Δημιουργήστε προβλέψεις ψυχρής εκκίνησης για προϊόντα χωρίς ιστορικά δεδομένα χρησιμοποιώντας το Amazon Forecast, τώρα έως και 45% πιο ακριβή

Τώρα με Πρόβλεψη του Αμαζονίου, μπορείτε να δημιουργήσετε έως και 45% πιο ακριβείς προβλέψεις για προϊόντα χωρίς ιστορικά δεδομένα. Το Forecast είναι μια διαχειριζόμενη υπηρεσία που χρησιμοποιεί μηχανική εκμάθηση (ML) για τη δημιουργία ακριβών προβλέψεων ζήτησης, χωρίς να απαιτείται εμπειρία ML. Η ακριβής πρόβλεψη είναι το θεμέλιο για τη βελτιστοποίηση του αποθέματος, τον προγραμματισμό logistics και τη διαχείριση του εργατικού δυναμικού και επιτρέπει στις επιχειρήσεις να είναι καλύτερα προετοιμασμένες για να εξυπηρετήσουν τους πελάτες τους. Πρόβλεψη ψυχρής εκκίνησης είναι μια κοινή πρόκληση όπου υπάρχει ανάγκη να δημιουργηθεί μια πρόβλεψη αλλά δεν υπάρχουν ιστορικά δεδομένα για το προϊόν. Αυτό είναι χαρακτηριστικό σε βιομηχανίες όπως το λιανικό εμπόριο, η μεταποίηση ή τα συσκευασμένα αγαθά καταναλωτή όπου γίνονται ταχείες εισαγωγές νέων προϊόντων με την εισαγωγή νέων προϊόντων στην αγορά, την εισαγωγή εμπορικών σημάτων ή καταλόγων για πρώτη φορά ή τη διασταυρούμενη πώληση προϊόντων σε νέες περιοχές. Με αυτήν την κυκλοφορία, βελτιώσαμε την υπάρχουσα προσέγγισή μας για την πρόβλεψη ψυχρής εκκίνησης και τώρα παρέχουμε προβλέψεις που είναι έως και 45% πιο ακριβείς.

Μπορεί να είναι δύσκολο να αναπτυχθεί ένα μοντέλο πρόβλεψης ψυχρής εκκίνησης, επειδή οι παραδοσιακές μέθοδοι στατιστικής πρόβλεψης, όπως ο Autoregressive Integrated Moving Average (ARIMA) ή η Exponential Smoothing, χτίζονται χρησιμοποιώντας την ιδέα ότι τα ιστορικά δεδομένα ενός προϊόντος μπορούν να χρησιμοποιηθούν για την πρόβλεψη των μελλοντικών του τιμών. Όμως, χωρίς ιστορικά δεδομένα, οι παράμετροι του μοντέλου δεν μπορούν να υπολογιστούν και επομένως το μοντέλο δεν μπορεί να κατασκευαστεί. Η Forecast είχε ήδη τη δυνατότητα να δημιουργεί προβλέψεις για προϊόντα ψυχρής εκκίνησης χρησιμοποιώντας ιδιόκτητα αλγόριθμοι νευρωνικών δικτύων όπως DeepAR+ και CNN-QR. Αυτά τα μοντέλα μαθαίνουν τις σχέσεις μεταξύ προϊόντων και μπορούν να δημιουργήσουν προβλέψεις για προϊόντα χωρίς ιστορικά δεδομένα. Η χρήση των μεταδεδομένων στοιχείων για τη δημιουργία αυτών των σχέσεων ήταν σιωπηρή, πράγμα που σήμαινε ότι τα δίκτυα δεν ήταν σε θέση να προεκβάλλουν πλήρως τα χαρακτηριστικά τάσης για προϊόντα ψυχρής εκκίνησης.

Σήμερα, παρουσιάσαμε μια νέα προσέγγιση για την πρόβλεψη ψυχρής εκκίνησης που είναι έως και 45% πιο ακριβής από πριν. Αυτή η προσέγγιση βελτιώνει την επεξεργασία των μεταδεδομένων στοιχείων μέσω των οποίων προσδιορίζουμε ρητά προϊόντα στο σύνολο δεδομένων σας που έχουν τα πιο παρόμοια χαρακτηριστικά με τα προϊόντα ψυχρής εκκίνησης. Εστιάζοντας σε αυτό το υποσύνολο παρόμοιων προϊόντων, μπορούμε να μάθουμε καλύτερα τις τάσεις για να δημιουργήσουμε μια πρόβλεψη για το προϊόν ψυχρής εκκίνησης. Για παράδειγμα, ένας λιανοπωλητής μόδας που παρουσιάζει μια νέα σειρά μπλουζών θα θέλει να προβλέψει τη ζήτηση για αυτήν τη σειρά για να βελτιστοποιήσει το απόθεμα του καταστήματος. Μπορείτε να παρέχετε στο Forecast δεδομένα ιστορικά για άλλα προϊόντα στον κατάλογό σας, όπως υπάρχουσες γραμμές μπλουζών, μπουφάν, παντελόνια και παπούτσια, καθώς και μεταδεδομένα αντικειμένων όπως επωνυμία, χρώμα, μέγεθος και κατηγορία προϊόντων τόσο για νέα όσο και για υπάρχοντα προϊόντα. Με αυτά τα μεταδεδομένα, το Forecast εντοπίζει αυτόματα τα προϊόντα που σχετίζονται περισσότερο με τη νέα σειρά T-shirt και τα χρησιμοποιεί για να δημιουργήσει προβλέψεις για τη σειρά T-shirt.

