Στον κόσμο της λήψης αποφάσεων με γνώμονα τα δεδομένα, προβλέψεις χρονοσειρών είναι το κλειδί για να μπορούν οι επιχειρήσεις να χρησιμοποιούν πρότυπα ιστορικών δεδομένων για να προβλέψουν μελλοντικά αποτελέσματα. Είτε εργάζεστε σε διαχείριση κινδύνου περιουσιακών στοιχείων, διαπραγμάτευση, πρόβλεψη καιρού, πρόβλεψη ενεργειακής ζήτησης, παρακολούθηση ζωτικών σημάτων ή ανάλυση κυκλοφορίας, η ικανότητα ακριβούς πρόβλεψης είναι ζωτικής σημασίας για την επιτυχία.
Σε αυτές τις εφαρμογές, τα δεδομένα χρονοσειρών μπορούν να έχουν βαριά ουρά διανομές, όπου η Ουρές αντιπροσωπεύουν ακραίες αξίες. Η ακριβής πρόβλεψη σε αυτές τις περιοχές είναι σημαντική για τον προσδιορισμό του πόσο πιθανό είναι ένα ακραίο συμβάν και εάν θα σημάνει συναγερμός. Ωστόσο, αυτές οι ακραίες τιμές επηρεάζουν σημαντικά την εκτίμηση της βασικής κατανομής, καθιστώντας την ισχυρή πρόβλεψη δύσκολη. Τα χρηματοπιστωτικά ιδρύματα βασίζονται σε ισχυρά μοντέλα για να προβλέψουν ακραίες τιμές, όπως κραχ της αγοράς. Στους τομείς της ενέργειας, των καιρικών συνθηκών και της υγειονομικής περίθαλψης, οι ακριβείς προβλέψεις σπάνιων αλλά υψηλών επιπτώσεων γεγονότων, όπως οι φυσικές καταστροφές και οι πανδημίες, επιτρέπουν τον αποτελεσματικό σχεδιασμό και την κατανομή των πόρων. Η παραμέληση της συμπεριφοράς της ουράς μπορεί να οδηγήσει σε απώλειες, χαμένες ευκαιρίες και σε κίνδυνο την ασφάλεια. Η προτεραιότητα στην ακρίβεια στις ουρές βοηθάει σε αξιόπιστες και εφαρμόσιμες προβλέψεις. Σε αυτήν την ανάρτηση, εκπαιδεύουμε ένα ισχυρό μοντέλο πρόβλεψης χρονοσειρών ικανό να καταγράφει τέτοια ακραία γεγονότα χρησιμοποιώντας Amazon Sage Maker.
Για να εκπαιδεύσουμε αποτελεσματικά αυτό το μοντέλο, δημιουργούμε μια υποδομή MLOps για τον εξορθολογισμό της διαδικασίας ανάπτυξης μοντέλων αυτοματοποιώντας την προεπεξεργασία δεδομένων, τη μηχανική χαρακτηριστικών, τον συντονισμό υπερπαραμέτρων και την επιλογή μοντέλου. Αυτός ο αυτοματισμός μειώνει το ανθρώπινο λάθος, βελτιώνει την αναπαραγωγιμότητα και επιταχύνει τον κύκλο ανάπτυξης του μοντέλου. Με έναν αγωγό εκπαίδευσης, οι επιχειρήσεις μπορούν να ενσωματώσουν αποτελεσματικά νέα δεδομένα και να προσαρμόσουν τα μοντέλα τους στις εξελισσόμενες συνθήκες, γεγονός που βοηθά να διασφαλιστεί ότι οι προβλέψεις παραμένουν αξιόπιστες και ενημερωμένες.
Αφού εκπαιδευτεί το μοντέλο πρόβλεψης χρονοσειρών, η ανάπτυξή του σε ένα τελικό σημείο παρέχει δυνατότητες πρόβλεψης σε πραγματικό χρόνο. Αυτό σας δίνει τη δυνατότητα να λαμβάνετε καλά ενημερωμένες και ανταποκρινόμενες αποφάσεις με βάση τα πιο πρόσφατα δεδομένα. Επιπλέον, η ανάπτυξη του μοντέλου σε ένα τελικό σημείο επιτρέπει την επεκτασιμότητα, επειδή πολλοί χρήστες και εφαρμογές μπορούν να έχουν πρόσβαση και να χρησιμοποιούν το μοντέλο ταυτόχρονα. Ακολουθώντας αυτά τα βήματα, οι επιχειρήσεις μπορούν να αξιοποιήσουν τη δύναμη της ισχυρής πρόβλεψης χρονοσειρών για να λαμβάνουν τεκμηριωμένες αποφάσεις και να παραμένουν μπροστά σε ένα ταχέως μεταβαλλόμενο περιβάλλον.
Επισκόπηση της λύσης
Αυτή η λύση παρουσιάζει την εκπαίδευση ενός μοντέλου πρόβλεψης χρονοσειρών, ειδικά σχεδιασμένο για να χειρίζεται ακραίες τιμές και μεταβλητότητα στα δεδομένα χρησιμοποιώντας ένα Temporal Convolutional Network (TCN) με διανομή Spliced Binned Pareto (SBP). Για περισσότερες πληροφορίες σχετικά με μια πολυτροπική έκδοση αυτής της λύσης, ανατρέξτε στο Η επιστήμη πίσω από τη νέα μέτρηση επιτυχίας του NFL Next Gen Stats. Για να δείξουμε περαιτέρω την αποτελεσματικότητα της κατανομής SBP, τη συγκρίνουμε με το ίδιο μοντέλο TCN αλλά χρησιμοποιώντας μια κατανομή Gauss.
