Peramalan deret waktu mengacu pada proses memprediksi nilai masa depan dari data deret waktu (data yang dikumpulkan secara berkala dari waktu ke waktu). Metode sederhana untuk peramalan deret waktu menggunakan nilai historis dari variabel yang sama yang nilai masa depannya perlu diprediksi, sedangkan metode berbasis pembelajaran mesin (ML) yang lebih kompleks menggunakan informasi tambahan, seperti data deret waktu dari variabel terkait.
Prakiraan Amazon adalah layanan peramalan deret waktu berbasis ML yang mencakup algoritme yang didasarkan pada pengalaman peramalan selama lebih dari 20 tahun yang digunakan oleh Amazon.com, menghadirkan teknologi yang sama yang digunakan di Amazon kepada pengembang sebagai layanan yang dikelola sepenuhnya, menghilangkan kebutuhan untuk mengelola sumber daya. Forecast menggunakan ML untuk mempelajari tidak hanya algoritme terbaik untuk setiap item, tetapi juga ansambel algoritme terbaik untuk setiap item, yang secara otomatis membuat model terbaik untuk data Anda.
Posting ini menjelaskan cara menerapkan beban kerja Prakiraan berulang (beban kerja perkiraan deret waktu) tanpa menggunakan kode Formasi AWS Cloud, Fungsi Langkah AWS, dan Manajer Sistem AWS. Metode yang disajikan di sini membantu Anda membuat alur yang memungkinkan Anda menggunakan alur kerja yang sama mulai dari hari pertama eksperimen perkiraan deret waktu hingga penerapan model ke dalam produksi.
Peramalan time series menggunakan Forecast
Alur kerja untuk Forecast melibatkan konsep umum berikut:
- Mengimpor kumpulan data โ Dalam Prakiraan, a grup dataset adalah kumpulan dataset, skema, dan hasil perkiraan yang berjalan bersama. Setiap grup dataset dapat memiliki hingga tiga set data, masing-masing satu kumpulan data jenis: deret waktu target (TTS), deret waktu terkait (RTS), dan metadata item. Kumpulan data adalah kumpulan file yang berisi data yang relevan untuk tugas peramalan. Kumpulan data harus sesuai dengan skema yang ditentukan dalam Prakiraan. Untuk detail lebih lanjut, lihat Mengimpor Kumpulan Data.
- Prediktor pelatihan - A prediktor adalah model terlatih Prakiraan yang digunakan untuk membuat prakiraan berdasarkan data deret waktu. Selama pelatihan, Prakiraan menghitung metrik akurasi yang Anda gunakan untuk mengevaluasi prediktor dan memutuskan apakah akan menggunakan prediktor untuk menghasilkan perkiraan. Untuk informasi lebih lanjut, lihat Pelatihan Prediktor.
- Menghasilkan prakiraan โ Anda kemudian dapat menggunakan model terlatih untuk menghasilkan prakiraan untuk cakrawala waktu mendatang, yang dikenal sebagai cakrawala ramalan. Prakiraan memberikan prakiraan di berbagai kuantil yang ditentukan. Misalnya, perkiraan pada kuantil 0.90 akan memperkirakan nilai yang lebih rendah dari nilai yang diamati 90% dari waktu. Secara default, Prakiraan menggunakan nilai berikut untuk jenis perkiraan prediktor: 0.1 (P10), 0.5 (P50), dan 0.9 (P90). Prakiraan di berbagai kuantil biasanya digunakan untuk menyediakan interval prediksi (batas atas dan bawah untuk prakiraan) untuk memperhitungkan ketidakpastian prakiraan.
Anda dapat menerapkan alur kerja ini di Prakiraan baik dari Konsol Manajemen AWS, yang Antarmuka Baris Perintah AWS (AWS CLI), melalui Panggilan API menggunakan notebook Python, atau melalui solusi otomatisasi. Itu konsol dan AWS CLI metode paling cocok untuk eksperimen cepat untuk memeriksa kelayakan peramalan deret waktu menggunakan data Anda. Metode notebook Python sangat bagus untuk ilmuwan data yang sudah terbiasa dengan notebook dan pengkodean Jupyter, dan memberikan kontrol dan penyetelan maksimum. Namun, metode berbasis notebook sulit untuk dioperasionalkan. Pendekatan otomasi kami memfasilitasi eksperimen cepat, menghilangkan tugas berulang, dan memungkinkan transisi yang lebih mudah di antara berbagai lingkungan (pengembangan, pementasan, produksi).
Dalam postingan ini, kami menjelaskan pendekatan otomasi untuk menggunakan Prakiraan yang memungkinkan Anda menggunakan data Anda sendiri dan menyediakan satu alur kerja yang dapat Anda gunakan dengan mulus di sepanjang siklus hidup pengembangan solusi perkiraan Anda, dari hari pertama eksperimen hingga penerapan solusi di lingkungan produksi Anda.
Ikhtisar solusi
Di bagian berikut, kami menjelaskan alur kerja end-to-end lengkap yang berfungsi sebagai template untuk diikuti penerapan otomatis model peramalan deret waktu menggunakan Prakiraan. Alur kerja ini membuat perkiraan titik data dari kumpulan data masukan sumber terbuka; namun, Anda dapat menggunakan alur kerja yang sama untuk data Anda sendiri, selama Anda dapat memformat data Anda sesuai dengan langkah-langkah yang diuraikan dalam postingan ini. Setelah Anda mengupload data, kami memandu Anda melalui langkah-langkah untuk membuat grup kumpulan data Perkiraan, mengimpor data, melatih model ML, dan membuat titik data yang diperkirakan pada cakrawala waktu tak terlihat di masa mendatang dari data mentah. Semua ini dimungkinkan tanpa harus menulis atau mengkompilasi kode.
