Η πρόβλεψη χρονοσειρών αναφέρεται στη διαδικασία πρόβλεψης μελλοντικών τιμών δεδομένων χρονοσειρών (δεδομένα που συλλέγονται σε τακτά χρονικά διαστήματα με την πάροδο του χρόνου). Οι απλές μέθοδοι για την πρόβλεψη χρονοσειρών χρησιμοποιούν ιστορικές τιμές της ίδιας μεταβλητής της οποίας οι μελλοντικές τιμές πρέπει να προβλεφθούν, ενώ οι πιο σύνθετες μέθοδοι που βασίζονται στη μηχανική μάθηση (ML) χρησιμοποιούν πρόσθετες πληροφορίες, όπως τα δεδομένα χρονοσειρών σχετικών μεταβλητών.
Πρόβλεψη του Αμαζονίου είναι μια υπηρεσία πρόβλεψης χρονοσειρών που βασίζεται σε ML και περιλαμβάνει αλγόριθμους που βασίζονται σε πάνω από 20 χρόνια εμπειρίας πρόβλεψης που χρησιμοποιούνται από Amazon.com, φέρνοντας την ίδια τεχνολογία που χρησιμοποιείται στο Amazon στους προγραμματιστές ως μια πλήρως διαχειριζόμενη υπηρεσία, καταργώντας την ανάγκη διαχείρισης πόρων. Το Forecast χρησιμοποιεί ML για να μάθει όχι μόνο τον καλύτερο αλγόριθμο για κάθε στοιχείο, αλλά και το καλύτερο σύνολο αλγορίθμων για κάθε στοιχείο, δημιουργώντας αυτόματα το καλύτερο μοντέλο για τα δεδομένα σας.
Αυτή η ανάρτηση περιγράφει τον τρόπο ανάπτυξης επαναλαμβανόμενων φόρτων εργασίας Πρόβλεψης (φόρτους εργασίας πρόβλεψης χρονοσειρών) χωρίς χρήση κώδικα AWS CloudFormation, Λειτουργίες βημάτων AWS, να Διευθυντής συστημάτων AWS. Η μέθοδος που παρουσιάζεται εδώ σάς βοηθά να δημιουργήσετε μια διοχέτευση που σας επιτρέπει να χρησιμοποιείτε την ίδια ροή εργασίας ξεκινώντας από την πρώτη ημέρα του πειραματισμού πρόβλεψης χρονοσειρών σας μέσω της ανάπτυξης του μοντέλου στην παραγωγή.
Πρόβλεψη χρονοσειρών με χρήση Πρόβλεψης
Η ροή εργασίας για την Πρόβλεψη περιλαμβάνει τις ακόλουθες κοινές έννοιες:
- Εισαγωγή συνόλων δεδομένων – Στο Forecast, α ομάδα συνόλων δεδομένων είναι μια συλλογή από σύνολα δεδομένων, σχήματα και αποτελέσματα προβλέψεων που συνδυάζονται. Κάθε ομάδα δεδομένων μπορεί να έχει έως και τρία σύνολα δεδομένων, ένα από το καθένα σύνολο δεδομένων τύπος: χρονοσειρές στόχου (TTS), σχετικές χρονοσειρές (RTS) και μεταδεδομένα στοιχείου. Ένα σύνολο δεδομένων είναι μια συλλογή αρχείων που περιέχουν δεδομένα που είναι σχετικά με μια εργασία πρόβλεψης. Ένα σύνολο δεδομένων πρέπει να συμμορφώνεται με το σχήμα που ορίζεται στο Forecast. Για περισσότερες λεπτομέρειες, ανατρέξτε στο Εισαγωγή συνόλων δεδομένων.
- Προγνωστικά προπόνησης - Μια προφήτης είναι ένα εκπαιδευμένο σε προβλέψεις μοντέλο που χρησιμοποιείται για την πραγματοποίηση προβλέψεων με βάση δεδομένα χρονοσειρών. Κατά τη διάρκεια της εκπαίδευσης, το Forecast υπολογίζει μετρήσεις ακρίβειας που χρησιμοποιείτε για να αξιολογήσετε τον προγνωστικό παράγοντα και να αποφασίσετε εάν θα χρησιμοποιήσετε τον προγνωστικό παράγοντα για να δημιουργήσετε μια πρόβλεψη. Για περισσότερες πληροφορίες, ανατρέξτε στο Προγνωστικά Προπόνησης.
- Δημιουργία προβλέψεων – Στη συνέχεια, μπορείτε να χρησιμοποιήσετε το εκπαιδευμένο μοντέλο για τη δημιουργία προβλέψεων για έναν μελλοντικό χρονικό ορίζοντα, γνωστό ως ορίζοντα πρόβλεψης. Το Forecast παρέχει προβλέψεις σε διάφορα καθορισμένα ποσά. Για παράδειγμα, μια πρόβλεψη στο 0.90 ποσοστό θα εκτιμήσει μια τιμή που είναι χαμηλότερη από την παρατηρούμενη τιμή το 90% του χρόνου. Από προεπιλογή, το Forecast χρησιμοποιεί τις ακόλουθες τιμές για τους τύπους πρόβλεψης: 0.1 (P10), 0.5 (P50) και 0.9 (P90). Οι προβλέψεις σε διάφορα ποσοστά χρησιμοποιούνται συνήθως για να παρέχουν ένα διάστημα πρόβλεψης (ένα άνω και κάτω όριο για τις προβλέψεις) για να ληφθεί υπόψη η αβεβαιότητα των προβλέψεων.
Μπορείτε να εφαρμόσετε αυτήν τη ροή εργασίας στο Forecast είτε από το Κονσόλα διαχείρισης AWS, τη Διεπαφή γραμμής εντολών AWS (AWS CLI), μέσω Κλήσεις API χρησιμοποιώντας σημειωματάρια Python, ή μέσω λύσεων αυτοματισμού. ο κονσόλα και AWS CLI Οι μέθοδοι είναι οι καταλληλότερες για γρήγορο πειραματισμό για να ελέγξετε τη σκοπιμότητα της πρόβλεψης χρονοσειρών χρησιμοποιώντας τα δεδομένα σας. Η μέθοδος σημειωματάριων Python είναι εξαιρετική για επιστήμονες δεδομένων που είναι ήδη εξοικειωμένοι με τα σημειωματάρια και την κωδικοποίηση Jupyter και παρέχει μέγιστο έλεγχο και συντονισμό. Ωστόσο, η μέθοδος που βασίζεται σε σημειωματάριο είναι δύσκολο να εφαρμοστεί. Η προσέγγιση αυτοματισμού μας διευκολύνει τον γρήγορο πειραματισμό, εξαλείφει τις επαναλαμβανόμενες εργασίες και επιτρέπει την ευκολότερη μετάβαση μεταξύ διαφόρων περιβαλλόντων (ανάπτυξη, σκηνοθεσία, παραγωγή).
Σε αυτήν την ανάρτηση, περιγράφουμε μια προσέγγιση αυτοματισμού για τη χρήση του Forecast που σας επιτρέπει να χρησιμοποιείτε τα δικά σας δεδομένα και παρέχει μια ενιαία ροή εργασίας που μπορείτε να χρησιμοποιήσετε απρόσκοπτα σε όλο τον κύκλο ζωής της ανάπτυξης της λύσης πρόβλεψής σας, από τις πρώτες ημέρες του πειραματισμού έως την ανάπτυξη της λύσης στο περιβάλλον παραγωγής σας.
Επισκόπηση λύσεων
Στις επόμενες ενότητες, περιγράφουμε μια πλήρη ροή εργασιών από άκρο σε άκρο που χρησιμεύει ως πρότυπο που πρέπει να ακολουθήσετε για την αυτοματοποιημένη ανάπτυξη μοντέλων πρόβλεψης χρονοσειρών χρησιμοποιώντας Πρόβλεψη. Αυτή η ροή εργασίας δημιουργεί προβλεπόμενα σημεία δεδομένων από ένα σύνολο δεδομένων εισόδου ανοιχτού κώδικα. Ωστόσο, μπορείτε να χρησιμοποιήσετε την ίδια ροή εργασίας για τα δικά σας δεδομένα, αρκεί να μπορείτε να μορφοποιήσετε τα δεδομένα σας σύμφωνα με τα βήματα που περιγράφονται σε αυτήν την ανάρτηση. Αφού ανεβάσετε τα δεδομένα, θα σας καθοδηγήσουμε στα βήματα για να δημιουργήσετε ομάδες δεδομένων Πρόβλεψης, να εισάγετε δεδομένα, να εκπαιδεύσετε μοντέλα ML και να δημιουργήσετε προβλεπόμενα σημεία δεδομένων σε μελλοντικούς μη ορατούς χρονικούς ορίζοντες από ανεπεξέργαστα δεδομένα. Όλα αυτά είναι δυνατά χωρίς να χρειάζεται να γράψετε ή να μεταγλωττίσετε κώδικα.