Αυτή η δυνατότητα είναι διαθέσιμη σε όλες τις Περιφέρειες όπου η Πρόβλεψη είναι δημόσια διαθέσιμη μέσω του Κονσόλα διαχείρισης AWS ή η AutoPredictor API. Για περισσότερες πληροφορίες σχετικά με τη διαθεσιμότητα της περιοχής, βλ Περιφερειακές υπηρεσίες AWS. Για να ξεκινήσετε να χρησιμοποιείτε το Forecast για πρόβλεψη ψυχρής εκκίνησης, ανατρέξτε στο Δημιουργία Προβλέψεων ή η Σημειωματάριο GitHub.

Επισκόπηση λύσεων

Τα βήματα σε αυτήν την ανάρτηση δείχνουν πώς να χρησιμοποιήσετε το Forecast για πρόβλεψη ψυχρής εκκίνησης στο Κονσόλα διαχείρισης AWS. Ακολουθούμε ένα παράδειγμα ενός λιανοπωλητή που δημιουργεί μια πρόβλεψη ζήτησης αποθέματος για ένα προϊόν που κυκλοφόρησε πρόσφατα ακολουθώντας τα τρία βήματα στην Πρόβλεψη: εισαγωγή των δεδομένων σας, εκπαίδευση ενός προγνωστικού μέσου και δημιουργία πρόβλεψης. Για να χρησιμοποιήσετε απευθείας το Forecast API για πρόβλεψη ψυχρής εκκίνησης, ακολουθήστε το σημειωματάριο στο δικό μας GitHub repo, το οποίο παρέχει μια ανάλογη επίδειξη.

Εισαγάγετε τα δεδομένα προπόνησής σας

Για να χρησιμοποιήσετε τη νέα μέθοδο πρόβλεψης ψυχρής εκκίνησης, πρέπει να εισαγάγετε δύο αρχεία CSV: ένα αρχείο που περιέχει τα δεδομένα χρονικής σειράς προορισμού (που δείχνει τον στόχο πρόβλεψης) και ένα άλλο αρχείο που περιέχει τα μεταδεδομένα του στοιχείου (που εμφανίζει χαρακτηριστικά προϊόντος, όπως το μέγεθος ή το χρώμα). Το Forecast προσδιορίζει τα προϊόντα ψυχρής εκκίνησης ως προϊόντα που υπάρχουν στο αρχείο μεταδεδομένων του στοιχείου αλλά δεν υπάρχουν στο αρχείο χρονοσειρών προορισμού.

Για να προσδιορίσετε σωστά το προϊόν ψυχρής εκκίνησης, βεβαιωθείτε ότι το αναγνωριστικό στοιχείου του προϊόντος ψυχρής εκκίνησης έχει εισαχθεί ως μια σειρά στο αρχείο μεταδεδομένων του στοιχείου σας και ότι δεν περιέχεται στο αρχείο στοχευόμενης χρονικής σειράς. Για πολλά προϊόντα ψυχρής εκκίνησης, εισαγάγετε κάθε αναγνωριστικό στοιχείου προϊόντος ως ξεχωριστή σειρά στο αρχείο μεταδεδομένων του στοιχείου. Εάν δεν έχετε ακόμη ένα αναγνωριστικό στοιχείου για το προϊόν ψυχρής εκκίνησης, μπορείτε να χρησιμοποιήσετε οποιονδήποτε αλφαριθμητικό συνδυασμό μικρότερο από 64 χαρακτήρες που δεν είναι ήδη αντιπροσωπευτικός άλλου προϊόντος στο σύνολο δεδομένων σας.

Στο παράδειγμά μας, το αρχείο χρονικής σειράς προορισμού περιέχει το αναγνωριστικό στοιχείου προϊόντος, τη χρονική σήμανση και τη ζήτηση (απόθεμα) και το αρχείο μεταδεδομένων του στοιχείου περιέχει το αναγνωριστικό, το χρώμα, την κατηγορία προϊόντος και την τοποθεσία του προϊόντος.

