अब उसके पास अमेज़न का पूर्वानुमान, आप बिना किसी ऐतिहासिक डेटा वाले उत्पादों के लिए 45% तक अधिक सटीक पूर्वानुमान उत्पन्न कर सकते हैं। पूर्वानुमान एक प्रबंधित सेवा है जो बिना किसी एमएल अनुभव की आवश्यकता के सटीक मांग पूर्वानुमान उत्पन्न करने के लिए मशीन लर्निंग (एमएल) का उपयोग करती है। सटीक पूर्वानुमान इन्वेंट्री ऑप्टिमाइज़ेशन, लॉजिस्टिक प्लानिंग और कार्यबल प्रबंधन की नींव है और यह व्यवसायों को अपने ग्राहकों की सेवा के लिए बेहतर तरीके से तैयार होने में सक्षम बनाता है। कोल्ड स्टार्ट का अनुमान एक सामान्य चुनौती है जहां पूर्वानुमान उत्पन्न करने की आवश्यकता होती है लेकिन उत्पाद के लिए कोई ऐतिहासिक डेटा नहीं होता है। यह रिटेल, मैन्युफैक्चरिंग, या कंज्यूमर पैकेज्ड गुड्स जैसे उद्योगों में विशिष्ट है, जहां नए विकसित उत्पादों को बाजार में लाकर, पहली बार ऑनबोर्डिंग ब्रांड या कैटलॉग, या नए क्षेत्रों में उत्पादों को क्रॉस-सेल करके तेजी से नए उत्पाद पेश किए जाते हैं। इस लॉन्च के साथ, हमने कोल्ड स्टार्ट पूर्वानुमान के अपने मौजूदा दृष्टिकोण में सुधार किया है और अब 45% अधिक सटीक पूर्वानुमान प्रदान करते हैं।
कोल्ड स्टार्ट फोरकास्टिंग मॉडल विकसित करना चुनौतीपूर्ण हो सकता है क्योंकि ऑटोरेग्रेसिव इंटीग्रेटेड मूविंग एवरेज (ARIMA) या एक्सपोनेंशियल स्मूथिंग जैसे पारंपरिक सांख्यिकीय पूर्वानुमान विधियों को इस अवधारणा का उपयोग करके बनाया गया है कि किसी उत्पाद के ऐतिहासिक डेटा का उपयोग उसके भविष्य के मूल्यों की भविष्यवाणी करने के लिए किया जा सकता है। लेकिन, ऐतिहासिक डेटा के बिना, मॉडल पैरामीटर की गणना नहीं की जा सकती और इस प्रकार मॉडल का निर्माण नहीं किया जा सकता। पूर्वानुमान में पहले से ही स्वामित्व का उपयोग करके कोल्ड स्टार्ट उत्पादों के लिए पूर्वानुमान उत्पन्न करने की क्षमता थी तंत्रिका नेटवर्क एल्गोरिदम जैसे दीपार+ और सीएनएन-क्यूआर। ये मॉडल उत्पादों के बीच संबंधों को सीखते हैं और बिना किसी ऐतिहासिक डेटा वाले उत्पादों के लिए पूर्वानुमान उत्पन्न कर सकते हैं। इन संबंधों को स्थापित करने के लिए आइटम मेटाडेटा का उपयोग निहित था जिसका अर्थ था कि नेटवर्क कोल्ड स्टार्ट उत्पादों के लिए प्रवृत्ति विशेषताओं को पूरी तरह से एक्सट्रपलेशन करने में सक्षम नहीं थे।
आज, हमने कोल्ड स्टार्ट पूर्वानुमान के लिए एक नया दृष्टिकोण लॉन्च किया है जो पहले की तुलना में 45% अधिक सटीक है। यह दृष्टिकोण आइटम मेटाडेटा के हमारे उपचार में सुधार करता है जिसके माध्यम से हम आपके डेटासेट के भीतर स्पष्ट उत्पादों की पहचान करते हैं जिनमें कोल्ड स्टार्ट उत्पादों के समान विशेषताएं होती हैं। समान उत्पादों के इस सबसेट पर ध्यान केंद्रित करके, हम कोल्ड स्टार्ट उत्पाद के लिए पूर्वानुमान उत्पन्न करने के रुझानों को बेहतर ढंग से सीखने में सक्षम हैं। उदाहरण के लिए, एक नई टी-शर्ट लाइन शुरू करने वाला एक फैशन रिटेलर स्टोर इन्वेंट्री को अनुकूलित करने के लिए उस लाइन की मांग का पूर्वानुमान लगाना चाहेगा। आप अपने कैटलॉग में अन्य उत्पादों जैसे मौजूदा टी-शर्ट लाइन, जैकेट, पतलून और जूते के साथ-साथ नए और मौजूदा दोनों के लिए ब्रांड नाम, रंग, आकार और उत्पाद श्रेणी जैसे आइटम मेटाडेटा के लिए ऐतिहासिक डेटा के साथ पूर्वानुमान प्रदान कर सकते हैं। उत्पादों। इस मेटाडेटा के साथ, पूर्वानुमान स्वचालित रूप से उन उत्पादों का पता लगाता है जो नई टी-शर्ट लाइन से सबसे निकट से संबंधित हैं और टी-शर्ट लाइन के लिए पूर्वानुमान उत्पन्न करने के लिए उनका उपयोग करता है।
यह सुविधा उन सभी क्षेत्रों में उपलब्ध है जहाँ इसके माध्यम से पूर्वानुमान सार्वजनिक रूप से उपलब्ध है एडब्ल्यूएस प्रबंधन कंसोल या ऑटोप्रेडिक्टर एपीआई. क्षेत्र उपलब्धता के बारे में अधिक जानकारी के लिए देखें AWS क्षेत्रीय सेवाएँ. कोल्ड स्टार्ट पूर्वानुमान के लिए पूर्वानुमान का उपयोग शुरू करने के लिए, देखें पूर्वानुमान उत्पन्न करना या गिटहब नोटबुक.
