Inizia il tuo viaggio di successo con le previsioni delle serie temporali con Amazon Forecast

Le organizzazioni di tutte le dimensioni si stanno impegnando per far crescere la propria attività, migliorare l'efficienza e servire i propri clienti meglio che mai. Anche se il futuro è incerto, un approccio scientifico basato sui dati può aiutare ad anticipare ciò che ci aspetta per navigare con successo attraverso un mare di scelte.

Ogni settore utilizza la previsione delle serie temporali per soddisfare una varietà di esigenze di pianificazione, tra cui, a titolo esemplificativo ma non esaustivo:

In questo post, delineiamo cinque best practice con cui iniziare Previsioni Amazone applica la potenza delle previsioni di machine learning (ML) altamente accurate alla tua azienda.

Perché Amazon Previsione

AWS offre un servizio di previsione di serie temporali completamente gestito chiamato Amazon Forecast che ti consente di generare e mantenere previsioni di serie temporali automatizzate in corso senza richiedere competenze di ML. Inoltre, puoi creare e distribuire operazioni di previsione ripetibili senza la necessità di scrivere codice, creare modelli ML o gestire l'infrastruttura.

Le funzionalità di Forecast consentono di servire un'ampia gamma di ruoli dei clienti, da analisti e responsabili della supply chain a sviluppatori ed esperti di machine learning. Ci sono diversi motivi per cui i clienti preferiscono Forecast: offre elevata precisione, risultati ripetibili e la capacità di self-service senza attendere la disponibilità di risorse tecniche specializzate. Forecast è scelto anche dagli esperti di data science perché fornisce risultati altamente accurati, basati su un insieme di modelli autoregolati, e la flessibilità di sperimentare rapidamente senza dover distribuire o gestire cluster di dimensioni particolari. I suoi modelli ML semplificano inoltre il supporto delle previsioni per un gran numero di articoli e possono generare dati accurati previsioni per articoli con avviamento a freddo senza storia.

Cinque best practice per iniziare con Forecast

Forecast offre un'elevata precisione e un rapido time-to-market per sviluppatori e data scientist. Sebbene lo sviluppo di modelli di serie temporali altamente accurati sia stato semplificato, questo post fornisce le migliori pratiche per accelerare l'onboarding e il time-to-value. Un po' di rigore e forse un paio di giri di sperimentazione devono essere applicati per raggiungere il successo. Un viaggio di previsione di successo dipende da molteplici fattori, alcuni sottili.

Questi sono alcuni elementi chiave che dovresti considerare quando inizi a lavorare con Forecast.

Inizia semplice

Come mostrato nel seguente volano, considera di iniziare con un modello semplice che utilizza a serie temporali obiettivo set di dati per sviluppare una linea di base mentre proponi il tuo primo set di dati di input. Esperimenti successivi possono aggiungerne altri caratteristiche temporali ed metadati statici con l'obiettivo di migliorare la precisione del modello. Ogni volta che viene apportata una modifica, puoi misurare e scoprire quanto il cambiamento ha aiutato, se non del tutto. A seconda della tua valutazione, puoi decidere di mantenere il nuovo set di funzionalità fornite o di ruotare e provare un'altra opzione.

Concentrati sugli outlier

Con Forecast è possibile ottenere statistiche di accuratezza per l'intero set di dati. È importante riconoscere che sebbene questa statistica di primo livello sia interessante, dovrebbe essere vista come corretta solo dal punto di vista direzionale. Dovresti concentrarti sulle statistiche di accuratezza a livello di articolo piuttosto che sulle statistiche di livello superiore. Considera il seguente grafico a dispersione come guida. Alcuni degli elementi nel set di dati avranno un'accuratezza elevata; per questi non è richiesta alcuna azione.

Durante la creazione di un modello, dovresti esplorare alcuni dei punti etichettati come "serie temporali esplorative". In questi casi esplorativi, determina come migliorare la precisione incorporando più dati di input, come variazioni di prezzo, spesa promozionale, caratteristiche di stagionalità esplicite e l'inclusione di eventi e condizioni locali, di mercato, globali e di altro tipo.

