La previsión de series temporales se refiere al proceso de predecir valores futuros de datos de series temporales (datos que se recopilan a intervalos regulares a lo largo del tiempo). Los métodos simples para la previsión de series temporales utilizan valores históricos de la misma variable cuyos valores futuros deben predecirse, mientras que los métodos más complejos basados en aprendizaje automático (ML) utilizan información adicional, como los datos de series temporales de variables relacionadas.
Pronóstico del Amazonas es un servicio de pronóstico de series temporales basado en ML que incluye algoritmos que se basan en más de 20 años de experiencia en pronósticos utilizados por Amazon.com, brindando la misma tecnología utilizada en Amazon a los desarrolladores como un servicio totalmente administrado, eliminando la necesidad de administrar recursos. Forecast usa ML para aprender no solo el mejor algoritmo para cada elemento, sino también el mejor conjunto de algoritmos para cada elemento, creando automáticamente el mejor modelo para sus datos.
Esta publicación describe cómo implementar cargas de trabajo de pronóstico recurrentes (cargas de trabajo de pronóstico de series temporales) sin código usando Formación en la nube de AWS, Funciones de paso de AWSy Gerente de sistemas de AWS. El método que se presenta aquí lo ayuda a crear una canalización que le permite usar el mismo flujo de trabajo desde el primer día de su experimentación de pronóstico de series temporales hasta la implementación del modelo en producción.
Pronóstico de series de tiempo usando Forecast
El flujo de trabajo de Forecast involucra los siguientes conceptos comunes:
- Importación de conjuntos de datos – En Pronóstico, un grupo de conjunto de datos es una colección de conjuntos de datos, esquemas y resultados de pronóstico que van juntos. Cada grupo de conjuntos de datos puede tener hasta tres conjuntos de datos, uno de cada datos tipo: serie temporal objetivo (TTS), serie temporal relacionada (RTS) y metadatos del elemento. Un conjunto de datos es una colección de archivos que contienen datos relevantes para una tarea de previsión. Un conjunto de datos debe ajustarse al esquema definido en Forecast. Para obtener más detalles, consulte Importación de conjuntos de datos.
- Predictores de entrenamiento - Un vaticinador es un modelo entrenado en Forecast que se utiliza para hacer pronósticos basados en datos de series temporales. Durante el entrenamiento, Forecast calcula las métricas de precisión que usa para evaluar el predictor y decidir si usar el predictor para generar un pronóstico. Para obtener más información, consulte Predictores de entrenamiento.
- Generación de pronósticos – A continuación, puede utilizar el modelo entrenado para generar pronósticos para un horizonte de tiempo futuro, conocido como el horizonte de pronostico. Forecast proporciona pronósticos en varios cuantiles especificados. Por ejemplo, un pronóstico en el cuantil 0.90 estimará un valor inferior al valor observado el 90% del tiempo. De manera predeterminada, Forecast usa los siguientes valores para los tipos de pronóstico predictor: 0.1 (P10), 0.5 (P50) y 0.9 (P90). Los pronósticos en varios cuantiles se utilizan normalmente para proporcionar un intervalo de predicción (un límite superior e inferior para los pronósticos) para tener en cuenta la incertidumbre del pronóstico.
Puede implementar este flujo de trabajo en Forecast desde el Consola de administración de AWS, el Interfaz de línea de comandos de AWS (CLI de AWS), a través de Llamadas a la API mediante cuadernos de Python, o a través de soluciones de automatización. El un mueble consola y CLI de AWS Los métodos son los más adecuados para la experimentación rápida para comprobar la viabilidad de la previsión de series temporales utilizando sus datos. El método del cuaderno de Python es excelente para los científicos de datos que ya están familiarizados con los cuadernos y la codificación de Jupyter, y proporciona el máximo control y ajuste. Sin embargo, el método basado en cuadernos es difícil de poner en práctica. Nuestro enfoque de automatización facilita la experimentación rápida, elimina las tareas repetitivas y permite una transición más fácil entre varios entornos (desarrollo, puesta en escena, producción).
En esta publicación, describimos un enfoque de automatización para usar Forecast que le permite usar sus propios datos y proporciona un flujo de trabajo único que puede usar sin problemas a lo largo del ciclo de vida del desarrollo de su solución de pronóstico, desde los primeros días de experimentación hasta la implementación. de la solución en su entorno de producción.
Resumen de la solución
En las siguientes secciones, describimos un flujo de trabajo integral completo que sirve como plantilla a seguir para la implementación automatizada de modelos de pronóstico de series temporales mediante Forecast. Este flujo de trabajo crea puntos de datos pronosticados a partir de un conjunto de datos de entrada de código abierto; sin embargo, puede usar el mismo flujo de trabajo para sus propios datos, siempre que pueda formatear sus datos de acuerdo con los pasos descritos en esta publicación. Después de cargar los datos, lo guiamos a través de los pasos para crear grupos de conjuntos de datos de Pronóstico, importar datos, entrenar modelos de ML y producir puntos de datos pronosticados en futuros horizontes de tiempo no vistos a partir de datos sin procesar. Todo esto es posible sin tener que escribir o compilar código.
El siguiente diagrama ilustra el flujo de trabajo de previsión.