Για να εισαγάγετε τα δεδομένα σας, ολοκληρώστε τα παρακάτω βήματα:

1. Στην κονσόλα πρόβλεψης, επιλέξτε Προβολή ομάδων δεδομένων.

2. Επιλέξτε Δημιουργία ομάδας δεδομένων.

3. Για Όνομα ομάδας ομάδας δεδομένων, εισαγάγετε ένα όνομα δεδομένων (για αυτήν την ανάρτηση, my_company_shoe_inventory).
4. Για τον τομέα πρόβλεψης, επιλέξτε έναν τομέα πρόβλεψης (για αυτήν την ανάρτηση, Λιανική πώληση).
5. Επιλέξτε Επόμενο.

6. Στη σελίδα Δημιουργία συνόλου δεδομένων χρονικής σειράς στόχου, καταχωρίστε το όνομα του συνόλου, τη συχνότητα των δεδομένων σας και το σχήμα δεδομένων.
7. Δώστε τις λεπτομέρειες εισαγωγής δεδομένων.
8. Επιλέξτε Έναρξη.

Το ακόλουθο στιγμιότυπο οθόνης δείχνει τις πληροφορίες για τη σελίδα χρονοσειράς-στόχου που συμπληρώθηκαν για το παράδειγμά μας.

Ανακατευθυνθείτε στον πίνακα ελέγχου που μπορείτε να χρησιμοποιήσετε για να παρακολουθείτε την πρόοδο.

1. Για να εισαγάγετε το αρχείο μεταδεδομένων του στοιχείου, στον πίνακα εργαλείων, επιλέξτε εισαγωγή.

2. Στις Δημιουργία δεδομένων μεταδεδομένων στοιχείων σελίδα, δώστε το όνομα του συνόλου και το σχήμα δεδομένων.
3. Δώστε τις λεπτομέρειες εισαγωγής δεδομένων.
4. Επιλέξτε Αρχική.

Το παρακάτω στιγμιότυπο οθόνης δείχνει τις πληροφορίες που συμπληρώσαμε για το παράδειγμά μας.

Εκπαίδευση προγνωστικού

Στη συνέχεια, εκπαιδεύουμε έναν προγνωστικό.

1. Στον πίνακα ελέγχου, επιλέξτε Εκπαίδευση πρόγνωσης.

2. Στις Εκπαίδευση πρόγνωσης σελίδα, εισαγάγετε ένα όνομα για τον προγνωστικό σας, πόσο καιρό στο μέλλον θέλετε να κάνετε πρόβλεψη και με ποια συχνότητα, καθώς και τον αριθμό των τεσσάρων για τα οποία θέλετε να κάνετε πρόβλεψη.
3. Ενεργοποίηση AutoPredictor. Αυτό απαιτείται για την πρόβλεψη ψυχρής εκκίνησης.
4. Επιλέξτε Δημιουργία.

Το παρακάτω στιγμιότυπο οθόνης δείχνει τις πληροφορίες που συμπληρώσαμε για το παράδειγμά μας.

Δημιουργήστε μια πρόβλεψη

Αφού εκπαιδευτεί ο προγνωστικός μας (αυτό μπορεί να διαρκέσει περίπου 2.5 ώρες), δημιουργούμε μια πρόβλεψη για το προϊόν που κυκλοφόρησε πρόσφατα. Θα ξέρετε ότι ο προγνωστικός σας είναι εκπαιδευμένος όταν δείτε το Προβολή Προγνωστικών κουμπί στο ταμπλό σας.

1. Επιλέξτε Δημιουργήστε μια πρόβλεψη στο ταμπλό.

2. Στις Δημιουργήστε μια πρόβλεψη σελίδα, εισαγάγετε ένα όνομα πρόβλεψης, επιλέξτε τον προγνωστικό παράγοντα που δημιουργήσατε και καθορίστε τα ποσοστά πρόβλεψης (προαιρετικά) και τα στοιχεία για τη δημιουργία πρόβλεψης.
3. Επιλέξτε Αρχική.

Εξαγάγετε τις προβλέψεις σας

Αφού δημιουργηθεί η πρόβλεψή σας, μπορείτε να εξαγάγετε τα δεδομένα σε CSV. Θα γνωρίζετε ότι η πρόβλεψή σας δημιουργείται όταν δείτε ότι η κατάσταση είναι ενεργή.

1. Επιλέξτε Δημιουργία εξαγωγής πρόβλεψης.