Diagram berikut mengilustrasikan alur kerja peramalan.
Solusi disebarkan menggunakan dua templat CloudFormation: templat dependensi dan templat beban kerja. CloudFormation memungkinkan Anda melakukan penerapan infrastruktur AWS secara terprediksi dan berulang kali dengan menggunakan templat yang menjelaskan sumber daya yang akan diterapkan. Templat yang diterapkan disebut sebagai a tumpukan. Kami telah menentukan infrastruktur dalam solusi untuk Anda dalam dua template yang disediakan. Templat dependensi menentukan sumber daya prasyarat yang digunakan oleh templat beban kerja, seperti file Layanan Penyimpanan Sederhana Amazon (Amazon S3) ember untuk penyimpanan objek dan Identitas AWS dan Manajemen Akses (IAM) untuk tindakan AWS API. Sumber daya yang ditentukan dalam template dependensi dapat digunakan bersama oleh beberapa template beban kerja. Templat beban kerja menentukan sumber daya yang digunakan untuk menyerap data, melatih prediktor, dan menghasilkan perkiraan.
Terapkan template CloudFormation dependensi
Pertama, mari terapkan template dependensi untuk membuat sumber daya prasyarat kita. Template dependensi menerapkan bucket S3 opsional, AWS Lambda fungsi, dan peran IAM. Amazon S3 adalah layanan penyimpanan objek berbiaya rendah, sangat tersedia, tangguh. Kami menggunakan bucket S3 dalam solusi ini untuk menyimpan data sumber dan memicu alur kerja, menghasilkan perkiraan. Lambda adalah layanan komputasi berbasis kejadian tanpa server yang memungkinkan Anda menjalankan kode tanpa menyediakan atau mengelola server. Templat dependensi menyertakan fungsi untuk melakukan hal-hal seperti membuat grup dataset di Forecast dan membersihkan objek dalam bucket S3 sebelum menghapus bucket. Peran IAM menentukan izin dalam AWS untuk pengguna dan layanan. Template dependensi menerapkan peran untuk digunakan oleh Lambda dan lainnya untuk Step Functions, layanan manajemen alur kerja yang akan mengoordinasikan tugas penyerapan dan pemrosesan data, serta pelatihan prediktor dan inferensi menggunakan Forecast.
Selesaikan langkah-langkah berikut untuk menerapkan template dependensi:
- Di konsol, pilih yang diinginkan Wilayah yang didukung oleh Prakiraan untuk penerapan solusi.
- Pada konsol AWS CloudFormation, pilih Tumpukan di panel navigasi.
- Pilih Buat tumpukan Dan pilihlah Dengan sumber daya baru (standar).
- Untuk Sumber template, pilih URL Amazon S3.
- Masukkan URL templat:
https://amazon-forecast-samples.s3.us-west-2.amazonaws.com/ml_ops/forecast-mlops-dependency.yaml
. - Pilih Selanjutnya.
- Untuk Nama tumpukan, Masuk
forecast-mlops-dependency
. - Bawah parameter, pilih untuk menggunakan bucket S3 yang sudah ada atau buat yang baru, lalu berikan nama bucket tersebut.
- Pilih Selanjutnya.
- Pilih Selanjutnya untuk menerima opsi tumpukan default.
- Pilih kotak centang untuk mengonfirmasi bahwa tumpukan membuat sumber daya IAM, lalu pilih Buat tumpukan untuk menyebarkan template.
Anda akan melihat penerapan template sebagai forecast-mlops-dependency
tumpukan. Ketika statusnya berubah menjadi CREATE_COMPLETE
, Anda dapat pindah ke langkah berikutnya.
Terapkan template CloudFormation beban kerja
Selanjutnya, mari terapkan template beban kerja untuk membuat sumber daya prasyarat kita. Template beban kerja menerapkan mesin status Step Functions untuk manajemen alur kerja, Penyimpanan Parameter Manajer Sistem AWS parameter untuk menyimpan nilai parameter dari AWS CloudFormation dan menginformasikan alur kerja, an Layanan Pemberitahuan Sederhana Amazon (Amazon SNS) topik untuk pemberitahuan alur kerja, dan peran IAM untuk izin layanan alur kerja.
Solusinya menciptakan lima mesin negara:
- BuatDatasetGroupStateMachine โ Membuat grup kumpulan data Prakiraan untuk data yang akan diimpor.
- BuatImportDatasetStateMachine โ Mengimpor data sumber dari Amazon S3 ke dalam grup kumpulan data untuk pelatihan.
- Buat ForecastStateMachine โ Mengelola tugas yang diperlukan untuk melatih prediktor dan menghasilkan perkiraan.
- Mesin Negara Konektor Athena โ Memungkinkan Anda untuk menulis kueri SQL dengan Amazon Athena konektor untuk mendaratkan data di Amazon S3. Ini adalah proses opsional untuk mendapatkan data historis dalam format yang diperlukan untuk Prakiraan dengan menggunakan Athena alih-alih menempatkan file secara manual di Amazon S3.
- StepFunctionWorkflowStateMachine โ Mengkoordinasikan panggilan ke empat mesin status lainnya dan mengelola keseluruhan alur kerja.
Parameter Store, kemampuan Manajer Sistem, menyediakan penyimpanan yang aman, hierarkis, dan pengambilan terprogram dari manajemen data konfigurasi dan manajemen rahasia. Parameter Store digunakan untuk menyimpan parameter yang diatur dalam tumpukan beban kerja serta parameter lain yang digunakan oleh alur kerja.