Το παρακάτω διάγραμμα απεικονίζει τη ροή εργασιών πρόβλεψης.
Η λύση αναπτύσσεται χρησιμοποιώντας δύο πρότυπα CloudFormation: το πρότυπο εξαρτήσεων και το πρότυπο φόρτου εργασίας. Το CloudFormation σάς δίνει τη δυνατότητα να εκτελείτε αναπτύξεις υποδομής AWS προβλέψιμα και επανειλημμένα, χρησιμοποιώντας πρότυπα που περιγράφουν τους πόρους που πρόκειται να αναπτυχθούν. Ένα αναπτυγμένο πρότυπο αναφέρεται ως α σωρός. Έχουμε φροντίσει να ορίσουμε την υποδομή στη λύση για εσάς στα δύο παρεχόμενα πρότυπα. Το πρότυπο εξαρτήσεων ορίζει τους προαπαιτούμενους πόρους που χρησιμοποιούνται από το πρότυπο φόρτου εργασίας, όπως ένα Απλή υπηρεσία αποθήκευσης Amazon (Amazon S3) κάδος για αποθήκευση αντικειμένων και Διαχείριση ταυτότητας και πρόσβασης AWS Άδειες (IAM) για ενέργειες API AWS. Οι πόροι που ορίζονται στο πρότυπο εξαρτήσεων ενδέχεται να είναι κοινόχρηστοι από πολλά πρότυπα φόρτου εργασίας. Το πρότυπο φόρτου εργασίας ορίζει τους πόρους που χρησιμοποιούνται για την απορρόφηση δεδομένων, την εκπαίδευση ενός προγνωστικού και τη δημιουργία μιας πρόβλεψης.
Αναπτύξτε το πρότυπο CloudFormation εξαρτήσεων
Αρχικά, ας αναπτύξουμε το πρότυπο εξαρτήσεων για να δημιουργήσουμε τους προαπαιτούμενους πόρους μας. Το πρότυπο εξαρτήσεων αναπτύσσει έναν προαιρετικό κάδο S3, AWS Lambda λειτουργίες και ρόλους IAM. Το Amazon S3 είναι μια χαμηλού κόστους, εξαιρετικά διαθέσιμη, ανθεκτική υπηρεσία αποθήκευσης αντικειμένων. Χρησιμοποιούμε έναν κάδο S3 σε αυτήν τη λύση για την αποθήκευση δεδομένων πηγής και την ενεργοποίηση της ροής εργασιών, με αποτέλεσμα μια πρόβλεψη. Το Lambda είναι μια υπηρεσία υπολογισμού χωρίς διακομιστή, βασισμένη σε συμβάντα, η οποία σας επιτρέπει να εκτελείτε κώδικα χωρίς παροχή ή διαχείριση διακομιστών. Το πρότυπο εξαρτήσεων περιλαμβάνει λειτουργίες για να κάνετε πράγματα όπως η δημιουργία μιας ομάδας δεδομένων στο Forecast και η εκκαθάριση αντικειμένων μέσα σε έναν κάδο S3 πριν από τη διαγραφή του κάδου. Οι ρόλοι IAM ορίζουν δικαιώματα εντός του AWS για χρήστες και υπηρεσίες. Το πρότυπο εξαρτήσεων αναπτύσσει έναν ρόλο που θα χρησιμοποιηθεί από το Lambda και ένα άλλο για το Step Functions, μια υπηρεσία διαχείρισης ροής εργασιών που θα συντονίζει τις εργασίες απορρόφησης και επεξεργασίας δεδομένων, καθώς και εκπαίδευσης πρόβλεψης και συμπερασμάτων χρησιμοποιώντας το Forecast.
Ολοκληρώστε τα παρακάτω βήματα για να αναπτύξετε το πρότυπο εξαρτήσεων:
- Στην κονσόλα, επιλέξτε το επιθυμητό Περιφέρεια που υποστηρίζεται από το Forecast για την ανάπτυξη λύσης.
- Στην κονσόλα AWS CloudFormation, επιλέξτε Στοίβες στο παράθυρο πλοήγησης.
- Επιλέξτε Δημιουργία στοίβας Και επιλέξτε Με νέους πόρους (στάνταρ).
- Για Πηγή προτύπου, Επιλέξτε Διεύθυνση URL Amazon S3.
- Εισαγάγετε τη διεύθυνση URL του προτύπου:
https://amazon-forecast-samples.s3.us-west-2.amazonaws.com/ml_ops/forecast-mlops-dependency.yaml
. - Επιλέξτε Επόμενο.
- Για Όνομα στοίβας, εισαγω
forecast-mlops-dependency
. - Κάτω από παράμετροι, επιλέξτε να χρησιμοποιήσετε έναν υπάρχοντα κάδο S3 ή να δημιουργήσετε έναν νέο και μετά δώστε το όνομα του κάδου.
- Επιλέξτε Επόμενο.
- Επιλέξτε Επόμενο για να αποδεχτείτε τις προεπιλεγμένες επιλογές στοίβας.
- Επιλέξτε το πλαίσιο ελέγχου για να αναγνωρίσετε ότι η στοίβα δημιουργεί πόρους IAM και, στη συνέχεια, επιλέξτε Δημιουργία στοίβας για την ανάπτυξη του προτύπου.
Θα πρέπει να δείτε την ανάπτυξη του προτύπου ως το forecast-mlops-dependency
σωρός. Όταν η κατάσταση αλλάξει σε CREATE_COMPLETE
, μπορείτε να προχωρήσετε στο επόμενο βήμα.
Αναπτύξτε το πρότυπο φόρτου εργασίας CloudFormation
Στη συνέχεια, ας αναπτύξουμε το πρότυπο φόρτου εργασίας για να δημιουργήσουμε τους προαπαιτούμενους πόρους μας. Το πρότυπο φόρτου εργασίας αναπτύσσει μηχανές κατάστασης Step Functions για διαχείριση ροής εργασιών, Κατάστημα παραμέτρων AWS Systems Manager παραμέτρων για αποθήκευση τιμών παραμέτρων από το AWS CloudFormation και ενημέρωση της ροής εργασιών, an Υπηρεσία απλών ειδοποιήσεων Amazon Θέμα (Amazon SNS) για ειδοποιήσεις ροής εργασιών και ρόλος IAM για δικαιώματα υπηρεσίας ροής εργασιών.
Η λύση δημιουργεί πέντε μηχανές κατάστασης:
- CreateDatasetGroupStateMachine – Δημιουργεί μια ομάδα δεδομένων πρόβλεψης για εισαγωγή δεδομένων.
- CreateImportDatasetStateMachine – Εισάγει δεδομένα πηγής από το Amazon S3 σε μια ομάδα δεδομένων για εκπαίδευση.
- CreateForecastStateMachine – Διαχειρίζεται τις εργασίες που απαιτούνται για την εκπαίδευση ενός προγνωστικού και τη δημιουργία μιας πρόβλεψης.
- AthenaConnectorStateMachine – Σας δίνει τη δυνατότητα να γράφετε ερωτήματα SQL με το Αμαζόν Αθηνά σύνδεσμος για δεδομένα προσγείωσης στο Amazon S3. Αυτή είναι μια προαιρετική διαδικασία για τη λήψη ιστορικών δεδομένων στην απαιτούμενη μορφή για το Forecast χρησιμοποιώντας το Athena αντί για τη μη αυτόματη τοποθέτηση αρχείων στο Amazon S3.
- StepFunctionWorkflowStateMachine – Συντεταγμένες καλεί τις άλλες τέσσερις μηχανές κατάστασης και διαχειρίζεται τη συνολική ροή εργασίας.
Το Parameter Store, μια δυνατότητα του Systems Manager, παρέχει ασφαλή, ιεραρχική αποθήκευση και ανάκτηση μέσω προγραμματισμού διαχείρισης δεδομένων διαμόρφωσης και διαχείρισης μυστικών. Το Parameter Store χρησιμοποιείται για την αποθήκευση παραμέτρων που έχουν οριστεί στη στοίβα φόρτου εργασίας καθώς και άλλων παραμέτρων που χρησιμοποιούνται από τη ροή εργασίας.
