Commencez votre voyage avec succès avec la prévision de séries chronologiques avec Amazon Forecast

Les organisations de toutes tailles s'efforcent de développer leur activité, d'améliorer leur efficacité et de servir leurs clients mieux que jamais. Même si l'avenir est incertain, une approche basée sur les données et la science peut aider à anticiper ce qui nous attend pour naviguer avec succès dans un océan de choix.

Chaque industrie utilise la prévision de séries chronologiques pour répondre à une variété de besoins de planification, y compris, mais sans s'y limiter :

Dans cet article, nous décrivons cinq bonnes pratiques pour commencer Prévisions Amazon, et appliquez la puissance des prévisions de Machine Learning (ML) très précises à votre entreprise.

Pourquoi Amazon Forecast

AWS propose un service de prévision de séries chronologiques entièrement géré appelé Amazon Forecast qui vous permet de générer et de maintenir des prévisions de séries chronologiques automatisées en continu sans nécessiter d'expertise en ML. De plus, vous pouvez créer et déployer des opérations de prévision reproductibles sans avoir besoin d'écrire du code, de créer des modèles ML ou de gérer l'infrastructure.

Les capacités de Forecast lui permettent de servir un large éventail de rôles clients, des analystes et responsables de la chaîne d'approvisionnement aux développeurs et experts en ML. Il y a plusieurs raisons pour lesquelles les clients préfèrent Forecast : il offre une grande précision, des résultats reproductibles et la possibilité d'être autonome sans attendre la disponibilité de ressources techniques spécialisées. Les prévisions sont également sélectionnées par des experts en science des données car elles fournissent des résultats très précis, basés sur un ensemble de modèles auto-réglés, et la flexibilité d'expérimenter rapidement sans avoir à déployer ou à gérer des clusters d'une taille particulière. Ses modèles ML facilitent également la prise en charge des prévisions pour un grand nombre d'articles et peuvent générer des prévisions pour les éléments à démarrage à froid sans historique.

Cinq bonnes pratiques pour démarrer avec Forecast

Les prévisions offrent une grande précision et un délai de mise sur le marché rapide pour les développeurs et les scientifiques des données. Bien que le développement de modèles de séries chronologiques très précis ait été facilité, cet article fournit les meilleures pratiques pour accélérer votre intégration et votre retour sur investissement. Un peu de rigueur et peut-être quelques cycles d'expérimentation doivent être appliqués pour atteindre le succès. Un parcours de prévision réussi dépend de plusieurs facteurs, dont certains sont subtils.

Voici quelques éléments clés à prendre en compte lorsque vous commencez à travailler avec Forecast.

Commencez simplement

Comme le montre le volant d'inertie suivant, envisagez de commencer par un modèle simple qui utilise un série chronologique cible ensemble de données pour développer une ligne de base lorsque vous proposez votre premier ensemble de données d'entrée. Des expériences ultérieures peuvent ajouter d'autres caractéristiques temporelles et de métadonnées statiques dans le but d'améliorer la précision du modèle. Chaque fois qu'un changement est apporté, vous pouvez mesurer et savoir à quel point le changement a aidé, le cas échéant. En fonction de votre évaluation, vous pouvez décider de conserver le nouvel ensemble de fonctionnalités fournies ou de pivoter et d'essayer une autre option.

Concentrez-vous sur les valeurs aberrantes

Avec Forecast, vous pouvez obtenir des statistiques de précision pour l'ensemble du jeu de données. Il est important de reconnaître que bien que cette statistique de haut niveau soit intéressante, elle doit être considérée comme étant seulement directionnellement correcte. Vous devez vous concentrer sur les statistiques de précision au niveau de l'élément plutôt que sur les statistiques de niveau supérieur. Considérez le nuage de points suivant comme guide. Certains des éléments de l'ensemble de données auront une grande précision ; pour ceux-ci, aucune action n'est requise.

Lors de la construction d'un modèle, vous devez explorer certains des points étiquetés comme "séries chronologiques exploratoires". Dans ces cas exploratoires, déterminez comment améliorer la précision en incorporant davantage de données d'entrée, telles que les variations de prix, les dépenses promotionnelles, les caractéristiques de saisonnalité explicites et l'inclusion d'événements et de conditions locaux, de marché, mondiaux et d'autres conditions réelles.