समाधान अवलोकन
इस पोस्ट के चरण प्रदर्शित करते हैं कि कोल्ड स्टार्ट पूर्वानुमान के लिए पूर्वानुमान का उपयोग कैसे करें एडब्ल्यूएस प्रबंधन कंसोल. हम पूर्वानुमान में तीन चरणों का पालन करके एक नए लॉन्च किए गए उत्पाद के लिए एक इन्वेंट्री मांग पूर्वानुमान उत्पन्न करने वाले खुदरा विक्रेता के उदाहरण के माध्यम से चलते हैं: अपना डेटा आयात करना, भविष्यवक्ता को प्रशिक्षित करना और पूर्वानुमान बनाना। कोल्ड स्टार्ट पूर्वानुमान के लिए सीधे पूर्वानुमान एपीआई का उपयोग करने के लिए, हमारे में नोटबुक का पालन करें गीथहब रेपो, जो एक समान प्रदर्शन प्रदान करता है।
अपना प्रशिक्षण डेटा आयात करें
नई कोल्ड स्टार्ट फोरकास्टिंग विधि का उपयोग करने के लिए, आपको दो सीएसवी फाइलें आयात करनी होंगी: एक फ़ाइल जिसमें लक्ष्य समय श्रृंखला डेटा (पूर्वानुमान लक्ष्य दिखा रहा है), और दूसरी फ़ाइल जिसमें आइटम मेटाडेटा (आकार या रंग जैसी उत्पाद विशेषताओं को प्रदर्शित करना) शामिल है। पूर्वानुमान कोल्ड स्टार्ट उत्पादों की पहचान उन उत्पादों के रूप में करता है जो आइटम मेटाडेटा फ़ाइल में मौजूद हैं लेकिन लक्ष्य समय श्रृंखला फ़ाइल में मौजूद नहीं हैं।
अपने कोल्ड स्टार्ट उत्पाद की सही पहचान करने के लिए, सुनिश्चित करें कि आपके कोल्ड स्टार्ट उत्पाद की आइटम आईडी आपकी आइटम मेटाडेटा फ़ाइल में एक पंक्ति के रूप में दर्ज की गई है और यह लक्ष्य समय श्रृंखला फ़ाइल में शामिल नहीं है। एकाधिक कोल्ड स्टार्ट उत्पादों के लिए, प्रत्येक उत्पाद आइटम आईडी को आइटम मेटाडेटा फ़ाइल में एक अलग पंक्ति के रूप में दर्ज करें। यदि आपके पास अपने कोल्ड स्टार्ट उत्पाद के लिए अभी तक कोई आइटम आईडी नहीं है, तो आप 64 वर्णों से कम के किसी भी अल्फ़ान्यूमेरिक संयोजन का उपयोग कर सकते हैं जो पहले से ही आपके डेटासेट में किसी अन्य उत्पाद का प्रतिनिधि नहीं है।
हमारे उदाहरण में, लक्ष्य समय श्रृंखला फ़ाइल में उत्पाद आइटम आईडी, टाइमस्टैम्प और मांग (इन्वेंट्री) शामिल है, और आइटम मेटाडेटा फ़ाइल में उत्पाद आइटम आईडी, रंग, उत्पाद श्रेणी और स्थान शामिल हैं।
अपना डेटा आयात करने के लिए, निम्न चरणों को पूरा करें:
- पूर्वानुमान कंसोल पर, चुनें डेटासेट समूह देखें.
-
- चुनें डेटासेट समूह बनाएं.
