Most a Amazon előrejelzés, akár 45%-kal pontosabb előrejelzéseket készíthet előzményadatok nélküli termékekhez. A Forecast egy felügyelt szolgáltatás, amely gépi tanulást (ML) használ a pontos kereslet-előrejelzések generálásához, anélkül, hogy bármilyen ML-tapasztalatot igényelne. A pontos előrejelzés a készletoptimalizálás, a logisztikai tervezés és a munkaerő-gazdálkodás alapja, és lehetővé teszi a vállalkozások számára, hogy jobban felkészüljenek ügyfeleik kiszolgálására. Hidegindítás előrejelzés Gyakori kihívás, amikor előrejelzést kell készíteni, de a termékhez nem állnak rendelkezésre előzményadatok. Ez jellemző az olyan iparágakra, mint a kiskereskedelem, a gyártás vagy a fogyasztói csomagolt áruk, ahol gyors új termékek bevezetése történik az újonnan kifejlesztett termékek piacra vitelével, a márkák vagy katalógusok első ízben történő bevezetésével, vagy termékek keresztértékesítésével új régiókban. Ezzel a bevezetéssel továbbfejlesztettük a hidegindítási előrejelzés jelenlegi megközelítését, és immár akár 45%-kal pontosabb előrejelzéseket biztosítunk.
Kihívást jelenthet egy hidegindítási előrejelzési modell kidolgozása, mivel a hagyományos statisztikai előrejelzési módszerek, mint például az autoregresszív integrált mozgóátlag (ARIMA) vagy az exponenciális simítás, abból a koncepcióból épülnek fel, hogy a termék előzményadatai felhasználhatók a jövőbeli értékek előrejelzésére. De historikus adatok nélkül a modell paraméterei nem számíthatók ki, így a modell nem építhető fel. A Forecast már képes volt előrejelzéseket generálni a hidegindítási termékekhez a szabadalmaztatott termékek használatával neurális hálózati algoritmusok mint például a DeepAR+ és a CNN-QR. Ezek a modellek megtanulják a termékek közötti kapcsolatokat, és előrejelzéseket készíthetnek előzményadatok nélkül. A cikkek metaadatainak felhasználása ezeknek a kapcsolatoknak a megállapítására implicit volt, ami azt jelentette, hogy a hálózatok nem tudták teljes mértékben extrapolálni a hidegindítási termékek trendjellemzőit.
A mai napon a hidegindítási előrejelzés új megközelítését vezettük be, amely akár 45%-kal pontosabb, mint korábban. Ez a megközelítés javítja a tételek metaadatainak kezelését, amelyek révén azonosítjuk azokat az explicit termékeket az adatkészletében, amelyek jellemzői a leginkább hasonlítanak a hidegindítási termékekhez. A hasonló termékek ezen részhalmazára összpontosítva jobban megismerhetjük a trendeket, hogy előrejelzést készíthessünk a hidegindítási termékre vonatkozóan. Például egy divatkereskedő, aki új pólósort vezet be, előre jelezni kívánja az adott terméksor iránti keresletet, hogy optimalizálja a bolti készletet. A Forecast számára előzményadatokat biztosíthat a katalógusában szereplő más termékekről, például a meglévő pólókról, kabátokról, nadrágokról és cipőkről, valamint az új és a meglévő termékek metaadatait, például márkanevét, színét, méretét és termékkategóriáját. Termékek. Ezekkel a metaadatokkal a Forecast automatikusan felismeri azokat a termékeket, amelyek a legszorosabb kapcsolatban állnak az új pólósorral, és ezek alapján készít előrejelzéseket a pólósorhoz.
Ez a funkció minden olyan régióban elérhető, ahol az előrejelzés nyilvánosan elérhető a következőn keresztül AWS felügyeleti konzol vagy a AutoPredictor API. A régió elérhetőségével kapcsolatos további információkért lásd: AWS regionális szolgáltatások. Az előrejelzés hidegindítási előrejelzéshez való használatának megkezdéséhez lásd: Előrejelzések generálása vagy a GitHub notebook.