Ολοκληρώστε τα παρακάτω βήματα για να αναπτύξετε το πρότυπο φόρτου εργασίας:
- Στην κονσόλα AWS CloudFormation, επιλέξτε Στοίβες στο παράθυρο πλοήγησης.
- Επιλέξτε Δημιουργία στοίβας Και επιλέξτε Με νέους πόρους (στάνταρ).
- Για Πηγή προτύπου, Επιλέξτε Διεύθυνση URL Amazon S3.
- Εισαγάγετε τη διεύθυνση URL του προτύπου:
https://amazon-forecast-samples.s3.us-west-2.amazonaws.com/ml_ops/forecast-mlops-solution-guidance.yaml
. - Επιλέξτε Επόμενο.
- Για Όνομα στοίβας, πληκτρολογήστε ένα όνομα.
- Αποδεχτείτε τις προεπιλεγμένες τιμές ή τροποποιήστε τις παραμέτρους.
Φροντίστε να εισαγάγετε το όνομα του κάδου S3 από τη στοίβα εξαρτήσεων για Κάδος S3 και μια έγκυρη διεύθυνση email για Σημείο SNSE ακόμα κι αν αποδεχτείτε τις προεπιλεγμένες τιμές παραμέτρων.
Ο παρακάτω πίνακας περιγράφει κάθε παράμετρο.
Παράμετρος | Περιγραφή | Περισσότερες πληροφορίες |
DatasetGroupFrequencyRTS |
Η συχνότητα συλλογής δεδομένων για το σύνολο δεδομένων RTS. | . |
DatasetGroupFrequencyTTS |
Η συχνότητα συλλογής δεδομένων για το σύνολο δεδομένων TTS. | . |
DatasetGroupName |
Ένα σύντομο όνομα για την ομάδα δεδομένων, ένας αυτοτελής φόρτος εργασίας. | CreateDatasetGroup |
DatasetIncludeItem |
Καθορίστε εάν θέλετε να παρέχετε μεταδεδομένα στοιχείου για αυτήν την περίπτωση χρήσης. | . |
DatasetIncludeRTS |
Καθορίστε εάν θέλετε να παρέχετε μια σχετική χρονοσειρά για αυτήν την περίπτωση χρήσης. | . |
ForecastForecastTypes |
Όταν εκτελείται μια εργασία CreateForecast, αυτό δηλώνει για ποια ποσά θα παράγει προβλέψεις. Μπορείτε να επιλέξετε έως και πέντε τιμές σε αυτόν τον πίνακα. Επεξεργαστείτε αυτήν την τιμή για να συμπεριλάβετε τιμές ανάλογα με τις ανάγκες. | CreateForecast |
PredictorAttributeConfigs |
Για τη μεταβλητή στόχο στο TTS και κάθε αριθμητικό πεδίο στα σύνολα δεδομένων RTS, πρέπει να δημιουργηθεί μια εγγραφή για κάθε χρονικό διάστημα για κάθε στοιχείο. Αυτή η διαμόρφωση βοηθά στον προσδιορισμό του τρόπου συμπλήρωσης των εγγραφών που λείπουν: με 0, NaN ή με άλλο τρόπο. Συνιστούμε να συμπληρώσετε τα κενά στο TTS με NaN αντί για 0. Με το 0, το μοντέλο μπορεί να μάθει λανθασμένα να προκαταλαμβάνει τις προβλέψεις προς το 0. Το NaN είναι ο τρόπος με τον οποίο παρέχεται η καθοδήγηση. Συμβουλευτείτε τον αρχιτέκτονα λύσεων της AWS για τυχόν ερωτήσεις σχετικά με αυτό. | CreateAutoPredictor |
PredictorExplainPredictor |
Οι έγκυρες τιμές είναι TRUE ή FALSE. Αυτά καθορίζουν εάν η επεξήγηση είναι ενεργοποιημένη για τον προγνωστικό σας. Αυτό μπορεί να σας βοηθήσει να κατανοήσετε πώς οι τιμές στο RTS και στα μεταδεδομένα του στοιχείου επηρεάζουν το μοντέλο. | Επεξήγηση |
PredictorForecastDimensions |
Μπορεί να θέλετε να κάνετε πρόβλεψη σε πιο λεπτό κόκκο από το αντικείμενο. Εδώ, μπορείτε να καθορίσετε διαστάσεις όπως τοποθεσία, κέντρο κόστους ή όποιες ανάγκες έχετε. Αυτό πρέπει να συμφωνεί με τις διαστάσεις στο RTS και το TTS σας. Σημειώστε ότι εάν δεν έχετε διάσταση, η σωστή παράμετρος είναι null, από μόνη της και με πεζά. null είναι μια δεσμευμένη λέξη που ενημερώνει το σύστημα ότι δεν υπάρχει παράμετρος για τη διάσταση. | CreateAutoPredictor |
PredictorForecastFrequency |
Καθορίζει τη χρονική κλίμακα στην οποία θα δημιουργηθούν το μοντέλο και οι προβλέψεις σας, όπως ημερήσια, εβδομαδιαία ή μηνιαία. Το αναπτυσσόμενο μενού σάς βοηθά να επιλέξετε επιτρεπόμενες τιμές. Αυτό πρέπει να συμφωνεί με τη χρονική κλίμακα RTS εάν χρησιμοποιείτε RTS. | CreateAutoPredictor |
PredictorForecastHorizon |
Ο αριθμός των χρονικών βημάτων που προβλέπει το μοντέλο. Ο ορίζοντας πρόβλεψης ονομάζεται επίσης και ο μήκος πρόβλεψης. | CreateAutoPredictor |
PredictorForecastOptimizationMetric |
Καθορίζει τη μέτρηση ακρίβειας που χρησιμοποιείται για τη βελτιστοποίηση του προγνωστικού. Το αναπτυσσόμενο μενού θα σας βοηθήσει να επιλέξετε σταθμισμένα υπόλοιπα ποσοστιαίων απωλειών για υπερβολική ή υπο-πρόβλεψη. Το RMSE ασχολείται με τις μονάδες και το WAPE/MAPE με τα ποσοστά σφαλμάτων. | CreateAutoPredictor |
PredictorForecastTypes |
Όταν ένας CreateAutoPredictor τρέχει εργασία, αυτό δηλώνει ποια ποσοστάσια χρησιμοποιούνται για την εκπαίδευση των σημείων πρόβλεψης. Μπορείτε να επιλέξετε έως και πέντε τιμές σε αυτόν τον πίνακα, επιτρέποντάς σας να εξισορροπήσετε την υπερβολική και την υπο-πρόβλεψη. Επεξεργαστείτε αυτήν την τιμή για να συμπεριλάβετε τιμές ανάλογα με τις ανάγκες. |
CreateAutoPredictor |
S3Bucket |
Το όνομα του κάδου S3 όπου τα δεδομένα εισόδου και τα δεδομένα εξόδου είναι γραμμένα για αυτόν τον φόρτο εργασίας. | . |
SNSEndpoint |
Μια έγκυρη διεύθυνση email για να λαμβάνετε ειδοποιήσεις όταν ολοκληρωθούν οι εργασίες πρόβλεψης και πρόβλεψης. | . |
SchemaITEM |
Αυτό καθορίζει τη φυσική σειρά, τα ονόματα στηλών και τους τύπους δεδομένων για το σύνολο δεδομένων μεταδεδομένων των στοιχείων σας. Αυτό είναι ένα προαιρετικό αρχείο που παρέχεται στο παράδειγμα λύσης. | CreateDataset |
SchemaRTS |
Αυτό καθορίζει τη φυσική σειρά, τα ονόματα στηλών και τους τύπους δεδομένων για το σύνολο δεδομένων RTS. Οι διαστάσεις πρέπει να συμφωνούν με το TTS σας. Το time-grain αυτού του αρχείου διέπει το time-grain στο οποίο μπορούν να γίνουν προβλέψεις. Αυτό είναι ένα προαιρετικό αρχείο που παρέχεται στο παράδειγμα λύσης. | CreateDataset |
SchemaTTS |
Αυτό καθορίζει τη φυσική σειρά, τα ονόματα στηλών και τους τύπους δεδομένων για το σύνολο δεδομένων TTS, το μόνο απαιτούμενο σύνολο δεδομένων. Το αρχείο πρέπει να περιέχει τουλάχιστον μια τιμή στόχο, μια χρονική σήμανση και ένα στοιχείο. | CreateDataset |
TimestampFormatRTS |
Καθορίζει τη μορφή χρονικής σφραγίδας που παρέχεται στο αρχείο RTS. | CreateDatasetImportJob |
TimestampFormatTTS |
Καθορίζει τη μορφή χρονικής σφραγίδας που παρέχεται στο αρχείο TTS. | CreateDatasetImportJob |
- Επιλέξτε Επόμενο για να αποδεχτείτε τις προεπιλεγμένες επιλογές στοίβας.
