Αυτοματοποιήστε την πρόβλεψη χρονοσειρών στο Snowflake χρησιμοποιώντας το Amazon Forecast

Αυτή η ανάρτηση είναι μια κοινή συνεργασία με τους Andries Engelbrecht και James Sun της Snowflake, Inc.

Η επανάσταση του cloud computing έδωσε τη δυνατότητα στις επιχειρήσεις να συλλαμβάνουν και να διατηρούν εταιρικά και οργανωτικά δεδομένα χωρίς περιορισμούς προγραμματισμού χωρητικότητας ή διατήρησης δεδομένων. Τώρα, με ποικίλα και τεράστια αποθέματα διαχρονικών δεδομένων, οι εταιρείες είναι ολοένα και πιο ικανές να βρίσκουν νέους και αποτελεσματικούς τρόπους για να χρησιμοποιούν τα ψηφιακά τους στοιχεία για να λαμβάνουν καλύτερες και τεκμηριωμένες αποφάσεις όταν λαμβάνουν αποφάσεις βραχυπρόθεσμου και μακροπρόθεσμου προγραμματισμού. Η πρόβλεψη χρονοσειρών είναι μια μοναδική και ουσιαστική επιστήμη που επιτρέπει στις εταιρείες να λαμβάνουν αποφάσεις χειρουργικού σχεδιασμού για να βοηθήσουν στην εξισορρόπηση των επιπέδων εξυπηρέτησης πελατών έναντι συχνά ανταγωνιστικών στόχων βέλτιστης κερδοφορίας.

Στην AWS, μερικές φορές συνεργαζόμαστε με πελάτες που έχουν επιλέξει τον τεχνολογικό συνεργάτη μας Νιφάδα χιονιού για να προσφέρει μια εμπειρία πλατφόρμας δεδομένων cloud. Η ύπαρξη μιας πλατφόρμας που μπορεί να ανακαλεί χρόνια και χρόνια ιστορικών δεδομένων είναι ισχυρή—αλλά πώς μπορείτε να χρησιμοποιήσετε αυτά τα δεδομένα για να κοιτάξετε μπροστά και να χρησιμοποιήσετε τα στοιχεία του χθες για να σχεδιάσετε το αύριο; Φανταστείτε όχι μόνο να έχετε αυτό που συνέβη διαθέσιμο στο Snowflake - τη δική σας μοναδική εκδοχή της αλήθειας - αλλά και ένα παρακείμενο σύνολο δεδομένων χωρίς σιλό που προσφέρει μια πιθανολογική πρόβλεψη για ημέρες, εβδομάδες ή μήνες στο μέλλον.

Σε μια συνεργατική αλυσίδα εφοδιασμού, η ανταλλαγή πληροφοριών μεταξύ των εταίρων μπορεί να βελτιώσει την απόδοση, να αυξήσει την ανταγωνιστικότητα και να μειώσει τη σπατάλη πόρων. Μπορεί να διευκολυνθεί η κοινή χρήση των μελλοντικών σας προβλέψεων Κοινή χρήση δεδομένων νιφάδας χιονιού, το οποίο σας δίνει τη δυνατότητα να συνεργάζεστε απρόσκοπτα με τους επιχειρηματικούς σας εταίρους με ασφάλεια και να αναγνωρίζετε επιχειρηματικές πληροφορίες. Εάν πολλοί εταίροι μοιράζονται τις προβλέψεις τους, μπορεί να βοηθήσει στον έλεγχο του φαινομένου bullwhip στη συνδεδεμένη αλυσίδα εφοδιασμού. Μπορείτε να χρησιμοποιήσετε αποτελεσματικά Αγορά νιφάδων χιονιού για να δημιουργήσετε έσοδα από τα προγνωστικά αναλυτικά στοιχεία σας από σύνολα δεδομένων που παράγονται στο Πρόβλεψη του Αμαζονίου.

Σε αυτήν την ανάρτηση, συζητάμε πώς να εφαρμόσετε μια αυτοματοποιημένη λύση πρόβλεψης χρονοσειρών χρησιμοποιώντας το Snowflake και το Forecast.

