Amazon SageMaker Autopilot sekarang mendukung data deret waktu

Autopilot Amazon SageMaker secara otomatis membuat, melatih, dan menyetel model pembelajaran mesin (ML) terbaik berdasarkan data Anda, sekaligus memungkinkan Anda mempertahankan kontrol dan visibilitas penuh. Kami baru saja mengumumkan dukungan untuk data deret waktu di Autopilot. Anda dapat menggunakan Autopilot untuk menangani tugas regresi dan klasifikasi pada data deret waktu, atau data urutan secara umum. Data deret waktu adalah jenis khusus dari data urutan di mana titik data dikumpulkan pada interval waktu yang genap.

Menyiapkan data secara manual, memilih model ML yang tepat, dan mengoptimalkan parameternya adalah tugas yang rumit, bahkan untuk praktisi ahli. Meskipun ada pendekatan otomatis yang dapat menemukan model terbaik dan parameternya, ini biasanya tidak dapat menangani data yang datang sebagai urutan, seperti lalu lintas jaringan, konsumsi listrik, atau pengeluaran rumah tangga yang dicatat dari waktu ke waktu. Karena data ini berbentuk observasi yang diperoleh pada titik waktu yang berbeda, observasi berurutan tidak dapat diperlakukan sebagai independen satu sama lain dan perlu diproses secara keseluruhan. Anda dapat menggunakan Autopilot untuk berbagai masalah yang berhubungan dengan data berurutan. Misalnya, Anda dapat mengklasifikasikan lalu lintas jaringan yang direkam dari waktu ke waktu untuk mengidentifikasi aktivitas berbahaya, atau menentukan apakah individu memenuhi syarat untuk hipotek berdasarkan riwayat kredit mereka. Anda memberikan kumpulan data yang berisi data deret waktu dan Autopilot menangani sisanya, memproses data sekuensial melalui transformasi fitur khusus dan menemukan model terbaik atas nama Anda.

Autopilot menghilangkan beban berat dalam membangun model ML, dan membantu Anda membuat, melatih, dan menyesuaikan model ML terbaik berdasarkan data Anda secara otomatis. Autopilot menjalankan beberapa algoritme pada data Anda dan menyesuaikan hyperparameternya pada infrastruktur komputasi yang terkelola sepenuhnya. Dalam posting ini, kami menunjukkan bagaimana Anda dapat menggunakan autopilot untuk memecahkan masalah klasifikasi dan regresi pada data deret waktu. Untuk instruksi tentang membuat dan melatih model Autopilot, lihat Prediksi Churn Pelanggan dengan Amazon SageMaker Autopilot.

Klasifikasi data deret waktu menggunakan Autopilot

Sebagai contoh berjalan, kami mempertimbangkan masalah multi-kelas pada deret waktu kumpulan data UWaveGestureLibraryX, yang berisi pembacaan sensor akselerometer dengan jarak yang sama saat melakukan salah satu dari delapan gerakan tangan yang telah ditentukan sebelumnya. Untuk kesederhanaan, kami hanya mempertimbangkan dimensi X dari akselerometer. Tugasnya adalah membangun model klasifikasi untuk memetakan data deret waktu dari pembacaan sensor ke gerakan yang telah ditentukan. Gambar berikut menunjukkan baris pertama dari dataset dalam format CSV. Seluruh tabel terdiri dari 896 baris dan dua kolom: kolom pertama adalah label gerakan dan kolom kedua adalah rangkaian waktu pembacaan sensor.

Konversikan data ke format yang tepat dengan Amazon SageMaker Data Wrangler

Selain menerima kolom teks numerik, kategoris, dan standar, Autopilot sekarang juga menerima kolom input urutan. Jika data deret waktu Anda tidak mengikuti format ini, Anda dapat dengan mudah mengonversinya melalui Pengatur Data Amazon SageMaker. Data Wrangler mengurangi waktu yang diperlukan untuk menggabungkan dan menyiapkan data untuk ML dari minggu ke menit. Dengan Data Wrangler, Anda dapat menyederhanakan proses persiapan data dan rekayasa fitur, serta menyelesaikan setiap langkah alur kerja persiapan data, termasuk pemilihan data, pembersihan, eksplorasi, dan visualisasi dari satu antarmuka visual. Misalnya, pertimbangkan kumpulan data yang sama tetapi dalam format input yang berbeda: setiap gerakan (ditentukan oleh ID) adalah urutan pengukuran akselerometer yang berjarak sama. Saat disimpan secara vertikal, setiap baris berisi stempel waktu dan satu nilai. Gambar berikut membandingkan data ini dalam format aslinya dan format urutan.