La solución se implementa mediante dos plantillas de CloudFormation: la plantilla de dependencias y la plantilla de carga de trabajo. CloudFormation le permite realizar implementaciones de infraestructura de AWS de manera predecible y repetida mediante el uso de plantillas que describen los recursos que se implementarán. Una plantilla implementada se conoce como montón. Nos hemos encargado de definir la infraestructura de la solución para usted en las dos plantillas proporcionadas. La plantilla de dependencias define los recursos de requisitos previos utilizados por la plantilla de carga de trabajo, como un Servicio de almacenamiento simple de Amazon (Amazon S3) cubeta para almacenamiento de objetos y Gestión de identidades y accesos de AWS (IAM) para las acciones de la API de AWS. Los recursos definidos en la plantilla de dependencias pueden ser compartidos por varias plantillas de carga de trabajo. La plantilla de carga de trabajo define los recursos utilizados para ingerir datos, entrenar un predictor y generar un pronóstico.
Implementar la plantilla de CloudFormation de dependencias
Primero, implementemos la plantilla de dependencias para crear nuestros recursos de requisitos previos. La plantilla de dependencias implementa un depósito S3 opcional, AWS Lambda funciones y roles de IAM. Amazon S3 es un servicio de almacenamiento de objetos resistente, de alta disponibilidad y de bajo costo. Usamos un depósito S3 en esta solución para almacenar datos de origen y activar el flujo de trabajo, lo que da como resultado un pronóstico. Lambda es un servicio informático basado en eventos y sin servidor que le permite ejecutar código sin aprovisionar ni administrar servidores. La plantilla de dependencias incluye funciones para hacer cosas como crear un grupo de conjuntos de datos en Forecast y purgar objetos dentro de un depósito de S3 antes de eliminar el depósito. Los roles de IAM definen permisos dentro de AWS para usuarios y servicios. La plantilla de dependencias despliega un rol para que lo use Lambda y otro para Step Functions, un servicio de gestión de flujo de trabajo que coordinará las tareas de ingesta y procesamiento de datos, así como el entrenamiento e inferencia de predictores usando Forecast.
Complete los siguientes pasos para implementar la plantilla de dependencias:
- En la consola, seleccione el deseado Región admitida por Forecast para el despliegue de la solución.
- En la consola de AWS CloudFormation, elija Stacks en el panel de navegación.
- Elige Crear pila y elige Con nuevos recursos (estándar).
- Fuente de la plantilla, seleccione URL de Amazon S3.
- Introduzca la URL de la plantilla:
https://amazon-forecast-samples.s3.us-west-2.amazonaws.com/ml_ops/forecast-mlops-dependency.yaml
. - Elige Siguiente.
- Nombre de pila, introduzca
forecast-mlops-dependency
. - under parámetros, elija utilizar un depósito de S3 existente o cree uno nuevo y, a continuación, proporcione el nombre del depósito.
- Elige Siguiente.
- Elige Siguiente para aceptar las opciones de pila predeterminadas.
- Seleccione la casilla de verificación para reconocer que la pila crea recursos de IAM y, a continuación, elija Crear pila para implementar la plantilla.
Debería ver la plantilla implementada como la forecast-mlops-dependency
pila. Cuando el estado cambia a CREATE_COMPLETE
, puede pasar al siguiente paso.
Implementar la plantilla de CloudFormation de la carga de trabajo
A continuación, implementemos la plantilla de carga de trabajo para crear nuestros recursos de requisitos previos. La plantilla de carga de trabajo implementa máquinas de estado de Step Functions para la gestión del flujo de trabajo, Almacén de parámetros de AWS Systems Manager parámetros para almacenar valores de parámetros de AWS CloudFormation e informar el flujo de trabajo, un Servicio de notificación simple de Amazon (Amazon SNS) para notificaciones de flujo de trabajo y un rol de IAM para permisos de servicio de flujo de trabajo.
La solución crea cinco máquinas de estado:
- Crear DatasetGroupStateMachine – Crea un grupo de conjuntos de datos de previsión para que se importen los datos.
- CrearMáquina de estado de conjunto de datos de importación – Importa datos de origen de Amazon S3 a un grupo de conjuntos de datos para el entrenamiento.
- Crear máquina de estado de pronóstico – Gestiona las tareas necesarias para entrenar a un predictor y generar un pronóstico.
- AthenaConectorEstadoMáquina – Le permite escribir consultas SQL con el Atenea amazónica conector para aterrizar datos en Amazon S3. Este es un proceso opcional para obtener datos históricos en el formato requerido para Forecast utilizando Athena en lugar de colocar archivos manualmente en Amazon S3.
- PasoFunciónFlujo de trabajoEstadoMáquina – Coordina las llamadas a las otras cuatro máquinas de estado y administra el flujo de trabajo general.
El almacén de parámetros, una capacidad de Systems Manager, proporciona almacenamiento seguro y jerárquico y recuperación programática de la gestión de datos de configuración y la gestión de secretos. El almacén de parámetros se utiliza para almacenar parámetros establecidos en la pila de carga de trabajo, así como otros parámetros utilizados por el flujo de trabajo.
Complete los siguientes pasos para implementar la plantilla de carga de trabajo:
- En la consola de AWS CloudFormation, elija Stacks en el panel de navegación.
- Elige Crear pila y elige Con nuevos recursos (estándar).
- Fuente de la plantilla, seleccione URL de Amazon S3.
