Beschleunigen Sie Ihre Zeitreihenprognosen um bis zu 50 Prozent mit der Amazon SageMaker Canvas-Benutzeroberfläche und den AutoML-APIs | Amazon Web Services

Wir freuen uns, Ihnen mitteilen zu können, dass Amazon SageMaker-Leinwand bietet jetzt eine schnellere und benutzerfreundlichere Möglichkeit, Modelle für maschinelles Lernen für Zeitreihenprognosen zu erstellen. SageMaker Canvas ist ein visueller Point-and-Click-Dienst, der es Geschäftsanalysten ermöglicht, genaue Modelle für maschinelles Lernen (ML) zu generieren, ohne dass dafür Erfahrung im maschinellen Lernen erforderlich ist oder eine einzige Codezeile geschrieben werden muss.

SageMaker Canvas unterstützt eine Reihe von Anwendungsfällen, darunter Zeitreihenprognosen für die Bestandsverwaltung im Einzelhandel, Bedarfsplanung in der Fertigung, Personal- und Gästeplanung im Reise- und Gastgewerbe, Umsatzprognosen im Finanzwesen und viele andere geschäftskritische Entscheidungen, bei denen es auf Genaue Prognosen sind wichtig. Zeitreihenprognosen ermöglichen es Einzelhändlern beispielsweise, die zukünftige Verkaufsnachfrage vorherzusagen und Lagerbestände, Logistik und Marketingkampagnen zu planen. Zeitreihen-Prognosemodelle in SageMaker Canvas nutzen fortschrittliche Technologien, um statistische und maschinelle Lernalgorithmen zu kombinieren und hochpräzise Prognosen zu liefern.

In diesem Beitrag beschreiben wir die Verbesserungen der Prognosefunktionen von SageMaker Canvas und führen Sie durch die Verwendung seiner Benutzeroberfläche (UI) und AutoML APIs für Zeitreihenvorhersagen. Während die SageMaker Canvas-Benutzeroberfläche eine codefreie visuelle Schnittstelle bietet, ermöglichen die APIs Entwicklern die programmgesteuerte Interaktion mit diesen Funktionen. Auf beide kann über zugegriffen werden SageMaker-Konsole.

Verbesserungen bei der Prognoseerfahrung

Mit der heutigen Einführung hat SageMaker Canvas seine Prognosefunktionen mithilfe von AutoML verbessert und bietet im Vergleich zu früheren Versionen für verschiedene Benchmark-Datensätze eine bis zu 50 Prozent schnellere Modellerstellungsleistung und durchschnittlich bis zu 45 Prozent schnellere Vorhersagen. Dies reduziert die durchschnittliche Modelltrainingsdauer von 186 auf 73 Minuten und die durchschnittliche Vorhersagezeit von 33 auf 18 Minuten für einen typischen Stapel von 750 Zeitreihen mit einer Datengröße von bis zu 100 MB. Benutzer können jetzt auch programmgesteuert auf Modellkonstruktions- und Vorhersagefunktionen über Amazon SageMaker Autopilot zugreifen APIs, die mit Modellerklärbarkeits- und Leistungsberichten geliefert werden.

Bisher erforderte die Einführung inkrementeller Daten eine Neuschulung des gesamten Modells, was zeitaufwändig war und zu Betriebsverzögerungen führte. Jetzt können Sie in SageMaker Canvas aktuelle Daten hinzufügen, um zukünftige Prognosen zu erstellen, ohne das gesamte Modell neu zu trainieren. Geben Sie einfach Ihre inkrementellen Daten in Ihr Modell ein, um die neuesten Erkenntnisse für bevorstehende Prognosen zu nutzen. Durch den Wegfall von Umschulungen wird der Prognoseprozess beschleunigt, sodass Sie diese Ergebnisse schneller auf Ihre Geschäftsprozesse anwenden können.

Da SageMaker Canvas jetzt AutoML für Prognosen verwendet, können Sie Modellerstellungs- und Vorhersagefunktionen über SageMaker Autopilot-APIs nutzen und so die Konsistenz über die Benutzeroberfläche und APIs hinweg sicherstellen. Sie können beispielsweise mit dem Erstellen von Modellen in der Benutzeroberfläche beginnen und dann zur Verwendung von APIs zum Generieren von Vorhersagen wechseln. Dieser aktualisierte Modellierungsansatz verbessert auch die Modelltransparenz auf verschiedene Weise:

1. Benutzer können auf einen Erklärbarkeitsbericht zugreifen, der klarere Einblicke in Faktoren bietet, die Vorhersagen beeinflussen. Dies ist für Risiko-, Compliance-Teams und externe Regulierungsbehörden wertvoll. Der Bericht erläutert, wie Datensatzattribute spezifische Zeitreihenprognosen beeinflussen. Es gebraucht Wirkungswerte um die relative Wirkung jedes Attributs zu messen und anzugeben, ob sie die Prognosewerte verstärken oder verringern.
2. Sie können jetzt auf die trainierten Modelle zugreifen und sie für Vorhersagen in SageMaker Inference oder Ihrer bevorzugten Infrastruktur bereitstellen.
3. Es ist ein Leistungsbericht verfügbar, der tiefere Einblicke in die von AutoML ausgewählten optimalen Modelle für bestimmte Zeitreihen und die während des Trainings verwendeten Hyperparameter gewährt.