Βασικές υπηρεσίες AWS που επιτρέπουν αυτήν τη λύση

Το Forecast παρέχει αρκετούς προηγμένους αλγόριθμους χρονοσειρών και διαχειρίζεται την κατανομή αρκετής κατανεμημένης υπολογιστικής χωρητικότητας για να καλύψει τις ανάγκες σχεδόν οποιουδήποτε φόρτου εργασίας. Με το Forecast, δεν έχετε ένα μοντέλο. λαμβάνετε τη δύναμη πολλών μοντέλων που βελτιστοποιούνται περαιτέρω σε ένα μοναδικά σταθμισμένο μοντέλο για κάθε χρονοσειρά του σετ. Εν ολίγοις, η υπηρεσία παρέχει όλη την επιστήμη, το χειρισμό δεδομένων και τη διαχείριση πόρων σε μια απλή κλήση API.

Λειτουργίες βημάτων AWS παρέχει έναν μηχανισμό ενορχήστρωσης διεργασιών που διαχειρίζεται τη συνολική ροή εργασίας. Η υπηρεσία ενσωματώνει κλήσεις API με Αμαζόν Αθηνά, AWS Lambdaκαι το Forecast για τη δημιουργία μιας αυτοματοποιημένης λύσης που συλλέγει δεδομένα από το Snowflake, χρησιμοποιεί το Forecast για να μετατρέψει ιστορικά δεδομένα σε μελλοντικές προβλέψεις και, στη συνέχεια, δημιουργεί τα δεδομένα μέσα στο Snowflake.

Τα ομοσπονδιακά ερωτήματα της Athena μπορούν να συνδεθούν με πολλές πηγές δεδομένων επιχειρήσεων, μεταξύ των οποίων Amazon DynamoDB, Amazon RedShift, Amazon OpenSearch Service, MySQL, PostgreSQL, Redis και άλλα δημοφιλή καταστήματα δεδομένων τρίτων, όπως το Snowflake. Οι σύνδεσμοι δεδομένων εκτελούνται ως λειτουργίες Lambda—μπορείτε να χρησιμοποιήσετε αυτόν τον πηγαίο κώδικα για να βοηθήσετε στην εκκίνηση του Σύνδεσμος χιονονιφάδας Amazon Athena Lambda και συνδεθείτε με AWS PrivateLink ή μέσω μιας πύλης NAT.

Επισκόπηση λύσεων

Ένα από τα πράγματα που κάνουμε συχνά στην AWS είναι να εργαζόμαστε για να βοηθήσουμε τους πελάτες να πραγματοποιήσουν τους στόχους τους, αφαιρώντας ταυτόχρονα το βάρος της αδιαφοροποίητης άρσης βαρέων βαρών. Έχοντας αυτό υπόψη, προτείνουμε τα εξής λύση για να βοηθήσετε τους πελάτες AWS και Snowflake να εκτελέσουν τα ακόλουθα βήματα:

1. Εξαγωγή δεδομένων από το Snowflake. Μπορείτε να χρησιμοποιήσετε ευέλικτα μεταδεδομένα για να ξεφορτώσετε τα απαραίτητα ιστορικά δεδομένα που προέρχονται από μια έτοιμη ροή εργασιών.
2. Εισαγωγή δεδομένων στο Forecast. Ανεξάρτητα από την περίπτωση χρήσης, τη βιομηχανία ή την κλίμακα, η εισαγωγή έτοιμων εισροών δεδομένων είναι εύκολη και αυτοματοποιημένη.
3. Εκπαιδεύστε ένα μοντέλο χρονοσειράς τελευταίας τεχνολογίας. Μπορείτε να αυτοματοποιήσετε την πρόβλεψη χρονοσειρών χωρίς να διαχειριστείτε την υποκείμενη επιστήμη δεδομένων ή την παροχή υλικού.
4. Δημιουργήστε συμπεράσματα σε σχέση με το εκπαιδευμένο μοντέλο. Τα αποτελέσματα που παράγονται από προβλέψεις είναι εύκολο να καταναλωθούν για οποιονδήποτε σκοπό. Διατίθενται ως απλά αρχεία CSV ή Parquet Απλή υπηρεσία αποθήκευσης Amazon (Amazon S3).
5. Χρησιμοποιήστε το ιστορικό και τις μελλοντικές προβλέψεις δίπλα-δίπλα απευθείας στο Snowflake.