- के लिए डेटासेट समूह का नाम, एक डेटासेट नाम दर्ज करें (इस पोस्ट के लिए, my_company_shoe_inventory)।
- फोरकास्टिंग डोमेन के लिए, फोरकास्टिंग डोमेन चुनें (इस पोस्ट के लिए, रिटेल)।
- अगला चुनें।
- लक्ष्य समय श्रृंखला डेटासेट पृष्ठ बनाएँ पर, डेटासेट का नाम, अपने डेटा की आवृत्ति और डेटा स्कीमा प्रदान करें।
- डेटासेट आयात विवरण प्रदान करें।
- स्टार्ट चुनें।
निम्न स्क्रीनशॉट हमारे उदाहरण के लिए भरे गए लक्ष्य समय श्रृंखला पृष्ठ की जानकारी दिखाता है।
आपको उस डैशबोर्ड पर पुनर्निर्देशित किया जाता है जिसका उपयोग आप प्रगति को ट्रैक करने के लिए कर सकते हैं।
- आइटम मेटाडेटा फ़ाइल आयात करने के लिए, डैशबोर्ड पर, चुनें आयात.
- पर आइटम मेटाडेटा डेटासेट बनाएँ पृष्ठ, डेटासेट नाम और डेटा स्कीमा प्रदान करें।
- डेटासेट आयात विवरण प्रदान करें।
- चुनें प्रारंभ.
निम्न स्क्रीनशॉट हमारे उदाहरण के लिए भरी गई जानकारी दिखाता है।
एक भविष्यवक्ता को प्रशिक्षित करें
अगला, हम एक भविष्यवक्ता को प्रशिक्षित करते हैं।
- डैशबोर्ड पर, चुनें ट्रेन के भविष्यवक्ता.
- पर ट्रेन के भविष्यवक्ता पृष्ठ, अपने भविष्यवक्ता के लिए एक नाम दर्ज करें, भविष्य में आप कितने समय तक पूर्वानुमान लगाना चाहते हैं और किस आवृत्ति पर, और आप कितनी मात्रा का पूर्वानुमान लगाना चाहते हैं।
- सक्षम ऑटोप्रेडिक्टर. कोल्ड स्टार्ट पूर्वानुमान के लिए यह आवश्यक है।
- चुनें बनाएं.
निम्न स्क्रीनशॉट हमारे उदाहरण के लिए भरी गई जानकारी दिखाता है।
एक पूर्वानुमान बनाएँ
हमारे भविष्यवक्ता के प्रशिक्षित होने के बाद (इसमें लगभग 2.5 घंटे लग सकते हैं), हम नए लॉन्च किए गए उत्पाद के लिए एक पूर्वानुमान बनाते हैं। जब आप देखेंगे तो आपको पता चल जाएगा कि आपका भविष्यवक्ता प्रशिक्षित है भविष्यवक्ताओं देखें अपने डैशबोर्ड पर बटन।
- चुनें एक पूर्वानुमान बनाएँ डैशबोर्ड पर।
- पर एक पूर्वानुमान बनाएँ पृष्ठ, एक पूर्वानुमान नाम दर्ज करें, आपके द्वारा बनाए गए भविष्यवक्ता को चुनें, और पूर्वानुमान की मात्रा (वैकल्पिक) और पूर्वानुमान उत्पन्न करने के लिए आइटम निर्दिष्ट करें।
- चुनें प्रारंभ.
अपने पूर्वानुमान निर्यात करें
आपका पूर्वानुमान बनने के बाद, आप डेटा को CSV में निर्यात कर सकते हैं। जब आप देखेंगे कि स्थिति सक्रिय है तो आपको पता चल जाएगा कि आपका पूर्वानुमान तैयार हो गया है।
- चुनें पूर्वानुमान निर्यात बनाएं.
- निर्यात फ़ाइल नाम दर्ज करें (इस पोस्ट के लिए, my_cold_start_forecast_export)।
- के लिए निर्यात स्थान, विवरण दें अमेज़न सरल भंडारण सेवा (अमेज़ॅन S3) स्थान।
- चुनें प्रारंभ.
- निर्यात डाउनलोड करने के लिए, कंसोल से S3 फ़ाइल पथ स्थान पर नेविगेट करें, फिर फ़ाइल का चयन करें और चुनें डाउनलोड.
निर्यात फ़ाइल में टाइमस्टैम्प, आइटम आईडी, आइटम मेटाडेटा और चयनित प्रत्येक क्वांटाइल के लिए पूर्वानुमान शामिल हैं।
अपने पूर्वानुमान देखें
आपका पूर्वानुमान बनने के बाद, आप नए उत्पादों के लिए कंसोल पर ग्राफिक रूप से पूर्वानुमान देख सकते हैं।
- चुनें क्वेरी पूर्वानुमान डैशबोर्ड पर।
- पिछले चरण में बनाए गए पूर्वानुमान का नाम चुनें (हमारे उदाहरण में my_cold_start_forecast)।
- वह आरंभ तिथि और समाप्ति तिथि दर्ज करें, जिस पर आप अपना पूर्वानुमान देखना चाहते हैं।
- पूर्वानुमान कुंजी के लिए आइटम आईडी फ़ील्ड में, अपने कोल्ड स्टार्ट उत्पाद की विशिष्ट आईडी जोड़ें।
- चुना पूर्वानुमान प्राप्त करें.