Αυτή η διαδικασία επωφελείται σημαντικά από την Χαρακτηριστικά MLOps του SageMaker, το οποίο εξορθολογίζει τη ροή εργασιών της επιστήμης δεδομένων αξιοποιώντας την ισχυρή υποδομή cloud του AWS. Στη λύση μας, χρησιμοποιούμε Αυτόματος συντονισμός μοντέλων Amazon SageMaker για αναζήτηση υπερπαραμέτρων, Πειράματα Amazon SageMaker για τη διαχείριση πειραμάτων, Μητρώο μοντέλων Amazon SageMaker για τη διαχείριση εκδόσεων μοντέλου και Αγωγοί Amazon SageMaker για να ενορχηστρώσει τη διαδικασία. Στη συνέχεια, αναπτύσσουμε το μοντέλο μας σε ένα τελικό σημείο του SageMaker για να λάβουμε προβλέψεις σε πραγματικό χρόνο.
Το παρακάτω διάγραμμα απεικονίζει την αρχιτεκτονική του αγωγού εκπαίδευσης.
Το παρακάτω διάγραμμα απεικονίζει τον αγωγό συμπερασμάτων.
Μπορείτε να βρείτε τον πλήρη κωδικό στο GitHub repo. Για να εφαρμόσετε τη λύση, εκτελέστε τα κελιά μέσα SBP_main.ipynb
.
Κάντε κλικ εδώ για να ανοίξετε την κονσόλα AWS και να ακολουθήσετε.
αγωγός SageMaker
Το SageMaker Pipelines προσφέρει ένα φιλικό προς το χρήστη Python SDK για τη δημιουργία ολοκληρωμένων ροών εργασιών μηχανικής μάθησης (ML). Αυτές οι ροές εργασίας, που αντιπροσωπεύονται ως κατευθυνόμενα άκυκλα γραφήματα (DAG), αποτελούνται από βήματα με διάφορους τύπους και εξαρτήσεις. Με το SageMaker Pipelines, μπορείτε να βελτιστοποιήσετε τη διαδικασία εκπαίδευσης και αξιολόγησης μοντέλων από άκρο σε άκρο, βελτιώνοντας την αποτελεσματικότητα και την αναπαραγωγιμότητα στις ροές εργασίας ML σας.
Ο αγωγός εκπαίδευσης ξεκινά με τη δημιουργία ενός συνθετικού συνόλου δεδομένων που χωρίζεται σε σύνολα εκπαίδευσης, επικύρωσης και δοκιμών. Το σετ εκπαίδευσης χρησιμοποιείται για την εκπαίδευση δύο μοντέλων TCN, το ένα χρησιμοποιεί Διανομή Spliced Binned-Pareto και το άλλο που χρησιμοποιεί Gaussian κατανομή. Και τα δύο μοντέλα περνούν από συντονισμό υπερπαραμέτρων χρησιμοποιώντας το σύνολο επικύρωσης για τη βελτιστοποίηση κάθε μοντέλου. Στη συνέχεια, διεξάγεται μια αξιολόγηση έναντι του συνόλου δοκιμής για να προσδιοριστεί το μοντέλο με το χαμηλότερο ριζικό μέσο τετράγωνο σφάλμα (RMSE). Το μοντέλο με την καλύτερη μέτρηση ακρίβειας μεταφορτώνεται στο μητρώο μοντέλων.
Το παρακάτω διάγραμμα απεικονίζει τα βήματα του αγωγού.
Ας συζητήσουμε τα βήματα με περισσότερες λεπτομέρειες.
Παραγωγή δεδομένων
Το πρώτο βήμα στον αγωγό μας δημιουργεί ένα συνθετικό σύνολο δεδομένων, το οποίο χαρακτηρίζεται από ημιτονοειδή κυματομορφή και ασύμμετρο θόρυβο βαριάς ουράς. Τα δεδομένα δημιουργήθηκαν χρησιμοποιώντας έναν αριθμό παραμέτρων, όπως βαθμούς ελευθερίας, πολλαπλασιαστή θορύβου και παράμετρο κλίμακας. Αυτά τα στοιχεία επηρεάζουν το σχήμα της κατανομής δεδομένων, διαμορφώνουν την τυχαία μεταβλητότητα στα δεδομένα μας και προσαρμόζουν την εξάπλωση της διανομής δεδομένων μας, αντίστοιχα.
Αυτή η εργασία επεξεργασίας δεδομένων ολοκληρώνεται χρησιμοποιώντας α PyTorchProcessor, το οποίο εκτελεί τον κώδικα PyTorch (generate_data.py) σε ένα κοντέινερ που διαχειρίζεται το SageMaker. Τα δεδομένα και άλλα σχετικά τεχνουργήματα για εντοπισμό σφαλμάτων βρίσκονται στην προεπιλογή Απλή υπηρεσία αποθήκευσης Amazon (Amazon S3) κάδος που σχετίζεται με τον λογαριασμό SageMaker. Μπορείτε να βρείτε αρχεία καταγραφής για κάθε βήμα στον αγωγό amazoncloudwatch.
Το παρακάτω σχήμα είναι ένα δείγμα των δεδομένων που δημιουργούνται από τον αγωγό.
