Kiirendage aegridade prognoosimist kuni 50 protsenti Amazon SageMaker Canvas UI ja AutoML API-de abil | Amazoni veebiteenused

Meil on hea meel sellest teada anda Amazon SageMakeri lõuend pakub nüüd kiiremat ja kasutajasõbralikumat viisi aegridade prognoosimiseks masinõppemudelite loomiseks. SageMaker Canvas on visuaalne osuta-ja-klõpsamisteenus, mis võimaldab ärianalüütikutel luua täpseid masinõppe (ML) mudeleid, ilma et oleks vaja masinõppekogemust või kirjutada ühte koodirida.

SageMaker Canvas toetab mitmeid kasutusjuhtumeid, sealhulgas aegridade prognoosimist, mida kasutatakse varude haldamiseks jaemüügis, nõudluse planeerimist tootmises, tööjõu ja külaliste planeerimist reisimise ja hotellinduse valdkonnas, tulude prognoosimist finantsvaldkonnas ja paljusid muid ärikriitilisi otsuseid, kus täpsed prognoosid on olulised. Näiteks võimaldab aegridade prognoosimine jaemüüjatel ennustada tulevast müüginõudlust ning planeerida varude taset, logistikat ja turunduskampaaniaid. SageMaker Canvas'i aegridade prognoosimudelid kasutavad täiustatud tehnoloogiaid, et kombineerida statistilisi ja masinõppe algoritme ning pakkuda väga täpseid prognoose.

Selles postituses kirjeldame SageMaker Canvase prognoosimisvõimaluste täiustusi ning juhendame teid selle kasutajaliidese (UI) ja AutoML-i kasutamisel. API-liidesed aegridade prognoosimiseks. Kuigi SageMaker Canvas kasutajaliides pakub koodivaba visuaalset liidest, annavad API-d arendajatele võimaluse nende funktsioonidega programmiliselt suhelda. Mõlemale pääseb juurde aadressilt SageMakeri konsool.

Prognoosimiskogemuse täiustused

Tänase lansseerimisega on SageMaker Canvas täiustanud oma prognoosimisvõimalusi AutoML-i abil, pakkudes erinevate võrdlusandmete kogumite eelmiste versioonidega võrreldes keskmiselt kuni 50 protsenti kiiremat mudeli koostamise jõudlust ja kuni 45 protsenti kiiremaid prognoose. See vähendab mudeli keskmise koolituse kestust 186 minutilt 73 minutile ja keskmist prognoosimisaega 33 minutilt 18 minutile tüüpilise 750 aegrea partii puhul, mille andmemaht on kuni 100 MB. Kasutajad saavad nüüd programmiliselt juurde pääseda ka mudeli koostamise ja ennustamise funktsioonidele Amazon SageMaker Autopiloti kaudu API-liidesed, mis on varustatud mudeli seletatavuse ja toimivusaruannetega.

Varem nõudis lisaandmete kasutuselevõtt kogu mudeli ümberõpetamist, mis oli aeganõudev ja põhjustas töös viivitusi. Nüüd saate SageMaker Canvasis lisada värskeid andmeid, et luua tulevikuprognoose ilma kogu mudelit ümber õpetamata. Sisestage oma mudelisse lisaandmed, et kasutada tulevaste prognooside jaoks uusimat statistikat. Ümberõppe välistamine kiirendab prognoosimisprotsessi, võimaldades teil neid tulemusi oma äriprotsessides kiiremini rakendada.

Kui SageMaker Canvas kasutab prognoosimiseks nüüd AutoML-i, saate SageMakeri autopiloodi API-de kaudu kasutada mudelite koostamise ja prognoosimise funktsioone, tagades kasutajaliidese ja API-de järjepidevuse. Näiteks võite alustada kasutajaliideses mudelite loomisest, seejärel minna üle API-de kasutamisele prognooside loomiseks. See uuendatud modelleerimisviis suurendab ka mudeli läbipaistvust mitmel viisil.

1. Kasutajad pääsevad juurde selgitatavuse aruandele, mis annab selgema ülevaate ennustusi mõjutavatest teguritest. See on väärtuslik riski-, vastavusmeeskondade ja väliste regulaatorite jaoks. Aruanne selgitab, kuidas andmestiku atribuudid mõjutavad konkreetseid aegridade prognoose. See annab tööd mõju hinded mõõta iga atribuudi suhtelist mõju, näidates, kas need võimendavad või vähendavad prognoosiväärtusi.
2. Nüüd pääsete juurde koolitatud mudelitele ja juurutage need ennustuste jaoks SageMaker Inference'i või eelistatud infrastruktuuri.
3. Saadaval on jõudlusaruanne, mis annab sügavama ülevaate AutoML-i konkreetsete aegridade jaoks valitud optimaalsetest mudelitest ja treeningu ajal kasutatavatest hüperparameetritest.