Generieren Sie Zeitreihenprognosen mit der SageMaker Canvas-Benutzeroberfläche

Mit der SageMaker Canvas-Benutzeroberfläche können Sie Datenquellen aus der Cloud oder vor Ort nahtlos integrieren, Datensätze mühelos zusammenführen, präzise Modelle trainieren und Vorhersagen mit neuen Daten treffen – alles ohne Programmieraufwand. Sehen wir uns an, wie Sie mithilfe dieser Benutzeroberfläche eine Zeitreihenprognose erstellen.

Zunächst importieren Sie Daten aus verschiedenen Quellen in SageMaker Canvas, einschließlich lokaler Dateien von Ihrem Computer. Einfacher Amazon-Speicherdienst (Amazon S3) Eimer, Amazonas Athena, Schneeflocke und über 40 weitere Datenquellen. Nach dem Importieren der Daten können Sie diese erkunden und visualisieren, um zusätzliche Erkenntnisse zu gewinnen, beispielsweise mit Streudiagrammen oder Balkendiagrammen. Wenn Sie bereit sind, ein Modell zu erstellen, können Sie dies mit nur wenigen Klicks tun, nachdem Sie die erforderlichen Parameter konfiguriert haben, z. B. die Auswahl einer Zielspalte für die Prognose und die Angabe, wie viele Tage in der Zukunft Sie prognostizieren möchten. Die folgenden Screenshots zeigen eine Beispielvisualisierung der Vorhersage der Produktnachfrage basierend auf historischen wöchentlichen Nachfragedaten für bestimmte Produkte in verschiedenen Filialen:

Das folgende Bild zeigt wöchentliche Prognosen für ein bestimmtes Produkt in verschiedenen Filialen:

Eine umfassende Anleitung zur Verwendung der SageMaker Canvas-Benutzeroberfläche für Prognosen finden Sie hier Blog-Post.

Wenn Sie einen automatisierten Workflow oder eine direkte ML-Modellintegration in Apps benötigen, sind unsere Prognosefunktionen über APIs zugänglich. Im folgenden Abschnitt stellen wir eine Beispiellösung zur Verfügung, die detailliert beschreibt, wie Sie unsere einsetzen können APIs für automatisierte Prognosen.

Generieren Sie Zeitreihenprognosen mithilfe von APIs

Sehen wir uns an, wie Sie die APIs verwenden, um das Modell zu trainieren und Vorhersagen zu generieren. Stellen Sie sich für diese Demonstration eine Situation vor, in der ein Unternehmen die Produktbestände in verschiedenen Filialen vorhersagen muss, um die Kundennachfrage zu befriedigen. Auf einer übergeordneten Ebene lassen sich die API-Interaktionen in die folgenden Schritte unterteilen:

1. Bereiten Sie den Datensatz vor.
2. Erstellen Sie einen SageMaker Autopilot-Job.
3. Bewerten Sie den Autopilot-Job:
   1. Entdecken Sie die Modellgenauigkeitsmetriken und Backtest-Ergebnisse.
   2. Sehen Sie sich den Modellerklärbarkeitsbericht an.
4. Generieren Sie Vorhersagen aus dem Modell:
   1. Verwenden Sie das Echtzeit-Inferenz Endpunkt, der als Teil des Autopilot-Jobs erstellt wurde; oder
   2. Verwenden Batch-Transformation Job.

Beispiel-Notizbuch von Amazon SageMaker Studio, das Prognosen mit APIs zeigt

Wir haben ein Beispiel-SageMaker Studio-Notizbuch bereitgestellt GitHub um Ihre Markteinführungszeit zu verkürzen, wenn Ihr Unternehmen Prognosen lieber über programmatische APIs orchestriert. Das Notebook bietet einen synthetischen Beispieldatensatz, der über einen öffentlichen S3-Bucket verfügbar ist. Das Notizbuch führt Sie durch alle Schritte, die im oben genannten Workflow-Bild beschrieben sind. Während das Notebook ein Grundgerüst bietet, können Sie das Codebeispiel an Ihren spezifischen Anwendungsfall anpassen. Dazu gehört die Anpassung an Ihr individuelles Datenschema, Ihre Zeitauflösung, Ihren Prognosehorizont und andere notwendige Parameter, um die gewünschten Ergebnisse zu erzielen.