Selesaikan langkah-langkah berikut untuk menerapkan template beban kerja:
- Pada konsol AWS CloudFormation, pilih Tumpukan di panel navigasi.
- Pilih Buat tumpukan Dan pilihlah Dengan sumber daya baru (standar).
- Untuk Sumber template, pilih URL Amazon S3.
- Masukkan URL templat:
https://amazon-forecast-samples.s3.us-west-2.amazonaws.com/ml_ops/forecast-mlops-solution-guidance.yaml
. - Pilih Selanjutnya.
- Untuk Nama tumpukan, masukkan nama.
- Terima nilai default atau ubah parameter.
Pastikan untuk memasukkan nama bucket S3 dari tumpukan dependensi untuk Ember S3 dan alamat email yang valid untuk Titik Akhir SNS bahkan jika Anda menerima nilai parameter default.
Tabel berikut menjelaskan setiap parameter.
Parameter | Deskripsi Produk | Informasi lebih lanjut |
DatasetGroupFrequencyRTS |
Frekuensi pengumpulan data untuk set data RTS. | . |
DatasetGroupFrequencyTTS |
Frekuensi pengumpulan data untuk dataset TTS. | . |
DatasetGroupName |
Nama singkat untuk grup dataset, beban kerja mandiri. | Buat Grup Kumpulan Data |
DatasetIncludeItem |
Tentukan apakah Anda ingin memberikan metadata item untuk kasus penggunaan ini. | . |
DatasetIncludeRTS |
Tentukan apakah Anda ingin memberikan deret waktu terkait untuk kasus penggunaan ini. | . |
ForecastForecastTypes |
Saat tugas CreateForecast berjalan, ini menyatakan kuantil mana yang menghasilkan prediksi. Anda dapat memilih hingga lima nilai dalam larik ini. Edit nilai ini untuk memasukkan nilai sesuai kebutuhan. | Buat Prakiraan |
PredictorAttributeConfigs |
Untuk variabel target di TTS dan setiap bidang numerik di kumpulan data RTS, catatan harus dibuat untuk setiap interval waktu untuk setiap item. Konfigurasi ini membantu menentukan bagaimana catatan yang hilang diisi: dengan 0, NaN, atau sebaliknya. Kami merekomendasikan mengisi celah di TTS dengan NaN, bukan 0. Dengan 0, model mungkin salah belajar untuk mencondongkan prakiraan ke 0. NaN adalah cara penyampaian panduan. Konsultasikan dengan Arsitek Solusi AWS Anda jika ada pertanyaan tentang ini. | BuatPrediktorOtomatis |
PredictorExplainPredictor |
Nilai yang valid adalah BENAR atau SALAH. Ini menentukan apakah penjelasan diaktifkan untuk prediktor Anda. Ini dapat membantu Anda memahami bagaimana nilai dalam RTS dan metadata item memengaruhi model. | Dapat dijelaskan |
PredictorForecastDimensions |
Anda mungkin ingin meramalkan butiran yang lebih halus daripada item. Di sini, Anda bisa menentukan dimensi seperti lokasi, pusat biaya, atau apapun kebutuhan Anda. Ini harus sesuai dengan dimensi di RTS dan TTS Anda. Perhatikan bahwa jika Anda tidak memiliki dimensi, parameter yang benar adalah nol, dengan sendirinya dan dalam huruf kecil semua. null adalah kata khusus yang memberi tahu sistem bahwa tidak ada parameter untuk dimensi. | BuatPrediktorOtomatis |
PredictorForecastFrequency |
Menentukan skala waktu pembuatan model dan prediksi Anda, seperti harian, mingguan, atau bulanan. Menu tarik-turun membantu Anda memilih nilai yang diizinkan. Ini harus sesuai dengan skala waktu RTS Anda jika Anda menggunakan RTS. | BuatPrediktorOtomatis |
PredictorForecastHorizon |
Jumlah langkah waktu yang diprediksi model. Horizon ramalan disebut juga dengan panjang prediksi. | BuatPrediktorOtomatis |
PredictorForecastOptimizationMetric |
Menentukan metrik akurasi yang digunakan untuk mengoptimalkan prediktor. Menu tarik-turun akan membantu Anda memilih saldo kerugian kuantil tertimbang untuk perkiraan berlebih atau kurang. RMSE berkaitan dengan satuan, dan WAPE/MAPE berkaitan dengan persen kesalahan. | BuatPrediktorOtomatis |
PredictorForecastTypes |
Ketika sebuah CreateAutoPredictor pekerjaan berjalan, ini menyatakan kuantil mana yang digunakan untuk melatih titik prediksi. Anda dapat memilih hingga lima nilai dalam larik ini, memungkinkan Anda untuk menyeimbangkan prakiraan berlebih dan kurang. Edit nilai ini untuk memasukkan nilai sesuai kebutuhan. |
BuatPrediktorOtomatis |
S3Bucket |
Nama bucket S3 tempat data input dan data output ditulis untuk beban kerja ini. | . |
SNSEndpoint |
Alamat email yang valid untuk menerima notifikasi saat pekerjaan prediktor dan Prakiraan selesai. | . |
SchemaITEM |
Ini menentukan urutan fisik, nama kolom, dan tipe data untuk set data metadata item Anda. Ini adalah file opsional yang disediakan dalam contoh solusi. | Buat Dataset |
SchemaRTS |
Ini menentukan urutan fisik, nama kolom, dan tipe data untuk kumpulan data RTS Anda. Dimensi harus sesuai dengan TTS Anda. Butir waktu dari file ini mengatur butir waktu di mana prediksi dapat dibuat. Ini adalah file opsional yang disediakan dalam contoh solusi. | Buat Dataset |
SchemaTTS |
Ini menentukan urutan fisik, nama kolom, dan tipe data untuk kumpulan data TTS Anda, satu-satunya kumpulan data yang diperlukan. File harus berisi nilai target, stempel waktu, dan item minimal. | Buat Dataset |
TimestampFormatRTS |
Menentukan format stempel waktu yang disediakan dalam file RTS. | BuatDatasetImporPekerjaan |
TimestampFormatTTS |
Menentukan format stempel waktu yang disediakan dalam file TTS. | BuatDatasetImporPekerjaan |
- Pilih Selanjutnya untuk menerima opsi tumpukan default.