Μπορείτε να αντικαταστήσετε την είσοδο με μια μεγάλη ποικιλία δεδομένων χρονοσειρών, όπως συμμετρική, ασύμμετρη, ελαφριά ουρά, βαριά ή πολυτροπική κατανομή. Η ευρωστία του μοντέλου του επιτρέπει να μπορεί να εφαρμοστεί σε ένα ευρύ φάσμα προβλημάτων χρονοσειρών, υπό την προϋπόθεση ότι υπάρχουν επαρκείς παρατηρήσεις.
Εκπαίδευση μοντέλων
Μετά τη δημιουργία δεδομένων, εκπαιδεύουμε δύο TCN: το ένα χρησιμοποιεί τη διανομή SBP και το άλλο χρησιμοποιώντας τη διανομή Gauss. Η κατανομή SBP χρησιμοποιεί μια διακριτή δεσμευμένη κατανομή ως βάση πρόβλεψής της, όπου ο πραγματικός άξονας διαιρείται σε διακριτούς κάδους και το μοντέλο προβλέπει την πιθανότητα μιας παρατήρησης να εμπίπτει σε κάθε bin. Αυτή η μεθοδολογία επιτρέπει την καταγραφή ασυμμετριών και πολλαπλών τρόπων λειτουργίας επειδή η πιθανότητα κάθε κάδου είναι ανεξάρτητη. Ένα παράδειγμα της δεσμευμένης κατανομής φαίνεται στο παρακάτω σχήμα.
Η προγνωστική δεσμευμένη κατανομή στα αριστερά είναι ισχυρή σε ακραία γεγονότα, επειδή η πιθανότητα λογαριθμικού υπολογισμού δεν εξαρτάται από την απόσταση μεταξύ του προβλεπόμενου μέσου και του παρατηρούμενου σημείου, διαφέροντας από παραμετρικές κατανομές όπως το Gaussian ή το Student's t. Επομένως, το ακραίο συμβάν που αντιπροσωπεύεται από την κόκκινη κουκκίδα δεν θα επηρεάσει τον μαθημένο μέσο όρο της κατανομής. Ωστόσο, το ακραίο γεγονός θα έχει μηδενική πιθανότητα. Για να καταγράψουμε ακραία γεγονότα, σχηματίζουμε μια κατανομή SBP ορίζοντας την κάτω ουρά στο 5ο τεταρτημόριο και την άνω ουρά στο 95ο τεταρτημόριο, αντικαθιστώντας και τις δύο ουρές με σταθμισμένες Γενικευμένες Κατανομές Pareto (GPD), οι οποίες μπορούν να ποσοτικοποιήσουν την πιθανότητα του συμβάντος. Το TCN θα παράγει τις παραμέτρους για τη δεσμευμένη βάση διανομής και τις ουρές GPD.
Αναζήτηση υπερπαραμέτρων
Για βέλτιστη απόδοση, χρησιμοποιούμε αυτόματος συντονισμός μοντέλου για να βρείτε την καλύτερη έκδοση ενός μοντέλου μέσω συντονισμός υπερπαραμέτρων. Αυτό το βήμα είναι ενσωματωμένο στο SageMaker Pipelines και επιτρέπει την παράλληλη εκτέλεση πολλαπλών εργασιών εκπαίδευσης, χρησιμοποιώντας διάφορες μεθόδους και προκαθορισμένα εύρη υπερπαραμέτρων. Το αποτέλεσμα είναι η επιλογή του καλύτερου μοντέλου με βάση την καθορισμένη μέτρηση μοντέλου, η οποία είναι RMSE. Στο πλάνο μας, ρυθμίζουμε ειδικά τον ρυθμό εκμάθησης και τον αριθμό των εποχών εκπαίδευσης για να βελτιστοποιήσουμε την απόδοση του μοντέλου μας. Με τη δυνατότητα συντονισμού υπερπαραμέτρων στο SageMaker, αυξάνουμε την πιθανότητα το μοντέλο μας να επιτύχει βέλτιστη ακρίβεια και γενίκευση για τη δεδομένη εργασία.
Λόγω της συνθετικής φύσης των δεδομένων μας, διατηρούμε το Context Length και το Lead Time ως στατικές παραμέτρους. Το μήκος περιβάλλοντος αναφέρεται στον αριθμό των ιστορικών χρονικών βημάτων που έχουν εισαχθεί στο μοντέλο και ο χρόνος παράδοσης αντιπροσωπεύει τον αριθμό των χρονικών βημάτων στον ορίζοντα πρόβλεψής μας. Για το δείγμα κώδικα, ρυθμίζουμε μόνο τον ρυθμό εκμάθησης και τον αριθμό των εποχών για εξοικονόμηση χρόνου και κόστους.
Οι ειδικές για το SBP παράμετροι διατηρούνται σταθερές με βάση εκτεταμένες δοκιμές από τους συγγραφείς στην αρχική εργασία σε διαφορετικά σύνολα δεδομένων:
- Αριθμός κάδων (100) – Αυτή η παράμετρος καθορίζει τον αριθμό των bins που χρησιμοποιούνται για τη μοντελοποίηση της βάσης της διανομής. Διατηρείται στο 100, το οποίο έχει αποδειχθεί ότι είναι πιο αποτελεσματικό σε πολλούς κλάδους.