- Επιλέξτε το πλαίσιο ελέγχου για να αναγνωρίσετε ότι η στοίβα δημιουργεί πόρους IAM και, στη συνέχεια, επιλέξτε Δημιουργία στοίβας για την ανάπτυξη του προτύπου.
Θα πρέπει να δείτε την ανάπτυξη του προτύπου ως το όνομα στοίβας που επιλέξατε νωρίτερα. Όταν η κατάσταση αλλάξει σε CREATE_COMPLETE
, μπορείτε να μεταβείτε στο βήμα μεταφόρτωσης δεδομένων.
Ανεβάστε τα δεδομένα
Στην προηγούμενη ενότητα, παρείχατε ένα όνομα στοίβας και έναν κάδο S3. Αυτή η ενότητα περιγράφει τον τρόπο κατάθεσης του δημοσίως διαθέσιμου δεδομένων Ζήτηση Τροφίμων σε αυτόν τον κουβά. Εάν χρησιμοποιείτε το δικό σας σύνολο δεδομένων, ανατρέξτε στο Δεδομένα για να προετοιμάσετε το σύνολο δεδομένων σας σε μια μορφή που αναμένεται η ανάπτυξη. Το σύνολο δεδομένων πρέπει να περιέχει τουλάχιστον τη χρονική σειρά-στόχο και προαιρετικά, τις σχετικές χρονικές σειρές και τα μεταδεδομένα του στοιχείου:
- Το TTS είναι τα δεδομένα χρονοσειρών που περιλαμβάνουν το πεδίο για το οποίο θέλετε να δημιουργήσετε μια πρόβλεψη. αυτό το πεδίο ονομάζεται το πεδίο στόχου
- Το RTS είναι δεδομένα χρονοσειρών που δεν περιλαμβάνουν το πεδίο προορισμού, αλλά περιλαμβάνουν ένα σχετικό πεδίο
- Το αρχείο δεδομένων στοιχείων δεν είναι δεδομένα χρονοσειράς, αλλά περιλαμβάνει πληροφορίες μεταδεδομένων σχετικά με τα στοιχεία στα σύνολα δεδομένων TTS ή RTS
Ολοκληρώστε τα παρακάτω βήματα:
- Εάν χρησιμοποιείτε το παρεχόμενο δείγμα δεδομένων, κάντε λήψη του συνόλου δεδομένων Ζήτηση Τροφίμων στον υπολογιστή σας και αποσυμπιέστε το αρχείο, το οποίο δημιουργεί τρία αρχεία μέσα σε τρεις καταλόγους (
rts
,tts
,item
). - Στην κονσόλα Amazon S3, μεταβείτε στον κάδο που δημιουργήσατε νωρίτερα.
- Επιλέξτε Δημιουργία φακέλου.
- Χρησιμοποιήστε την ίδια συμβολοσειρά με το όνομα της στοίβας φόρτου εργασίας για το όνομα του φακέλου.
- Επιλέξτε Μεταφόρτωση.
- Επιλέξτε τους τρεις φακέλους δεδομένων και, στη συνέχεια, επιλέξτε Μεταφόρτωση.
Όταν ολοκληρωθεί η μεταφόρτωση, θα πρέπει να δείτε κάτι σαν το παρακάτω στιγμιότυπο οθόνης. Για αυτό το παράδειγμα, ο φάκελος μας είναι aiml42
.
Δημιουργήστε μια ομάδα δεδομένων Πρόβλεψης
Ολοκληρώστε τα βήματα σε αυτήν την ενότητα για να δημιουργήσετε μια ομάδα δεδομένων ως συμβάν μίας χρήσης για κάθε φόρτο εργασίας. Στο εξής, θα πρέπει να σχεδιάσετε την εκτέλεση των δεδομένων εισαγωγής, να δημιουργήσετε πρόβλεψη και να δημιουργήσετε βήματα πρόβλεψης ανάλογα με την περίπτωση, ως σειρά, σύμφωνα με το πρόγραμμά σας, τα οποία θα μπορούσαν να είναι ημερήσια, εβδομαδιαία ή διαφορετικά.
- Στην κονσόλα Step Functions, εντοπίστε το μηχάνημα κατάστασης που περιέχει
Create-Dataset-Group
. - Στη σελίδα λεπτομερειών μηχανής κατάστασης, επιλέξτε Ξεκινήστε την εκτέλεση.
- Επιλέξτε Ξεκινήστε την εκτέλεση ξανά για επιβεβαίωση.
Το μηχάνημα κατάστασης χρειάζεται περίπου 1 λεπτό για να λειτουργήσει. Όταν ολοκληρωθεί, η τιμή κάτω Κατάσταση εκτέλεσης πρέπει να αλλάξει από Τρέξιμο προς την Επιτυχία
Εισαγωγή δεδομένων στο Forecast
Ακολουθήστε τα βήματα σε αυτήν την ενότητα για να εισαγάγετε το σύνολο δεδομένων που ανεβάσατε στον κάδο S3 στην ομάδα δεδομένων σας:
- Στην κονσόλα Step Functions, εντοπίστε το μηχάνημα κατάστασης που περιέχει
Import-Dataset
. - Στη σελίδα λεπτομερειών μηχανής κατάστασης, επιλέξτε Ξεκινήστε την εκτέλεση.
- Επιλέξτε Ξεκινήστε την εκτέλεση ξανά για επιβεβαίωση.
Ο χρόνος που χρειάζεται η μηχανή κατάστασης για να τρέξει εξαρτάται από το σύνολο δεδομένων που υποβάλλεται σε επεξεργασία.
- Ενώ εκτελείται, στο πρόγραμμα περιήγησής σας, ανοίξτε μια άλλη καρτέλα και μεταβείτε στην κονσόλα Forecast.
- Στην κονσόλα πρόβλεψης, επιλέξτε Προβολή ομάδων δεδομένων και μεταβείτε στην ομάδα δεδομένων με το όνομα που έχει καθοριστεί για
DataGroupName
από τη στοίβα φόρτου εργασίας σας. - Επιλέξτε Προβολή συνόλων δεδομένων.
Θα πρέπει να δείτε τις εισαγωγές δεδομένων σε εξέλιξη.
Όταν η κρατική μηχανή για Import-Dataset
έχει ολοκληρωθεί, μπορείτε να προχωρήσετε στο επόμενο βήμα για να δημιουργήσετε το μοντέλο δεδομένων χρονοσειράς σας.
Δημιουργία AutoPredictor (εκπαίδευση μοντέλου χρονοσειράς)
Αυτή η ενότητα περιγράφει πώς να εκπαιδεύσετε έναν αρχικό προγνωστικό παράγοντα με το Forecast. Μπορείτε να επιλέξετε να δημιουργήσετε έναν νέο προγνωστικό παράγοντα (το πρώτο σας, προγνωστικό σημείο αναφοράς) ή να εκπαιδεύσετε εκ νέου έναν προγνωστικό παράγοντα κατά τη διάρκεια κάθε κύκλου παραγωγής, ο οποίος θα μπορούσε να είναι ημερήσιος, εβδομαδιαίος ή με άλλο τρόπο. Μπορείτε επίσης να επιλέξετε να μην δημιουργήσετε έναν προγνωστικό παράγοντα κάθε κύκλο και να βασιστείτε στην παρακολούθηση προγνωστικών για να σας καθοδηγήσει πότε να δημιουργήσετε έναν. Το παρακάτω σχήμα απεικονίζει τη διαδικασία δημιουργίας ενός προγνωστικού δείκτη πρόβλεψης έτοιμου για παραγωγή.
Για να δημιουργήσετε ένα νέο προγνωστικό, ολοκληρώστε τα παρακάτω βήματα:
- Στην κονσόλα Step Functions, εντοπίστε το μηχάνημα κατάστασης που περιέχει
Create-Predictor
. - Στη σελίδα λεπτομερειών μηχανής κατάστασης, επιλέξτε Ξεκινήστε την εκτέλεση.
