Fremskynd din tidsserieprognose med op til 50 procent med Amazon SageMaker Canvas UI og AutoML API'er | Amazon Web Services

Vi er glade for at meddele det Amazon SageMaker lærred tilbyder nu en hurtigere og mere brugervenlig måde at skabe maskinlæringsmodeller til tidsserieprognoser. SageMaker Canvas er en visuel peg-og-klik-tjeneste, der gør det muligt for virksomhedsanalytikere at generere nøjagtige maskinlæringsmodeller (ML) uden at kræve maskinlæringserfaring eller at skulle skrive en enkelt linje kode.

SageMaker Canvas understøtter en række brugssager, herunder tidsserieprognoser, der bruges til lagerstyring i detailhandlen, efterspørgselsplanlægning inden for produktion, planlægning af arbejdsstyrke og gæste inden for rejser og gæstfrihed, forudsigelse af omsætning inden for økonomi og mange andre forretningskritiske beslutninger, hvor meget- præcise prognoser er vigtige. For eksempel giver tidsserieprognoser detailhandlere mulighed for at forudsige fremtidig salgsefterspørgsel og planlægge lagerniveauer, logistik og marketingkampagner. Tidsserieprognosemodeller i SageMaker Canvas bruger avancerede teknologier til at kombinere statistiske og maskinlæringsalgoritmer og levere meget nøjagtige prognoser.

I dette indlæg beskriver vi forbedringerne af prognosefunktionerne i SageMaker Canvas og guider dig til at bruge dets brugergrænseflade (UI) og AutoML API'er til tidsserieprognoser. Mens SageMaker Canvas UI tilbyder en kodefri visuel grænseflade, giver API'erne udviklere mulighed for at interagere med disse funktioner programmatisk. Begge kan tilgås fra SageMaker konsol.

Forbedringer i prognoseoplevelsen

Med dagens lancering har SageMaker Canvas opgraderet sine prognosefunktioner ved hjælp af AutoML, hvilket leverer op til 50 procent hurtigere modelbygningsydelse og op til 45 procent hurtigere forudsigelser i gennemsnit sammenlignet med tidligere versioner på tværs af forskellige benchmark-datasæt. Dette reducerer den gennemsnitlige modeltræningsvarighed fra 186 til 73 minutter og den gennemsnitlige forudsigelsestid fra 33 til 18 minutter for en typisk batch på 750 tidsserier med datastørrelse på op til 100 MB. Brugere kan nu også programmæssigt få adgang til modelkonstruktion og forudsigelsesfunktioner gennem Amazon SageMaker Autopilot API'er, som kommer med modelforklarlighed og præstationsrapporter.

Tidligere krævede indførelsen af ​​inkrementelle data genoptræning af hele modellen, hvilket var tidskrævende og forårsagede driftsforsinkelser. Nu, i SageMaker Canvas, kan du tilføje nyere data for at generere fremtidige prognoser uden at genoptræne hele modellen. Indtast blot dine trinvise data til din model for at bruge den seneste indsigt til kommende prognoser. Eliminering af omskoling fremskynder prognoseprocessen, hvilket giver dig mulighed for hurtigere at anvende disse resultater til dine forretningsprocesser.

Med SageMaker Canvas, der nu bruger AutoML til prognoser, kan du udnytte modelbygnings- og forudsigelsesfunktioner gennem SageMaker Autopilot API'er, hvilket sikrer ensartethed på tværs af UI og API'er. For eksempel kan du starte med at bygge modeller i brugergrænsefladen og derefter skifte til at bruge API'er til at generere forudsigelser. Denne opdaterede modelleringstilgang forbedrer også modelgennemsigtigheden på flere måder:

1. Brugere kan få adgang til en forklaringsrapport, der giver klarere indsigt i faktorer, der påvirker forudsigelser. Dette er værdifuldt for risiko-, overholdelsesteams og eksterne regulatorer. Rapporten belyser, hvordan datasætattributter påvirker specifikke tidsserieprognoser. Det beskæftiger effektscore at måle hver egenskabs relative effekt, hvilket angiver, om de forstærker eller reducerer prognoseværdier.
2. Du kan nu få adgang til de trænede modeller og implementere dem til SageMaker Inference eller din foretrukne infrastruktur til forudsigelser.
3. En præstationsrapport er tilgængelig, som giver dybere indsigt i optimale modeller valgt af AutoML til specifikke tidsserier og de hyperparametre, der bruges under træning.