- Introduzca la URL de la plantilla:
https://amazon-forecast-samples.s3.us-west-2.amazonaws.com/ml_ops/forecast-mlops-solution-guidance.yaml
. - Elige Siguiente.
- Nombre de pila, ingresa un nombre.
- Acepte los valores por defecto o modifique los parámetros.
Asegúrese de ingresar el nombre del depósito S3 de la pila de dependencias para Cubo S3 y una dirección de correo electrónico válida para Punto final SNS incluso si acepta los valores de parámetro predeterminados.
La siguiente tabla describe cada parámetro.
Parámetro | Descripción | Más Información |
DatasetGroupFrequencyRTS |
La frecuencia de recopilación de datos para el conjunto de datos RTS. | . |
DatasetGroupFrequencyTTS |
La frecuencia de recopilación de datos para el conjunto de datos TTS. | . |
DatasetGroupName |
Un nombre corto para el grupo de conjuntos de datos, una carga de trabajo independiente. | Crear grupo de conjuntos de datos |
DatasetIncludeItem |
Especifique si desea proporcionar metadatos de elementos para este caso de uso. | . |
DatasetIncludeRTS |
Especifique si desea proporcionar una serie temporal relacionada para este caso de uso. | . |
ForecastForecastTypes |
Cuando se ejecuta un trabajo CreateForecast, este declara para qué cuantiles producir predicciones. Puede elegir hasta cinco valores en esta matriz. Edite este valor para incluir valores según sus necesidades. | Crear Pronóstico |
PredictorAttributeConfigs |
Para la variable objetivo en TTS y cada campo numérico en los conjuntos de datos RTS, se debe crear un registro para cada intervalo de tiempo para cada elemento. Esta configuración ayuda a determinar cómo se completan los registros que faltan: con 0, NaN o de otra manera. Recomendamos llenar las brechas en el TTS con NaN en lugar de 0. Con 0, el modelo podría aprender incorrectamente a sesgar los pronósticos hacia 0. NaN es cómo se entrega la orientación. Consulte con su arquitecto de soluciones de AWS si tiene alguna pregunta al respecto. | CrearPredictor automático |
PredictorExplainPredictor |
Los valores válidos son VERDADERO o FALSO. Estos determinan si la explicabilidad está habilitada para su predictor. Esto puede ayudarlo a comprender cómo los valores en el RTS y los metadatos de elementos influyen en el modelo. | Explicabilidad |
PredictorForecastDimensions |
Es posible que desee pronosticar con un grano más fino que el artículo. Aquí, puede especificar dimensiones como la ubicación, el centro de costos o cualquiera que sean sus necesidades. Esto debe coincidir con las dimensiones de su RTS y TTS. Tenga en cuenta que si no tiene ninguna dimensión, el parámetro correcto es nulo, solo y en minúsculas. null es una palabra reservada que le permite al sistema saber que no hay ningún parámetro para la dimensión. | CrearPredictor automático |
PredictorForecastFrequency |
Define la escala de tiempo en la que se generarán el modelo y las predicciones, por ejemplo, diariamente, semanalmente o mensualmente. El menú desplegable le ayuda a elegir los valores permitidos. Esto debe estar de acuerdo con su escala de tiempo RTS si está utilizando RTS. | CrearPredictor automático |
PredictorForecastHorizon |
El número de pasos de tiempo que predice el modelo. El horizonte de pronóstico también se denomina longitud de predicción. | CrearPredictor automático |
PredictorForecastOptimizationMetric |
Define la métrica de precisión utilizada para optimizar el predictor. El menú desplegable lo ayudará a seleccionar saldos de pérdidas por cuantiles ponderados para pronósticos excesivos o insuficientes. RMSE se ocupa de las unidades y WAPE/MAPE se ocupa de los errores porcentuales. | CrearPredictor automático |
PredictorForecastTypes |
Cuando un CreateAutoPredictor se ejecuta el trabajo, esto declara qué cuantiles se utilizan para entrenar los puntos de predicción. Puede elegir hasta cinco valores en esta matriz, lo que le permite equilibrar los pronósticos por encima y por debajo. Edite este valor para incluir valores según sus necesidades. |
CrearPredictor automático |
S3Bucket |
El nombre del depósito de S3 donde se escriben los datos de entrada y de salida para esta carga de trabajo. | . |
SNSEndpoint |
Una dirección de correo electrónico válida para recibir notificaciones cuando se completen los trabajos del predictor y el pronóstico. | . |
SchemaITEM |
Esto define el orden físico, los nombres de las columnas y los tipos de datos para el conjunto de datos de metadatos de su artículo. Este es un archivo opcional proporcionado en el ejemplo de solución. | Crearconjunto de datos |
SchemaRTS |
Esto define el orden físico, los nombres de las columnas y los tipos de datos para su conjunto de datos RTS. Las dimensiones deben coincidir con su TTS. El intervalo de tiempo de este archivo rige el intervalo de tiempo en el que se pueden realizar predicciones. Este es un archivo opcional proporcionado en el ejemplo de solución. | Crearconjunto de datos |
SchemaTTS |
Esto define el orden físico, los nombres de columna y los tipos de datos para su conjunto de datos TTS, el único conjunto de datos requerido. El archivo debe contener un valor objetivo, una marca de tiempo y un elemento como mínimo. | Crearconjunto de datos |
TimestampFormatRTS |
Define el formato de marca de tiempo proporcionado en el archivo RTS. | CrearTrabajo de importación de conjunto de datos |
TimestampFormatTTS |
Define el formato de marca de tiempo proporcionado en el archivo TTS. | CrearTrabajo de importación de conjunto de datos |
- Elige Siguiente para aceptar las opciones de pila predeterminadas.