2. Εισαγάγετε το όνομα του αρχείου εξαγωγής (για αυτήν την ανάρτηση, my_cold_start_forecast_export).
3. Για Τοποθεσία εξαγωγής, καθορίστε το Απλή υπηρεσία αποθήκευσης Amazon Τοποθεσία (Amazon S3).
4. Επιλέξτε Αρχική.

5. Για να πραγματοποιήσετε λήψη της εξαγωγής, μεταβείτε στη θέση διαδρομής του αρχείου S3 από την κονσόλα και, στη συνέχεια, επιλέξτε το αρχείο και επιλέξτε Λήψη.

Το αρχείο εξαγωγής περιέχει τη χρονική σήμανση, το αναγνωριστικό στοιχείου, τα μεταδεδομένα του στοιχείου και τις προβλέψεις για κάθε επιλεγμένο ποσό.

Δείτε τις προβλέψεις σας

Αφού δημιουργηθεί η πρόβλεψή σας, μπορείτε να προβάλετε τις προβλέψεις για τα νέα προϊόντα γραφικά στην κονσόλα.

1. Επιλέξτε Πρόβλεψη ερωτήματος στο ταμπλό.

2. Επιλέξτε το όνομα της πρόβλεψης που δημιουργήθηκε στο προηγούμενο βήμα (my_cold_start_forecast στο παράδειγμά μας).
3. Εισαγάγετε την ημερομηνία έναρξης και την ημερομηνία λήξης από την οποία θέλετε να δείτε την πρόβλεψή σας.
4. Στο πεδίο αναγνωριστικό στοιχείου για το κλειδί πρόβλεψης, προσθέστε το μοναδικό αναγνωριστικό του προϊόντος ψυχρής εκκίνησης.
5. Επιλέξτε Λάβετε πρόβλεψη.

Στο σχήμα, θα δείτε την πρόβλεψη για οποιοδήποτε επιλεγμένο ποσό.

Συμπέρασμα

Με το Forecast, μπορείτε να αποκτήσετε τις ίδιες πληροφορίες πρόβλεψης για προϊόντα ψυχρής εκκίνησης χωρίς ιστορικά δεδομένα, τώρα έως και 45% πιο ακριβή από πριν. Για να δημιουργήσετε προβλέψεις ψυχρής εκκίνησης με το Forecast, ανοίξτε την κονσόλα Forecast και ακολουθήστε τα βήματα που περιγράφονται σε αυτήν την ανάρτηση ή ανατρέξτε στο Σημειωματάριο GitHub σχετικά με τον τρόπο πρόσβασης στη λειτουργικότητα μέσω API. Για να μάθετε περισσότερα, ανατρέξτε στο Δημιουργία Προβλέψεων.

---

Σχετικά με τους συγγραφείς

Μπράντον Ναίρ είναι Ανώτερος Διευθυντής Προϊόντων για το Amazon Forecast. Το επαγγελματικό του ενδιαφέρον έγκειται στη δημιουργία κλιμακούμενων υπηρεσιών και εφαρμογών μηχανικής μάθησης. Εκτός δουλειάς μπορεί να βρεθεί να εξερευνά εθνικά πάρκα, να τελειοποιεί την κούνια του γκολφ ή να σχεδιάζει ένα ταξίδι περιπέτειας.

Manas Dadarkar είναι Διευθυντής Ανάπτυξης Λογισμικού που κατέχει τη μηχανική της υπηρεσίας Amazon Forecast. Είναι παθιασμένος με τις εφαρμογές της μηχανικής μάθησης και να κάνει τις τεχνολογίες ML εύκολα διαθέσιμες σε όλους για υιοθέτηση και ανάπτυξη στην παραγωγή. Εκτός δουλειάς, έχει πολλά ενδιαφέροντα, όπως ταξίδια, διάβασμα και να περνά χρόνο με φίλους και οικογένεια.

Μπχαράτ Νανταμούρι είναι Sr Μηχανικός Λογισμικού που εργάζεται στο Amazon Forecast. Είναι παθιασμένος με τη δημιουργία υπηρεσιών υποστήριξης υψηλής κλίμακας με έμφαση στη Μηχανική για συστήματα ML. Εκτός δουλειάς, του αρέσει να παίζει σκάκι, να κάνει πεζοπορία και να βλέπει ταινίες.

Γκάουραβ Γκούπτα είναι Εφαρμοσμένος Επιστήμονας στα εργαστήρια AWS AI και στο Amazon Forecast. Τα ερευνητικά του ενδιαφέροντα έγκεινται στη μηχανική μάθηση για διαδοχικά δεδομένα, στην εκμάθηση χειριστή για μερικές διαφορικές εξισώσεις, στα κυματίδια. Ολοκλήρωσε το διδακτορικό του από το Πανεπιστήμιο της Νότιας Καλιφόρνια πριν ενταχθεί στο AWS.