Nopeuta aikasarjan ennustamista jopa 50 prosenttia Amazon SageMaker Canvas -käyttöliittymän ja AutoML-sovellusliittymien avulla | Amazon Web Services

Olemme innoissamme voidessamme ilmoittaa siitä Amazon SageMaker Canvas tarjoaa nyt nopeamman ja käyttäjäystävällisemmän tavan luoda koneoppimismalleja aikasarjaennusteita varten. SageMaker Canvas on visuaalinen osoita ja napsauta -palvelu, jonka avulla yritysanalyytikot voivat luoda tarkkoja koneoppimismalleja (ML) ilman koneoppimiskokemusta tai yhden koodirivin kirjoittamista.

SageMaker Canvas tukee useita käyttötapauksia, mukaan lukien aikasarjaennusteita, joita käytetään varastonhallintaan vähittäiskaupassa, kysynnän suunnittelua teollisuudessa, työvoiman ja vieraiden suunnittelua matka- ja hotellipalveluissa, tulojen ennustamista rahoituksessa ja monia muita liiketoimintakriittisiä päätöksiä, joissa tarkat ennusteet ovat tärkeitä. Esimerkkinä aikasarjaennuste antaa jälleenmyyjille mahdollisuuden ennustaa tulevaa myyntikysyntää ja suunnitella varastotasoja, logistiikkaa ja markkinointikampanjoita. SageMaker Canvasin aikasarjaennustemallit käyttävät edistyneitä tekniikoita tilastollisten ja koneoppimisalgoritmien yhdistämiseen ja erittäin tarkkojen ennusteiden tuottamiseen.

Tässä viestissä kuvailemme SageMaker Canvasin ennusteominaisuuksien parannuksia ja opastamme sen käyttöliittymän (UI) ja AutoML:n käytössä. API aikasarjaennusteita varten. SageMaker Canvas -käyttöliittymä tarjoaa koodittoman visuaalisen käyttöliittymän, mutta API:t antavat kehittäjille mahdollisuuden olla vuorovaikutuksessa näiden ominaisuuksien kanssa ohjelmallisesti. Molempiin pääsee käsiksi osoitteesta SageMaker-konsoli.

Ennustekokemuksen parannuksia

Tämän päivän julkaisun myötä SageMaker Canvas on päivittänyt ennustekykynsä AutoML:n avulla, mikä tarjoaa jopa 50 prosenttia nopeamman mallinrakennussuorituskyvyn ja keskimäärin jopa 45 prosenttia nopeammat ennusteet verrattuna aikaisempiin versioihin eri vertailutietosarjoissa. Tämä lyhentää mallin keskimääräistä harjoittelun kestoa 186 minuutista 73 minuuttiin ja keskimääräistä ennustusaikaa 33 minuutista 18 minuuttiin tyypillisessä 750 aikasarjan erässä, jonka datakoko on enintään 100 Mt. Käyttäjät voivat nyt myös ohjelmallisesti käyttää mallinrakennus- ja ennustustoimintoja Amazon SageMaker Autopilotin kautta API, jotka sisältävät mallin selitettävyys- ja suorituskykyraportit.

Aikaisemmin inkrementaalisen datan käyttöönotto edellytti koko mallin uudelleenkoulutusta, mikä oli aikaa vievää ja aiheutti viiveitä toiminnassa. Nyt SageMaker Canvasissa voit lisätä uusimpia tietoja tulevaisuuden ennusteiden luomiseksi ilman koko mallin uudelleenkoulutusta. Syötä vain lisätietosi malliisi, jotta voit käyttää uusimpia tietoja tulevissa ennusteissa. Uudelleenkoulutuksen poistaminen nopeuttaa ennusteprosessia, jolloin voit soveltaa tuloksia nopeammin liiketoimintaprosesseihisi.

Kun SageMaker Canvas käyttää nyt AutoML:ää ennustamiseen, voit hyödyntää mallinrakennus- ja ennustustoimintoja SageMaker Autopilot API:iden kautta, mikä varmistaa käyttöliittymän ja sovellusliittymien johdonmukaisuuden. Voit esimerkiksi aloittaa mallien rakentamisen käyttöliittymässä ja siirtyä sitten käyttämään API:ita ennusteiden luomiseen. Tämä päivitetty mallinnustapa parantaa myös mallin läpinäkyvyyttä useilla tavoilla:

1. Käyttäjät voivat käyttää selitettävyysraporttia, joka tarjoaa selkeämmän käsityksen ennusteisiin vaikuttavista tekijöistä. Tämä on arvokasta riskien, vaatimustenmukaisuusryhmien ja ulkoisten sääntelyviranomaisten kannalta. Raportissa selvitetään, kuinka tietojoukon attribuutit vaikuttavat tiettyihin aikasarjaennusteisiin. Se työllistää vaikutuspisteet mittaamaan kunkin määritteen suhteellista vaikutusta ja osoittamaan, vahvistavatko vai vähentävätkö ne ennustearvoja.
2. Voit nyt käyttää koulutettuja malleja ja ottaa ne käyttöön SageMaker Inferencessa tai haluamassasi infrastruktuurissa ennusteita varten.
3. Saatavilla on suorituskykyraportti, joka antaa syvempää tietoa AutoML:n tietyille aikasarjoille valitsemista optimaalisista malleista ja harjoituksen aikana käytetyistä hyperparametreistä.