- Seleccione la casilla de verificación para reconocer que la pila crea recursos de IAM y, a continuación, elija Crear pila para implementar la plantilla.
Debería ver la plantilla implementada como el nombre de pila que eligió anteriormente. Cuando el estado cambia a CREATE_COMPLETE
, puede pasar al paso de carga de datos.
Sube los datos
En la sección anterior, proporcionó un nombre de pila y un depósito S3. Esta sección describe cómo depositar el conjunto de datos disponible públicamente Demanda de Alimentos en este balde. Si está utilizando su propio conjunto de datos, consulte Conjuntos de datos para preparar su conjunto de datos en un formato que espera la implementación. El conjunto de datos debe contener al menos la serie temporal de destino y, opcionalmente, la serie temporal relacionada y los metadatos del elemento:
- TTS son los datos de series temporales que incluyen el campo para el que desea generar un pronóstico; este campo se llama campo objetivo
- RTS son datos de series temporales que no incluyen el campo de destino, pero incluyen un campo relacionado
- El archivo de datos de elementos no son datos de series temporales, pero incluye información de metadatos sobre los elementos en los conjuntos de datos TTS o RTS.
Complete los siguientes pasos:
- Si está utilizando el conjunto de datos de muestra proporcionado, descargue el conjunto de datos Demanda de Alimentos a su computadora y descomprima el archivo, lo que crea tres archivos dentro de tres directorios (
rts
,tts
,item
). - En la consola de Amazon S3, navegue hasta el depósito que creó anteriormente.
- Elige crear una carpeta.
- Use la misma cadena que el nombre de su pila de carga de trabajo para el nombre de la carpeta.
- Elige Subir.
- Elija las tres carpetas de conjuntos de datos, luego elija Subir.
Cuando se complete la carga, debería ver algo como la siguiente captura de pantalla. Para este ejemplo, nuestra carpeta es aiml42
.
Crear un grupo de conjuntos de datos de pronóstico
Complete los pasos de esta sección para crear un grupo de conjuntos de datos como un evento único para cada carga de trabajo. En el futuro, debe planear ejecutar la importación de datos, crear un predictor y crear pasos de pronóstico según corresponda, como una serie, de acuerdo con su programación, que puede ser diaria, semanal o de otro tipo.
- En la consola de Step Functions, busque la máquina de estado que contiene
Create-Dataset-Group
. - En la página de detalles de la máquina de estado, elija Iniciar ejecución.
- Elige Iniciar ejecución de nuevo para confirmar
La máquina de estado tarda aproximadamente 1 minuto en ejecutarse. Cuando esté completo, el valor bajo Estado de ejecución debería cambiar de Correr a logrado
Importar datos en Forecast
Siga los pasos de esta sección para importar el conjunto de datos que cargó en su depósito de S3 a su grupo de conjuntos de datos:
- En la consola de Step Functions, busque la máquina de estado que contiene
Import-Dataset
. - En la página de detalles de la máquina de estado, elija Iniciar ejecución.
- Elige Iniciar ejecución de nuevo para confirmar
La cantidad de tiempo que tarda en ejecutarse la máquina de estado depende del conjunto de datos que se esté procesando.
- Mientras esto se ejecuta, en su navegador, abra otra pestaña y navegue a la consola de Pronóstico.
- En la consola de Previsión, elija Ver grupos de conjuntos de datos y navegue hasta el grupo de conjuntos de datos con el nombre especificado para
DataGroupName
de su pila de carga de trabajo. - Elige Ver conjuntos de datos.
Debería ver las importaciones de datos en curso.
Cuando la máquina de estado para Import-Dataset
está completo, puede continuar con el siguiente paso para construir su modelo de datos de serie temporal.
Crear AutoPredictor (entrenar un modelo de serie temporal)
Esta sección describe cómo entrenar un predictor inicial con Forecast. Puede optar por crear un nuevo predictor (su primer predictor de referencia) o volver a entrenar un predictor durante cada ciclo de producción, que puede ser diario, semanal o de otro tipo. También puede optar por no crear un predictor en cada ciclo y confiar en el monitoreo del predictor para guiarlo cuando cree uno. La siguiente figura visualiza el proceso de creación de un predictor de pronóstico listo para producción.
Para crear un nuevo predictor, complete los siguientes pasos:
- En la consola de Step Functions, busque la máquina de estado que contiene
Create-Predictor
. - En la página de detalles de la máquina de estado, elija Iniciar ejecución.
- Elige Iniciar ejecución de nuevo para confirmar
La cantidad de tiempo de ejecución puede depender del conjunto de datos que se esté procesando. Esto podría tardar hasta una hora o más en completarse. - Mientras esto se ejecuta, en su navegador, abra otra pestaña y navegue a la consola de Pronóstico.
- En la consola de Previsión, elija Ver grupos de conjuntos de datos y navegue hasta el grupo de conjuntos de datos con el nombre especificado para
DataGroupName
de su pila de carga de trabajo. - Elige Ver predictores.