- Εκατοστη ουρά (0.05) – Αυτό υποδηλώνει το μέγεθος των γενικευμένων κατανομών Pareto στην ουρά. Όπως και η προηγούμενη παράμετρος, αυτή έχει δοκιμαστεί εξαντλητικά και βρέθηκε ότι είναι πιο αποτελεσματική.
Πειράματα
Η διαδικασία υπερπαραμέτρου είναι ενσωματωμένη με Πειράματα SageMaker, το οποίο βοηθά στην οργάνωση, την ανάλυση και τη σύγκριση επαναληπτικών πειραμάτων ML, παρέχοντας πληροφορίες και διευκολύνοντας την παρακολούθηση των μοντέλων με τις καλύτερες επιδόσεις. Η μηχανική μάθηση είναι μια επαναληπτική διαδικασία που περιλαμβάνει πολυάριθμα πειράματα που περιλαμβάνουν παραλλαγές δεδομένων, επιλογές αλγορίθμων και συντονισμό υπερπαραμέτρων. Αυτά τα πειράματα χρησιμεύουν για να βελτιώσουν σταδιακά την ακρίβεια του μοντέλου. Ωστόσο, ο μεγάλος αριθμός εκπαιδευτικών σειρών και επαναλήψεων μοντέλων μπορεί να καταστήσει δύσκολο τον εντοπισμό των μοντέλων με τις καλύτερες επιδόσεις και την πραγματοποίηση ουσιαστικών συγκρίσεων μεταξύ των τρεχόντων και των προηγούμενων πειραμάτων. Το SageMaker Experiments αντιμετωπίζει αυτό το πρόβλημα παρακολουθώντας αυτόματα τις εργασίες συντονισμού υπερπαραμέτρων και επιτρέποντάς μας να αποκτήσουμε περισσότερες λεπτομέρειες και πληροφορίες σχετικά με τη διαδικασία συντονισμού, όπως φαίνεται στο παρακάτω στιγμιότυπο οθόνης.
Αξιολόγηση μοντέλου
Τα μοντέλα υποβάλλονται σε εκπαίδευση και συντονισμό υπερπαραμέτρων και στη συνέχεια αξιολογούνται μέσω του αξιολογήστε.py γραφή. Αυτό το βήμα χρησιμοποιεί το σύνολο δοκιμής, διαφορετικό από το στάδιο συντονισμού υπερπαραμέτρων, για να μετρήσει την ακρίβεια του μοντέλου στον πραγματικό κόσμο. Το RMSE χρησιμοποιείται για την αξιολόγηση της ακρίβειας των προβλέψεων.
Για σύγκριση κατανομής, χρησιμοποιούμε μια γραφική παράσταση πιθανότητας-πιθανότητας (PP), η οποία αξιολογεί την προσαρμογή μεταξύ των πραγματικών και των προβλεπόμενων κατανομών. Η εγγύτητα των σημείων στη διαγώνιο υποδηλώνει τέλεια εφαρμογή. Οι συγκρίσεις μας μεταξύ των προβλεπόμενων κατανομών του SBP και του Gaussian έναντι της πραγματικής κατανομής δείχνουν ότι οι προβλέψεις του SBP ευθυγραμμίζονται πιο στενά με τα πραγματικά δεδομένα.
Όπως μπορούμε να παρατηρήσουμε, το SBP έχει χαμηλότερο RMSE στη βάση, στην κάτω ουρά και στην πάνω ουρά. Η κατανομή SBP βελτίωσε την ακρίβεια της κατανομής Gauss κατά 61% στη βάση, 56% στην κάτω ουρά και 30% στην επάνω ουρά. Συνολικά, η κατανομή του SBP έχει σημαντικά καλύτερα αποτελέσματα.
Επιλογή μοντέλου
Χρησιμοποιούμε ένα βήμα συνθήκης στο SageMaker Pipelines για να αναλύσουμε αναφορές αξιολόγησης μοντέλων, επιλέγοντας το μοντέλο με το χαμηλότερο RMSE για βελτιωμένη ακρίβεια διανομής. Το επιλεγμένο μοντέλο μετατρέπεται σε αντικείμενο μοντέλου SageMaker, προετοιμάζοντάς το για ανάπτυξη. Αυτό περιλαμβάνει τη δημιουργία ενός πακέτου μοντέλου με κρίσιμες παραμέτρους και τη συσκευασία του σε ένα ModelStep.
Μητρώο μοντέλων
Στη συνέχεια, το επιλεγμένο μοντέλο μεταφορτώνεται στο Μητρώο μοντέλων SageMaker, το οποίο διαδραματίζει κρίσιμο ρόλο στη διαχείριση μοντέλων έτοιμα για παραγωγή. Αποθηκεύει μοντέλα, οργανώνει εκδόσεις μοντέλων, καταγράφει βασικά μεταδεδομένα και αντικείμενα, όπως εικόνες κοντέινερ, και διέπει την κατάσταση έγκρισης κάθε μοντέλου. Χρησιμοποιώντας το μητρώο, μπορούμε να αναπτύξουμε αποτελεσματικά μοντέλα σε προσβάσιμα περιβάλλοντα SageMaker και να δημιουργήσουμε τα θεμέλια για αγωγούς συνεχούς ενοποίησης και συνεχούς ανάπτυξης (CI/CD).