Luo aikasarjaennusteita SageMaker Canvas -käyttöliittymän avulla

SageMaker Canvas -käyttöliittymän avulla voit integroida saumattomasti tietolähteitä pilvestä tai paikan päällä, yhdistää tietojoukkoja vaivattomasti, kouluttaa tarkkoja malleja ja tehdä ennusteita nousevan tiedon avulla – kaikki ilman koodausta. Tutkitaan aikasarjaennusteen luomista tällä käyttöliittymällä.

Ensin tuot tiedot SageMaker Canvasiin eri lähteistä, mukaan lukien paikallisista tiedostoista tietokoneeltasi, Amazonin yksinkertainen tallennuspalvelu (Amazon S3) kauhat, Amazon Athena, Lumihiutaleja yli 40 muuta tietolähdettä. Tietojen tuonnin jälkeen voit tutkia ja visualisoida niitä saadaksesi lisätietoa, esimerkiksi sironta- tai pylväskaavioiden avulla. Kun olet valmis luomaan mallin, voit tehdä sen muutamalla napsautuksella, kun olet määrittänyt tarvittavat parametrit, kuten valitsemalla ennustettavan kohdesarakkeen ja määrittämällä, kuinka monta päivää tulevaisuudessa haluat ennustaa. Seuraavissa kuvakaappauksissa on esimerkki visualisoinnista tuotteiden kysynnän ennustamisesta, joka perustuu historiallisiin viikoittaisiin kysyntätietoihin tietyille tuotteille eri myymälöissä:

Seuraava kuva näyttää viikoittaiset ennusteet tietylle tuotteelle eri myymälöissä:

Tässä on kattava opas SageMaker Canvas -käyttöliittymän käyttämisestä ennustamiseen blogi.

Jos tarvitset automaattisen työnkulun tai suoran ML-mallin integroinnin sovelluksiin, ennustetoimintomme ovat käytettävissä API:iden kautta. Seuraavassa osiossa tarjoamme malliratkaisun, jossa kerromme yksityiskohtaisesti, kuinka voimme käyttää palveluamme API automaattista ennustamista varten.

Luo aikasarjaennusteita API:iden avulla

Sukellaan kuinka voit käyttää API:ita mallin kouluttamiseen ja ennusteiden luomiseen. Tätä esittelyä varten harkitse tilannetta, jossa yrityksen on ennakoitava tuotteiden varastotasot eri myymälöissä vastatakseen asiakkaiden kysyntään. Korkealla tasolla API-vuorovaikutukset jakautuvat seuraaviin vaiheisiin:

1. Valmistele tietojoukko.
2. Luo SageMaker Autopilot -työ.
3. Arvioi Autopilotin työ:
   1. Tutustu mallin tarkkuusmittareihin ja takaustestituloksiin.
   2. Tutustu mallin selitettävyysraporttiin.
4. Luo ennusteita mallista:
   1. Käytä reaaliaikainen johtopäätös Autopilot-työn osana luotu päätepiste; tai
   2. Käyttää erämuunnos työ.

Esimerkki Amazon SageMaker Studio -muistikirjasta, joka esittelee ennusteita API:illa

Olemme toimittaneet SageMaker Studio -muistikirjan mallikappaleeseen GitHub nopeuttaaksesi markkinoilletuloaikaasi, kun yrityksesi haluaa järjestää ennusteet ohjelmallisten sovellusliittymien kautta. Muistikirja tarjoaa synteettisen tietojoukon, joka on saatavilla julkisen S3-säihön kautta. Muistikirja opastaa sinut kaikkien edellä mainitussa työnkulun kuvassa hahmoteltujen vaiheiden läpi. Vaikka muistikirja tarjoaa peruskehyksen, voit räätälöidä koodinäytteen omaan käyttötapaasi sopivaksi. Tämä sisältää sen muokkaamisen vastaamaan ainutlaatuista dataskeemasi, aikaresoluutiota, ennustehorisonttia ja muita tarvittavia parametreja haluttujen tulosten saavuttamiseksi.

