時系列予測とは、時系列データ (長期間にわたって一定の間隔で収集されるデータ) の将来の値を予測するプロセスを指します。 時系列予測の単純な方法では、将来の値を予測する必要がある同じ変数の履歴値が使用されますが、より複雑な機械学習 (ML) ベースの方法では、関連する変数の時系列データなどの追加情報が使用されます。
アマゾン予測 は、ML ベースの時系列予測サービスであり、20 年以上の予測経験に基づくアルゴリズムが含まれています。 Amazon.com、Amazon で使用されているのと同じテクノロジーをフルマネージド サービスとして開発者に提供し、リソースを管理する必要がなくなります。 Forecast は ML を使用して、各アイテムに最適なアルゴリズムだけでなく、各アイテムに最適なアルゴリズムのアンサンブルも学習し、データに最適なモデルを自動的に作成します。
この投稿では、コードを使用せずに定期的な予測ワークロード (時系列予測ワークロード) をデプロイする方法について説明します。 AWS CloudFormation, AWSステップ関数, AWS システム マネージャー. ここで紹介する方法は、時系列予測実験の初日から本番環境へのモデルのデプロイまで、同じワークフローを使用できるパイプラインを構築するのに役立ちます。
Forecast を使用した時系列予測
Forecast のワークフローには、次の共通概念が含まれます。
- データセットのインポート – 予測では、 データセットグループ は、連携するデータセット、スキーマ、予測結果のコレクションです。 各データセット グループには、それぞれ XNUMX つずつ、最大 XNUMX つのデータセットを含めることができます。 データセット タイプ: ターゲット時系列 (TTS)、関連時系列 (RTS)、およびアイテムのメタデータ。 データセットは、予測タスクに関連するデータを含むファイルのコレクションです。 データセットは、Forecast 内で定義されたスキーマに準拠する必要があります。 詳細については、を参照してください。 データセットのインポート.
- 予測変数のトレーニング - 予測者 は、時系列データに基づいて予測を行うために使用される、予測でトレーニングされたモデルです。 トレーニング中に、Forecast は、予測変数を評価し、予測を生成するために予測変数を使用するかどうかを決定するために使用する精度メトリクスを計算します。 詳細については、以下を参照してください。 予測子のトレーニング.
- 予測の生成 – その後、トレーニングされたモデルを使用して、将来の時間範囲の予測を生成できます。 予測の地平線. Forecast は、指定されたさまざまな分位数での予測を提供します。 たとえば、分位 0.90 での予測では、90% の確率で観測値よりも低い値が推定されます。 デフォルトでは、Forecast は予測子予測タイプに次の値を使用します: 0.1 (P10)、0.5 (P50)、および 0.9 (P90)。 さまざまな分位点での予測は通常、予測の不確実性を考慮して予測間隔 (予測の上限と下限) を提供するために使用されます。
このワークフローは、Forecast で次のいずれかから実装できます。 AWSマネジメントコンソール AWSコマンドラインインターフェイス (AWS CLI)、経由 Python ノートブックを使用した API 呼び出し、または自動化ソリューション経由で。 の コンソール および AWSCLI この方法は、データを使用した時系列予測の実現可能性を確認するための簡単な実験に最適です。 Python ノートブックの方法は、すでに Jupyter ノートブックとコーディングに精通しているデータ サイエンティストに最適であり、最大限の制御とチューニングを提供します。 ただし、ノートブックベースの方法は運用が困難です。 当社の自動化アプローチにより、迅速な実験が容易になり、反復的なタスクが排除され、さまざまな環境 (開発、ステージング、運用) 間の移行が容易になります。
この投稿では、Forecast を使用する自動化アプローチについて説明します。これにより、独自のデータを使用できるようになり、実験の最初の日から展開に至るまで、予測ソリューションの開発ライフサイクル全体にわたってシームレスに使用できる単一のワークフローが提供されます。実稼働環境のソリューションの。
ソリューションの概要
次のセクションでは、Forecast を使用して時系列予測モデルを自動展開するためのテンプレートとして機能する、完全なエンドツーエンドのワークフローについて説明します。 このワークフローは、オープンソースの入力データセットから予測データ ポイントを作成します。 ただし、この投稿で概説した手順に従ってデータをフォーマットできる限り、同じワークフローを自分のデータに使用できます。 データをアップロードした後、予測データセット グループの作成、データのインポート、ML モデルのトレーニング、生データから将来の目に見えない期間の予測データ ポイントを生成する手順を順を追って説明します。 これらはすべて、コードを書いたりコンパイルしたりすることなく実行できます。
次の図は、予測ワークフローを示しています。