Zusammenfassung

SageMaker Canvas demokratisiert Zeitreihenprognosen, indem es eine benutzerfreundliche, codefreie Erfahrung bietet, die es Geschäftsanalysten ermöglicht, hochpräzise Modelle für maschinelles Lernen zu erstellen. Mit den heutigen AutoML-Upgrades ermöglicht es eine bis zu 50 Prozent schnellere Modellerstellung, bis zu 45 Prozent schnellere Vorhersagen und führt API-Zugriff sowohl für die Modellkonstruktion als auch für Vorhersagefunktionen ein, wodurch die Transparenz und Konsistenz verbessert wird. Die einzigartige Fähigkeit von SageMaker Canvas, inkrementelle Daten ohne Umschulung nahtlos zu verarbeiten, gewährleistet eine schnelle Anpassung an sich ständig ändernde Geschäftsanforderungen.

Unabhängig davon, ob Sie die intuitive Benutzeroberfläche oder vielseitige APIs bevorzugen, vereinfacht SageMaker Canvas die Datenintegration, das Modelltraining und die Vorhersage und ist damit ein zentrales Werkzeug für datengesteuerte Entscheidungsfindung und Innovation in allen Branchen.

Um mehr zu erfahren, lesen Sie die  Dokumentation, oder erkunden Sie die Notizbuch verfügbar in unserem GitHub-Repository. Preisinformationen für Zeitreihenprognosen mit SageMaker Canvas finden Sie auf der SageMaker Canvas-Preise Informationen zu SageMaker-Schulungen und Inferenzpreisen bei Verwendung von SageMaker Autopilot-APIs finden Sie auf der Seite SageMaker-Preise 

Diese Funktionen sind in allen AWS-Regionen verfügbar, in denen SageMaker Canvas und SageMaker Autopilot öffentlich zugänglich sind. Weitere Informationen zur Regionsverfügbarkeit finden Sie unter AWS-Services nach Region.

---

Über die Autoren

Nirmal Kumar ist Senior Product Manager für den Amazon SageMaker-Dienst. Er setzt sich dafür ein, den Zugang zu KI/ML zu erweitern und steuert die Entwicklung von No-Code- und Low-Code-ML-Lösungen. Außerhalb der Arbeit reist er gerne und liest Sachbücher.

Charles Laughlin ist ein Principal AI/ML Specialist Solution Architect, der im Amazon SageMaker-Serviceteam bei AWS arbeitet. Er hilft bei der Gestaltung der Service-Roadmap und arbeitet täglich mit verschiedenen AWS-Kunden zusammen, um ihnen mithilfe modernster AWS-Technologien und Vordenkern bei der Transformation ihrer Unternehmen zu helfen. Charles hat einen MS in Supply Chain Management und einen Ph.D. in Datenwissenschaft.

Ridhim Rastogi ein Softwareentwicklungsingenieur, der im Amazon SageMaker-Serviceteam bei AWS arbeitet. Seine Leidenschaft gilt dem Aufbau skalierbarer verteilter Systeme mit dem Schwerpunkt auf der Lösung realer Probleme durch KI/ML. In seiner Freizeit löst er gerne Rätsel, liest Belletristik und erkundet seine Umgebung.

Ahmed Raafat ist Principal Solutions Architect bei AWS mit 20 Jahren Erfahrung vor Ort und einem 5-jährigen Schwerpunkt im AWS-Ökosystem. Er ist auf KI/ML-Lösungen spezialisiert. Seine umfangreiche Erfahrung erstreckt sich über verschiedene Branchen und macht ihn zu einem vertrauenswürdigen Berater für zahlreiche Unternehmenskunden, der ihnen die nahtlose Navigation und Beschleunigung ihrer Cloud-Reise erleichtert.

John Oshodi ist Senior Solutions Architect bei Amazon Web Services mit Sitz in London, Großbritannien. Er ist auf Daten und Analysen spezialisiert und fungiert als technischer Berater für zahlreiche AWS-Unternehmenskunden, um deren Cloud-Reise zu unterstützen und zu beschleunigen. Außerhalb der Arbeit reist er gerne an neue Orte und lernt mit seiner Familie neue Kulturen kennen.

• SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
• PlatoData.Network Vertikale generative KI. Motiviere dich selbst. Hier zugreifen.
• PlatoAiStream. Web3-Intelligenz. Wissen verstärkt. Hier zugreifen.
• PlatoESG. Kohlenstoff, CleanTech, Energie, Umwelt, Solar, Abfallwirtschaft. Hier zugreifen.
• PlatoHealth. Informationen zu Biotechnologie und klinischen Studien. Hier zugreifen.
• Quelle: 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/