Debería ver el entrenamiento del predictor en progreso (el estado de entrenamiento muestra "Crear en progreso...").
Cuando la máquina de estado para Create-Predictor
está completo, puede evaluar su rendimiento.
Como parte de la máquina de estado, el sistema crea un predictor y también ejecuta un BacktestExport
trabajo que escribe métricas predictoras de nivel de serie temporal en Amazon S3. Estos son archivos ubicados en dos carpetas S3 bajo el backtest-export
carpeta:
- valores-métricos-de-precisión – Proporciona cálculos de métricas de precisión a nivel de elemento para que pueda comprender el rendimiento de una sola serie temporal. Esto le permite investigar la propagación en lugar de centrarse solo en las métricas globales.
- valores pronosticados – Proporciona predicciones de nivel de paso para cada serie de tiempo en la ventana de backtest. Esto le permite comparar el valor objetivo real de un conjunto de prueba de exclusión con los valores cuantiles predichos. Revisar esto ayuda a formular ideas sobre cómo proporcionar características de datos adicionales en RTS o metadatos de elementos para ayudar a estimar mejor los valores futuros, reduciendo aún más las pérdidas. Puedes descargar
backtest-export
archivos de Amazon S3 o consultarlos en su lugar con Athena.
Con sus propios datos, debe inspeccionar de cerca los resultados del predictor y asegurarse de que las métricas cumplan con los resultados esperados mediante el uso de los datos de exportación de backtest. Cuando esté satisfecho, puede comenzar a generar predicciones con fecha futura como se describe en la siguiente sección.
Generar un pronóstico (inferencia sobre horizontes de tiempo futuros)
Esta sección describe cómo generar puntos de datos de pronóstico con Forecast. En el futuro, debe recopilar nuevos datos del sistema de origen, importar los datos a Forecast y luego generar puntos de datos de pronóstico. Opcionalmente, también puede insertar una nueva creación de predictor después de la importación y antes del pronóstico. La siguiente figura visualiza el proceso de creación de pronósticos de series temporales de producción utilizando Forecast.
Complete los siguientes pasos:
- En la consola de Step Functions, busque la máquina de estado que contiene
Create-Forecast
. - En la página de detalles de la máquina de estado, elija Iniciar ejecución.
- Elige Iniciar ejecución de nuevo para confirmar
Esta máquina de estado finaliza muy rápido porque el sistema no está configurado para generar un pronóstico. No sabe qué modelo de predictor ha aprobado para la inferencia.
Configuremos el sistema para usar su predictor entrenado. - En la consola de Pronóstico, localice el ARN de su predictor.
- Copie el ARN para usarlo en un paso posterior.
- En su navegador, abra otra pestaña y navegue a la consola del Administrador de sistemas.
- En la consola de Systems Manager, elija Tienda de parámetros en el panel de navegación.
- Localice el parámetro relacionado con su pila (
/forecast/<StackName>/Forecast/PredictorArn
). - Ingrese el ARN que copió para su predictor.
Así es como asocia un predictor entrenado con la función de inferencia de Forecast. - Localice el parámetro
/forecast/<StackName>/Forecast/Generate
y edite el valor, reemplazandoFALSE
TRUE
.
Ahora está listo para ejecutar un trabajo de previsión para este grupo de conjuntos de datos. - En la consola de Step Functions, ejecute el
Create-Forecast
máquina estatal.
Esta vez, el trabajo se ejecuta como se esperaba. Como parte de la máquina de estado, el sistema crea un pronóstico y un ForecastExport
job, que escribe predicciones de series temporales en Amazon S3. Estos archivos se encuentran en el forecast
carpeta
Dentro del forecast
carpeta, encontrará predicciones para sus artículos, ubicadas en muchos archivos CSV o Parquet, según su selección. Las predicciones para cada paso de tiempo y serie de tiempo seleccionada existen con todos los valores de cuantiles elegidos por registro. Puede descargar estos archivos de Amazon S3, consultarlos en su lugar con Athena o elegir otra estrategia para usar los datos.
Esto concluye todo el flujo de trabajo. Ahora puede visualizar su salida utilizando cualquier herramienta de visualización de su elección, como Amazon QuickSight. Alternativamente, los científicos de datos pueden usar pandas para generar sus propios gráficos. Si elige usar QuickSight, puede conecte los resultados de su pronóstico a QuickSight para realizar transformaciones de datos, crear uno o más análisis de datos y crear visualizaciones.
Este proceso proporciona una plantilla a seguir. Deberá adaptar la muestra a su esquema, establecer el horizonte de pronóstico, la resolución de tiempo, etc. de acuerdo con su caso de uso. También deberá establecer un cronograma recurrente donde los datos se recopilan del sistema de origen, importan los datos y producen pronósticos. Si lo desea, puede insertar una tarea predictora entre los pasos de importación y previsión.
Volver a entrenar el predictor
Hemos recorrido el proceso de entrenamiento de un nuevo predictor, pero ¿qué pasa con el reentrenamiento de un predictor? Volver a entrenar un predictor es una forma de reducir el costo y el tiempo involucrados en el entrenamiento de un predictor con los últimos datos disponibles. En lugar de crear un nuevo predictor y entrenarlo en todo el conjunto de datos, podemos volver a entrenar el predictor existente proporcionando solo los nuevos datos incrementales disponibles desde la última vez que se entrenó el predictor. Veamos cómo volver a entrenar un predictor usando la solución de automatización:
- En la consola de Previsión, elija Ver grupos de conjuntos de datos.