- Pilih kotak centang untuk mengonfirmasi bahwa tumpukan membuat sumber daya IAM, lalu pilih Buat tumpukan untuk menyebarkan template.
Anda akan melihat penerapan template sebagai nama tumpukan yang Anda pilih sebelumnya. Ketika statusnya berubah menjadi CREATE_COMPLETE
, Anda dapat pindah ke langkah pengunggahan data.
Unggah datanya
Di bagian sebelumnya, Anda memberikan nama stack dan bucket S3. Bagian ini menjelaskan cara menyimpan kumpulan data yang tersedia untuk umum Permintaan Pangan dalam ember ini. Jika Anda menggunakan kumpulan data Anda sendiri, lihat Dataset untuk menyiapkan kumpulan data Anda dalam format yang diharapkan penerapan. Set data harus berisi setidaknya deret waktu target, dan secara opsional, deret waktu terkait dan metadata item:
- TTS adalah data deret waktu yang menyertakan bidang yang ingin Anda buat perkiraannya; bidang ini disebut bidang sasaran
- RTS adalah data deret waktu yang tidak menyertakan bidang target, tetapi menyertakan bidang terkait
- File data item bukan data deret waktu, tetapi menyertakan informasi metadata tentang item dalam kumpulan data TTS atau RTS
Selesaikan langkah-langkah berikut:
- Jika Anda menggunakan kumpulan data sampel yang disediakan, unduh kumpulan data tersebut Permintaan Pangan ke komputer Anda dan unzip file, yang membuat tiga file di dalam tiga direktori (
rts
,tts
,item
). - Di konsol Amazon S3, navigasikan ke bucket yang Anda buat sebelumnya.
- Pilih Buat folder.
- Gunakan string yang sama dengan nama tumpukan beban kerja Anda untuk nama folder.
- Pilih Unggah.
- Pilih tiga folder dataset, lalu pilih Unggah.
Saat unggahan selesai, Anda akan melihat sesuatu seperti tangkapan layar berikut. Untuk contoh ini, folder kita adalah aiml42
.
Buat grup kumpulan data Prakiraan
Selesaikan langkah-langkah di bagian ini untuk membuat grup dataset sebagai kejadian satu kali untuk setiap beban kerja. Ke depan, Anda harus merencanakan untuk menjalankan data impor, membuat prediktor, dan membuat langkah perkiraan yang sesuai, sebagai rangkaian, sesuai dengan jadwal Anda, yang bisa harian, mingguan, atau lainnya.
- Di konsol Step Functions, temukan mesin status yang berisi
Create-Dataset-Group
. - Pada halaman detail state machine, pilih Mulai eksekusi.
- Pilih Mulai eksekusi lagi untuk konfirmasi.
Mesin negara membutuhkan waktu sekitar 1 menit untuk dijalankan. Jika sudah selesai, nilainya di bawah Status Eksekusi harus berubah dari Running untuk Berhasil
Impor data ke Prakiraan
Ikuti langkah-langkah di bagian ini untuk mengimpor kumpulan data yang Anda unggah ke bucket S3 ke dalam grup kumpulan data Anda:
- Di konsol Step Functions, temukan mesin status yang berisi
Import-Dataset
. - Pada halaman detail state machine, pilih Mulai Eksekusi.
- Pilih Mulai eksekusi lagi untuk konfirmasi.
Jumlah waktu yang diperlukan state machine untuk menjalankan bergantung pada kumpulan data yang sedang diproses.
- Saat ini sedang berjalan, di browser Anda, buka tab lain dan arahkan ke konsol Prakiraan.
- Di konsol Forecast, pilih Lihat grup kumpulan data dan arahkan ke grup dataset dengan nama yang ditentukan untuk
DataGroupName
dari tumpukan beban kerja Anda. - Pilih Lihat kumpulan data.
Anda akan melihat impor data sedang berlangsung.
Ketika mesin negara untuk Import-Dataset
selesai, Anda dapat melanjutkan ke langkah berikutnya untuk membangun model data deret waktu Anda.
Buat AutoPredictor (melatih model deret waktu)
Bagian ini menjelaskan cara melatih prediktor awal dengan Prakiraan. Anda dapat memilih untuk membuat prediktor baru (prediktor dasar pertama Anda) atau melatih ulang prediktor selama setiap siklus produksi, yang bisa harian, mingguan, atau sebaliknya. Anda juga dapat memilih untuk tidak membuat prediktor setiap siklus dan mengandalkan pemantauan prediktor untuk memandu Anda saat membuatnya. Gambar berikut memvisualisasikan proses pembuatan prediktor Prakiraan siap produksi.
Untuk membuat prediktor baru, selesaikan langkah-langkah berikut:
- Di konsol Step Functions, temukan mesin status yang berisi
Create-Predictor
. - Pada halaman detail state machine, pilih Mulai Eksekusi.
- Pilih Mulai eksekusi lagi untuk konfirmasi.
Jumlah runtime dapat bergantung pada kumpulan data yang sedang diproses. Ini bisa memakan waktu hingga satu jam atau lebih untuk menyelesaikannya. - Saat ini sedang berjalan, di browser Anda, buka tab lain dan arahkan ke konsol Prakiraan.