- Επιλέξτε Ξεκινήστε την εκτέλεση ξανά για επιβεβαίωση.
Ο χρόνος εκτέλεσης μπορεί να εξαρτάται από το σύνολο δεδομένων που υποβάλλεται σε επεξεργασία. Αυτό μπορεί να διαρκέσει έως και μία ώρα ή περισσότερο για να ολοκληρωθεί. - Ενώ εκτελείται, στο πρόγραμμα περιήγησής σας, ανοίξτε μια άλλη καρτέλα και μεταβείτε στην κονσόλα Forecast.
- Στην κονσόλα πρόβλεψης, επιλέξτε Προβολή ομάδων δεδομένων και μεταβείτε στην ομάδα δεδομένων με το όνομα που έχει καθοριστεί για
DataGroupName
από τη στοίβα φόρτου εργασίας σας. - Επιλέξτε Προβολή προγνωστικών.
Θα πρέπει να δείτε την προπόνηση πρόβλεψης σε εξέλιξη (Η κατάσταση εκπαίδευσης δείχνει "Δημιουργία σε εξέλιξη...").
Όταν η κρατική μηχανή για Create-Predictor
είναι πλήρης, μπορείτε να αξιολογήσετε την απόδοσή του.
Ως μέρος της μηχανής κατάστασης, το σύστημα δημιουργεί έναν προγνωστικό παράγοντα και εκτελεί επίσης ένα BacktestExport
εργασία που καταγράφει μετρήσεις πρόβλεψης σε επίπεδο χρονοσειρών στο Amazon S3. Αυτά είναι αρχεία που βρίσκονται σε δύο φακέλους S3 κάτω από το backtest-export
φάκελο:
- ακρίβεια-μετρήσεις-τιμές – Παρέχει μετρικούς υπολογισμούς ακρίβειας σε επίπεδο στοιχείου, ώστε να μπορείτε να κατανοήσετε την απόδοση μιας μεμονωμένης χρονοσειράς. Αυτό σας επιτρέπει να διερευνήσετε το spread αντί να εστιάσετε μόνο στις παγκόσμιες μετρήσεις.
- προβλεπόμενες τιμές – Παρέχει προβλέψεις σε επίπεδο βήματος για κάθε χρονοσειρά στο παράθυρο του backtest. Αυτό σας δίνει τη δυνατότητα να συγκρίνετε την πραγματική τιμή-στόχο από ένα σύνολο δοκιμής διατήρησης με τις προβλεπόμενες τιμές ποσοστού. Η επανεξέταση αυτού βοηθά στη διαμόρφωση ιδεών σχετικά με τον τρόπο παροχής πρόσθετων δυνατοτήτων δεδομένων σε RTS ή μεταδεδομένων στοιχείων για να βοηθήσετε στην καλύτερη εκτίμηση των μελλοντικών τιμών, μειώνοντας περαιτέρω τις απώλειες. Μπορείτε να κάνετε λήψη
backtest-export
αρχεία από το Amazon S3 ή αναζητήστε τα στη θέση τους με το Athena.
Με τα δικά σας δεδομένα, πρέπει να επιθεωρήσετε προσεκτικά τα αποτελέσματα πρόβλεψης και να βεβαιωθείτε ότι οι μετρήσεις ανταποκρίνονται στα αναμενόμενα αποτελέσματα χρησιμοποιώντας τα δεδομένα εξαγωγής backtest. Όταν είστε ικανοποιημένοι, μπορείτε να αρχίσετε να δημιουργείτε μελλοντικές προβλέψεις όπως περιγράφεται στην επόμενη ενότητα.
Δημιουργήστε μια πρόβλεψη (συμπεράσματα σχετικά με τους μελλοντικούς χρονικούς ορίζοντες)
Αυτή η ενότητα περιγράφει τον τρόπο δημιουργίας σημείων δεδομένων πρόβλεψης με την Πρόβλεψη. Στο εξής, θα πρέπει να συλλέξετε νέα δεδομένα από το σύστημα προέλευσης, να εισαγάγετε τα δεδομένα στο Forecast και, στη συνέχεια, να δημιουργήσετε σημεία δεδομένων πρόβλεψης. Προαιρετικά, μπορείτε επίσης να εισαγάγετε μια νέα δημιουργία πρόβλεψης μετά την εισαγωγή και πριν από την πρόβλεψη. Το παρακάτω σχήμα απεικονίζει τη διαδικασία δημιουργίας προβλέψεων χρονοσειρών παραγωγής χρησιμοποιώντας το Forecast.
Ολοκληρώστε τα παρακάτω βήματα:
- Στην κονσόλα Step Functions, εντοπίστε το μηχάνημα κατάστασης που περιέχει
Create-Forecast
. - Στη σελίδα λεπτομερειών μηχανής κατάστασης, επιλέξτε Ξεκινήστε την εκτέλεση.
- Επιλέξτε Ξεκινήστε την εκτέλεση ξανά για επιβεβαίωση.
Αυτό το μηχάνημα κατάστασης τελειώνει πολύ γρήγορα επειδή το σύστημα δεν έχει ρυθμιστεί να δημιουργεί πρόβλεψη. Δεν γνωρίζει ποιο μοντέλο πρόβλεψης έχετε εγκρίνει για συμπέρασμα.
Ας διαμορφώσουμε το σύστημα ώστε να χρησιμοποιεί τον εκπαιδευμένο προγνωστικό σας. - Στην κονσόλα Forecast, εντοπίστε το ARN για τον προγνωστικό σας.
- Αντιγράψτε το ARN για χρήση σε επόμενο βήμα.
- Στο πρόγραμμα περιήγησής σας, ανοίξτε μια άλλη καρτέλα και μεταβείτε στην κονσόλα Systems Manager.
- Στην κονσόλα Systems Manager, επιλέξτε Κατάστημα παραμέτρων στο παράθυρο πλοήγησης.
- Εντοπίστε την παράμετρο που σχετίζεται με τη στοίβα σας (
/forecast/<StackName>/Forecast/PredictorArn
). - Εισαγάγετε το ARN που αντιγράψατε για τον προγνωστικό σας.
Αυτός είναι ο τρόπος με τον οποίο συσχετίζετε έναν εκπαιδευμένο προγνωστικό παράγοντα με τη συνάρτηση συμπερασμάτων του Forecast. - Εντοπίστε την παράμετρο
/forecast/<StackName>/Forecast/Generate
και επεξεργαστείτε την τιμή, αντικαθιστώνταςFALSE
μεTRUE
.
Τώρα είστε έτοιμοι να εκτελέσετε μια εργασία πρόβλεψης για αυτήν την ομάδα δεδομένων. - Στην κονσόλα Step Functions, εκτελέστε το
Create-Forecast
κρατική μηχανή.
Αυτή τη φορά, η δουλειά τρέχει όπως αναμένεται. Ως μέρος της κρατικής μηχανής, το σύστημα δημιουργεί μια πρόβλεψη και α ForecastExport
job, η οποία γράφει προβλέψεις χρονοσειρών στο Amazon S3. Αυτά τα αρχεία βρίσκονται στο forecast
φάκελο
Μέσα από το forecast
φάκελο, θα βρείτε προβλέψεις για τα στοιχεία σας, που βρίσκονται σε πολλά αρχεία CSV ή Parquet, ανάλογα με την επιλογή σας. Οι προβλέψεις για κάθε χρονικό βήμα και επιλεγμένες χρονικές σειρές υπάρχουν με όλες τις επιλεγμένες τιμές ποσοστού ανά εγγραφή. Μπορείτε να κατεβάσετε αυτά τα αρχεία από το Amazon S3, να τα υποβάλετε ερωτήματα με το Athena ή να επιλέξετε άλλη στρατηγική για να χρησιμοποιήσετε τα δεδομένα.
Αυτό ολοκληρώνει ολόκληρη τη ροή εργασίας. Τώρα μπορείτε να οπτικοποιήσετε την έξοδο σας χρησιμοποιώντας οποιοδήποτε εργαλείο οπτικοποίησης της επιλογής σας, όπως π.χ Amazon QuickSight. Εναλλακτικά, οι επιστήμονες δεδομένων μπορούν να χρησιμοποιήσουν πάντα πάντα για να δημιουργήσουν τα δικά τους σχέδια. Εάν επιλέξετε να χρησιμοποιήσετε το QuickSight, μπορείτε συνδέστε τα αποτελέσματα των προβλέψεών σας στο QuickSight για να εκτελέσετε μετασχηματισμούς δεδομένων, να δημιουργήσετε μία ή περισσότερες αναλύσεις δεδομένων και δημιουργήστε οπτικοποιήσεις.