Συμπέρασμα
Με την ολοκλήρωση του αγωγού εκπαίδευσής μας, το μοντέλο μας στη συνέχεια αναπτύσσεται χρησιμοποιώντας Υπηρεσίες φιλοξενίας SageMaker, το οποίο επιτρέπει τη δημιουργία ενός τελικού σημείου συμπερασμάτων για προβλέψεις σε πραγματικό χρόνο. Αυτό το τελικό σημείο επιτρέπει την απρόσκοπτη ενοποίηση με εφαρμογές και συστήματα, παρέχοντας πρόσβαση κατ' απαίτηση στις προγνωστικές δυνατότητες του μοντέλου μέσω μιας ασφαλούς διεπαφής HTTPS. Οι προβλέψεις σε πραγματικό χρόνο μπορούν να χρησιμοποιηθούν σε σενάρια όπως η πρόβλεψη τιμών μετοχών και ζήτησης ενέργειας. Το τελικό σημείο μας παρέχει μια πρόβλεψη ενός σταδίου για τα παρεχόμενα δεδομένα χρονοσειρών, που παρουσιάζονται ως εκατοστημόρια και η διάμεσος, όπως φαίνεται στο παρακάτω σχήμα και πίνακα.
1st εκατοστημόριο | 5th εκατοστημόριο | Διάμεσος | 95th εκατοστημόριο | 99th εκατοστημόριο |
1.12 | 3.16 | 4.70 | 7.40 | 9.41 |
εκκαθάριση
Αφού εκτελέσετε αυτήν τη λύση, βεβαιωθείτε ότι έχετε καθαρίσει τυχόν περιττούς πόρους AWS για να αποφύγετε απροσδόκητα κόστη. Μπορείτε να καθαρίσετε αυτούς τους πόρους χρησιμοποιώντας το SageMaker Python SDK, το οποίο μπορείτε να βρείτε στο τέλος του σημειωματάριου. Διαγράφοντας αυτούς τους πόρους, αποτρέπετε περαιτέρω χρεώσεις για πόρους που δεν χρησιμοποιείτε πλέον.
Συμπέρασμα
Η ακριβής πρόβλεψη μπορεί να επηρεάσει σε μεγάλο βαθμό τον μελλοντικό σχεδιασμό μιας επιχείρησης και μπορεί επίσης να δώσει λύσεις σε μια ποικιλία προβλημάτων σε διαφορετικούς κλάδους. Η εξερεύνηση της ισχυρής πρόβλεψης χρονοσειρών με MLOps στο SageMaker έδειξε μια μέθοδο για την απόκτηση ακριβούς πρόβλεψης και την αποτελεσματικότητα ενός βελτιωμένου αγωγού εκπαίδευσης.
Το μοντέλο μας, που τροφοδοτείται από ένα Temporal Convolutional Network με Spliced Binned Pareto διανομή, έχει δείξει ακρίβεια και προσαρμοστικότητα σε ακραίες τιμές βελτιώνοντας το RMSE κατά 61% στη βάση, 56% στην κάτω ουρά και 30% στην επάνω ουρά. TCN με Gaussian κατανομή. Αυτά τα στοιχεία το καθιστούν μια αξιόπιστη λύση για τις πραγματικές ανάγκες πρόβλεψης.
Ο αγωγός καταδεικνύει την αξία της αυτοματοποίησης των χαρακτηριστικών MLOps. Αυτό μπορεί να μειώσει τη χειρωνακτική ανθρώπινη προσπάθεια, να επιτρέψει την αναπαραγωγιμότητα και να επιταχύνει την ανάπτυξη του μοντέλου. Λειτουργίες του SageMaker όπως το SageMaker Pipelines, ο αυτόματος συντονισμός μοντέλων, τα πειράματα SageMaker, το μητρώο μοντέλου SageMaker και τα τελικά σημεία το καθιστούν δυνατό.
Η λύση μας χρησιμοποιεί ένα μικροσκοπικό TCN, βελτιστοποιώντας λίγες μόνο υπερπαραμέτρους με περιορισμένο αριθμό επιπέδων, οι οποίες επαρκούν για την αποτελεσματική ανάδειξη της απόδοσης του μοντέλου. Για πιο σύνθετες περιπτώσεις χρήσης, σκεφτείτε να χρησιμοποιήσετε το PyTorch ή άλλες βιβλιοθήκες που βασίζονται στο PyTorch για να δημιουργήσετε ένα πιο προσαρμοσμένο TCN που να ευθυγραμμίζεται με τις συγκεκριμένες ανάγκες σας. Επιπλέον, θα ήταν ωφέλιμο να εξερευνήσετε άλλα Χαρακτηριστικά SageMaker για να βελτιώσετε περαιτέρω τη λειτουργικότητα του αγωγού σας. Για να αυτοματοποιήσετε πλήρως τη διαδικασία ανάπτυξης, μπορείτε να χρησιμοποιήσετε το Κιτ ανάπτυξης AWS Cloud (AWS CDK) ή AWS CloudFormation.
Για περισσότερες πληροφορίες σχετικά με την πρόβλεψη χρονοσειρών στο AWS, ανατρέξτε στα ακόλουθα:
Μη διστάσετε να αφήσετε ένα σχόλιο με οποιεσδήποτε σκέψεις ή ερωτήσεις!
Σχετικά με τους Συγγραφείς
Νικ Μπίσο είναι Μηχανικός Μηχανικής Μάθησης στην AWS Professional Services. Επιλύει πολύπλοκες οργανωτικές και τεχνικές προκλήσεις χρησιμοποιώντας την επιστήμη και τη μηχανική δεδομένων. Επιπλέον, κατασκευάζει και αναπτύσσει μοντέλα AI/ML στο AWS Cloud. Το πάθος του επεκτείνεται στην τάση του για ταξίδια και ποικίλες πολιτιστικές εμπειρίες.