- Elija el grupo de conjuntos de datos asociado con el predictor que desea volver a entrenar.
- Elige Ver predictores, luego elija el predictor que desea volver a entrenar.
- En Ajustes pestaña, copie el ARN del predictor.
Necesitamos actualizar un parámetro usado por el flujo de trabajo para identificar el predictor para volver a entrenar. - En la consola de Systems Manager, elija Tienda de parámetros en el panel de navegación.
- Localice el parámetro
/forecast/<STACKNAME>/Forecast/Predictor/ReferenceArn
. - En la página de detalles del parámetro, seleccione Editar.
- Valor, ingrese el ARN del predictor.
Esto identifica el predictor correcto para que el flujo de trabajo se vuelva a entrenar. Luego, necesitamos actualizar un parámetro usado por el flujo de trabajo para cambiar la estrategia de entrenamiento. - Localice el parámetro
/forecast/<STACKNAME>/Forecast/Predictor/Strategy
. - En la página de detalles del parámetro, elija Editar.
- Para Valor, ingrese
RETRAIN
.
El flujo de trabajo está predeterminado para entrenar un nuevo predictor; sin embargo, podemos modificar ese comportamiento para volver a entrenar un predictor existente o simplemente reutilizar un predictor existente sin volver a entrenar estableciendo este valor enNONE
. Es posible que desee renunciar a la capacitación si sus datos son relativamente estables o si está utilizando monitoreo predictivo automatizado para decidir cuándo es necesario volver a entrenar. - Cargue los datos de entrenamiento incrementales en el depósito de S3.
- En la consola de Step Functions, busque la máquina de estado
<STACKNAME>-Create-Predictor
. - En la página de detalles de la máquina de estado, elija Iniciar ejecución para comenzar el reciclaje.
Cuando se complete la capacitación, el flujo de trabajo finalizará y recibirá una notificación por correo electrónico de SNS a la dirección de correo electrónico proporcionada en los parámetros de la plantilla de carga de trabajo.
Limpiar
Cuando haya terminado con esta solución, siga los pasos de esta sección para eliminar los recursos relacionados.
Eliminar el cubo S3
- En la consola de Amazon S3, elija cubos en el panel de navegación.
- Seleccione el depósito donde se cargaron los datos y elija Vacío para eliminar todos los datos asociados con la solución, incluidos los datos de origen.
- Participar
permanently delete
para eliminar el contenido del depósito de forma permanente. - En cubos página, seleccione el depósito y elija Borrar.
- Ingrese el nombre del depósito para confirmar la eliminación y elija Eliminar cubo.
Eliminar recursos de previsión
- En la consola de Previsión, elija Ver grupos de conjuntos de datos.
- Seleccione el nombre del grupo de conjuntos de datos asociado con la solución, luego elija Borrar.
- Participar
delete
para eliminar el grupo de conjuntos de datos y los predictores asociados, trabajos de exportación de backtest de predictor, pronósticos y trabajos de exportación de pronóstico. - Elige Borrar para confirmar.
Eliminar las pilas de CloudFormation
- En la consola de AWS CloudFormation, elija Stacks en el panel de navegación.
- Seleccione la pila de carga de trabajo y elija Borrar.
- Elige Eliminar pila para confirmar la eliminación de la pila y todos los recursos asociados.
- Cuando se complete la eliminación, seleccione la pila de dependencias y elija Borrar.
- Elige Borrar para confirmar.
Conclusión
En esta publicación, discutimos algunas formas diferentes de comenzar a usar Forecast. Recorrimos una solución de pronóstico automatizada basada en AWS CloudFormation para una implementación de solución rápida y repetible de una canalización de pronóstico desde la ingesta de datos hasta la inferencia, con poco conocimiento de infraestructura requerido. Finalmente, vimos cómo podemos usar Lambda para automatizar el reentrenamiento de modelos, reduciendo el costo y el tiempo de entrenamiento.
No hay mejor momento que el presente para comenzar a hacer pronósticos con Forecast. Para comenzar a crear e implementar un flujo de trabajo automatizado, visite Recursos de previsión de Amazon. ¡Feliz pronóstico!
Acerca de los autores
Aarón Fagan es Arquitecto de Soluciones Especialista Principal en AWS con sede en Nueva York. Se especializa en ayudar a los clientes a diseñar soluciones en aprendizaje automático y seguridad en la nube.
Raju Patil es científico de datos en los servicios profesionales de AWS. Crea e implementa soluciones de IA/ML para ayudar a los clientes de AWS a superar sus desafíos comerciales. Sus compromisos con AWS han cubierto una amplia gama de casos de uso de IA/ML, como visión por computadora, pronósticos de series de tiempo y análisis predictivo, etc., en numerosas industrias, incluidos servicios financieros, telecomunicaciones, atención médica y más. Antes de esto, lideró equipos de ciencia de datos en tecnología publicitaria y realizó contribuciones significativas a numerosas iniciativas de investigación y desarrollo en visión artificial y robótica. Fuera del trabajo, disfruta de la fotografía, el senderismo, los viajes y las exploraciones culinarias.
- Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
- PlatoAiStream. Inteligencia de datos Web3. Conocimiento amplificado. Accede Aquí.
- Acuñando el futuro con Adryenn Ashley. Accede Aquí.
- Compra y Vende Acciones en Empresas PRE-IPO con PREIPO®. Accede Aquí.
- Fuente: https://aws.amazon.com/blogs/machine-learning/automate-the-deployment-of-an-amazon-forecast-time-series-forecasting-model/
- :posee
- :es
- :no
- :dónde
- $ UP
- 1
- 10
- 100
- 11
- 20
- 20 años
- 2022
- 7
- 8
- 9
- a
- Nuestra Empresa
- Aceptar
- de la máquina
- Conforme
- Mi Cuenta
- la exactitud
- reconocer
- a través de
- acciones
- adaptar
- Adicionales
- Información adicional
- dirección
- Publicidad
- Después
- de nuevo
- AI / ML
- algoritmo
- algoritmos
- Todos
- Permitir
- permite
- solo
- ya haya utilizado
- también
- Amazon
- Pronóstico del Amazonas
- cantidad
- an
- Analiza
- Analytics
- y
- Otra
- cualquier
- abejas
- enfoque
- adecuado
- aprobado
- somos
- Formación
- AS
- ayudar
- Consejos
- asociado
- At
- automatizado
- Confirmación de Viaje
- automáticamente
- Automatización
- Hoy Disponibles
- AWS
- Formación en la nube de AWS
- Servicios profesionales de AWS
- Backtest
- Balance
- saldos
- basado
- Base
- BE
- porque
- antes
- comenzar
- "Ser"
- MEJOR
- mejores
- entre
- parcialidad
- Bound
- Box
- Trayendo
- cada navegador
- build
- Construir la
- construye
- pero
- by
- calcula
- , que son
- Calls
- PUEDEN
- servicios sociales
- case
- cases
- Reubicación
- retos
- el cambio
- Cambios
- comprobar
- manera?
- Elige
- eligió
- elegido
- de cerca
- Soluciones
- Cloud Security
- código
- Codificación
- --
- Columna
- COM
- Algunos
- comparar
- completar
- integraciones
- computaciones
- Calcular
- computadora
- Visión por computador
- conceptos
- preocupado
- Configuración
- Confirmar
- Consola
- que no contengo
- contenido
- contribuciones
- control
- coordinar
- correcta
- Cost
- podría
- cubierto
- Para crear
- creado
- crea
- Creamos
- creación
- Clientes
- Cycle
- Cíclico
- todos los días
- datos
- datos de gestión
- puntos de datos
- Ciencia de los datos
- científico de datos
- conjunto de datos
- conjuntos de datos
- día
- Días
- decidir
- declara
- Predeterminado
- por defecto
- se define
- Define
- definir
- liberado
- Dependiente
- depende
- desplegar
- desplegado
- Desplegando
- despliegue
- Despliegues
- despliega
- depositar
- describir
- descrito
- deseado
- detalle
- detalles
- Determinar
- desarrolladores
- Desarrollo
- una experiencia diferente
- difícil
- Dimensiones
- dimensiones
- directorios
- discutido
- do
- No
- hecho
- descargar
- durante
- cada una
- Más temprano
- más fácil
- ya sea
- elimina
- facilita
- permite
- final
- de extremo a extremo
- garantizar
- Participar
- Todo
- Entorno
- ambientes
- Errores
- estimación
- etc.
- evaluar
- Incluso
- Evento
- ejemplo
- ejecución
- existe
- existente
- esperado
- esperando
- experience
- exportar
- facilita
- false
- familiar
- Caracteristicas
- campo
- Figura
- Archive
- archivos
- Presentación
- lleno
- Finalmente
- financiero
- servicios financieros
- Encuentre
- Nombre
- enfoque
- seguir
- siguiendo
- Pronóstico
- previsiones
- formato
- adelante
- adelante
- Digital XNUMXk
- Frecuencia
- Desde
- completamente
- función
- funciones
- promover
- futuras
- generar
- generado
- la generación de
- obtener
- Buscar
- Go
- va
- gobierna
- gráfica
- maravillosa
- Grupo procesos
- Grupo
- guía
- guía
- Ahorrar
- cosecha
- Tienen
- es
- he
- Salud
- Atención médica
- ayuda
- ayudando
- ayuda
- esta página
- altamente
- su
- histórico
- horizonte
- Horizontes
- horas.
- Cómo
- Como Hacer
- Sin embargo
- HTML
- http
- HTTPS
- ideas
- identifica
- Identifique
- Identidad
- if
- ilustra
- implementar
- importar
- importaciones
- in
- incluir
- incluye
- Incluye
- industrias
- influir
- informar
- información
- EN LA MINA
- inicial
- iniciativas
- Las opciones de entrada
- dentro
- investigar
- involucra
- IT
- artículos
- SUS
- sí mismo
- Trabajos
- Empleo
- jpg
- Saber
- especialistas
- conocido
- CARGA TERRESTRE
- Apellido
- luego
- más reciente
- APRENDE:
- aprendizaje
- menos
- LED
- Datos LED
- Permíteme
- ciclo de vida
- como
- línea
- pequeño
- situados
- Ubicación
- Largo
- de
- de bajo costo
- inferior
- máquina
- máquina de aprendizaje
- Máquinas
- hecho
- Realizar
- gestionan
- gestionado
- Management
- gerente
- gestiona
- administrar
- a mano
- muchos
- máximas
- Puede..