Το παρακάτω διάγραμμα δείχνει τον τρόπο υλοποίησης μιας αυτοματοποιημένης ροής εργασιών που επιτρέπει στους πελάτες του Snowflake να επωφεληθούν από εξαιρετικά ακριβείς προβλέψεις χρονοσειρών που υποστηρίζονται από το Forecast, μια διαχειριζόμενη υπηρεσία AWS. Ξεπερνώντας την περίπτωση χρήσης και τη βιομηχανία, το σχέδιο που προσφέρεται εδώ εξάγει πρώτα ιστορικά δεδομένα από το Snowflake. Στη συνέχεια, η ροή εργασίας υποβάλλει τα προετοιμασμένα δεδομένα για υπολογισμό χρονοσειρών. Τέλος, οι προβλέψεις μελλοντικής περιόδου είναι διαθέσιμες εγγενώς στο Snowflake, δημιουργώντας μια απρόσκοπτη εμπειρία χρήστη για κοινούς πελάτες AWS και Snowflake.

Αν και αυτή η αρχιτεκτονική υπογραμμίζει μόνο τις βασικές τεχνικές λεπτομέρειες, η λύση είναι απλή στη σύνθεση, μερικές φορές μέσα σε 1-2 εργάσιμες ημέρες. Σας παρέχουμε λειτουργικό δείγμα κώδικα για να βοηθήσετε στην άρση της αδιαφοροποίητης ανύψωσης βαρέων βαρών από τη δημιουργία της λύσης μόνη της και χωρίς εκκίνηση. Αφού ανακαλύψετε πώς να εφαρμόσετε αυτό το μοτίβο για έναν φόρτο εργασίας, μπορείτε να επαναλάβετε τη διαδικασία πρόβλεψης για τυχόν δεδομένα που φυλάσσονται στο Snowflake. Στις ενότητες που ακολουθούν, περιγράφουμε τα βασικά βήματα που σας δίνουν τη δυνατότητα να δημιουργήσετε έναν αυτοματοποιημένο αγωγό.

Εξαγωγή ιστορικών δεδομένων από το Snowflake

Σε αυτό το πρώτο βήμα, χρησιμοποιείτε την SQL για να ορίσετε ποια δεδομένα θέλετε να προβλέπονται και αφήνετε ένα Athena Federated Query να συνδεθεί με το Snowflake, να εκτελέσει την προσαρμοσμένη SQL και να διατηρήσει το σύνολο εγγραφών που προκύπτει στο Amazon S3. Η πρόβλεψη απαιτεί τα ιστορικά δεδομένα εκπαίδευσης να είναι διαθέσιμα στο Amazon S3 πριν από την κατάποση. Επομένως, το Amazon S3 χρησιμεύει ως ενδιάμεσος αποθηκευτικός χώρος αποθήκευσης μεταξύ του Snowflake και του Forecast. Διαθέτουμε το Athena σε αυτό το σχέδιο για να ενεργοποιήσουμε το Snowflake και άλλες ετερογενείς πηγές δεδομένων. Εάν προτιμάτε, μια άλλη προσέγγιση είναι η χρήση της εντολής Snowflake COPY και της ενσωμάτωσης αποθήκευσης για την εγγραφή αποτελεσμάτων ερωτημάτων στο Amazon S3.

Ανεξάρτητα από τον μηχανισμό μεταφοράς που χρησιμοποιείται, τώρα περιγράφουμε το είδος των δεδομένων που χρειάζεται η Πρόβλεψη και πώς ορίζονται, προετοιμάζονται και εξάγονται τα δεδομένα. Στην ενότητα που ακολουθεί, περιγράφουμε τον τρόπο εισαγωγής δεδομένων στο Forecast.

Το ακόλουθο στιγμιότυπο οθόνης απεικονίζει πώς μπορεί να μοιάζει ένα σύνολο δεδομένων στο εγγενές σχήμα Snowflake.

Αν και αυτό το στιγμιότυπο οθόνης δείχνει πώς φαίνονται τα δεδομένα στη φυσική τους κατάσταση, το Forecast απαιτεί τη διαμόρφωση των δεδομένων σε τρία διαφορετικά σύνολα δεδομένων:

• Χρονοσειρές στόχου – Αυτό είναι ένα απαιτούμενο σύνολο δεδομένων που περιέχει τη μεταβλητή-στόχο και χρησιμοποιείται για την εκπαίδευση και την πρόβλεψη μιας μελλοντικής τιμής. Από μόνο του, αυτό το σύνολο δεδομένων χρησιμεύει ως μοντέλο μονομεταβλητής χρονοσειράς.
• Σχετικές χρονοσειρές – Αυτό είναι ένα προαιρετικό σύνολο δεδομένων που περιέχει χρονικές μεταβλητές που θα πρέπει να έχουν σχέση με τη μεταβλητή-στόχο. Στα παραδείγματα περιλαμβάνονται η μεταβλητή τιμολόγηση, οι προσπάθειες προώθησης, η επισκεψιμότητα υπερτοπικών συμβάντων, τα δεδομένα οικονομικών προοπτικών — οτιδήποτε πιστεύετε ότι μπορεί να σας βοηθήσει να εξηγήσετε τη διακύμανση στη χρονική σειρά-στόχο και να δημιουργήσετε μια καλύτερη πρόβλεψη. Το σχετικό σύνολο δεδομένων χρονοσειρών μετατρέπει το μονομεταβλητό μοντέλο σας σε πολυμεταβλητό για να συμβάλει στη βελτίωση της ακρίβειας.
• Μεταδεδομένα στοιχείου – Αυτό είναι ένα προαιρετικό σύνολο δεδομένων που περιέχει κατηγορικά δεδομένα για το προβλεπόμενο στοιχείο. Τα μεταδεδομένα στοιχείων συχνά συμβάλλουν στην ενίσχυση της απόδοσης για προϊόντα που κυκλοφόρησαν πρόσφατα, τα οποία ονομάζουμε α κρύα εκκίνηση.

Με καθορισμένο το εύρος καθενός από τα σύνολα δεδομένων Πρόβλεψης, μπορείτε να γράψετε ερωτήματα στο Snowflake που προέρχονται τα σωστά πεδία δεδομένων από τους απαραίτητους πίνακες προέλευσης με τα κατάλληλα φίλτρα για να λάβετε το επιθυμητό υποσύνολο δεδομένων. Ακολουθούν τρία παραδείγματα ερωτημάτων SQL που χρησιμοποιούνται για τη δημιουργία κάθε συνόλου δεδομένων που χρειάζεται το Forecast για ένα συγκεκριμένο σενάριο σχεδιασμού ζήτησης τροφίμων.

Ξεκινάμε με το ερώτημα χρονοσειράς-στόχου:

select LOCATION_ID, ITEM_ID, 
DATE_DEMAND as TIMESTAMP, QTY_DEMAND as TARGET_VALUE 
from DEMO.FOOD_DEMAND

Το προαιρετικό σχετικό ερώτημα χρονοσειράς τραβάει συμμεταβλητές, όπως τιμή και προωθητικό:

select LOCATION_ID,ITEM_ID, DATE_DEMAND as TIMESTAMP,
CHECKOUT_PRICE, BASE_PRICE,
EMAILER_FOR_PROMOTION, HOMEPAGE_FEATURED
from DEMO.FOOD_DEMAND

Το ερώτημα μεταδεδομένων στοιχείου ανακτά διακριτές κατηγορικές τιμές που βοηθούν να δοθεί διάσταση και να καθοριστεί περαιτέρω το προβλεπόμενο στοιχείο:

select DISTINCT ITEM_ID, FOOD_CATEGORY, FOOD_CUISINE
from DEMO.FOOD_DEMAND

Με καθορισμένα τα ερωτήματα πηγής, μπορούμε να συνδεθούμε στο Snowflake μέσω ενός Ομοσπονδιακού Ερωτήματος Athena για να υποβάλουμε τα ερωτήματα και να διατηρήσουμε τα προκύπτοντα σύνολα δεδομένων για χρήση πρόβλεψης. Για περισσότερες πληροφορίες, ανατρέξτε στο Ερώτηση Νιφάδα Χιονιού χρησιμοποιώντας το Athena Federated Query και συμμετοχή με δεδομένα στη λίμνη δεδομένων Amazon S3.

Η Athena Snowflake Connector GitHub repo βοηθά στην εγκατάσταση της υποδοχής Snowflake. ο Πρόβλεψη αποθετηρίου MLOps GitHub βοηθά στην ενορχήστρωση όλων των βημάτων μακροεντολής που ορίζονται σε αυτήν την ανάρτηση και τα καθιστά επαναλαμβανόμενα χωρίς να γράφετε κώδικα.