Αυτή η διαδικασία παρέχει ένα πρότυπο που πρέπει να ακολουθήσετε. Θα χρειαστεί να προσαρμόσετε το δείγμα στο σχήμα σας, να ορίσετε τον ορίζοντα πρόβλεψης, την ανάλυση χρόνου και ούτω καθεξής ανάλογα με την περίπτωση χρήσης σας. Θα χρειαστεί επίσης να ορίσετε ένα επαναλαμβανόμενο χρονοδιάγραμμα όπου τα δεδομένα συλλέγονται από το σύστημα προέλευσης, εισάγονται τα δεδομένα και δημιουργούνται προβλέψεις. Εάν θέλετε, μπορείτε να εισαγάγετε μια εργασία πρόβλεψης μεταξύ των βημάτων εισαγωγής και πρόβλεψης.
Εκπαιδεύστε ξανά τον προγνωστικό
Έχουμε περπατήσει στη διαδικασία εκπαίδευσης ενός νέου προγνωστικού, αλλά τι γίνεται με την επανεκπαίδευση ενός προγνωστικού; Η επανεκπαίδευση ενός προγνωστικού είναι ένας τρόπος μείωσης του κόστους και του χρόνου που απαιτείται για την εκπαίδευση ενός προγνωστικού στα πιο πρόσφατα διαθέσιμα δεδομένα. Αντί να δημιουργήσουμε έναν νέο προγνωστικό παράγοντα και να τον εκπαιδεύσουμε σε ολόκληρο το σύνολο δεδομένων, μπορούμε να επανεκπαιδεύσουμε τον υπάρχοντα προγνωστικό παράγοντα παρέχοντας μόνο τα νέα στοιχειώδη δεδομένα που διατίθενται από την τελευταία φορά που εκπαιδεύτηκε ο προγνωστικός. Ας δούμε πώς να επανεκπαιδεύσουμε έναν προγνωστικό παράγοντα χρησιμοποιώντας τη λύση αυτοματισμού:
- Στην κονσόλα πρόβλεψης, επιλέξτε Προβολή ομάδων δεδομένων.
- Επιλέξτε την ομάδα δεδομένων που σχετίζεται με τον προγνωστικό παράγοντα που θέλετε να επανεκπαιδεύσετε.
- Επιλέξτε Προβολή προγνωστικών, μετά επιλέξτε τον προγνωστικό παράγοντα που θέλετε να επανεκπαιδεύσετε.
- Στις ρυθμίσεις καρτέλα, αντιγράψτε το προγνωστικό ARN.
Πρέπει να ενημερώσουμε μια παράμετρο που χρησιμοποιείται από τη ροή εργασιών για τον προσδιορισμό του προγνωστικού που θα επανεκπαιδεύσουμε. - Στην κονσόλα Systems Manager, επιλέξτε Κατάστημα παραμέτρων στο παράθυρο πλοήγησης.
- Εντοπίστε την παράμετρο
/forecast/<STACKNAME>/Forecast/Predictor/ReferenceArn
. - Στη σελίδα λεπτομερειών παραμέτρων, επιλέξτε Αλλαγή.
- Για αξία, εισαγάγετε το προγνωστικό ARN.
Αυτό προσδιορίζει τον σωστό προγνωστικό παράγοντα για την επανεκπαίδευση της ροής εργασίας. Στη συνέχεια, πρέπει να ενημερώσουμε μια παράμετρο που χρησιμοποιείται από τη ροή εργασίας για να αλλάξουμε τη στρατηγική εκπαίδευσης. - Εντοπίστε την παράμετρο
/forecast/<STACKNAME>/Forecast/Predictor/Strategy
. - Στη σελίδα λεπτομερειών παραμέτρων, επιλέξτε Επεξεργασία.
- Για Τιμή, πληκτρολογήστε
RETRAIN
.
Η ροή εργασίας προεπιλογή για την εκπαίδευση ενός νέου προγνωστικού. Ωστόσο, μπορούμε να τροποποιήσουμε αυτή τη συμπεριφορά για να επανεκπαιδεύσουμε έναν υπάρχοντα προγνωστικό παράγοντα ή απλώς να επαναχρησιμοποιήσουμε έναν υπάρχοντα προγνωστικό παράγοντα χωρίς επανεκπαίδευση ορίζοντας αυτήν την τιμή σεNONE
. Μπορεί να θέλετε να παραιτηθείτε από την εκπαίδευση εάν τα δεδομένα σας είναι σχετικά σταθερά ή εάν χρησιμοποιείτε αυτοματοποιημένη παρακολούθηση προγνωστικών να αποφασίσει πότε είναι απαραίτητη η επανεκπαίδευση. - Ανεβάστε τα δεδομένα σταδιακής εκπαίδευσης στον κάδο S3.
- Στην κονσόλα Step Functions, εντοπίστε το μηχάνημα κατάστασης
<STACKNAME>-Create-Predictor
. - Στη σελίδα λεπτομερειών μηχανής κατάστασης, επιλέξτε Ξεκινήστε την εκτέλεση για να ξεκινήσει η μετεκπαίδευση.
Όταν ολοκληρωθεί η επανεκπαίδευση, η ροή εργασιών θα τελειώσει και θα λάβετε μια ειδοποίηση μέσω email SNS στη διεύθυνση email που παρέχεται στις παραμέτρους προτύπου φόρτου εργασίας.
εκκαθάριση
Όταν τελειώσετε με αυτήν τη λύση, ακολουθήστε τα βήματα σε αυτήν την ενότητα για να διαγράψετε σχετικούς πόρους.
Διαγράψτε τον κάδο S3
- Στην κονσόλα Amazon S3, επιλέξτε Κουβάδες στο παράθυρο πλοήγησης.
- Επιλέξτε τον κάδο όπου μεταφορτώθηκαν τα δεδομένα και επιλέξτε Αδειάστε για να διαγράψετε όλα τα δεδομένα που σχετίζονται με τη λύση, συμπεριλαμβανομένων των δεδομένων προέλευσης.
- εισάγετε
permanently delete
για να διαγράψετε οριστικά τα περιεχόμενα του κάδου. - Στις Κουβάδες σελίδα, επιλέξτε τον κάδο και επιλέξτε Διαγραφή.
- Εισαγάγετε το όνομα του κάδου για να επιβεβαιώσετε τη διαγραφή και επιλέξτε Διαγραφή κάδου.
Διαγραφή πόρων πρόβλεψης
- Στην κονσόλα πρόβλεψης, επιλέξτε Προβολή ομάδων δεδομένων.
- Επιλέξτε το όνομα της ομάδας δεδομένων που σχετίζεται με τη λύση και, στη συνέχεια, επιλέξτε Διαγραφή.
- εισάγετε
delete
για να διαγράψετε την ομάδα δεδομένων και τους συσχετισμένους προγνωστικούς παράγοντες, τις εργασίες εξαγωγής εκ των υστέρων ελέγχου πρόβλεψης, τις προβλέψεις και τις εργασίες εξαγωγής πρόβλεψης. - Επιλέξτε Διαγραφή για να επιβεβαιώσετε.
Διαγράψτε τις στοίβες CloudFormation
- Στην κονσόλα AWS CloudFormation, επιλέξτε Στοίβες στο παράθυρο πλοήγησης.
- Επιλέξτε τη στοίβα φόρτου εργασίας και επιλέξτε Διαγραφή.
- Επιλέξτε Διαγραφή στοίβας για να επιβεβαιώσετε τη διαγραφή της στοίβας και όλων των σχετικών πόρων.
- Όταν ολοκληρωθεί η διαγραφή, επιλέξτε τη στοίβα εξαρτήσεων και επιλέξτε Διαγραφή.
- Επιλέξτε Διαγραφή για να επιβεβαιώσετε.
Συμπέρασμα
Σε αυτήν την ανάρτηση, συζητήσαμε μερικούς διαφορετικούς τρόπους για να ξεκινήσετε να χρησιμοποιείτε το Forecast. Περπατήσαμε σε μια αυτοματοποιημένη λύση πρόβλεψης που βασίζεται στο AWS CloudFormation για μια γρήγορη, επαναλαμβανόμενη ανάπτυξη λύσεων ενός αγωγού Forecast από την απορρόφηση δεδομένων έως το συμπέρασμα, με ελάχιστη απαιτούμενη γνώση υποδομής. Τέλος, είδαμε πώς μπορούμε να χρησιμοποιήσουμε το Lambda για να αυτοματοποιήσουμε την επανεκπαίδευση μοντέλων, μειώνοντας το κόστος και τον χρόνο εκπαίδευσης.
