התחל את המסע המוצלח שלך עם חיזוי סדרות זמן עם Amazon Forecast

ארגונים מכל הגדלים שואפים להרחיב את העסק שלהם, לשפר את היעילות ולשרת את הלקוחות שלהם טוב יותר מאי פעם. למרות שהעתיד אינו בטוח, גישה מבוססת-נתונים, מבוססת-מדע יכולה לעזור לצפות את מה שעומד לפנינו כדי לנווט בהצלחה בים של אפשרויות.

כל תעשייה משתמשת בחיזוי סדרות זמן כדי לתת מענה למגוון צרכי תכנון, כולל אך לא רק:

בפוסט זה, אנו מתארים חמש שיטות עבודה מומלצות להתחיל איתן תחזית אמזון, וליישם את הכוח של חיזוי למידת מכונה (ML) מדויקת במיוחד על העסק שלך.

למה אמזון תחזית

AWS מציעה שירות חיזוי סדרות זמן מנוהל במלואו בשם Amazon Forecast המאפשר ליצור ולתחזק תחזיות סדרות זמן אוטומטיות מתמשכות מבלי להידרש להתמחות ב-ML. בנוסף, ניתן לבנות ולפרוס פעולות חיזוי שניתנות לחזרה ללא צורך בכתיבת קוד, בניית מודלים של ML או ניהול תשתית.

היכולות של Forecast מאפשרות לה לשרת מגוון רחב של תפקידי לקוחות, מאנליסטים ומנהלי שרשרת אספקה ​​ועד למפתחים ומומחי ML. ישנן מספר סיבות מדוע לקוחות מעדיפים את Forecast: היא מציעה דיוק גבוה, תוצאות שניתנות לחזרה, ויכולת שירות עצמי מבלי לחכות לזמינות של משאבים טכניים מיוחדים. Forecast נבחרה גם על ידי מומחי מדעי הנתונים מכיוון שהיא מספקת תוצאות מדויקות ביותר, המבוססות על מכלול מודלים מכוונים עצמיים, והגמישות להתנסות במהירות ללא צורך בפריסה או ניהול של אשכולות בגודל מסוים. דגמי ה-ML שלה גם מקלים על תמיכה בתחזיות עבור מספר רב של פריטים, ויכולים ליצור מדויק תחזיות עבור פריטי התחלה קרה ללא היסטוריה.

חמש שיטות עבודה מומלצות לתחילת העבודה עם Forecast

Forecast מספקת דיוק גבוה וזמן הגעה מהיר לשוק עבור מפתחים ומדעני נתונים. למרות שפיתוח מודלים של סדרות זמן מדויקות מאוד נעשה קל, פוסט זה מספק שיטות עבודה מומלצות כדי להאיץ את ההצטרפות שלך למטוס ואת זמן הערך. יש ליישם מעט קפדנות ואולי כמה סבבי ניסוי כדי להגיע להצלחה. מסע חיזוי מוצלח תלוי במספר גורמים, חלקם עדינים.

אלו הם כמה פריטי מפתח שכדאי לקחת בחשבון כאשר מתחילים לעבוד עם Forecast.

התחל פשוט

כפי שמוצג בגלגל התנופה הבא, שקול להתחיל עם דגם פשוט המשתמש ב-a סדרת זמן יעד מערך נתונים לפיתוח קו בסיס בזמן שאתה מציע את הסט הראשון של נתוני הקלט שלך. ניסויים הבאים יכולים להוסיף אחרים תכונות זמניות ו מטא נתונים סטטיים במטרה לשפר את דיוק המודל. בכל פעם שמתבצע שינוי, ניתן למדוד וללמוד עד כמה השינוי עזר, אם בכלל. בהתאם להערכה שלך, ייתכן שתחליט להשאיר את קבוצת התכונות החדשה שסופקה, או לסובב ולנסות אפשרות אחרת.

התמקדו בחריגות

עם Forecast, אתה יכול לקבל סטטיסטיקות דיוק עבור מערך הנתונים כולו. חשוב להכיר שלמרות שהנתון ברמה העליונה הזו הוא מעניין, יש לראות בו כנכון רק מבחינה כיוונית. עליך להתרכז בסטטיסטיקה של דיוק ברמת הפריט ולא בסטטיסטיקה ברמה העליונה. שקול את תרשים הפיזור הבא כמדריך. חלק מהפריטים במערך הנתונים יהיו בעלי דיוק גבוה; עבור אלה אין צורך בפעולה.

בזמן בניית מודל, עליך לחקור כמה מהנקודות המסומנות כ"סדרת זמן חקירה". במקרים גישושים אלו, קבע כיצד לשפר את הדיוק על ידי שילוב נתונים נוספים, כגון שינויים במחיר, הוצאות קידום מכירות, תכונות עונתיות מפורשות והכללה של אירועים ותנאים מקומיים, שוקיים, גלובליים ואחרים בעולם האמיתי.