Εισαγωγή δεδομένων στο Forecast

Αφού ολοκληρώσουμε το προηγούμενο βήμα, ένα σύνολο δεδομένων χρονικής σειράς-στόχου βρίσκεται στο Amazon S3 και είναι έτοιμο για εισαγωγή στο Forecast. Επιπλέον, οι προαιρετικές σχετικές χρονικές σειρές και τα σύνολα δεδομένων μεταδεδομένων στοιχείων μπορούν επίσης να προετοιμαστούν και να είναι έτοιμα για απορρόφηση. Με τα προβλεπόμενα Πρόβλεψη λύσης MLOps, το μόνο που έχετε να κάνετε εδώ είναι να εκκινήσετε το μηχάνημα κατάστασης Step Functions που είναι υπεύθυνο για την εισαγωγή δεδομένων—δεν απαιτείται κωδικός. Το Forecast εκκινεί ένα σύμπλεγμα για καθένα από τα σύνολα δεδομένων που έχετε παράσχει και καθιστά τα δεδομένα έτοιμα για χρήση από την υπηρεσία για τη δημιουργία μοντέλων ML και την εξαγωγή συμπερασμάτων μοντέλων.

Δημιουργήστε ένα μοντέλο ML χρονοσειράς με στατιστικά στοιχεία ακρίβειας

Μετά την εισαγωγή των δεδομένων, δημιουργούνται μοντέλα χρονοσειρών υψηλής ακρίβειας με απλή κλήση ενός API. Αυτό το βήμα είναι ενσωματωμένο σε μια μηχανή κατάστασης Step Functions που εκκινεί το Forecast API για να ξεκινήσει η εκπαίδευση μοντέλων. Αφού εκπαιδευτεί το μοντέλο πρόβλεψης, το μηχάνημα κατάστασης εξάγει τα στατιστικά και τις προβλέψεις του μοντέλου κατά τη διάρκεια του παραθύρου backtest στο Amazon S3. Οι εξαγωγές backtest μπορούν να αναζητηθούν από το Snowflake ως εξωτερικό στάδιο, όπως φαίνεται στο παρακάτω στιγμιότυπο οθόνης. Εάν προτιμάτε, μπορείτε να αποθηκεύσετε τα δεδομένα σε ένα εσωτερικό στάδιο. Το θέμα είναι να χρησιμοποιήσετε τις μετρήσεις backtest για να αξιολογήσετε την κατανομή απόδοσης των χρονοσειρών στο παρεχόμενο σύνολο δεδομένων σας.

Δημιουργήστε μελλοντικές προβλέψεις

Με το μοντέλο που έχει εκπαιδευτεί από το προηγούμενο βήμα, μια ειδικά κατασκευασμένη μηχανή κατάστασης Step Functions καλεί το Forecast API για να δημιουργήσει προβλέψεις με μελλοντική ημερομηνία. Η πρόβλεψη παρέχει ένα σύμπλεγμα για την εκτέλεση του συμπεράσματος και αντλεί τις εισαγόμενες χρονικές σειρές-στόχους, τις σχετικές χρονικές σειρές και τα σύνολα δεδομένων μεταδεδομένων στοιχείων μέσω ενός ονομασμένου μοντέλου πρόβλεψης που δημιουργήθηκε στο προηγούμενο βήμα. Αφού δημιουργηθούν οι προβλέψεις, η μηχανή κατάστασης τις γράφει στο Amazon S3, όπου, για άλλη μια φορά, μπορούν να αναζητηθούν στη θέση τους ως εξωτερικό στάδιο Snowflake ή να μετακινηθούν στο Snowflake ως εσωτερικό στάδιο.

Χρησιμοποιήστε τα δεδομένα πρόβλεψης με ημερομηνία μέλλοντος απευθείας στο Snowflake

Η AWS δεν έχει δημιουργήσει μια πλήρως αυτοματοποιημένη λύση για αυτό το βήμα. Ωστόσο, με τη λύση σε αυτήν την ανάρτηση, τα δεδομένα παρήχθησαν ήδη από το Forecast στα δύο προηγούμενα βήματα. Μπορείτε να αντιμετωπίζετε τα αποτελέσματα ως συμβάντα με δυνατότητα δράσης ή να δημιουργήσετε πίνακες εργαλείων επιχειρηματικής ευφυΐας στα δεδομένα. Μπορείτε επίσης να χρησιμοποιήσετε τα δεδομένα για να δημιουργήσετε μελλοντικά σχέδια παραγωγής και παραγγελίες αγοράς, να εκτιμήσετε μελλοντικά έσοδα, να δημιουργήσετε σχέδια πόρων προσωπικού και άλλα. Κάθε περίπτωση χρήσης είναι διαφορετική, αλλά ο σκοπός αυτού του βήματος είναι να παραδώσετε τις προβλέψεις στα σωστά καταναλωτικά συστήματα στον οργανισμό σας ή και πέρα.