Generer tidsserieprognoser ved hjælp af SageMaker Canvas UI

SageMaker Canvas UI giver dig mulighed for problemfrit at integrere datakilder fra skyen eller på stedet, flette datasæt uden besvær, træne præcise modeller og lave forudsigelser med nye data – alt sammen uden kodning. Lad os undersøge genereringen af ​​en tidsserieprognose ved hjælp af denne brugergrænseflade.

Først importerer du data til SageMaker Canvas fra forskellige kilder, herunder fra lokale filer fra din computer, Amazon Simple Storage Service (Amazon S3) spande, Amazonas Athena, Snowflakeog over 40 andre datakilder. Efter import af data kan du udforske og visualisere dem for at få yderligere indsigt, f.eks. med punktdiagrammer eller søjlediagrammer. Når du er klar til at oprette en model, kan du gøre det med blot et par klik efter at have konfigureret de nødvendige parametre, såsom at vælge en målkolonne til prognose og angive, hvor mange dage ud i fremtiden, du vil prognose. Følgende skærmbilleder viser et eksempel på en visualisering af forudsigelse af produktefterspørgsel baseret på historiske ugentlige efterspørgselsdata for specifikke produkter i forskellige butiksplaceringer:

Følgende billede viser ugentlige prognoser for et specifikt produkt i forskellige butiksplaceringer:

For en omfattende guide til, hvordan du bruger SageMaker Canvas UI til prognoser, tjek denne blogindlæg.

Hvis du har brug for en automatiseret arbejdsgang eller direkte integration af ML-modeller i apps, er vores prognosefunktioner tilgængelige via API'er. I det følgende afsnit giver vi et eksempel på en løsning, der beskriver, hvordan du bruger vores API'er til automatiseret prognose.

Generer tidsserieprognose ved hjælp af API'er

Lad os dykke ned i, hvordan man bruger API'erne til at træne modellen og generere forudsigelser. Til denne demonstration skal du overveje en situation, hvor en virksomhed skal forudsige produktlagerniveauer i forskellige butikker for at imødekomme kundernes efterspørgsel. På et højt niveau opdeles API-interaktionerne i følgende trin:

1. Forbered datasættet.
2. Opret et SageMaker Autopilot-job.
3. Evaluer autopilotopgaven:
   1. Udforsk modelnøjagtighedsmetrics og backtest-resultater.
   2. Udforsk modellens forklaringsrapport.
4. Generer forudsigelser fra modellen:
   1. Brug slutning i realtid slutpunkt oprettet som en del af Autopilot-jobbet; eller
   2. Brug batch transformation job.

Prøv Amazon SageMaker Studio-notebook, der viser prognoser med API'er

Vi har leveret et eksempel på en SageMaker Studio-notebook GitHub for at hjælpe med at fremskynde din time-to-market, når din virksomhed foretrækker at orkestrere prognoser gennem programmatiske API'er. Notebook'en tilbyder et eksempel på et syntetisk datasæt tilgængeligt gennem en offentlig S3-bøtte. Notesbogen guider dig gennem alle de trin, der er beskrevet i workflowbilledet nævnt ovenfor. Selvom notebook'en giver en grundlæggende ramme, kan du skræddersy kodeeksemplet, så det passer til din specifikke brug. Dette inkluderer ændring af det, så det matcher dit unikke dataskema, tidsopløsning, prognosehorisont og andre nødvendige parametre for at opnå dine ønskede resultater.