Looge SageMaker Canvas kasutajaliidese abil aegridade prognoose

SageMaker Canvas UI võimaldab sujuvalt integreerida andmeallikaid pilvest või kohapeal, liita andmekogumeid vaevata, treenida täpseid mudeleid ja teha prognoose tekkivate andmetega – kõike seda ilma kodeerimiseta. Uurime aegridade prognoosi loomist selle kasutajaliidese abil.

Esiteks impordite andmed SageMaker Canvasesse erinevatest allikatest, sealhulgas arvuti kohalikest failidest, Amazon Simple Storage Service (Amazon S3) ämbrid, Amazonase Athena, Lumehelvesja üle 40 muu andmeallika. Pärast andmete importimist saate neid uurida ja visualiseerida, et saada lisateavet (nt hajuvusdiagrammide või tulpdiagrammide abil). Kui olete mudeli loomiseks valmis, saate seda teha vaid mõne klõpsuga pärast vajalike parameetrite konfigureerimist, näiteks valides prognoositava sihtveeru ja määrates, mitu päeva tulevikus soovite prognoosida. Järgmised ekraanipildid näitavad tootenõudluse prognoosimise näidisvisualisatsiooni, mis põhineb ajaloolistel iganädalastel nõudlusandmetel konkreetsete toodete kohta erinevates kauplustes.

Järgmisel pildil on näha iganädalased prognoosid konkreetse toote kohta erinevates kaupluste asukohtades:

Põhjaliku juhendi selle kohta, kuidas SageMaker Canvas kasutajaliidest prognoosimiseks kasutada, vaadake siit blogi postitus.

Kui vajate automatiseeritud töövoogu või otsest ML-mudeli integreerimist rakendustesse, on meie prognoosimisfunktsioonid juurdepääsetavad API-de kaudu. Järgmises jaotises pakume näidislahendust, mis kirjeldab üksikasjalikult meie kasutamist API-liidesed automaatseks prognoosimiseks.

Looge API-de abil aegridade prognoos

Sukeldume sellesse, kuidas kasutada API-sid mudeli koolitamiseks ja prognooside loomiseks. Selle demonstratsiooni jaoks kaaluge olukorda, kus ettevõte peab klientide nõudluse rahuldamiseks prognoosima tootevarude taset erinevates kauplustes. Kõrgel tasemel jagunevad API interaktsioonid järgmisteks etappideks.

1. Valmistage ette andmestik.
2. Looge SageMakeri autopiloodi töö.
3. Hinnake autopiloodi tööd:
   1. Uurige mudeli täpsuse mõõdikuid ja järeltesti tulemusi.
   2. Tutvuge mudeli seletatavuse aruandega.
4. Looge mudelist ennustused:
   1. Kasuta reaalajas järeldus Autopiloodi töö osana loodud lõpp-punkt; või
   2. Kasutama partii teisendus tööd.

Amazon SageMaker Studio sülearvuti näidis, mis tutvustab API-dega prognoosimist

Oleme esitanud SageMaker Studio märkmiku näidise GitHub et kiirendada turuletuleku aega, kui teie ettevõte eelistab prognoosida programmiliste API-de kaudu. Sülearvuti pakub sünteetilise andmestiku näidist, mis on saadaval avaliku S3 ämbri kaudu. Märkmik juhendab teid kõigi ülalmainitud töövoopildil kirjeldatud sammude kaudu. Kuigi sülearvuti pakub põhiraamistikku, saate koodinäidise kohandada vastavalt teie konkreetsele kasutusjuhtumile. See hõlmab selle muutmist, et see vastaks teie ainulaadsele andmeskeemile, ajaeraldusvõimele, prognoosimishorisondile ja muudele vajalikele parameetritele soovitud tulemuste saavutamiseks.