Άλστον Τσαν είναι Μηχανικός Ανάπτυξης Λογισμικού στο Amazon Ads. Κατασκευάζει αγωγούς μηχανικής εκμάθησης και συστήματα συστάσεων για προτάσεις προϊόντων στη Σελίδα λεπτομερειών. Εκτός δουλειάς, του αρέσει η ανάπτυξη παιχνιδιών και η αναρρίχηση.
Μαρία Μασούντ ειδικεύεται στην κατασκευή αγωγών δεδομένων και οπτικοποιήσεις δεδομένων στην πλατφόρμα AWS Commerce. Έχει εξειδίκευση στη Μηχανική Μάθηση, καλύπτοντας την επεξεργασία φυσικής γλώσσας, την όραση υπολογιστή και την ανάλυση χρονοσειρών. Λάτρης της βιωσιμότητας στην καρδιά, η Μαρία απολαμβάνει την κηπουρική και το παιχνίδι με τον σκύλο της κατά τη διάρκεια του διαλείμματος.
- SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
- PlatoData.Network Vertical Generative Ai. Ενδυναμώστε τον εαυτό σας. Πρόσβαση εδώ.
- PlatoAiStream. Web3 Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
- PlatoESG. Ανθρακας, Cleantech, Ενέργεια, Περιβάλλον, Ηλιακός, Διαχείριση των αποβλήτων. Πρόσβαση εδώ.
- PlatoHealth. Ευφυΐα βιοτεχνολογίας και κλινικών δοκιμών. Πρόσβαση εδώ.
- πηγή: https://aws.amazon.com/blogs/machine-learning/robust-time-series-forecasting-with-mlops-on-amazon-sagemaker/
- :έχει
- :είναι
- :δεν
- :που
- $UP
- 100
- 5
- 7
- a
- ικανότητα
- ΠΛΗΡΟΦΟΡΙΕΣ
- επιταχύνουν
- επιταχύνει
- πρόσβαση
- προσιτός
- επιτυγχάνεται
- Λογαριασμός
- ακρίβεια
- ακριβής
- με ακρίβεια
- Επιτυγχάνει
- απέναντι
- πραγματικός
- απεριοδικός
- προσαρμόσει
- Επιπλέον
- Επιπλέον
- διευθύνσεις
- διαφημίσεις
- κατά
- εμπρός
- AI / ML
- τρομάζω
- αλγόριθμος
- ευθυγράμμιση
- Ευθυγραμμίζει
- κατανομή
- Επιτρέποντας
- επιτρέπει
- κατά μήκος
- Επίσης
- Amazon
- Amazon Sage Maker
- Amazon υπηρεσίες Web
- an
- ανάλυση
- αναλύσει
- και
- προσδοκώ
- κάθε
- εφαρμόσιμος
- εφαρμογές
- έγκριση
- αρχιτεκτονική
- ΕΙΝΑΙ
- AS
- εκτιμώ
- εκτιμά
- προσόν
- συσχετισμένη
- At
- συγγραφείς
- αυτοματοποίηση
- Αυτόματο
- αυτομάτως
- αυτοματοποίηση
- Αυτοματοποίηση
- διαθέσιμος
- αποφύγετε
- AWS
- Επαγγελματικές υπηρεσίες AWS
- Άξονας
- βάση
- βασίζονται
- BE
- επειδή
- ήταν
- συμπεριφορά
- πίσω
- ευεργετική
- οφέλη
- ΚΑΛΎΤΕΡΟΣ
- Καλύτερα
- μεταξύ
- προκατάληψη
- BIN
- και οι δύο
- ευρύς
- Κτίριο
- Χτίζει
- επιχειρήσεις
- αλλά
- κουμπί
- by
- CAN
- δυνατότητες
- ικανότητα
- ικανός
- πιάνω
- συλλαμβάνει
- Καταγραφή
- περιπτώσεις
- Κύτταρα
- προκλήσεις
- πρόκληση
- αλλαγή
- χαρακτηρίζεται
- φορτία
- επιλογές
- κλικ
- Ορειβασία
- στενά
- Backup
- cloud infrastructure
- κωδικός
- σχόλιο
- Εμπόριο
- συγκρίνουν
- σύγκριση
- πλήρης
- ολοκλήρωση
- συγκρότημα
- Συμβιβασμένος
- υπολογιστή
- Computer Vision
- κατάσταση
- Συνθήκες
- διενεργούνται
- Εξετάστε
- πρόξενος
- σταθερός
- κατασκευάσει
- Δοχείο
- συμφραζόμενα
- συνεχής
- μετατρέπονται
- Κόστος
- Δικαστικά έξοδα
- κάλυμμα
- δημιουργία
- δημιουργήθηκε
- δημιουργία
- δημιουργία
- κρίσιμης
- κρίσιμος
- πολιτιστικός
- Ρεύμα
- προσαρμοσμένη
- κύκλος
- ημερομηνία
- επεξεργασία δεδομένων
- επιστημονικά δεδομένα
- βασίζονται σε δεδομένα
- σύνολα δεδομένων
- Ημερομηνία