Konklusion

SageMaker Canvas demokratiserer tidsserieprognoser ved at tilbyde en brugervenlig, kodefri oplevelse, der sætter forretningsanalytikere i stand til at skabe meget nøjagtige maskinlæringsmodeller. Med dagens AutoML-opgraderinger leverer den op til 50 procent hurtigere modelbygning, op til 45 procent hurtigere forudsigelser og introducerer API-adgang til både modelkonstruktion og forudsigelsesfunktioner, hvilket øger dens gennemsigtighed og ensartethed. SageMaker Canvas unikke evne til problemfrit at håndtere inkrementelle data uden omskoling sikrer hurtig tilpasning til stadigt skiftende forretningskrav.

Uanset om du foretrækker den intuitive brugergrænseflade eller alsidige API'er, forenkler SageMaker Canvas dataintegration, modeltræning og forudsigelse, hvilket gør det til et centralt værktøj til datadrevet beslutningstagning og innovation på tværs af brancher.

For at lære mere, gennemse dokumentation, eller udforske notesbog tilgængelig i vores GitHub-lager. Prisoplysninger for tidsserieprognoser ved hjælp af SageMaker Canvas er tilgængelige på SageMaker Canvas Priser side, og for SageMaker-træning og slutningspriser ved brug af SageMaker Autopilot API'er, se venligst SageMaker-priser .

Disse funktioner er tilgængelige i alle AWS-regioner, hvor SageMaker Canvas og SageMaker Autopilot er offentligt tilgængelige. For mere information om region tilgængelighed, se AWS-tjenester efter region.

---

Om forfatterne

Nirmal Kumar er Sr. Product Manager for Amazon SageMaker-tjenesten. Han er engageret i at udvide adgangen til AI/ML og styrer udviklingen af ​​no-code og low-code ML-løsninger. Uden for arbejdet holder han af at rejse og læse faglitteratur.

Charles Laughlin er en Principal AI/ML Specialist Solution Architect, der arbejder på Amazon SageMaker-serviceteamet hos AWS. Han hjælper med at forme servicekøreplanen og samarbejder dagligt med forskellige AWS-kunder for at hjælpe med at transformere deres virksomheder ved hjælp af avancerede AWS-teknologier og tankelederskab. Charles har en MS i Supply Chain Management og en Ph.D. i datavidenskab.

Ridhim Rastogi en softwareudviklingsingeniør, der arbejder på Amazon SageMaker-serviceteamet hos AWS. Han brænder for at bygge skalerbare distribuerede systemer med fokus på at løse problemer i den virkelige verden gennem AI/ML. I sin fritid kan han lide at løse gåder, læse skønlitteratur og udforske sine omgivelser.

Ahmed Raafat er en Principal Solutions Architect hos AWS, med 20 års felterfaring og et dedikeret fokus på 5 år inden for AWS-økosystemet. Han har specialiseret sig i AI/ML-løsninger. Hans omfattende erfaring strækker sig over forskellige brancher, hvilket gør ham til en betroet rådgiver for adskillige virksomhedskunder, hvilket letter deres problemfri navigation og acceleration af deres cloud-rejse.

John Oshodi er Senior Solutions Architect hos Amazon Web Services med base i London, Storbritannien. Han har specialiseret sig i data og analyse og fungerer som teknisk rådgiver for adskillige AWS-virksomhedskunder, der understøtter og accelererer deres cloud-rejse. Uden for arbejdet nyder han at rejse til nye steder og opleve nye kulturer med sin familie.

• SEO Powered Content & PR Distribution. Bliv forstærket i dag.
• PlatoData.Network Vertical Generative Ai. Styrk dig selv. Adgang her.
• PlatoAiStream. Web3 intelligens. Viden forstærket. Adgang her.
• PlatoESG. Kulstof, CleanTech, Energi, Miljø, Solenergi, Affaldshåndtering. Adgang her.
• PlatoHealth. Bioteknologiske og kliniske forsøgs intelligens. Adgang her.
• Kilde: https://aws.amazon.com/blogs/machine-learning/speed-up-your-time-series-forecasting-by-up-to-50-percent-with-amazon-sagemaker-canvas-ui-and-automl-apis/