Järeldus

SageMaker Canvas demokratiseerib aegridade prognoosimist, pakkudes kasutajasõbralikku ja koodivaba kogemust, mis annab ärianalüütikutele võimaluse luua ülitäpseid masinõppemudeleid. Tänaste AutoML-i versiooniuuendustega pakub see kuni 50 protsenti kiiremat mudeli koostamist, kuni 45 protsenti kiiremaid ennustusi ning pakub API-juurdepääsu nii mudeli koostamise kui ka prognoosimisfunktsioonide jaoks, suurendades selle läbipaistvust ja järjepidevust. SageMaker Canvase ainulaadne võime käsitleda sujuvalt täiendavaid andmeid ilma ümberõppeta tagab kiire kohanemise pidevalt muutuvate ärinõuetega.

Olenemata sellest, kas eelistate intuitiivset kasutajaliidest või mitmekülgseid API-sid, SageMaker Canvas lihtsustab andmete integreerimist, mudelikoolitust ja prognoosimist, muutes selle pöördeliseks tööriistaks andmepõhiseks otsustamiseks ja innovatsiooniks erinevates tööstusharudes.

Lisateabe saamiseks vaadake üle dokumentatsioonvõi uurige märkmik saadaval meie GitHubi hoidlas. SageMaker Canvase abil aegridade prognoosimise hinnateave on saadaval aadressil SageMaker lõuendi hinnakujundus lehel ning SageMakeri koolituse ja järeldushindade kohta SageMakeri autopiloodi API-de kasutamisel vaadake SageMakeri hinnakujundus lehel.

Need võimalused on saadaval kõigis AWS-i piirkondades, kus SageMaker Canvas ja SageMaker Autopilot on avalikult juurdepääsetavad. Lisateavet piirkonna saadavuse kohta vt AWS-i teenused piirkondade kaupa.

---

Autoritest

Nirmal Kumar on teenuse Amazon SageMaker vanem tootejuht. Olles pühendunud AI/ML-ile juurdepääsu laiendamisele, juhib ta koodita ja madala koodiga ML-lahenduste arendamist. Väljaspool tööd naudib ta reisimist ja aimekirjandust.

Charles Laughlin on peamine AI/ML-i spetsialisti lahenduste arhitekt, kes töötab AWS-i Amazon SageMakeri teenindusmeeskonnas. Ta aitab kujundada teenuse tegevuskava ja teeb iga päev koostööd erinevate AWS-i klientidega, et aidata nende äri muuta, kasutades tipptasemel AWS-i tehnoloogiaid ja mõtteviisi. Charlesil on tarneahela juhtimise MS ja doktorikraad. aastal Andmeteadus.

Ridhim Rastogi tarkvaraarenduse insener, kes töötab AWS-i Amazon SageMakeri teenindusmeeskonnas. Ta on kirglik skaleeritavate hajutatud süsteemide ehitamise vastu, keskendudes AI/ML-i kaudu reaalsete probleemide lahendamisele. Vabal ajal meeldib talle mõistatusi lahendada, ilukirjandust lugeda ja ümbrust uurida.

Ahmed Raafat on AWS-i peamine lahenduste arhitekt, kellel on 20-aastane välikogemus ja 5-aastane pühendumus AWS-i ökosüsteemile. Ta on spetsialiseerunud AI/ML lahendustele. Tema laialdased kogemused ulatuvad erinevatesse tööstusharudesse, muutes ta usaldusväärseks nõustajaks paljudele äriklientidele, hõlbustades nende sujuvat navigeerimist ja pilveteekonna kiirendamist.

John Oshodi on Ühendkuningriigis Londonis asuva Amazon Web Servicesi vanemlahenduste arhitekt. Ta on spetsialiseerunud andmetele ja analüütikale ning tegutseb tehnilise nõustajana paljudele AWS-i äriklientidele, toetades ja kiirendades nende pilveteekonda. Väljaspool tööd meeldib talle reisida uutesse kohtadesse ja kogeda koos perega uusi kultuure.

• SEO-põhise sisu ja PR-levi. Võimenduge juba täna.
• PlatoData.Network Vertikaalne generatiivne Ai. Jõustage ennast. Juurdepääs siia.
• PlatoAiStream. Web3 luure. Täiustatud teadmised. Juurdepääs siia.
• PlatoESG. Süsinik, CleanTech, Energia, Keskkond päikeseenergia, Jäätmekäitluse. Juurdepääs siia.
• PlatoTervis. Biotehnoloogia ja kliiniliste uuringute luureandmed. Juurdepääs siia.
• Allikas: https://aws.amazon.com/blogs/machine-learning/speed-up-your-time-series-forecasting-by-up-to-50-percent-with-amazon-sagemaker-canvas-ui-and-automl-apis/