Untuk mengonversi dataset ini ke format yang dijelaskan sebelumnya menggunakan Data Wrangler, muat dataset dari Layanan Penyimpanan Sederhana Amazon (Amazon S3). Kemudian gunakan deret waktu Kelompokkan menurut transformasi, seperti yang ditunjukkan pada tangkapan layar berikut, dan ekspor data kembali ke Amazon S3 dalam format CSV.

Saat kumpulan data dalam format yang ditentukan, Anda dapat melanjutkan dengan Autopilot. Untuk melihat transformator deret waktu lainnya dari Data Wrangler, lihat: Siapkan data deret waktu dengan Amazon SageMaker Data Wrangler.

Luncurkan tugas AutoML

Seperti jenis input lainnya yang didukung oleh Autopilot, setiap baris kumpulan data adalah pengamatan yang berbeda dan setiap kolom adalah fitur. Dalam contoh ini, kami memiliki satu kolom yang berisi data deret waktu, tetapi Anda dapat memiliki beberapa kolom deret waktu. Anda juga dapat memiliki beberapa kolom dengan tipe input yang berbeda, seperti deret waktu, teks, dan numerik.

Untuk buat eksperimen Autopilot, tempatkan kumpulan data dalam ember S3 dan buat eksperimen baru di dalamnya Studio Amazon SageMaker. Seperti yang ditunjukkan pada tangkapan layar berikut, Anda harus menentukan nama eksperimen, lokasi S3 dari kumpulan data, lokasi S3 untuk artefak keluaran, dan nama kolom yang akan diprediksi.

Autopilot menganalisis data, menghasilkan pipeline ML, dan menjalankan 250 iterasi default pengoptimalan hyperparameter pada tugas klasifikasi ini. Seperti yang ditunjukkan pada papan peringkat model berikut, Autopilot mencapai akurasi 0.821, dan Anda dapat menerapkan model terbaik hanya dalam satu klik.

Selain itu, Autopilot menghasilkan laporan eksplorasi data, tempat Anda dapat memvisualisasikan dan menjelajahi data Anda.

Transparansi adalah dasar untuk Autopilot. Anda dapat memeriksa dan memodifikasi pipeline ML yang dihasilkan dalam buku catatan definisi kandidat. Tangkapan layar berikut menunjukkan bagaimana Autopilot merekomendasikan berbagai saluran pipa, menggabungkan transformator deret waktu TSFeatureExtractor dengan algoritma ML yang berbeda, seperti pohon keputusan yang didorong gradien dan model linier. Itu TSFeatureExtractor mengekstrak ratusan fitur deret waktu untuk Anda, yang kemudian diumpankan ke algoritme hilir untuk membuat prediksi. Untuk daftar lengkap fitur deret waktu, lihat Ikhtisar tentang fitur yang diekstraksi.

Kesimpulan

Dalam posting ini, kami mendemonstrasikan cara menggunakan SageMaker Autopilot untuk menyelesaikan masalah klasifikasi dan regresi deret waktu hanya dalam beberapa klik.

Untuk informasi lebih lanjut tentang Autopilot, lihat Autopilot Amazon SageMaker. Untuk menjelajahi fitur terkait SageMaker, lihat Pengatur Data Amazon SageMaker.

---

Tentang Penulis

Nikita Ivkin adalah Ilmuwan Terapan, Amazon SageMaker Data Wrangler.

Anne Milbert adalah seorang insinyur Pengembangan Perangkat Lunak yang bekerja di Penyetelan Model Otomatis Amazon SageMaker.

Valerio Perron adalah Manajer Sains Terapan yang bekerja di Penyetelan Model Otomatis dan Autopilot Amazon SageMaker.

Meghan Satish adalah seorang insinyur Pengembangan Perangkat Lunak yang bekerja di Penyetelan Model Otomatis Amazon SageMaker.

Ali Takbir adalah Arsitek Solusi spesialis AI/ML, dan membantu pelanggan dengan menggunakan Pembelajaran Mesin untuk menyelesaikan tantangan bisnis mereka di AWS Cloud.

• Coinsmart. Pertukaran Bitcoin dan Crypto Terbaik Eropa.
• Platoblockchain. Intelijen Metaverse Web3. Pengetahuan Diperkuat. AKSES GRATIS.
• CryptoHawk. Radar Altcoin. Uji Coba Gratis.
• Sumber: https://aws.amazon.com/blogs/machine-learning/amazon-sagemaker-autopilot-now-supports-time-series-data/