अमेज़ॅन पूर्वानुमान के साथ समय श्रृंखला पूर्वानुमान के साथ अपनी सफल यात्रा शुरू करें

सभी आकार के संगठन अपने व्यवसाय को बढ़ाने, दक्षता में सुधार करने और अपने ग्राहकों को पहले से बेहतर सेवा देने का प्रयास कर रहे हैं। भले ही भविष्य अनिश्चित है, डेटा-चालित, विज्ञान-आधारित दृष्टिकोण यह अनुमान लगाने में मदद कर सकता है कि विकल्पों के समुद्र के माध्यम से सफलतापूर्वक नेविगेट करने के लिए आगे क्या है।

प्रत्येक उद्योग विभिन्न नियोजन आवश्यकताओं को पूरा करने के लिए समय श्रृंखला पूर्वानुमान का उपयोग करता है, जिसमें निम्न शामिल हैं लेकिन इन तक सीमित नहीं है:

इस पोस्ट में, हम आरंभ करने के लिए पांच सर्वोत्तम प्रथाओं की रूपरेखा तैयार करते हैं अमेज़न का पूर्वानुमान, और अपने व्यवसाय के लिए अत्यधिक सटीक मशीन लर्निंग (ML) पूर्वानुमान की शक्ति लागू करें।

अमेज़न पूर्वानुमान क्यों

AWS अमेज़ॅन पूर्वानुमान नामक एक पूरी तरह से प्रबंधित समय श्रृंखला पूर्वानुमान सेवा प्रदान करता है जो आपको एमएल विशेषज्ञता की आवश्यकता के बिना चल रहे स्वचालित समय श्रृंखला पूर्वानुमानों को उत्पन्न करने और बनाए रखने की अनुमति देता है। इसके अलावा, आप कोड लिखने, एमएल मॉडल बनाने या बुनियादी ढांचे के प्रबंधन की आवश्यकता के बिना दोहराए जाने वाले पूर्वानुमान कार्यों का निर्माण और तैनाती कर सकते हैं।

पूर्वानुमान की क्षमताएँ इसे विश्लेषकों और आपूर्ति श्रृंखला प्रबंधकों से लेकर डेवलपर्स और एमएल विशेषज्ञों तक ग्राहक भूमिकाओं की एक विस्तृत श्रृंखला की सेवा करने की अनुमति देती हैं। ग्राहक पूर्वानुमान क्यों पसंद करते हैं इसके कई कारण हैं: यह उच्च सटीकता, दोहराने योग्य परिणाम और विशेष तकनीकी संसाधन उपलब्धता पर प्रतीक्षा किए बिना स्वयं सेवा करने की क्षमता प्रदान करता है। डेटा विज्ञान विशेषज्ञों द्वारा पूर्वानुमान का भी चयन किया जाता है क्योंकि यह स्व-ट्यून किए गए मॉडलों के समूह के आधार पर अत्यधिक सटीक परिणाम प्रदान करता है, और किसी विशेष आकार के समूहों को तैनात या प्रबंधित किए बिना जल्दी से प्रयोग करने की सुविधा देता है। इसके एमएल मॉडल भी बड़ी संख्या में वस्तुओं के पूर्वानुमान का समर्थन करना आसान बनाते हैं, और सटीक उत्पन्न कर सकते हैं कोल्ड-स्टार्ट आइटम के लिए पूर्वानुमान बिना इतिहास के।

पूर्वानुमान के साथ आरंभ करते समय पाँच सर्वोत्तम अभ्यास

पूर्वानुमान डेवलपर्स और डेटा वैज्ञानिकों के लिए उच्च सटीकता और त्वरित समय-समय पर बाजार प्रदान करता है। यद्यपि अत्यधिक सटीक समय श्रृंखला मॉडल विकसित करना आसान बना दिया गया है, यह पोस्ट आपके ऑनबोर्डिंग और मूल्य के समय को गति देने के लिए सर्वोत्तम अभ्यास प्रदान करता है। सफलता तक पहुँचने के लिए थोड़ी कठोरता और शायद प्रयोग के कुछ दौर लागू किए जाने चाहिए। एक सफल पूर्वानुमान यात्रा कई कारकों पर निर्भर करती है, कुछ सूक्ष्म।

ये कुछ प्रमुख चीज़ें हैं जिन पर आपको पूर्वानुमान के साथ कार्य प्रारंभ करते समय विचार करना चाहिए।