- Di konsol Forecast, pilih Lihat grup kumpulan data dan arahkan ke grup dataset dengan nama yang ditentukan untuk
DataGroupName
dari tumpukan beban kerja Anda. - Pilih Lihat prediktor.
Anda akan melihat pelatihan prediktor sedang berlangsung (Status pelatihan menunjukkan โBuat sedang berlangsungโฆโ).
Ketika mesin negara untuk Create-Predictor
selesai, Anda dapat mengevaluasi kinerjanya.
Sebagai bagian dari mesin negara, sistem membuat prediktor dan juga menjalankan a BacktestExport
pekerjaan yang menuliskan metrik prediktor tingkat deret waktu ke Amazon S3. Ini adalah file yang terletak di dua folder S3 di bawah backtest-export
folder:
- akurasi-metrik-nilai โ Memberikan perhitungan metrik akurasi tingkat item sehingga Anda dapat memahami kinerja deret waktu tunggal. Ini memungkinkan Anda untuk menyelidiki penyebaran daripada berfokus pada metrik global saja.
- perkiraan-nilai โ Memberikan prediksi tingkat langkah untuk setiap deret waktu di jendela backtest. Hal ini memungkinkan Anda untuk membandingkan nilai target aktual dari rangkaian pengujian holdout dengan nilai kuantil yang diprediksi. Meninjau ini membantu merumuskan ide tentang cara menyediakan fitur data tambahan di RTS atau metadata item untuk membantu memperkirakan nilai mendatang dengan lebih baik, sehingga mengurangi kerugian lebih lanjut. Anda dapat mengunduh
backtest-export
file dari Amazon S3 atau menanyakannya di tempat dengan Athena.
Dengan data Anda sendiri, Anda perlu memeriksa dengan cermat hasil prediktor dan memastikan metrik memenuhi hasil yang Anda harapkan dengan menggunakan data ekspor backtest. Setelah puas, Anda dapat mulai membuat prediksi masa depan seperti yang dijelaskan di bagian selanjutnya.
Hasilkan perkiraan (inferensi tentang cakrawala waktu mendatang)
Bagian ini menjelaskan cara menghasilkan titik data prakiraan dengan Prakiraan. Selanjutnya, Anda harus mengambil data baru dari sistem sumber, mengimpor data ke Prakiraan, lalu membuat titik data prakiraan. Secara opsional, Anda juga dapat memasukkan pembuatan prediktor baru setelah impor dan sebelum perkiraan. Gambar berikut memvisualisasikan proses pembuatan forecast time series produksi menggunakan Forecast.
Selesaikan langkah-langkah berikut:
- Di konsol Step Functions, temukan mesin status yang berisi
Create-Forecast
. - Pada halaman detail state machine, pilih Mulai Eksekusi.
- Pilih Mulai eksekusi lagi untuk konfirmasi.
Mesin status ini selesai dengan sangat cepat karena sistem tidak dikonfigurasi untuk menghasilkan perkiraan. Ia tidak mengetahui model prediktor mana yang telah Anda setujui untuk inferensi.
Mari konfigurasikan sistem untuk menggunakan prediktor terlatih Anda. - Di konsol Prakiraan, temukan ARN untuk prediktor Anda.
- Salin ARN untuk digunakan di langkah selanjutnya.
- Di browser Anda, buka tab lain dan arahkan ke konsol System Manager.
- Di konsol System Manager, pilih Toko Parameter di panel navigasi.
- Temukan parameter yang terkait dengan tumpukan Anda (
/forecast/<StackName>/Forecast/PredictorArn
). - Masukkan ARN yang Anda salin untuk prediktor Anda.
Ini adalah cara Anda mengaitkan prediktor terlatih dengan fungsi inferensi Prakiraan. - Temukan parameternya
/forecast/<StackName>/Forecast/Generate
dan edit nilainya, gantiFALSE
denganTRUE
.
Sekarang Anda siap menjalankan tugas perkiraan untuk grup kumpulan data ini. - Di konsol Step Functions, jalankan
Create-Forecast
mesin negara.
Kali ini, pekerjaan berjalan seperti yang diharapkan. Sebagai bagian dari mesin negara, sistem membuat perkiraan dan a ForecastExport
pekerjaan, yang menulis prediksi deret waktu ke Amazon S3. File-file ini terletak di forecast
map
Di dalam forecast
folder, Anda akan menemukan prediksi untuk item Anda, terletak di banyak file CSV atau Parquet, tergantung pada pilihan Anda. Prediksi untuk setiap langkah waktu dan deret waktu yang dipilih ada dengan semua nilai kuantil yang Anda pilih per rekaman. Anda dapat mengunduh file ini dari Amazon S3, menanyakannya dengan Athena, atau memilih strategi lain untuk menggunakan data.
Ini menyelesaikan seluruh alur kerja. Anda sekarang dapat memvisualisasikan hasil Anda menggunakan alat visualisasi pilihan Anda, seperti Amazon QuickSight. Atau, ilmuwan data dapat menggunakan panda untuk menghasilkan plot mereka sendiri. Jika Anda memilih untuk menggunakan QuickSight, Anda bisa hubungkan hasil perkiraan Anda ke QuickSight untuk melakukan transformasi data, membuat satu atau lebih analisis data, dan membuat visualisasi.
Proses ini menyediakan template untuk diikuti. Anda perlu menyesuaikan sampel dengan skema Anda, mengatur cakrawala perkiraan, resolusi waktu, dan seterusnya sesuai dengan kasus penggunaan Anda. Anda juga perlu mengatur jadwal berulang di mana data diambil dari sistem sumber, mengimpor data, dan membuat prakiraan. Jika diinginkan, Anda dapat menyisipkan tugas prediktor di antara langkah impor dan prakiraan.