Δεν υπάρχει καλύτερη στιγμή από το παρόν για να ξεκινήσετε τις προβλέψεις με το Forecast. Για να ξεκινήσετε τη δημιουργία και την ανάπτυξη μιας αυτοματοποιημένης ροής εργασίας, επισκεφθείτε τη σελίδα Πόροι Amazon Forecast. Καλή πρόβλεψη!
Σχετικά με τους Συγγραφείς
Aaron Fagan είναι Principal Specialist Solutions Architect στην AWS με έδρα τη Νέα Υόρκη. Ειδικεύεται στο να βοηθά τους πελάτες να αρχιτεκτονήσουν λύσεις στη μηχανική εκμάθηση και την ασφάλεια στο cloud.
Ρατζού Πατίλ είναι Επιστήμονας Δεδομένων στο AWS Professional Services. Κατασκευάζει και αναπτύσσει λύσεις AI/ML για να βοηθήσει τους πελάτες AWS να ξεπεράσουν τις επιχειρηματικές τους προκλήσεις. Οι δεσμεύσεις του στο AWS έχουν καλύψει ένα ευρύ φάσμα περιπτώσεων χρήσης AI/ML, όπως όραση υπολογιστή, πρόβλεψη χρονοσειρών και προγνωστικά αναλυτικά στοιχεία κ.λπ., σε πολλούς κλάδους, συμπεριλαμβανομένων των χρηματοοικονομικών υπηρεσιών, των τηλεπικοινωνιών, της υγειονομικής περίθαλψης και άλλων. Πριν από αυτό, έχει ηγηθεί ομάδων Επιστήμης Δεδομένων στην Τεχνολογία Διαφήμισης και συνέβαλε σημαντικά σε πολυάριθμες πρωτοβουλίες έρευνας και ανάπτυξης στον τομέα της όρασης υπολογιστών και της ρομποτικής. Εκτός δουλειάς, του αρέσει η φωτογραφία, η πεζοπορία, τα ταξίδια και οι γαστρονομικές εξερευνήσεις.
- SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
- PlatoAiStream. Web3 Data Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
- Minting the Future με την Adryenn Ashley. Πρόσβαση εδώ.
- Αγορά και πώληση μετοχών σε εταιρείες PRE-IPO με το PREIPO®. Πρόσβαση εδώ.
- πηγή: https://aws.amazon.com/blogs/machine-learning/automate-the-deployment-of-an-amazon-forecast-time-series-forecasting-model/
- :έχει
- :είναι
- :δεν
- :που
- $UP
- 1
- 10
- 100
- 11
- 20
- 20 χρόνια
- 2022
- 7
- 8
- 9
- a
- Σχετικα
- Αποδέχομαι
- πρόσβαση
- Σύμφωνα με
- Λογαριασμός
- ακρίβεια
- αναγνωρίζω
- απέναντι
- ενεργειών
- προσαρμόσει
- Πρόσθετος
- Επιπλέον πληροφορίες
- διεύθυνση
- Διαφήμιση
- Μετά το
- πάλι
- AI / ML
- αλγόριθμος
- αλγόριθμοι
- Όλα
- Επιτρέποντας
- επιτρέπει
- alone
- ήδη
- Επίσης
- Amazon
- Πρόβλεψη του Αμαζονίου
- ποσό
- an
- αναλύσεις
- analytics
- και
- Άλλος
- κάθε
- api
- πλησιάζω
- κατάλληλος
- εγκεκριμένη
- ΕΙΝΑΙ
- Παράταξη
- AS
- βοηθήσει
- Συνεργάτης
- συσχετισμένη
- At
- αυτοματοποίηση
- Αυτοματοποιημένη
- αυτομάτως
- Αυτοματοποίηση
- διαθέσιμος
- AWS
- AWS CloudFormation
- Επαγγελματικές υπηρεσίες AWS
- Backtest
- Υπόλοιπο
- ισορροπίες
- βασίζονται
- Baseline
- BE
- επειδή
- πριν
- αρχίζουν
- είναι
- ΚΑΛΎΤΕΡΟΣ
- Καλύτερα
- μεταξύ
- προκατάληψη
- Όριο
- Κουτί
- Φέρνοντας
- πρόγραμμα περιήγησης
- χτίζω
- Κτίριο
- Χτίζει
- επιχείρηση
- αλλά
- by
- υπολογίζει
- που ονομάζεται
- κλήσεις
- CAN
- ο οποίος
- περίπτωση
- περιπτώσεις
- Κέντρο
- προκλήσεις
- αλλαγή
- Αλλαγές
- έλεγχος
- επιλογή
- Επιλέξτε
- επέλεξε
- επιλέγονται
- στενά
- Backup
- Ασφάλεια Cloud
- κωδικός
- Κωδικοποίηση
- συλλογή
- Στήλη
- COM
- Κοινός
- συγκρίνουν
- πλήρης
- συγκρότημα
- υπολογισμοί
- Υπολογίστε
- υπολογιστή
- Computer Vision
- έννοιες
- ενδιαφερόμενος
- διαμόρφωση
- Επιβεβαιώνω
- πρόξενος
- περιέχουν
- περιεχόμενα
- συνεισφορές
- έλεγχος
- συντεταγμένη
- διορθώσει
- Κόστος
- θα μπορούσε να
- καλύπτονται
- δημιουργία
- δημιουργήθηκε
- δημιουργεί
- δημιουργία
- δημιουργία
- Πελάτες
- κύκλος
- Κυκλικός
- καθημερινά
- ημερομηνία
- διαχείριση δεδομένων
- σημεία δεδομένων
- επιστημονικά δεδομένα
- επιστήμονας δεδομένων
- σύνολο δεδομένων
- σύνολα δεδομένων
- ημέρα
- Ημ.
- αποφασίζει
- δηλώνει
- Προεπιλογή
- προεπιλογές
- ορίζεται
- Ορίζει
- καθορίζοντας
- παραδίδεται
- Σε συνάρτηση
- εξαρτάται
- παρατάσσω
- αναπτυχθεί
- ανάπτυξη
- ανάπτυξη
- αναπτύξεις
- αναπτύσσεται
- κατάθεση
- περιγράφουν
- περιγράφεται
- επιθυμητή
- λεπτομέρεια
- καθέκαστα
- Προσδιορίστε
- προγραμματιστές
- Ανάπτυξη
- διαφορετικές
- δύσκολος
- Διάσταση
- Διαστάσεις
- Κατάλογοι
- συζήτηση
- do
- Όχι
- γίνεται
- κατεβάσετε
- κατά την διάρκεια
- κάθε
- Νωρίτερα
- ευκολότερη
- είτε
- εξαλείφει
- ΗΛΕΚΤΡΟΝΙΚΗ ΔΙΕΥΘΥΝΣΗ
- ενεργοποιημένη
- δίνει τη δυνατότητα
- τέλος
- από άκρη σε άκρη
- εξασφαλίζω
- εισάγετε
- Ολόκληρος
- Περιβάλλον
- περιβάλλοντα
- λάθη
- εκτίμηση
- κ.λπ.