सरल शुरू करो

जैसा कि निम्नलिखित चक्का में दिखाया गया है, एक साधारण मॉडल के साथ शुरुआत करने पर विचार करें जो a का उपयोग करता है लक्ष्य समय श्रृंखला जैसा कि आप इनपुट डेटा के अपने पहले सेट का प्रस्ताव करते हैं, बेसलाइन विकसित करने के लिए डेटासेट। बाद के प्रयोग अन्य में जोड़ सकते हैं लौकिक विशेषताएं और स्थिर मेटाडेटा मॉडल सटीकता में सुधार के लक्ष्य के साथ। हर बार जब कोई बदलाव किया जाता है, तो आप माप सकते हैं और सीख सकते हैं कि परिवर्तन ने कितनी मदद की है, यदि बिल्कुल भी। आपके मूल्यांकन के आधार पर, आप प्रदान की गई सुविधाओं के नए सेट को बनाए रखने, या पिवोट करने और अन्य विकल्प आज़माने का निर्णय ले सकते हैं।

आउटलेयर पर ध्यान दें

पूर्वानुमान के साथ, आप संपूर्ण डेटासेट के लिए सटीकता आँकड़े प्राप्त कर सकते हैं। यह पहचानना महत्वपूर्ण है कि यद्यपि यह शीर्ष-स्तरीय आँकड़ा दिलचस्प है, इसे केवल प्रत्यक्ष रूप से सही होने के रूप में देखा जाना चाहिए। आपको शीर्ष-स्तर के आँकड़ों के बजाय आइटम-स्तर के सटीकता आँकड़ों पर ध्यान देना चाहिए। एक गाइड के रूप में निम्नलिखित स्कैटरप्लॉट पर विचार करें। डेटासेट के कुछ आइटमों में उच्च सटीकता होगी; इनके लिए किसी कार्रवाई की आवश्यकता नहीं है।

एक मॉडल का निर्माण करते समय, आपको "खोजपूर्ण समय-श्रृंखला" के रूप में लेबल किए गए कुछ बिंदुओं का पता लगाना चाहिए। इन अन्वेषणात्मक मामलों में, निर्धारित करें कि अधिक इनपुट डेटा को शामिल करके सटीकता में सुधार कैसे किया जाए, जैसे कि मूल्य भिन्नता, प्रचार खर्च, स्पष्ट मौसमी विशेषताएं, और स्थानीय, बाजार, वैश्विक और अन्य वास्तविक दुनिया की घटनाओं और स्थितियों को शामिल करना।

पूर्वानुमान बनाने से पहले पूर्वसूचक सटीकता की समीक्षा करें

जब तक आप बैकटेस्ट अवधि के दौरान भविष्यवाणी सटीकता की समीक्षा नहीं कर लेते हैं, तब तक पूर्वानुमान के साथ भविष्य के दिनांकित पूर्वानुमान न बनाएं। पूर्ववर्ती स्कैटरप्लॉट समय श्रृंखला स्तर की सटीकता को दिखाता है, जो भविष्य की दिनांकित भविष्यवाणियों के लिए आपका सबसे अच्छा संकेत है, अन्य सभी चीजें समान हैं। यदि यह अवधि आपके आवश्यक स्तर की सटीकता प्रदान नहीं कर रही है, तो भविष्य की दिनांकित पूर्वानुमान कार्रवाई के साथ आगे न बढ़ें, क्योंकि इससे अकुशल व्यय हो सकता है। इसके बजाय, अपने इनपुट डेटा को बढ़ाने पर ध्यान दें और जैसा कि पहले चर्चा की गई थी, इनोवेशन फ्लाईव्हील पर एक और दौर की कोशिश करें।

प्रशिक्षण का समय कम करें

आप दो तंत्रों के माध्यम से प्रशिक्षण के समय को कम कर सकते हैं। सबसे पहले, पूर्वानुमान का उपयोग करें फिर से प्रशिक्षित समारोह हस्तांतरण सीखने के माध्यम से प्रशिक्षण के समय को कम करने में मदद करने के लिए। दूसरा, मॉडल बहाव को रोकें भविष्यवक्ता निगरानी आवश्यक होने पर ही प्रशिक्षण द्वारा।

दोहराने योग्य प्रक्रियाओं का निर्माण करें

हम आपको इसके माध्यम से पूर्वानुमान कार्यप्रवाह न बनाने के लिए प्रोत्साहित करते हैं एडब्ल्यूएस प्रबंधन कंसोल या जब तक आप कम से कम हमारे AWS के नमूने GitHub रेपो. गिटहब नमूने के साथ हमारा मिशन घर्षण को दूर करने में मदद करना है और दोहराने योग्य वर्कफ़्लोज़ के साथ आपके समय-समय पर बाजार में तेजी लाने में मदद करना है जो पहले से ही सोच-समझकर तैयार किए गए हैं। ये वर्कफ़्लो सर्वर रहित हैं और नियमित समय पर चलने के लिए शेड्यूल किए जा सकते हैं।