Latih ulang prediktor
Kami telah melalui proses melatih prediktor baru, tetapi bagaimana dengan melatih ulang prediktor? Melatih ulang prediktor adalah salah satu cara untuk mengurangi biaya dan waktu yang diperlukan dengan melatih prediktor pada data terbaru yang tersedia. Daripada membuat prediktor baru dan melatihnya di seluruh kumpulan data, kita dapat melatih ulang prediktor yang ada dengan hanya menyediakan data inkremental baru yang tersedia sejak prediktor terakhir dilatih. Mari telusuri cara melatih ulang prediktor menggunakan solusi otomatisasi:
- Di konsol Forecast, pilih Lihat grup kumpulan data.
- Pilih grup dataset yang terkait dengan prediktor yang ingin Anda latih ulang.
- Pilih Lihat prediktor, lalu pilih prediktor yang ingin Anda latih ulang.
- pada Settings tab, salin ARN prediktor.
Kita perlu memperbarui parameter yang digunakan oleh alur kerja untuk mengidentifikasi prediktor yang akan dilatih ulang. - Di konsol System Manager, pilih Toko Parameter di panel navigasi.
- Temukan parameternya
/forecast/<STACKNAME>/Forecast/Predictor/ReferenceArn
. - Pada halaman detail parameter, pilih Edit.
- Untuk Nilai, masukkan ARN prediktor.
Ini mengidentifikasi prediktor yang benar untuk alur kerja yang akan dilatih ulang. Selanjutnya, kita perlu memperbarui parameter yang digunakan alur kerja untuk mengubah strategi pelatihan. - Temukan parameternya
/forecast/<STACKNAME>/Forecast/Predictor/Strategy
. - Di halaman detail parameter, pilih Edit.
- Untuk Nilai, masukkan
RETRAIN
.
Alur kerja default untuk melatih prediktor baru; namun, kami dapat memodifikasi perilaku tersebut untuk melatih kembali prediktor yang ada atau hanya menggunakan kembali prediktor yang ada tanpa melatih ulang dengan menyetel nilai ini keNONE
. Anda mungkin ingin melewatkan pelatihan jika data Anda relatif stabil atau sedang Anda gunakan pemantauan prediktor otomatis untuk memutuskan kapan pelatihan ulang diperlukan. - Unggah data pelatihan inkremental ke bucket S3.
- Di konsol Step Functions, temukan mesin status
<STACKNAME>-Create-Predictor
. - Pada halaman detail state machine, pilih Mulai eksekusi untuk memulai pelatihan ulang.
Saat pelatihan ulang selesai, alur kerja akan berakhir dan Anda akan menerima notifikasi email SNS ke alamat email yang diberikan di parameter template beban kerja.
Membersihkan
Setelah selesai dengan solusi ini, ikuti langkah-langkah di bagian ini untuk menghapus sumber daya terkait.
Hapus keranjang S3
- Pada konsol Amazon S3, pilih Ember di panel navigasi.
- Pilih keranjang tempat data diunggah dan pilih Empty untuk menghapus semua data yang terkait dengan solusi, termasuk data sumber.
- Enter
permanently delete
untuk menghapus konten bucket secara permanen. - pada Ember halaman, pilih ember dan pilih Delete.
- Masukkan nama ember untuk mengonfirmasi penghapusan dan pilih Hapus ember.
Hapus sumber daya Perkiraan
- Di konsol Forecast, pilih Lihat grup kumpulan data.
- Pilih nama grup set data yang terkait dengan solusi, lalu pilih Delete.
- Enter
delete
untuk menghapus grup dataset dan prediktor terkait, tugas ekspor prediktor backtest, prakiraan, dan prakiraan tugas ekspor. - Pilih Delete untuk mengkonfirmasi.
Hapus tumpukan CloudFormation
- Pada konsol AWS CloudFormation, pilih Tumpukan di panel navigasi.
- Pilih tumpukan beban kerja dan pilih Delete.
- Pilih Hapus tumpukan untuk mengonfirmasi penghapusan tumpukan dan semua sumber daya terkait.
- Saat penghapusan selesai, pilih tumpukan dependensi dan pilih Delete.
- Pilih Delete untuk mengkonfirmasi.
Kesimpulan
Dalam posting ini, kami membahas beberapa cara berbeda untuk mulai menggunakan Prakiraan. Kami menelusuri solusi peramalan otomatis berdasarkan AWS CloudFormation untuk penyebaran solusi yang cepat dan dapat diulang dari pipeline Forecast mulai dari penyerapan data hingga inferensi, dengan sedikit pengetahuan infrastruktur yang diperlukan. Terakhir, kami melihat bagaimana kami dapat menggunakan Lambda untuk mengotomatiskan pelatihan ulang model, mengurangi biaya dan waktu pelatihan.
Tidak ada waktu yang lebih baik daripada saat ini untuk memulai peramalan dengan Forecast. Untuk mulai membuat dan menerapkan alur kerja otomatis, kunjungi Sumber daya Amazon Forecast. Selamat meramal!
Tentang Penulis
Harun Fagan adalah Arsitek Solusi Spesialis Utama di AWS yang berbasis di New York. Dia berspesialisasi dalam membantu pelanggan merancang solusi dalam pembelajaran mesin dan keamanan cloud.