סקור את דיוק המנבאים לפני יצירת תחזיות

אל תיצור תחזיות מתוארכות עתידיות עם Forecast עד שבדקת את דיוק החיזוי במהלך תקופת הבדיקה האחורית. תמונת הפיזור הקודמת ממחישה את דיוק רמת סדרת הזמן, שהיא האינדיקציה הטובה ביותר שלך לאיך ייראו תחזיות מתארכות עתידיות, כל שאר הדברים זהים. אם תקופה זו אינה מספקת את רמת הדיוק הנדרשת, אל תמשיך בפעולת התחזית המתוארכת העתידית, כי הדבר עלול להוביל להוצאה לא יעילה. במקום זאת, התמקד בהגדלת נתוני הקלט שלך ונסה סיבוב נוסף בגלגל התנופה של החדשנות, כפי שנדון קודם לכן.

צמצם את זמן האימון

ניתן להפחית את זמן האימון באמצעות שני מנגנונים. ראשית, השתמש ב-Forecast's תפקוד אימון מחדש כדי לעזור להפחית את זמן האימון באמצעות למידה בהעברה. שנית, למנוע סחף מודל עם ניטור מנבא על ידי אימון רק בעת הצורך.

בניית תהליכים שניתן לחזור עליהם

אנו ממליצים לך לא לבנות זרימות עבודה של תחזית דרך ה קונסולת הניהול של AWS או באמצעות ממשקי API מאפס עד שלפחות הערכת את שלנו AWS דוגמת ריפו של GitHub. המשימה שלנו עם דגימות GitHub היא לעזור להסיר חיכוך ולזרז את זמן היציאה לשוק שלך עם זרימות עבודה שניתנות לחזרה שכבר תוכננו בקפידה. זרימות עבודה אלה הן ללא שרת וניתן לתזמן אותן לפעול לפי לוח זמנים קבוע.

בקר ב-Repo הרשמי של GitHub, שם תוכל לפרוס במהירות את הנחיות הפתרון שלנו על ידי ביצוע השלבים שסופקו. כפי שמוצג באיור הבא, זרימת העבודה מספקת צינור שלם מקצה לקצה שיכול לאחזר נתונים היסטוריים, לייבא אותם, לבנות מודלים ולהפיק מסקנות נגד המודלים - הכל ללא צורך בכתיבת קוד.

האיור הבא מציע מבט עמוק יותר לתוך מודול אחד בלבד, המסוגל לאסוף נתונים היסטוריים לאימון מודלים ממספר עצום של מקורות מסדי נתונים הנתמכים על ידי שאילתה פדרית של אמזון אתנה.

להתחיל היום

אתה יכול ליישם זרימת עבודה אוטומטית לחלוטין של ייצור תוך מספר ימים עד שבועות, במיוחד בשילוב עם צינור התזמור של זרימת העבודה שלנו, הזמין אצלנו מאגר לדוגמה של GitHub.

סרטון re:Invent זה מדגיש מקרה שימוש של לקוח שעשה את זרימת העבודה שלו אוטומטית באמצעות מודל GitHub זה:

ל-Forecast יכולות מובנות רבות כדי לעזור לך להשיג את היעדים העסקיים שלך באמצעות חיזוי מבוסס ML מדויק ביותר. אנו ממליצים לך ליצור קשר עם צוות חשבון AWS שלך אם יש לך שאלות כלשהן ולהודיע ​​להם שברצונך לדבר עם מומחה לסדרות זמן על מנת לספק הנחיות והכוונה. אנו יכולים גם להציע סדנאות כדי לסייע לך ללמוד כיצד להשתמש ב-Forecast.

אנחנו כאן כדי לתמוך בך ובארגון שלך כשאתה שואף לבצע אוטומציה ולשפר את חיזוי הביקוש בחברה שלך. תחזית מדויקת יותר יכולה להביא למכירות גבוהות יותר, להפחתה משמעותית בפסולת, להפחתה במלאי סרק, ובסופו של דבר לרמות גבוהות יותר של שירות לקוחות.

בצע פעולה היום; אין זמן טוב יותר מההווה להתחיל ליצור מחר טוב יותר.

---

על המחבר

צ'ארלס לאגלין הוא ארכיטקט פתרונות AI/ML ראשי ועובד בתוך צוות Time Series ML ב-AWS. הוא עוזר לעצב את מפת הדרכים של שירות Amazon Forecast ומשתף פעולה מדי יום עם לקוחות AWS מגוונים כדי לעזור לשנות את העסקים שלהם באמצעות טכנולוגיות AWS מתקדמות ומנהיגות מחשבתית. צ'ארלס הוא בעל תואר שני בניהול שרשרת אספקה ​​ובילה את העשור האחרון בעבודה בתעשיית מוצרי צריכה ארוזים.

דן סינרייך הוא מנהל מוצר אב עבור Amazon Forecast. הוא מתמקד בדמוקרטיזציה של למידת מכונה בקוד נמוך/ללא קוד וביישום זה כדי לשפר את התוצאות העסקיות. מחוץ לעבודה, ניתן למצוא אותו משחק הוקי, מנסה לשפר את הגשת הטניס שלו, צלילה וקורא מדע בדיוני.