- Λήψη Αποφάσεων
- αποφάσεις
- Προεπιλογή
- καθορίζοντας
- Ζήτηση
- Πρόβλεψη ζήτησης
- κατέδειξε
- καταδεικνύει
- υποδηλώνει
- εξαρτήσεις
- εξαρτώμενος
- παρατάσσω
- αναπτυχθεί
- ανάπτυξη
- ανάπτυξη
- αναπτύσσεται
- σχεδιασμένα
- λεπτομέρεια
- καθέκαστα
- Προσδιορίστε
- καθορίζει
- καθορίζοντας
- Ανάπτυξη
- διαφορετικές
- διαφέρουν
- κατευθύνθηκε
- καταστροφές
- συζητήσουν
- απόσταση
- διακριτή
- διανομή
- Διανομές
- διάφορα
- διαιρούμενο
- Σκύλος
- DOT
- downtime
- κατά την διάρκεια
- κάθε
- Αποτελεσματικός
- αποτελεσματικά
- αποτελεσματικότητα
- αποδοτικότητα
- αποτελεσματικός
- αποτελεσματικά
- προσπάθεια
- στοιχεία
- απασχολώντας
- απασχολεί
- εξουσιοδοτεί
- ενεργοποιήσετε
- δίνει τη δυνατότητα
- ενεργοποίηση
- που περιλαμβάνει
- τέλος
- από άκρη σε άκρη
- Τελικό σημείο
- ενέργεια
- μηχανικός
- Μηχανική
- ενίσχυση
- ενίσχυση
- εξασφαλίζω
- θιασώτης
- Περιβάλλον
- περιβάλλοντα
- εποχές
- σφάλμα
- ουσιώδης
- εγκαθιδρύω
- αξιολόγηση
- αξιολογώντας
- εκτίμηση
- Συμβάν
- εκδηλώσεις
- εξελίσσεται
- παράδειγμα
- Δραστηριοτητες
- πειράματα
- εξειδίκευση
- εξερεύνηση
- διερευνήσει
- Επεκτείνεται
- εκτενής
- άκρο
- διευκολύνοντας
- Πτώση
- Χαρακτηριστικό
- Χαρακτηριστικά
- λίγοι
- Εικόνα
- Σχήματα
- οικονομικός
- Χρηματοπιστωτικά ιδρύματα
- Εύρεση
- Όνομα
- ταιριάζουν
- ακολουθήστε
- Εξής
- Για
- Πρόβλεψη
- προβλέψεις
- μορφή
- Βρέθηκαν
- Θεμέλιο
- Δωρεάν
- Ελευθερία
- από
- πλήρως
- λειτουργικότητα
- περαιτέρω
- Επί πλέον
- μελλοντικός
- Κέρδος
- παιχνίδι
- ανάπτυξη παιχνιδιών
- μετρητής
- Gen
- παράγεται
- δημιουργεί
- παραγωγής
- γενεά
- δεδομένου
- Go
- κυβερνά
- GPD
- επιχορηγήσεις
- γραφικές παραστάσεις
- λαβή
- ιπποσκευή
- Αξιοποίηση
- Έχω
- he
- υγειονομική περίθαλψη
- Καρδιά
- βοηθά
- αυτήν
- εδώ
- επισήμανση
- υψηλά
- του
- ιστορικών
- ορίζοντας
- φιλοξενία
- Πως
- Ωστόσο
- HTML
- HTTPS
- ανθρώπινος
- Ρύθμιση υπερπαραμέτρων
- προσδιορίσει
- απεικονίζει
- εικόνες
- Επίπτωση
- εφαρμογή
- σημαντικό
- βελτιωθεί
- βελτιώνει
- βελτίωση
- in
- ενσωματώνω
- Αυξάνουν
- ανεξάρτητος
- υποδηλώνει
- βιομηχανίες
- επιρροή
- πληροφορίες
- ενημερώνεται
- Υποδομή
- εισαγωγή
- διορατικότητα
- ιδέες
- αντί
- ιδρυμάτων
- ενσωματωθεί
- ολοκλήρωση
- περιβάλλον λειτουργίας
- σε
- συμμετοχή
- IT
- επαναλήψεις
- ΤΟΥ
- Δουλειά
- Θέσεις εργασίας
- jpg
- μόλις
- τήρηση
- διατηρούνται
- Κλειδί
- Γλώσσα
- large
- στρώματα
- οδηγήσει
- μάθει
- μάθηση
- Άδεια
- αριστερά
- Μήκος
- βιβλιοθήκες
- Μου αρέσει
- πιθανότητα
- Πιθανός
- Περιωρισμένος
- που βρίσκεται
- πλέον
- απώλειες
- χαμηλότερα
- χαμηλότερο
- μηχανή
- μάθηση μηχανής
- κάνω
- Κατασκευή
- διαχείριση
- διαχειρίζεται
- διαχείριση
- διαχείριση
- Ταχύτητες
- maria
- αγορά
- συντριβές της αγοράς
- εννοώ
- νόημα
- Μεταδεδομένα
- μέθοδος
- Μεθοδολογία
- μέθοδοι
- μετρικός
- έχασε
- ML
- MLOps
- μοντέλο
- μοντέλα
- τρόπων
- παρακολούθηση
- περισσότερο
- πλέον
- πολλαπλούς
- Φυσικό
- Επεξεργασία φυσικής γλώσσας
- Φύση
- ανάγκες
- παραμέληση
- δίκτυο
- Νέα
- επόμενη
- επόμενη γενιά
- NFL
- Όχι.