Raju Patil adalah Ilmuwan Data di Layanan Profesional AWS. Dia membangun dan menerapkan solusi AI/ML untuk membantu pelanggan AWS mengatasi tantangan bisnis mereka. Keterlibatan AWS-nya telah mencakup berbagai kasus penggunaan AI/ML seperti visi komputer, perkiraan deret waktu, dan analitik prediktif, dll., di berbagai industri, termasuk layanan keuangan, telekomunikasi, perawatan kesehatan, dan banyak lagi. Sebelumnya, dia telah memimpin tim Ilmu Data dalam Teknologi Periklanan, dan memberikan kontribusi yang signifikan untuk berbagai inisiatif penelitian dan pengembangan dalam visi komputer dan robotika. Di luar pekerjaan, ia menikmati fotografi, hiking, perjalanan, dan eksplorasi kuliner.
- Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
- PlatoAiStream. Kecerdasan Data Web3. Pengetahuan Diperkuat. Akses Di Sini.
- Mencetak Masa Depan bersama Adryenn Ashley. Akses Di Sini.
- Beli dan Jual Saham di Perusahaan PRE-IPO dengan PREIPOยฎ. Akses Di Sini.
- Sumber: https://aws.amazon.com/blogs/machine-learning/automate-the-deployment-of-an-amazon-forecast-time-series-forecasting-model/
- :memiliki
- :adalah
- :bukan
- :Di mana
- $NAIK
- 1
- 10
- 100
- 11
- 20
- 20 tahun
- 2022
- 7
- 8
- 9
- a
- Tentang Kami
- Setuju
- mengakses
- Menurut
- Akun
- ketepatan
- mengakui
- di seluruh
- tindakan
- menyesuaikan
- Tambahan
- Informasi Tambahan
- alamat
- pengiklanan
- Setelah
- lagi
- AI / ML
- algoritma
- algoritma
- Semua
- Membiarkan
- memungkinkan
- sendirian
- sudah
- juga
- Amazon
- Prakiraan Amazon
- jumlah
- an
- Analisis
- analisis
- dan
- Lain
- Apa pun
- api
- pendekatan
- sesuai
- disetujui
- ADALAH
- susunan
- AS
- membantu
- Menghubungkan
- terkait
- At
- mengotomatisasikan
- Otomatis
- secara otomatis
- Otomatisasi
- tersedia
- AWS
- Formasi AWS Cloud
- Layanan Profesional AWS
- Backtest
- Saldo
- saldo
- berdasarkan
- Dasar
- BE
- karena
- sebelum
- mulai
- makhluk
- TERBAIK
- Lebih baik
- antara
- prasangka
- Terikat
- Kotak
- Membawa
- Browser
- membangun
- Bangunan
- membangun
- bisnis
- tapi
- by
- menghitung
- bernama
- Panggilan
- CAN
- yang
- kasus
- kasus
- pusat
- tantangan
- perubahan
- Perubahan
- memeriksa
- pilihan
- Pilih
- memilih
- terpilih
- rapat
- awan
- Cloud Security
- kode
- Pengkodean
- koleksi
- Kolom
- COM
- Umum
- membandingkan
- lengkap
- kompleks
- perhitungan
- menghitung
- komputer
- Visi Komputer
- konsep
- prihatin
- konfigurasi
- Memastikan
- konsul
- mengandung
- isi
- kontribusi
- kontrol
- mengkoordinasikan
- benar
- Biaya
- bisa
- tercakup
- membuat
- dibuat
- menciptakan
- membuat
- penciptaan
- pelanggan
- siklus
- Berhubung dgn putaran
- harian
- data
- manajemen data
- titik data
- ilmu data
- ilmuwan data
- kumpulan data
- kumpulan data
- hari
- Hari
- memutuskan
- menyatakan
- Default
- default
- didefinisikan
- Mendefinisikan
- mendefinisikan
- disampaikan
- Tergantung
- tergantung
- menyebarkan
- dikerahkan
- penggelaran
- penyebaran
- penyebaran
- menyebarkan
- deposit
- menggambarkan
- dijelaskan
- diinginkan
- rinci
- rincian
- Menentukan
- pengembang
- Pengembangan
- berbeda
- sulit
- Dimensi
- ukuran
- direktori
- dibahas
- do
- Tidak
- dilakukan
- Download
- selama
- setiap
- Terdahulu
- mudah
- antara
- menghilangkan
- diaktifkan
- memungkinkan
- akhir
- ujung ke ujung
- memastikan
- Enter
- Seluruh
- Lingkungan Hidup
- lingkungan
- kesalahan
- memperkirakan
- dll
- mengevaluasi
- Bahkan
- Acara
- contoh
- eksekusi
- ada
- ada
- diharapkan
- mengharapkan
- pengalaman
- ekspor
- memfasilitasi
- palsu
- akrab
- Fitur
- bidang
- Angka
- File
- File
- Filing
- terisi
- Akhirnya
- keuangan
- jasa keuangan
- Menemukan
- Pertama
- berfokus
- mengikuti
- berikut
- Untuk
- Ramalan
- perkiraan
- format
- sebagainya
- Depan
- empat
- Frekuensi
- dari
- sepenuhnya
- fungsi
- fungsi
- lebih lanjut
- masa depan
- menghasilkan
- dihasilkan
- menghasilkan
- mendapatkan
- Aksi
- Go
- akan
- mengatur
- grafik
- besar
- Kelompok
- Grup
- bimbingan
- membimbing
- senang
- panen
- Memiliki
- memiliki
- he
- Kesehatan
- Perawatan Kesehatan
- membantu
- membantu
- membantu
- di sini
- sangat
- -nya
- historis
- horison
- Horizons
- jam
- Seterpercayaapakah Olymp Trade? Kesimpulan
- How To
- Namun
- HTML
- http
- HTTPS
- ide-ide
- mengidentifikasi
- mengenali
- identitas
- if
- menggambarkan
- melaksanakan
- mengimpor
- impor
- in
- memasukkan
- termasuk
- Termasuk
- industri
- mempengaruhi
- memberitahu
- informasi
- Infrastruktur
- mulanya
- inisiatif
- memasukkan
- sebagai gantinya
- ke
- menyelidiki
- terlibat
- IT
- item
- NYA
- Diri
- Pekerjaan
- Jobs
- jpg
- Tahu
- pengetahuan
- dikenal
- Tanah
- Terakhir
- kemudian
- Terbaru
- BELAJAR
- pengetahuan
- paling sedikit
- Dipimpin
- Data yang Dipimpin
- Lets
- siklus hidup
- 'like'
- baris
- sedikit
- terletak
- tempat
- Panjang
- lepas
- murah
- menurunkan
- mesin
- Mesin belajar
- Mesin
- terbuat
- Membuat
- mengelola
- berhasil
- pengelolaan
- manajer
- mengelola
- pelaksana
- manual
- banyak
- maksimum
- Mungkin..