Vérifier la précision des prédicteurs avant de créer des prévisions

Ne créez pas de prévisions à date future avec Forecast tant que vous n'avez pas vérifié la précision des prévisions pendant la période de backtest. Le nuage de points précédent illustre la précision au niveau de la série chronologique, qui est votre meilleure indication de ce à quoi ressembleront les prédictions datées futures, toutes les autres choses étant les mêmes. Si cette période ne fournit pas le niveau de précision requis, ne procédez pas à l'opération de prévision à date future, car cela pourrait entraîner des dépenses inefficaces. Au lieu de cela, concentrez-vous sur l'augmentation de vos données d'entrée et essayez un autre tour au volant de l'innovation, comme indiqué précédemment.

Réduire le temps de formation

Vous pouvez réduire le temps de formation grâce à deux mécanismes. Tout d'abord, utilisez les prévisions fonction de recyclage pour aider à réduire le temps de formation grâce à l'apprentissage par transfert. Deuxièmement, empêchez la dérive du modèle avec surveillance des prédicteurs par une formation uniquement lorsque cela est nécessaire.

Construire des processus reproductibles

Nous vous encourageons à ne pas créer de flux de travail de prévision via le Console de gestion AWS ou en utilisant des API à partir de zéro jusqu'à ce que vous ayez au moins évalué notre AWS échantillonne le référentiel GitHub. Notre mission avec les exemples GitHub est d'aider à éliminer les frictions et à accélérer votre mise sur le marché avec des flux de travail reproductibles qui ont déjà été soigneusement conçus. Ces flux de travail sont sans serveur et peuvent être programmés pour s'exécuter selon un calendrier régulier.

Visitez notre référentiel GitHub officiel, où vous pouvez déployer rapidement nos conseils de solution en suivant les étapes fournies. Comme illustré dans la figure suivante, le flux de travail fournit un pipeline complet de bout en bout qui peut récupérer des données historiques, les importer, créer des modèles et produire des inférences par rapport aux modèles, le tout sans avoir à écrire de code.

La figure suivante offre une vue plus approfondie d'un seul module, capable de récolter des données historiques pour la formation de modèles à partir d'une myriade de sources de bases de données prises en charge par Requête fédérée Amazon Athena.

Commencez dès aujourd'hui

Vous pouvez mettre en œuvre un flux de travail de production entièrement automatisé en quelques jours à quelques semaines, en particulier lorsqu'il est associé à notre pipeline d'orchestration de flux de travail disponible sur notre Exemple de référentiel GitHub.

Cette vidéo re:Invent met en lumière un cas d'utilisation d'un client qui a automatisé son flux de travail à l'aide de ce modèle GitHub :

Forecast dispose de nombreuses fonctionnalités intégrées pour vous aider à atteindre vos objectifs commerciaux grâce à des prévisions très précises basées sur le ML. Nous vous encourageons à contacter votre équipe de compte AWS si vous avez des questions et à lui faire savoir que vous souhaitez parler à un spécialiste des séries chronologiques afin de vous guider et de vous guider. Nous pouvons également proposer des ateliers pour vous aider à apprendre à utiliser Forecast.

Nous sommes là pour vous soutenir, vous et votre organisation, dans vos efforts pour automatiser et améliorer la prévision de la demande dans votre entreprise. Une prévision plus précise peut entraîner une augmentation des ventes, une réduction significative des déchets, une réduction des stocks inutilisés et, en fin de compte, des niveaux de service client plus élevés.

Agissez aujourd'hui; il n'y a pas de meilleur moment que le présent pour commencer à créer un avenir meilleur.

---

À propos de l’auteur

Charles Laughlin est un architecte de solutions spécialisé principal en IA/ML et travaille au sein de l'équipe Time Series ML chez AWS. Il aide à façonner la feuille de route du service Amazon Forecast et collabore quotidiennement avec divers clients AWS pour les aider à transformer leurs activités à l'aide des technologies AWS de pointe et d'un leadership éclairé. Charles est titulaire d'une maîtrise en gestion de la chaîne d'approvisionnement et a passé la dernière décennie à travailler dans l'industrie des biens de consommation emballés.

Dan Sinnreich est chef de produit senior pour Amazon Forecast. Il se concentre sur la démocratisation de l'apprentissage automatique low-code/no-code et son application pour améliorer les résultats commerciaux. En dehors du travail, on peut le trouver en train de jouer au hockey, d'essayer d'améliorer son service au tennis, de faire de la plongée sous-marine et de lire de la science-fiction.