تم تدريبه عندما ترى ملف مشاهدة ملف Predictors زر على لوحة القيادة الخاصة بك.
- اختار ضع توقعات على لوحة القيادة.
- على ضع توقعات الصفحة ، أدخل اسم توقع ، واختر المتنبئ الذي قمت بإنشائه ، وحدد مقادير التنبؤ (اختياري) والعناصر التي تريد إنشاء تنبؤ لها.
- اختار آبدأ.
تصدير التوقعات الخاصة بك
بعد إنشاء التوقعات ، يمكنك تصدير البيانات إلى CSV. ستعرف أنه تم إنشاء توقعاتك عندما ترى أن الحالة نشطة.
- اختار إنشاء تصدير التنبؤ.
- أدخل اسم ملف التصدير (لهذا المنشور ، my_cold_start_forecast_export).
- في حالة موقع التصدير ، حدد ال خدمة تخزين أمازون البسيطة موقع (Amazon S3).
- اختار آبدأ.
- لتنزيل التصدير ، انتقل إلى موقع مسار ملف S3 من وحدة التحكم ، ثم حدد الملف واختر تحميل.
يحتوي ملف التصدير على الطابع الزمني ومعرف العنصر والبيانات الأولية للعنصر والتنبؤات لكل مقدار محدد.
عرض التوقعات الخاصة بك
بعد إنشاء التوقعات ، يمكنك عرض التنبؤات للمنتجات الجديدة بيانياً على وحدة التحكم.
- اختار توقعات الاستعلام على لوحة القيادة.
- اختر اسم التنبؤ الذي تم إنشاؤه في الخطوة السابقة (my_cold_start_forecast في مثالنا).
- أدخل تاريخ البدء وتاريخ الانتهاء اللذين تريد عرض التوقعات عليهما.
- في حقل معرف العنصر لمفتاح التنبؤ ، أضف المعرف الفريد لمنتج البدء البارد الخاص بك.
- اختار احصل على توقعات.
في الشكل ، سترى التوقعات لأي مقياس تم تحديده.
وفي الختام
باستخدام Forecast ، يمكنك الحصول على نفس رؤى التنبؤ لمنتجات البداية الباردة بدون بيانات تاريخية ، والآن أصبحت أكثر دقة بنسبة تصل إلى 45٪ عن ذي قبل. لإنشاء توقعات البداية الباردة باستخدام التوقعات ، افتح وحدة التحكم في التوقعات واتبع الخطوات الموضحة في هذا المنشور ، أو ارجع إلى دفتر جيثب حول كيفية الوصول إلى الوظيفة عبر API. لمعرفة المزيد ، يرجى الرجوع إلى توليد التوقعات.
عن المؤلفين
براندون ناير هو مدير أول للمنتجات في Amazon Forecast. يكمن اهتمامه المهني في إنشاء خدمات وتطبيقات قابلة للتعلم الآلي. خارج العمل ، يمكن العثور عليه في استكشاف المتنزهات الوطنية ، أو إتقان أرجوحة الجولف أو التخطيط لرحلة مغامرة.
ماناس داداركار مدير تطوير برمجيات يمتلك هندسة خدمة Amazon Forecast. إنه متحمس لتطبيقات التعلم الآلي وجعل تقنيات ML متاحة بسهولة للجميع لتبنيها ونشرها في الإنتاج. خارج العمل ، لديه اهتمامات متعددة بما في ذلك السفر والقراءة وقضاء الوقت مع الأصدقاء والعائلة.
بهارات نانداموري مهندس برمجيات كبير يعمل في Amazon Forecast. إنه متحمس لبناء خدمات خلفية عالية المستوى مع التركيز على هندسة أنظمة ML. خارج العمل ، يستمتع بلعب الشطرنج والمشي لمسافات طويلة ومشاهدة الأفلام.
غوراف غوبتا هو عالم تطبيقي في مختبرات AWS AI و Amazon Forecast. تكمن اهتماماته البحثية في التعلم الآلي للبيانات المتسلسلة ، وتعلم المشغل للمعادلات التفاضلية الجزئية ، والمويجات. أكمل درجة الدكتوراه من جامعة جنوب كاليفورنيا قبل انضمامه إلى AWS.
- AI
- ai الفن
- مولد الفن ai
- الروبوت ai
- توقعات الأمازون
- الذكاء الاصطناعي
- شهادة الذكاء الاصطناعي
- الذكاء الاصطناعي في البنوك
- روبوت ذكاء اصطناعي
- روبوتات الذكاء الاصطناعي
- برنامج ذكاء اصطناعي
- التعلم الآلي من AWS
- سلسلة كتلة
- مؤتمر blockchain ai
- عملة عبقرية
- الذكاء الاصطناعي للمحادثة
- مؤتمر التشفير ai
- دال
- التعلم العميق
- google ai
- آلة التعلم
- أفلاطون
- أفلاطون ع
- الذكاء افلاطون البيانات
- لعبة أفلاطون
- أفلاطون داتا
- بلاتوغمينغ
- مقياس ai
- بناء الجملة
- زفيرنت