- Pelajari
- menu
- Metadata
- metode
- metode
- metrik
- Metrik
- mungkin
- minimum
- menit
- hilang
- ML
- model
- model
- memodifikasi
- pemantauan
- bulanan
- lebih
- pindah
- beberapa
- harus
- nama
- nama
- Arahkan
- Navigasi
- perlu
- Perlu
- kebutuhan
- New
- NY
- berikutnya
- tidak
- buku catatan
- pemberitahuan
- pemberitahuan
- sekarang
- jumlah
- banyak sekali
- obyek
- objek
- memperoleh
- of
- on
- ONE
- hanya
- Buka
- open source
- Optimize
- Opsi
- or
- urutan
- Lainnya
- jika tidak
- kami
- di luar
- hasil
- diuraikan
- keluaran
- di luar
- lebih
- secara keseluruhan
- sendiri
- halaman
- panda
- pane
- parameter
- parameter
- bagian
- persen
- Melakukan
- prestasi
- tetap
- Izin
- fotografi
- fisik
- pipa saluran
- Tempat
- penempatan
- rencana
- plato
- Kecerdasan Data Plato
- Data Plato
- poin
- mungkin
- Pos
- diprediksi
- memprediksi
- ramalan
- Prediksi
- Predictive Analytics
- Predictor
- Prediksi
- Mempersiapkan
- menyajikan
- disajikan
- sebelumnya
- Utama
- Sebelumnya
- proses
- Diproses
- pengolahan
- menghasilkan
- Produksi
- profesional
- terprogram
- Kemajuan
- memberikan
- disediakan
- menyediakan
- menyediakan
- di depan umum
- Ular sanca
- query
- Pertanyaan
- Cepat
- segera
- jarak
- cepat
- agak
- Mentah
- siap
- menerima
- sarankan
- catatan
- arsip
- berulang
- menurunkan
- mengurangi
- disebut
- mengacu
- reguler
- terkait
- relatif
- relevan
- mengandalkan
- menghapus
- berulang
- BERKALI-KALI
- berulang-ulang
- wajib
- penelitian
- penelitian dan pengembangan
- dilindungi
- tabah
- Resolusi
- Sumber
- dihasilkan
- Hasil
- menggunakan kembali
- meninjau
- robotika
- Peran
- peran
- Run
- berjalan
- sama
- Contoh kumpulan data
- puas
- Skala
- menjadwalkan
- Ilmu
- ilmuwan
- ilmuwan
- mulus
- Bagian
- bagian
- aman
- keamanan
- melihat
- terpilih
- seleksi
- Seri
- Tanpa Server
- Server
- melayani
- layanan
- Layanan
- set
- pengaturan
- berbagi
- Pendek
- harus
- Pertunjukkan
- penting
- Sederhana
- hanya
- sejak
- tunggal
- So
- larutan
- Solusi
- beberapa
- sesuatu
- sumber
- spesialis
- spesialisasi
- ditentukan
- penyebaran
- stabil
- tumpukan
- pementasan
- standar
- awal
- mulai
- Mulai
- Negara
- Status
- Langkah
- Tangga
- penyimpanan
- menyimpan
- Penyelarasan
- Tali
- struktur
- seperti itu
- Didukung
- sistem
- sistem
- tabel
- Mengambil
- Dibutuhkan
- target
- tugas
- tugas
- tim
- Teknologi
- telekomunikasi
- Template
- template
- uji
- dari
- bahwa
- Grafik
- Sumber
- Negara
- mereka
- Mereka
- kemudian
- Sana.
- Ini
- hal
- ini
- tiga
- Melalui
- di seluruh
- waktu
- Seri waktu
- timestamp
- untuk
- bersama
- alat
- tema
- terhadap
- Pelatihan VE
- terlatih
- Pelatihan
- transformasi
- transisi
- perjalanan
- memicu
- benar
- dua
- mengetik
- jenis
- khas
- Ketidaktentuan
- bawah
- memahami
- unit
- Memperbarui
- upload
- URL
- menggunakan
- gunakan case
- bekas
- Pengguna
- menggunakan
- nilai
- Nilai - Nilai
- berbagai
- sangat
- melalui
- penglihatan
- Mengunjungi
- visualisasi
- berjalan
- ingin
- adalah
- Cara..
- cara
- we
- mingguan
- BAIK
- Apa
- ketika
- apakah
- yang
- lebar
- Rentang luas
- akan
- dengan
- dalam
- tanpa
- Word
- Kerja
- menulis
- tertulis
- tahun
- York
- Kamu
- Anda
- zephyrnet.dll
- Zip