Megoldás áttekintése
A bejegyzés lépései bemutatják, hogyan kell használni az Előrejelzést a hidegindítási előrejelzéshez a AWS felügyeleti konzol. Bemutatunk egy példát, amikor egy kiskereskedő készletigény-előrejelzést készít egy újonnan bevezetett termékhez az Előrejelzés három lépésének követésével: adatok importálása, előrejelző betanítása és előrejelzés létrehozása. A Forecast API hidegindítási előrejelzéshez való közvetlen használatához kövesse a jegyzetfüzetünket GitHub repo, amely analóg bemutatót nyújt.
Importálja az edzési adatokat
Az új hidegindítási előrejelzési módszer használatához két CSV-fájlt kell importálnia: az egyik a cél idősor adatait tartalmazza (az előrejelzési célt mutatja), a másik pedig a cikk metaadatait (a termék jellemzőit, például a méretet vagy a színt). Az előrejelzés a hidegindítási termékeket olyan termékekként azonosítja, amelyek jelen vannak a cikk metaadatfájljában, de nincsenek jelen a cél idősorfájlban.
A hidegindító termék helyes azonosítása érdekében győződjön meg arról, hogy a hidegindító termék cikkazonosítója sorként szerepel a cikk metaadatfájljában, és nem szerepel a cél idősor fájlban. Több hidegindítású termék esetén minden egyes termékelem-azonosítót külön sorként adjon meg a cikk metaadatfájljában. Ha még nem rendelkezik cikkazonosítóval a hidegindítási termékhez, akkor bármilyen 64 karakternél rövidebb alfanumerikus kombinációt használhat, amely még nem reprezentálja az adatkészletben szereplő másik terméket.
Példánkban a cél idősor fájl tartalmazza a termék cikkazonosítóját, időbélyegét és keresletét (készletét), a cikk metaadatfájlja pedig a termék cikkazonosítóját, színét, termékkategóriáját és helyét.
Az adatok importálásához hajtsa végre a következő lépéseket:
- Az Előrejelzés konzolon válassza a lehetőséget Adatkészlet-csoportok megtekintése.
-
- A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a Adatkészlet-csoport létrehozása.
- A Adatkészlet-csoport neve, adja meg az adatkészlet nevét (ennél a bejegyzésnél: my_company_shoe_inventory).
- Az Előrejelzési tartományhoz válasszon előrejelzési tartományt (ennél a bejegyzésnél: Kiskereskedelem).
- Válassza a Tovább lehetőséget.
- A Cél idősor adatkészlet létrehozása oldalon adja meg az adatkészlet nevét, az adatok gyakoriságát és az adatsémát.
- Adja meg az adatkészlet importálásának részleteit.
- Válassza a Start lehetőséget.
A következő képernyőkép a példánkhoz kitöltött célidősor-oldal információit mutatja.
A rendszer átirányítja az irányítópultra, amelyen nyomon követheti a folyamatot.
- Az elem metaadatfájljának importálásához az irányítópulton válassza a lehetőséget import.
- A Tétel metaadat-adatkészletének létrehozása oldalon adja meg az adatkészlet nevét és az adatsémát.
- Adja meg az adatkészlet importálásának részleteit.
- A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a Rajt.
A következő képernyőkép a példánkhoz kitöltött információkat mutatja.
Tanítson egy előrejelzőt
Ezután egy előrejelzőt képezünk.
- Az irányítópulton válassza a lehetőséget Vonat előrejelző.
- A Vonat előrejelző oldalon adja meg a prediktor nevét, mennyi időre és milyen gyakorisággal szeretne előre jelezni a jövőben, valamint hány kvantilisra szeretne előrejelzést készíteni.
- engedélyezése AutoPredictor. Ez a hidegindítási előrejelzéshez szükséges.
- A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a Teremt.
A következő képernyőkép a példánkhoz kitöltött információkat mutatja.
Hozzon létre egy előrejelzést
A prediktorunk betanítása után (ez körülbelül 2.5 órát vehet igénybe), előrejelzést készítünk az újonnan piacra kerülő termékről. Tudni fogja, hogy az előrejelzője képzett, amikor látja a Tekintse meg az előrejelzőket gombot a műszerfalon.
- A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a Hozzon létre egy előrejelzést a műszerfalon.
- A Hozzon létre egy előrejelzést oldalon, adja meg az előrejelzés nevét, válassza ki a létrehozott előrejelzőt, és adja meg az előrejelzési kvantisokat (nem kötelező) és azokat az elemeket, amelyekhez előrejelzést kell készíteni.
- A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a Rajt.