- αξιολογήσει
- Even
- Συμβάν
- παράδειγμα
- εκτέλεση
- υπάρχουν
- υφιστάμενα
- αναμένεται
- αναμένουν
- εμπειρία
- εξαγωγή
- διευκολύνει
- ψευδής
- οικείος
- Χαρακτηριστικά
- πεδίο
- Εικόνα
- Αρχεία
- Αρχεία
- Κατάθεση
- γεμάτο
- Τελικά
- οικονομικός
- των χρηματοπιστωτικών υπηρεσιών
- Εύρεση
- Όνομα
- εστιάζοντας
- ακολουθήστε
- Εξής
- Για
- Πρόβλεψη
- προβλέψεις
- μορφή
- Εμπρός
- Προς τα εμπρός
- τέσσερα
- Συχνότητα
- από
- πλήρως
- λειτουργία
- λειτουργίες
- περαιτέρω
- μελλοντικός
- παράγουν
- παράγεται
- παραγωγής
- παίρνω
- Παγκόσμιο
- Go
- μετάβαση
- κυβερνά
- γραφική παράσταση
- εξαιρετική
- Group
- Ομάδα
- καθοδήγηση
- καθοδηγήσει
- ευτυχισμένος
- συγκομιδή
- Έχω
- που έχει
- he
- Υγεία
- Φροντίδα Υγείας
- βοήθεια
- βοήθεια
- βοηθά
- εδώ
- υψηλά
- του
- ιστορικών
- ορίζοντας
- Ορίζοντες
- ώρα
- Πως
- Πώς να
- Ωστόσο
- HTML
- http
- HTTPS
- ιδεών
- αναγνωρίζει
- προσδιορίσει
- Ταυτότητα
- if
- απεικονίζει
- εφαρμογή
- εισαγωγή
- εισαγωγές
- in
- περιλαμβάνουν
- περιλαμβάνει
- Συμπεριλαμβανομένου
- βιομηχανίες
- επιρροή
- πληροφορώ
- πληροφορίες
- Υποδομή
- αρχικός
- πρωτοβουλίες
- εισαγωγή
- αντί
- σε
- διερευνήσει
- συμμετέχουν
- IT
- αντικειμένων
- ΤΟΥ
- εαυτό
- Δουλειά
- Θέσεις εργασίας
- jpg
- Ξέρω
- γνώση
- γνωστός
- Οικόπεδο
- Επίθετο
- αργότερα
- αργότερο
- ΜΑΘΑΊΝΩ
- μάθηση
- ελάχιστα
- Led
- Δεδομένα Led
- Αφήνει
- κύκλος ζωής
- Μου αρέσει
- γραμμή
- λίγο
- που βρίσκεται
- τοποθεσία
- Μακριά
- off
- χαμηλού κόστους
- χαμηλότερα
- μηχανή
- μάθηση μηχανής
- μηχανήματα
- που
- Κατασκευή
- διαχείριση
- διαχειρίζεται
- διαχείριση
- διευθυντής
- διαχειρίζεται
- διαχείριση
- χειροκίνητα
- πολοί
- ανώτατο όριο
- Ενδέχεται..
- Γνωρίστε
- Μενού
- Μεταδεδομένα
- μέθοδος
- μέθοδοι
- μετρικός
- Metrics
- ενδέχεται να
- ελάχιστο
- λεπτό
- Λείπει
- ML
- μοντέλο
- μοντέλα
- τροποποιήσει
- παρακολούθηση
- μηνιαίος
- περισσότερο
- μετακινήσετε
- πολλαπλούς
- πρέπει
- όνομα
- ονόματα
- Πλοηγηθείτε
- Πλοήγηση
- απαραίτητος
- Ανάγκη
- ανάγκες
- Νέα
- Νέα Υόρκη
- επόμενη
- Όχι.
- σημειωματάριο
- κοινοποίηση
- κοινοποιήσεις
- τώρα
- αριθμός
- πολυάριθμες
- αντικείμενο
- αντικειμένων
- αποκτήσει
- of
- on
- ONE
- αποκλειστικά
- ανοίξτε
- ανοικτού κώδικα
- Βελτιστοποίηση
- Επιλογές
- or
- τάξη
- ΑΛΛΑ
- αλλιώς
- δικός μας
- έξω
- αποτελέσματα
- σκιαγραφείται
- παραγωγή
- εκτός
- επί
- φόρμες
- δική
- σελίδα
- Πάντα
- παράθυρο
- παράμετρος
- παράμετροι
- μέρος
- τοις εκατό
- Εκτελέστε
- επίδοση
- μόνιμα
- δικαιώματα
- φωτογραφία
- φυσικός
- αγωγού
- Μέρος
- διάθεση
- σχέδιο
- Πλάτων
- Πληροφορία δεδομένων Plato
- Πλάτωνα δεδομένα
- σημεία
- δυνατός
- Θέση
- προβλεπόμενη
- προβλέποντας
- πρόβλεψη
- Προβλέψεις
- Προγνωστικό Analytics
- Predictor
- Προβλέπει
- Προετοιμάστε
- παρόν
- παρουσιάζονται
- προηγούμενος
- Κύριος
- Πριν
- διαδικασια μας
- Επεξεργασμένο
- μεταποίηση
- παράγει
- παραγωγή
- επαγγελματίας
- προγραμματικός
- Πρόοδος
- παρέχουν
- παρέχεται
- παρέχει
- χορήγηση
- δημοσίως
- Python
- ερωτήματα
- Ερωτήσεις
- Γρήγορα
- γρήγορα
- σειρά
- γρήγορα
- μάλλον
- Ακατέργαστος
- έτοιμος
- λαμβάνω
- συνιστώ
- ρεκόρ
- αρχεία
- επαναλαμβανόμενα
- μείωση
- μείωση
- αναφέρεται
- αναφέρεται
- τακτικός
- σχετίζεται με
- σχετικά
- βασίζονται
- αφαίρεση
- επαναληπτός
- ΚΑΤ 'ΕΠΑΝΑΛΗΨΗ
- επαναλαμβανόμενη
- απαιτείται
- έρευνα
- έρευνα και ανάπτυξη
- επιφυλάχθηκε
- ελαστικός
- Ανάλυση
- Υποστηρικτικό υλικό
- με αποτέλεσμα
- Αποτελέσματα
- επαναχρησιμοποίηση
- επανεξέταση
- ρομποτική
- Ρόλος
- ρόλους
- τρέξιμο
- τρέξιμο
- ίδιο
- Δείγμα δεδομένων
- ικανοποιημένοι
- Κλίμακα
- πρόγραμμα
- Επιστήμη
- Επιστήμονας
- επιστήμονες
- άψογα
- Τμήμα
- τμήματα
- προστατευμένο περιβάλλον
- ασφάλεια
- δείτε
- επιλέγονται
- επιλογή
- Σειρές
- Χωρίς διακομιστή
- Διακομιστές
- εξυπηρετεί
- υπηρεσία
- Υπηρεσίες
- σειρά
- τον καθορισμό
- Shared
- Κοντά
- θα πρέπει να
- Δείχνει
- σημαντικός
- Απλούς
- απλά
- αφού
- ενιαίας
- So
- λύση
- Λύσεις
- μερικοί
- κάτι
- Πηγή
- ειδικός
- ειδικεύεται
- καθορίζεται
- διάδοση
- σταθερός
- σωρός
- σκαλωσιά
- πρότυπο
- Εκκίνηση
- ξεκίνησε
- Ξεκινήστε
- Κατάσταση
- Κατάσταση
- Βήμα
- Βήματα
- χώρος στο δίσκο
- κατάστημα
- Στρατηγική
- Σπάγγος
- δομή
- τέτοιος
- υποστηριζόνται!
- σύστημα
- συστήματα
- τραπέζι
- Πάρτε
- παίρνει
- στόχος
- Έργο
- εργασίες
- ομάδες
- Τεχνολογία
- τηλεπικοινωνιών
- πρότυπο
- πρότυπα
- δοκιμή
- από
- ότι
- Η
- Η Πηγη
- Το κράτος
- τους
- Τους
- τότε
- Εκεί.
- Αυτοί
- πράγματα
- αυτό
- τρία
- Μέσω
- παντού
- ώρα
- Χρονική σειρά
- timestamp
- προς την
- μαζι
- εργαλείο
- τοπικός
- προς
- Τρένο
- εκπαιδευμένο
- Εκπαίδευση
- μετασχηματισμούς
- μετάβαση
- ταξίδι
- ενεργοποιούν
- αληθής
- δύο
- τύπος
- τύποι
- συνήθως
- Αβεβαιότητα
- υπό
- καταλαβαίνω
- μονάδες
- Ενημέρωση
- Φορτώθηκε
- URL
- χρήση
- περίπτωση χρήσης
- μεταχειρισμένος
- Χρήστες
- χρησιμοποιώντας
- αξία
- Αξίες
- διάφορα
- πολύ
- μέσω
- όραμα
- Επίσκεψη
- οραματισμός
- περπάτησε
- θέλω
- ήταν
- Τρόπος..
- τρόπους
- we
- εβδομαδιαίος
- ΛΟΙΠΌΝ
- Τι
- πότε
- αν
- Ποιό
- ευρύς
- Ευρύ φάσμα
- θα
- με
- εντός
- χωρίς
- λέξη
- Εργασία
- γράφω
- γραπτή
- χρόνια
- Υόρκη
- Εσείς
- Σας
- zephyrnet
- Zip