Rivedere l'accuratezza del predittore prima di creare previsioni

Non creare previsioni con date future con Forecast fino a quando non avrai esaminato l'accuratezza delle previsioni durante il periodo di backtest. Il grafico a dispersione precedente illustra l'accuratezza a livello di serie temporali, che è la migliore indicazione di come saranno le previsioni datate future, a parità di altre condizioni. Se questo periodo non fornisce il livello di precisione richiesto, non procedere con l'operazione di previsione datata futura, poiché ciò potrebbe portare a una spesa inefficiente. Invece, concentrati sull'aumento dei dati di input e prova un altro giro al volano dell'innovazione, come discusso in precedenza.

Ridurre i tempi di formazione

Puoi ridurre i tempi di formazione attraverso due meccanismi. Per prima cosa, usa Forecast's funzione di riqualificazione per aiutare a ridurre i tempi di formazione attraverso il trasferimento dell'apprendimento. In secondo luogo, prevenire la deriva del modello con monitoraggio predittivo allenandosi solo quando necessario.

Crea processi ripetibili

Ti invitiamo a non creare flussi di lavoro di previsione tramite il Console di gestione AWS o utilizzando le API da zero fino a quando non avrai almeno valutato il nostro AWS campiona il repository GitHub. La nostra missione con gli esempi GitHub è di aiutare a rimuovere l'attrito e accelerare il time-to-market con flussi di lavoro ripetibili che sono già stati progettati con cura. Questi flussi di lavoro sono serverless e possono essere programmati per essere eseguiti con una pianificazione regolare.

Visita il nostro repository GitHub ufficiale, dove puoi distribuire rapidamente la nostra guida alla soluzione seguendo i passaggi forniti. Come mostrato nella figura seguente, il flusso di lavoro fornisce una pipeline end-to-end completa in grado di recuperare dati cronologici, importarli, creare modelli e produrre inferenza rispetto ai modelli, il tutto senza dover scrivere codice.

La figura seguente offre una visione più approfondita di un solo modulo, che è in grado di raccogliere dati storici per l'addestramento del modello da una miriade di fonti di database supportate da Query federata Amazon Athena.

Inizia oggi

Puoi implementare un flusso di lavoro di produzione completamente automatizzato in pochi giorni o settimane, soprattutto se abbinato alla nostra pipeline di orchestrazione del flusso di lavoro disponibile presso il nostro Repository di esempio GitHub.

Questo video di re:Invent evidenzia un caso d'uso di un cliente che ha automatizzato il proprio flusso di lavoro utilizzando questo modello GitHub:

Forecast ha molte funzionalità integrate per aiutarti a raggiungere i tuoi obiettivi aziendali attraverso previsioni altamente accurate basate su ML. In caso di domande, ti invitiamo a contattare il team dell'account AWS e a informarli che vorresti parlare con uno specialista di serie temporali per fornire indicazioni e indicazioni. Possiamo anche offrire workshop per assisterti nell'apprendimento dell'utilizzo di Forecast.

Siamo qui per supportare te e la tua organizzazione mentre vi sforzate di automatizzare e migliorare la previsione della domanda nella vostra azienda. Una previsione più accurata può comportare maggiori vendite, una significativa riduzione degli sprechi, una riduzione delle scorte inattive e, in definitiva, livelli più elevati di servizio al cliente.

Agisci oggi; non c'è momento migliore del presente per iniziare a creare un domani migliore.

---

L'autore

Carlo Laughlin è Principal AI/ML Specialist Solution Architect e lavora all'interno del team Time Series ML di AWS. Aiuta a definire la roadmap del servizio Amazon Forecast e collabora quotidianamente con diversi clienti AWS per aiutare a trasformare le loro attività utilizzando tecnologie AWS all'avanguardia e leadership di pensiero. Charles ha conseguito una laurea specialistica in Supply Chain Management e ha trascorso gli ultimi dieci anni lavorando nel settore dei beni di consumo confezionati.

Dan Sinnreich è un Sr. Product Manager per Amazon Forecast. È concentrato sulla democratizzazione dell'apprendimento automatico low-code/no-code e sull'applicazione per migliorare i risultati aziendali. Al di fuori del lavoro, può essere trovato a giocare a hockey, cercare di migliorare il suo servizio di tennis, fare immersioni e leggere fantascienza.