- Conoce a
- Menú
- metadatos
- Método
- métodos
- métrico
- Métrica
- podría
- mínimo
- minuto
- que falta
- ML
- modelo
- modelos
- modificar
- monitoreo
- mensual
- más,
- movimiento
- múltiples
- debe
- nombre
- nombres
- Navegar
- Navegación
- necesario
- ¿ Necesita ayuda
- Nuevo
- New York
- Next
- no
- cuaderno
- .
- notificaciones
- ahora
- número
- numeroso
- objeto
- objetos
- obtener
- of
- on
- ONE
- , solamente
- habiertos
- de código abierto
- Optimización
- Opciones
- or
- solicite
- Otro
- de otra manera
- nuestros
- salir
- resultados
- esbozado
- salida
- afuera
- Más de
- total
- EL DESARROLLADOR
- página
- Los pandas
- cristal
- parámetro
- parámetros
- parte
- por ciento
- Realizar
- actuación
- permanentemente
- permisos
- fotografía
- los libros físicos
- industrial
- Colocar
- colocación
- plan
- Platón
- Inteligencia de datos de Platón
- PlatónDatos
- puntos
- posible
- Publicación
- previsto
- predecir
- predicción
- Predicciones
- Análisis Predictivo
- Predictor
- Predice
- Preparar
- presente
- presentó
- anterior
- Director de la escuela
- Anterior
- Procesado
- tratamiento
- producir
- Producción
- Profesional
- programático
- Progreso
- proporcionar
- previsto
- proporciona un
- proporcionando
- en público
- Python
- consultas
- Preguntas
- Búsqueda
- con rapidez
- distancia
- rápido
- más bien
- Crudo
- ready
- recepción
- recomiendan
- grabar
- archivos
- periódico
- reducir
- la reducción de
- referido
- se refiere
- regular
- relacionado
- relativamente
- confiar
- la eliminación de
- repetible
- REPETIDAMENTE
- repetitivo
- Requisitos
- la investigación
- la investigación y el desarrollo
- reservados
- resistente
- Resolución
- Recursos
- resultante
- Resultados
- reutilizar
- la revisión
- robótica
- Función
- También soy miembro del cuerpo docente de World Extreme Medicine (WEM) y embajadora europea de igualdad para The Transformational Travel Council (TTC). En mi tiempo libre, soy una incansable aventurera, escaladora, patrona de día, buceadora y defensora de la igualdad de género en el deporte y la aventura. En XNUMX, fundé Almas Libres, una ONG nacida para involucrar, educar y empoderar a mujeres y niñas a través del deporte urbano, la cultura y la tecnología.
- Ejecutar
- correr
- mismo
- Conjunto de datos de muestra
- satisfecho
- Escala
- programa
- Ciencia:
- Científico
- los científicos
- sin problemas
- Sección
- (secciones)
- seguro
- EN LINEA
- ver
- seleccionado
- selección
- Serie
- Sin servidor
- Servidores
- sirve
- de coches
- Servicios
- set
- pólipo
- compartido
- En Corto
- tienes
- Shows
- importante
- sencillos
- simplemente
- desde
- soltero
- So
- a medida
- Soluciones
- algo
- algo
- Fuente
- especialista
- se especializa
- especificado
- propagación
- estable
- montón
- puesta en escena
- estándar
- comienzo
- fundó
- Comience a
- Estado
- Estado
- paso
- pasos
- STORAGE
- tienda
- Estrategia
- Cordón
- estructura
- tal
- Soportado
- te
- Todas las funciones a su disposición
- mesa
- ¡Prepárate!
- toma
- Target
- Tarea
- tareas
- equipos
- Tecnología
- telecom
- plantilla
- plantillas
- test
- que
- esa
- La
- La Fuente
- El Estado
- su
- Les
- luego
- Ahí.
- Estas
- cosas
- así
- Tres
- A través de esta formación, el personal docente y administrativo de escuelas y universidades estará preparado para manejar los recursos disponibles que derivan de la diversidad cultural de sus estudiantes. Además, un mejor y mayor entendimiento sobre estas diferencias y similitudes culturales permitirá alcanzar los objetivos de inclusión previstos.
- a lo largo de
- equipo
- Series de tiempo
- fecha y hora
- a
- juntos
- del IRS
- tema
- hacia
- Entrenar
- entrenado
- Formación
- transformaciones
- transición
- viajes
- detonante
- verdadero
- dos
- tipo
- tipos
- típicamente
- Incertidumbre
- bajo
- entender
- unidades que
- Actualizar
- subido
- Enlance
- utilizan el
- caso de uso
- usado
- usuarios
- usando
- propuesta de
- Valores
- diversos
- muy
- vía
- visión
- Visite
- visualización
- caminado
- quieres
- fue
- Camino..
- formas
- we
- una vez por semana
- WELL
- ¿
- cuando
- sean
- que
- amplio
- Amplia gama
- seguirá
- dentro de
- sin
- Palabra
- Actividades:
- escribir
- escrito
- años
- york
- Usted
- tú
- zephyrnet
- Zip