Yhteenveto

SageMaker Canvas demokratisoi aikasarjaennusteen tarjoamalla käyttäjäystävällisen, koodittoman kokemuksen, joka antaa yritysanalyytikoille mahdollisuuden luoda erittäin tarkkoja koneoppimismalleja. Nykypäivän AutoML-päivityksillä se tarjoaa jopa 50 prosenttia nopeamman mallin rakentamisen, jopa 45 prosenttia nopeammat ennusteet ja tuo sovellusliittymän sekä mallin rakentamiseen että ennustustoimintoihin, mikä parantaa sen läpinäkyvyyttä ja johdonmukaisuutta. SageMaker Canvasin ainutlaatuinen kyky käsitellä saumattomasti lisätietoa ilman uudelleenkoulutusta varmistaa nopean mukautumisen jatkuvasti muuttuviin liiketoiminnan vaatimuksiin.

Halusitpa sitten intuitiivista käyttöliittymää tai monipuolisia sovellusliittymiä, SageMaker Canvas yksinkertaistaa tietojen integrointia, mallin koulutusta ja ennustamista tehden siitä keskeisen työkalun tietopohjaisessa päätöksenteossa ja innovaatioissa eri aloilla.

Saat lisätietoja tutustumalla dokumentointitai tutkia muistikirja saatavilla GitHub-arkistossamme. Hintatiedot aikasarjaennusteista SageMaker Canvasilla ovat saatavilla osoitteessa SageMaker Canvas -hinnoittelu -sivulta ja SageMaker-koulutuksesta ja päättelyhinnoittelusta, kun käytät SageMaker Autopilot -sovellusliittymiä, katso SageMakerin hinnoittelu sivu.

Nämä ominaisuudet ovat saatavilla kaikilla AWS-alueilla, joilla SageMaker Canvas ja SageMaker Autopilot ovat julkisesti käytettävissä. Lisätietoja alueen saatavuudesta, katso AWS-palvelut alueittain.

---

Tietoja Tekijät

Nirmal Kumar on Amazon SageMaker -palvelun vanhempi tuotepäällikkö. Hän on sitoutunut laajentamaan tekoälyn/ML:n saatavuutta ja ohjaa koodittomien ja matalan koodin ML-ratkaisujen kehittämistä. Työn ulkopuolella hän nauttii matkustamisesta ja tietokirjallisuuden lukemisesta.

Charles Laughlin on johtava AI/ML Specialist Solution Architect, joka työskentelee Amazon SageMaker -palvelutiimissä AWS:ssä. Hän auttaa muokkaamaan palvelusuunnitelmaa ja tekee päivittäin yhteistyötä erilaisten AWS-asiakkaiden kanssa auttaakseen muuttamaan heidän liiketoimintaansa käyttämällä huippuluokan AWS-teknologioita ja ajattelun johtajuutta. Charlesilla on MS Supply Chain Management ja Ph.D. tietotieteessä.

Ridhim Rastogi ohjelmistokehitysinsinööri, joka työskentelee Amazon SageMaker -palvelutiimissä AWS:ssä. Hän on intohimoinen skaalautuvien hajautettujen järjestelmien rakentamiseen keskittyen todellisten ongelmien ratkaisemiseen AI/ML:n avulla. Vapaa-ajallaan hän ratkaisee arvoituksia, lukee kaunokirjallisuutta ja tutkii ympäristöään.

Ahmed Raafat on AWS:n pääratkaisuarkkitehti, jolla on 20 vuoden kokemus kentältä ja keskittynyt 5 vuoden ajan AWS-ekosysteemiin. Hän on erikoistunut AI/ML-ratkaisuihin. Hänen laaja kokemuksensa ulottuu eri toimialoilla, mikä tekee hänestä luotettavan neuvonantajan useille yritysasiakkaille, mikä helpottaa heidän saumatonta navigointiaan ja nopeuttaa pilvimatkaansa.

John Oshodi on vanhempi ratkaisuarkkitehti Amazon Web Servicesissä Lontoossa, Isossa-Britanniassa. Hän on erikoistunut dataan ja analytiikkaan ja toimii teknisenä neuvonantajana lukuisille AWS-yritysasiakkaille, jotka tukevat ja nopeuttavat heidän pilvimatkaansa. Työn ulkopuolella hän nauttii matkustamisesta uusiin paikkoihin ja uusien kulttuurien kokemisesta perheensä kanssa.

• SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
• PlatoData.Network Vertical Generatiivinen Ai. Vahvista itseäsi. Pääsy tästä.
• PlatoAiStream. Web3 Intelligence. Tietoa laajennettu. Pääsy tästä.
• PlatoESG. hiili, CleanTech, energia, ympäristö, Aurinko, Jätehuolto. Pääsy tästä.
• PlatonHealth. Biotekniikan ja kliinisten kokeiden älykkyys. Pääsy tästä.
• Lähde: 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/