चित्र में, आप चयनित किसी भी मात्रा के लिए पूर्वानुमान देखेंगे।
निष्कर्ष
पूर्वानुमान के साथ, आप बिना किसी ऐतिहासिक डेटा वाले कोल्ड-स्टार्ट उत्पादों के लिए वही पूर्वानुमान अंतर्दृष्टि प्राप्त करने में सक्षम हैं, जो अब पहले की तुलना में 45% अधिक सटीक है। पूर्वानुमान के साथ कोल्ड स्टार्ट पूर्वानुमान उत्पन्न करने के लिए, पूर्वानुमान कंसोल खोलें और इस पोस्ट में उल्लिखित चरणों का पालन करें, या हमारा संदर्भ लें गिटहब नोटबुक एपीआई के माध्यम से कार्यक्षमता का उपयोग कैसे करें। अधिक जानने के लिए, देखें पूर्वानुमान उत्पन्न करना.
लेखक के बारे में
ब्रैंडन नायर अमेज़न पूर्वानुमान के लिए एक वरिष्ठ उत्पाद प्रबंधक है। उनकी पेशेवर रुचि स्केलेबल मशीन लर्निंग सेवाओं और अनुप्रयोगों को बनाने में निहित है। काम के बाहर वह राष्ट्रीय उद्यानों की खोज करते हुए, अपने गोल्फ स्विंग को पूरा करते हुए या एक साहसिक यात्रा की योजना बनाते हुए पाए जा सकते हैं।
मानस दादरकर एक सॉफ्टवेयर डेवलपमेंट मैनेजर है जो अमेज़ॅन फोरकास्ट सर्विस की इंजीनियरिंग का मालिक है। वह मशीन लर्निंग के अनुप्रयोगों और एमएल तकनीकों को हर किसी को अपनाने और उत्पादन में लगाने के लिए आसानी से उपलब्ध कराने के बारे में भावुक है। काम के बाहर, उनकी कई रुचियां हैं जिनमें यात्रा करना, पढ़ना और दोस्तों और परिवार के साथ समय बिताना शामिल है।
भरत नंदमुरी एक वरिष्ठ सॉफ्टवेयर इंजीनियर है जो अमेज़न पूर्वानुमान पर काम कर रहा है। वह एमएल सिस्टम के लिए इंजीनियरिंग पर ध्यान देने के साथ उच्च स्तरीय बैकएंड सेवाओं के निर्माण के बारे में भावुक है। काम के बाहर, उन्हें शतरंज खेलना, लंबी पैदल यात्रा करना और फिल्में देखना अच्छा लगता है।
गौरव गुप्ता एडब्ल्यूएस एआई लैब और अमेज़न फोरकास्ट में एप्लाइड साइंटिस्ट हैं। उनकी शोध रुचि अनुक्रमिक डेटा के लिए मशीन लर्निंग, आंशिक अंतर समीकरणों के लिए ऑपरेटर लर्निंग, वेवलेट्स में है। उन्होंने AWS में शामिल होने से पहले दक्षिणी कैलिफोर्निया विश्वविद्यालय से पीएचडी पूरी की।
- AI
- ai कला
- ऐ कला जनरेटर
- ऐ रोबोट
- अमेज़न का पूर्वानुमान
- कृत्रिम बुद्धिमत्ता
- कृत्रिम बुद्धिमत्ता प्रमाणन
- बैंकिंग में आर्टिफिशियल इंटेलिजेंस
- आर्टिफिशियल इंटेलिजेंस रोबोट
- आर्टिफिशियल इंटेलिजेंस रोबोट
- कृत्रिम बुद्धि सॉफ्टवेयर
- AWS मशीन लर्निंग
- blockchain
- ब्लॉकचेन सम्मेलन एआई
- कॉइनजीनियस
- संवादी कृत्रिम बुद्धिमत्ता
- क्रिप्टो सम्मेलन एआई
- दल-ए
- ध्यान लगा के पढ़ना या सीखना
- इसे गूगल करें
- यंत्र अधिगम
- प्लेटो
- प्लेटो एआई
- प्लेटो डेटा इंटेलिजेंस
- प्लेटो गेम
- प्लेटोडाटा
- प्लेटोगेमिंग
- स्केल एआई
- वाक्यविन्यास
- जेफिरनेट