हमारे आधिकारिक GitHub रेपो पर जाएँ, जहाँ आप दिए गए चरणों का पालन करके हमारे समाधान मार्गदर्शन को शीघ्रता से लागू कर सकते हैं। जैसा कि निम्नलिखित चित्र में दिखाया गया है, वर्कफ़्लो एक पूर्ण एंड-टू-एंड पाइपलाइन प्रदान करता है जो ऐतिहासिक डेटा को पुनः प्राप्त कर सकता है, इसे आयात कर सकता है, मॉडल बना सकता है, और मॉडल के विरुद्ध अनुमान उत्पन्न कर सकता है—सब कुछ कोड लिखने की आवश्यकता के बिना।

निम्नलिखित आंकड़ा केवल एक मॉड्यूल में एक गहन दृश्य प्रस्तुत करता है, जो डेटाबेस स्रोतों के असंख्य से मॉडल प्रशिक्षण के लिए ऐतिहासिक डेटा एकत्र करने में सक्षम है जो समर्थित हैं अमेज़ॅन एथेना फ़ेडरेटेड क्वेरी.

आज से शुरुआत करें

आप कुछ दिनों से लेकर हफ्तों तक पूरी तरह से स्वचालित उत्पादन वर्कफ़्लो लागू कर सकते हैं, खासकर जब हमारे वर्कफ़्लो ऑर्केस्ट्रेशन पाइपलाइन के साथ जोड़ा जाता है जो हमारे यहाँ उपलब्ध है। गिटहब नमूना भंडार.

यह पुन: आविष्कार वीडियो ग्राहक के उपयोग के मामले को हाइलाइट करता है जिसने इस गिटहब मॉडल का उपयोग करके अपने वर्कफ़्लो को स्वचालित किया:

अत्यधिक सटीक एमएल-आधारित पूर्वानुमान के माध्यम से आपके व्यावसायिक लक्ष्यों को प्राप्त करने में मदद करने के लिए पूर्वानुमान में कई अंतर्निहित क्षमताएँ हैं। यदि आपके कोई प्रश्न हैं तो हम आपको अपनी एडब्ल्यूएस खाता टीम से संपर्क करने के लिए प्रोत्साहित करते हैं और उन्हें बताएं कि आप मार्गदर्शन और दिशा प्रदान करने के लिए समय श्रृंखला विशेषज्ञ से बात करना चाहते हैं। हम पूर्वानुमान का उपयोग करने के तरीके सीखने में आपकी सहायता करने के लिए कार्यशालाओं की पेशकश भी कर सकते हैं।

हम यहां आपकी और आपके संगठन की सहायता के लिए हैं क्योंकि आप अपनी कंपनी में मांग पूर्वानुमान को स्वचालित और बेहतर बनाने का प्रयास करते हैं। अधिक सटीक पूर्वानुमान के परिणामस्वरूप उच्च बिक्री, कचरे में महत्वपूर्ण कमी, निष्क्रिय इन्वेंट्री में कमी और अंततः ग्राहक सेवा का उच्च स्तर हो सकता है।

आज कार्रवाई करें; बेहतर कल बनाने के लिए वर्तमान से बेहतर कोई समय नहीं है।

---

लेखक के बारे में

चार्ल्स लाफलिन प्रिंसिपल एआई/एमएल स्पेशलिस्ट सॉल्यूशन आर्किटेक्ट हैं और एडब्ल्यूएस में टाइम सीरीज एमएल टीम के अंदर काम करते हैं। वह अमेज़ॅन पूर्वानुमान सेवा रोडमैप को आकार देने में मदद करता है और अत्याधुनिक एडब्ल्यूएस प्रौद्योगिकियों और विचार नेतृत्व का उपयोग करके अपने व्यवसायों को बदलने में मदद करने के लिए विविध एडब्ल्यूएस ग्राहकों के साथ दैनिक सहयोग करता है। चार्ल्स आपूर्ति श्रृंखला प्रबंधन में एमएस रखते हैं और पिछले एक दशक से उपभोक्ता पैकेज्ड सामान उद्योग में काम कर रहे हैं।

डैन सिन्नरेइच अमेज़न पूर्वानुमान के लिए एक वरिष्ठ उत्पाद प्रबंधक हैं। वह लो-कोड / नो-कोड मशीन लर्निंग को लोकतांत्रिक बनाने और व्यावसायिक परिणामों को बेहतर बनाने के लिए इसे लागू करने पर केंद्रित है। काम के अलावा, उन्हें हॉकी खेलते हुए, अपनी टेनिस सेवा में सुधार करने, स्कूबा डाइविंग और विज्ञान कथा पढ़ने की कोशिश करते हुए पाया जा सकता है।