- Θόρυβος
- σημειωματάριο
- αριθμός
- πολυάριθμες
- αντικείμενο
- παρατηρούμε
- αποκτήσει
- of
- προσφορές
- on
- Κατα παραγγελια
- ONE
- αποκλειστικά
- ανοίξτε
- Ευκαιρίες
- βέλτιστη
- Βελτιστοποίηση
- βελτιστοποίηση
- or
- οργανωτικός
- οργανώνει
- πρωτότυπο
- ΑΛΛΑ
- δικός μας
- αποτελέσματα
- παραγωγή
- εκτός
- επί
- φόρμες
- πακέτο
- συσκευασία
- σελίδα
- Πανδημίες
- Χαρτί
- Παράλληλο
- παράμετρος
- παράμετροι
- Pareto
- Πέρασμα
- πάθος
- Το παρελθόν
- πρότυπα
- τέλειος
- επίδοση
- αγωγού
- σχεδιασμό
- πλατφόρμες
- Πλάτων
- Πληροφορία δεδομένων Plato
- Πλάτωνα δεδομένα
- παιχνίδι
- παίζει
- Σημείο
- σημεία
- δυνατός
- Θέση
- δύναμη
- τροφοδοτείται
- ισχυρός
- προβλέψει
- προβλεπόμενη
- πρόβλεψη
- Προβλέψεις
- Προβλέπει
- παρουσιάζονται
- πρόληψη
- προηγούμενος
- τιμή
- ιεράρχηση
- προβλήματα
- διαδικασια μας
- μεταποίηση
- Προϊόν
- παραγωγή
- επαγγελματίας
- αποδεδειγμένη
- παρέχουν
- παρέχεται
- παρέχει
- χορήγηση
- Python
- pytorch
- αύξηση
- τυχαίος
- σειρά
- ταχέως
- Τιμή
- έτοιμος
- Έτοιμος
- πραγματικός
- πραγματικό κόσμο
- σε πραγματικό χρόνο
- πρόσφατος
- Σύσταση
- συστάσεις
- Red
- μείωση
- μειώνει
- παραπέμπω
- αναφέρεται
- τελειοποίηση
- περιοχές
- μητρώου
- αξιόπιστος
- βασίζονται
- παραμένουν
- αντικαθιστώ
- Εκθέσεις
- εκπροσωπώ
- εκπροσωπούνται
- αντιπροσωπεύει
- πόρος
- Υποστηρικτικό υλικό
- αντίστοιχα
- ανταποκρίνονται
- αποτέλεσμα
- Αποτελέσματα
- Κίνδυνος
- διαχείριση των κινδύνων
- εύρωστος
- ευρωστία
- βράχος
- Ρόλος
- ρίζα
- τρέξιμο
- τρέχει
- Ασφάλεια
- σοφός
- Αγωγοί SageMaker
- ίδιο
- Αποθήκευση
- Απεριόριστες δυνατότητες
- Κλίμακα
- σενάρια
- Επιστήμη
- γραφή
- SDK
- αδιάλειπτη
- Αναζήτηση
- Τομείς
- προστατευμένο περιβάλλον
- επιλέγονται
- επιλογή
- Σειρές
- εξυπηρετούν
- Υπηρεσίες
- σειρά
- Σέτς
- Shape
- αυτή
- δείχνουν
- παρουσιάζεται
- υπογράψουν
- σημαντικά
- Απλούς
- ταυτοχρόνως
- Μέγεθος
- λογισμικό
- ανάπτυξη λογισμικού
- λύση
- Λύσεις
- Λύει
- ειδικεύεται
- συγκεκριμένες
- ειδικά
- καθορίζεται
- διαίρεση
- διάδοση
- Εις το τετραγωνο
- Στάδιο
- Κατάσταση
- παραμονή
- Βήμα
- Βήματα
- στοκ
- χώρος στο δίσκο
- καταστήματα
- εξορθολογισμό
- εξορθολογισμένη
- Ακολούθως
- επιτυχία
- τέτοιος
- επαρκής
- βέβαιος
- Βιωσιμότητα
- συνθετικός
- συστήματα
- τραπέζι
- Έργο
- Τεχνικός
- δοκιμή
- δοκιμαστεί
- Δοκιμές
- ότι
- Η
- ο κόσμος
- τους
- τότε
- επομένως
- Αυτοί
- αυτό
- Μέσω
- ώρα
- Χρονική σειρά
- προς την
- Παρακολούθηση
- Διαπραγμάτευσης
- ΚΙΝΗΣΗ στους ΔΡΟΜΟΥΣ
- Τρένο
- εκπαιδευμένο
- Εκπαίδευση
- ταξίδι
- δύο
- τύποι
- υφίσταμαι
- Απροσδόκητος
- περιττός
- Φορτώθηκε
- us
- χρήση
- μεταχειρισμένος
- φιλική προς το χρήστη
- Χρήστες
- χρησιμοποιώντας
- χρησιμοποιώ
- χρησιμοποιεί
- αξιοποιώντας
- επικύρωση
- αξία
- Αξίες
- ποικιλία
- διάφορα
- εκδοχή
- εκδόσεις
- μέσω
- όραμα
- ζωτικής σημασίας
- vs
- ήταν
- we
- Weather
- ιστός
- διαδικτυακές υπηρεσίες
- αν
- Ποιό
- ευρύς
- θα
- με
- εντός
- Εργασία
- ροής εργασίας
- ροές εργασίας
- εργαζόμενος
- κόσμος
- θα
- Εσείς
- Σας
- zephyrnet
- μηδέν