Το ακόλουθο απόσπασμα κώδικα δείχνει πώς να υποβάλετε ερωτήματα στα δεδομένα του Amazon S3 απευθείας από το Snowflake:

CREATE or REPLACE FILE FORMAT mycsvformat
type = 'CSV'
field_delimiter = ','
empty_field_as_null = TRUE
ESCAPE_UNENCLOSED_FIELD = None
skip_header = 1;

CREATE or REPLACE STORAGE INTEGRATION amazon_forecast_integration
TYPE = EXTERNAL_STAGE
STORAGE_PROVIDER = S3
STORAGE_AWS_ROLE_ARN = 'arn:aws:iam::nnnnnnnnnn:role/snowflake-forecast-poc-role'
ENABLED = true
STORAGE_ALLOWED_LOCATIONS = (
's3://bucket/folder/forecast',
's3://bucket/folder/backtest-export/accuracy-metrics-values',
's3://bucket/folder/backtest-export/forecasted-values';

CREATE or REPLACE STAGE backtest_accuracy_metrics
storage_integration = amazon_forecast_integration
url = 's3://bucket/folder/backtest-export/accuracy-metrics-values'
file_format = mycsvformat;

CREATE or REPLACE EXTERNAL TABLE FOOD_DEMAND_BACKTEST_ACCURACY_METRICS (
ITEM_ID varchar AS (value:c1::varchar),
LOCATION_ID varchar AS (value:c2::varchar),
backtest_window varchar AS (value:c3::varchar),
backtestwindow_start_time varchar AS (value:c4::varchar),
backtestwindow_end_time varchar AS (value:c5::varchar),
wQL_10 varchar AS (value:c6::varchar),
wQL_30 varchar AS (value:c7::varchar),
wQL_50 varchar AS (value:c8::varchar),
wQL_70 varchar AS (value:c9::varchar),
wQL_90 varchar AS (value:c10::varchar),
AVG_wQL varchar AS (value:c11::varchar),
RMSE varchar AS (value:c12::varchar),
WAPE varchar AS (value:c13::varchar),
MAPE varchar AS (value:c14::varchar),
MASE varchar AS (value:c15::varchar)
)
with location = @backtest_accuracy_metrics
FILE_FORMAT = (TYPE = CSV FIELD_DELIMITER = ',' SKIP_HEADER = 1);

Για περισσότερες πληροφορίες σχετικά με τη ρύθμιση αδειών, ανατρέξτε στο Επιλογή 1: Διαμόρφωση ενσωμάτωσης Snowflake Storage για πρόσβαση στο Amazon S3. Επιπλέον, μπορείτε να χρησιμοποιήσετε το Κατάλογος υπηρεσιών AWS για να διαμορφώσετε την ενσωμάτωση αποθήκευσης Amazon S3. περισσότερες πληροφορίες είναι διαθέσιμες στο GitHub repo.

Ξεκινήστε μια ροή εργασίας βάσει χρονοδιαγράμματος ή συμβάντων

Αφού εγκαταστήσετε μια λύση για τον συγκεκριμένο φόρτο εργασίας σας, το τελικό σας βήμα είναι να αυτοματοποιήσετε τη διαδικασία σε ένα χρονοδιάγραμμα που έχει νόημα για τις μοναδικές σας απαιτήσεις, όπως ημερήσιο ή εβδομαδιαίο. Το κύριο πράγμα είναι να αποφασίσετε πώς να ξεκινήσετε τη διαδικασία. Μια μέθοδος είναι να χρησιμοποιήσετε το Snowflake για να καλέσετε τη μηχανή κατάστασης των Λειτουργιών Βήματος και στη συνέχεια να ενορχηστρώσετε τα βήματα σειριακά. Μια άλλη προσέγγιση είναι η αλυσίδα των μηχανών κατάστασης μαζί και η έναρξη της συνολικής διαδρομής μέσω ενός Amazon EventBridge κανόνα, τον οποίο μπορείτε να διαμορφώσετε ώστε να εκτελείται από ένα συμβάν ή μια προγραμματισμένη εργασία—για παράδειγμα, στις 9:00 μ.μ. GMT-8 κάθε Κυριακή βράδυ.