Exportálja előrejelzéseit
Az előrejelzés létrehozása után exportálhatja az adatokat CSV-fájlba. Tudni fogja, hogy az előrejelzés létrejön, amikor látja, hogy az állapot aktív.
- A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a Előrejelzés exportálása.
- Adja meg az exportfájl nevét (ennél a bejegyzésnél my_cold_start_forecast_export).
- A Export hely, adja meg a Amazon egyszerű tárolási szolgáltatás (Amazon S3) helyen.
- A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a Rajt.
- Az exportálás letöltéséhez navigáljon az S3 fájl elérési útjához a konzolon, majd válassza ki a fájlt, és válassza ki Letöltés.
Az exportfájl tartalmazza az időbélyeget, az elemazonosítót, a cikk metaadatait és az előrejelzéseket minden kiválasztott kvantilishoz.
Tekintse meg előrejelzéseit
Az előrejelzés létrehozása után grafikusan megtekintheti az új termékekre vonatkozó előrejelzéseket a konzolon.
- A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a Előrejelzés lekérdezése a műszerfalon.
- Válassza ki az előző lépésben létrehozott előrejelzés nevét (példánkban a my_cold_start_forecast).
- Adja meg a kezdő és befejező dátumot, amelyen meg szeretné tekinteni az előrejelzést.
- Az előrejelzési kulcs cikkazonosító mezőjében adja meg a hidegindítási termék egyedi azonosítóját.
- Válaszd Kérjen előrejelzést.
Az ábrán minden kiválasztott kvantilis előrejelzése látható.
Következtetés
A Forecast segítségével ugyanazokat az előrejelzési betekintést nyerheti a hidegindítású termékekre vonatkozóan előzményadatok nélkül, most akár 45%-kal pontosabban, mint korábban. Ha hidegindítási előrejelzéseket szeretne generálni a Forecast segítségével, nyissa meg a Forecast konzolt, és kövesse az ebben a bejegyzésben ismertetett lépéseket, vagy tekintse meg a GitHub notebook arról, hogyan lehet elérni a funkcionalitást API-n keresztül. További információért lásd: Előrejelzések generálása.
A szerzőkről
Brandon Nair az Amazon Forecast vezető termékmenedzsere. Szakmai érdeklődése a méretezhető gépi tanulási szolgáltatások és alkalmazások létrehozásában rejlik. Munkán kívül a nemzeti parkok felfedezése, a golf swing tökéletesítése vagy egy kalandtúra tervezése során találkozhat vele.
Manas Dadarkar egy szoftverfejlesztési menedzser, aki az Amazon Forecast szolgáltatás tervezési részlegének tulajdonosa. Szenvedélyesen törekszik a gépi tanulás alkalmazásaira, és arra, hogy az ML technológiákat mindenki számára könnyen elérhetővé tegye, hogy átvehesse és üzembe helyezze a termelésben. A munkán kívül számos érdeklődési köre van, beleértve az utazást, az olvasást, valamint a barátokkal és családdal eltöltött időt.
Bharat Nandamuri Sr Software Engineer, aki az Amazon Forecaston dolgozik. Szenvedélye a nagyszabású háttérszolgáltatások kiépítése, az ML rendszerek tervezésére összpontosítva. Munkán kívül szeret sakkozni, kirándulni és filmeket nézni.
Gaurav Gupta az AWS AI Labs és az Amazon Forecast alkalmazott tudósa. Kutatási érdeklődési köre a szekvenciális adatok gépi tanulása, a parciális differenciálegyenletek, waveletek operátori tanulása. Doktori fokozatát a Dél-Kaliforniai Egyetemen szerezte, mielőtt az AWS-hez csatlakozott.
- AI
- ai művészet
- ai art generátor
- van egy robotod
- Amazon előrejelzés
- mesterséges intelligencia
- mesterséges intelligencia tanúsítás
- mesterséges intelligencia a bankszektorban
- mesterséges intelligencia robot
- mesterséges intelligencia robotok
- mesterséges intelligencia szoftver
- AWS gépi tanulás
- blockchain
- blokklánc konferencia ai
- coingenius
- társalgási mesterséges intelligencia
- kriptokonferencia ai
- dall's
- mély tanulás
- google azt
- gépi tanulás
- Plató
- plato ai
- Platón adatintelligencia
- Platón játék
- PlatoData
- platogaming
- skála ai
- szintaxis
- zephyrnet