Συμπέρασμα

Με την περισσότερη εμπειρία. το πιο αξιόπιστο, επεκτάσιμο και ασφαλές cloud. και το πιο ολοκληρωμένο σύνολο υπηρεσιών και λύσεων, το AWS είναι το καλύτερο μέρος για να ξεκλειδώσετε την αξία από τα δεδομένα σας και να τα μετατρέψετε σε πληροφορίες. Σε αυτήν την ανάρτηση, σας δείξαμε πώς να δημιουργήσετε μια αυτοματοποιημένη ροή εργασιών πρόβλεψης χρονοσειρών. Η καλύτερη πρόβλεψη μπορεί να οδηγήσει σε υψηλότερα αποτελέσματα εξυπηρέτησης πελατών, λιγότερα απόβλητα, λιγότερο απόθεμα σε αδράνεια και περισσότερα μετρητά στον ισολογισμό.

Εάν είστε έτοιμοι να αυτοματοποιήσετε και να βελτιώσετε τις προβλέψεις, είμαστε εδώ για να σας υποστηρίξουμε στο ταξίδι σας. Επικοινωνήστε με την ομάδα του λογαριασμού σας AWS ή Snowflake για να ξεκινήσετε σήμερα και ζητήστε ένα εργαστήριο προβλέψεων για να δείτε τι είδους αξία μπορείτε να ξεκλειδώσετε από τα δεδομένα σας.

Σχετικά με τους Συγγραφείς

Μπόσκο Αλμπουκέρκη είναι Sr. Partner Solutions Architect στην AWS και έχει πάνω από 20 χρόνια εμπειρίας σε συνεργασία με προϊόντα βάσεων δεδομένων και αναλυτικών στοιχείων από προμηθευτές εταιρικών βάσεων δεδομένων και παρόχους cloud. Έχει βοηθήσει εταιρείες τεχνολογίας να σχεδιάσουν και να εφαρμόσουν λύσεις και προϊόντα ανάλυσης δεδομένων.

Frank Dallezotte είναι αρχιτέκτονας λύσεων Sr. στην AWS και είναι παθιασμένος με τη συνεργασία με ανεξάρτητους προμηθευτές λογισμικού για το σχεδιασμό και την κατασκευή επεκτάσιμων εφαρμογών στο AWS. Έχει εμπειρία στη δημιουργία λογισμικού, στην υλοποίηση αγωγών κατασκευής και στην ανάπτυξη αυτών των λύσεων στο cloud.

Άντριες Ένγκελμπρεχτ είναι Principal Partner Solutions Architect στο Snowflake και συνεργάζεται με στρατηγικούς εταίρους. Ασχολείται ενεργά με στρατηγικούς εταίρους όπως η AWS που υποστηρίζει ενσωματώσεις προϊόντων και υπηρεσιών, καθώς και την ανάπτυξη κοινών λύσεων με συνεργάτες. Ο Andries έχει πάνω από 20 χρόνια εμπειρίας στον τομέα των δεδομένων και των αναλυτικών στοιχείων.

Τσαρλς Λάφλιν είναι Κύριος Αρχιτέκτονας Ειδικών Λύσεων AI/ML και εργάζεται στην ομάδα Time Series ML στο AWS. Βοηθά στη διαμόρφωση του οδικού χάρτη της υπηρεσίας Amazon Forecast και συνεργάζεται καθημερινά με διαφορετικούς πελάτες AWS για να βοηθήσει να μεταμορφώσουν τις επιχειρήσεις τους χρησιμοποιώντας τεχνολογίες αιχμής AWS και ηγετική ικανότητα σκέψης. Ο Charles είναι κάτοχος μεταπτυχιακού διπλώματος στη Διοίκηση Εφοδιαστικής Αλυσίδας και έχει περάσει την τελευταία δεκαετία δουλεύοντας στη βιομηχανία συσκευασμένων καταναλωτικών αγαθών.

Τζέιμς Σαν είναι Senior Partner Solutions Architect στο Snowflake. Ο James έχει πάνω από 20 χρόνια εμπειρίας στην αποθήκευση και την ανάλυση δεδομένων. Πριν από το Snowflake, κατείχε αρκετές ανώτερες τεχνικές θέσεις στην AWS και τη MapR. Ο Τζέιμς κατέχει διδακτορικό από το Πανεπιστήμιο του Στάνφορντ.