このソリューションは、依存関係テンプレートとワークロード テンプレートの XNUMX つの CloudFormation テンプレートを使用してデプロイされます。 CloudFormation を使用すると、デプロイするリソースを記述したテンプレートを使用して、AWS インフラストラクチャのデプロイを予測どおりに繰り返し実行できます。 展開されたテンプレートは、 スタック. 提供されている XNUMX つのテンプレートで、ソリューションのインフラストラクチャを定義します。 依存関係テンプレートは、ワークロード テンプレートによって使用される前提条件のリソースを定義します。 Amazon シンプル ストレージ サービス (Amazon S3) オブジェクトストレージ用のバケットと AWS IDおよびアクセス管理 (IAM) AWS API アクションのアクセス許可。 依存関係テンプレートで定義されたリソースは、複数のワークロード テンプレートで共有される場合があります。 ワークロード テンプレートは、データの取り込み、予測子のトレーニング、および予測の生成に使用されるリソースを定義します。
依存関係の CloudFormation テンプレートをデプロイする
まず、依存関係テンプレートをデプロイして、前提条件のリソースを作成しましょう。 依存関係テンプレートはオプションの S3 バケットをデプロイします。 AWSラムダ 機能と IAM ロール。 Amazon S3 は、低コスト、高可用性、復元力に優れたオブジェクト ストレージ サービスです。 このソリューションでは S3 バケットを使用してソース データを保存し、ワークフローをトリガーして予測を生成します。 Lambda はサーバーレスのイベント駆動型コンピューティング サービスで、サーバーのプロビジョニングや管理を行わずにコードを実行できます。 依存関係テンプレートには、Forecast でデータセット グループを作成したり、バケットを削除する前に S3 バケット内のオブジェクトを削除したりする機能が含まれています。 IAM ロールは、AWS 内でユーザーとサービスに対する権限を定義します。 依存関係テンプレートは、Lambda で使用されるロールと、データの取り込みと処理のタスク、および Forecast を使用した予測子のトレーニングと推論を調整するワークフロー管理サービスである Step Functions で使用されるロールをデプロイします。
依存関係テンプレートをデプロイするには、次の手順を実行します。
- コンソールで、目的の項目を選択します。 Forecast がサポートする地域 ソリューション展開用。
- AWS CloudFormationコンソールで、 スタック ナビゲーションペインに表示されます。
- 選択する スタックを作成 選択して 新しいリソースを使用(標準).
- テンプレートソース選択 アマゾンS3のURL.
- テンプレートの URL を入力してください:
https://amazon-forecast-samples.s3.us-west-2.amazonaws.com/ml_ops/forecast-mlops-dependency.yaml
. - 選択する Next.
- スタック名、 入る
forecast-mlops-dependency
. - 計測パラメータ、既存の S3 バケットを使用するか、新しいバケットを作成するかを選択し、バケットの名前を指定します。
- 選択する Next.
- 選択する Next デフォルトのスタック オプションを受け入れます。
- チェックボックスを選択して、スタックが IAM リソースを作成することを確認してから、 スタックを作成 テンプレートをデプロイします。
テンプレートが次のようにデプロイされるはずです。 forecast-mlops-dependency
スタック。 ステータスが CREATE_COMPLETE
、次のステップに進むことができます。
ワークロード CloudFormation テンプレートをデプロイする
次に、ワークロード テンプレートをデプロイして、前提条件のリソースを作成しましょう。 ワークロード テンプレートは、ワークフロー管理のために Step Functions ステート マシンをデプロイします。 AWS SystemsManagerパラメータストア パラメータは、AWS CloudFormation からのパラメータ値を保存し、ワークフローに通知します。 Amazon シンプル通知サービス ワークフロー通知用の (Amazon SNS) トピックと、ワークフロー サービス権限用の IAM ロール。
このソリューションでは、次の XNUMX つのステート マシンが作成されます。
- データセットグループ状態マシンの作成 – データをインポートするための予測データセット グループを作成します。
- CreateImportDatasetStateMachine – ソース データを Amazon S3 からトレーニング用のデータセット グループにインポートします。
- CreateForecastStateMachine – 予測子をトレーニングして予測を生成するために必要なタスクを管理します。
- Athenaコネクタステートマシン – SQL クエリを アマゾンアテナ Amazon S3 にデータを配置するためのコネクタ。 これは、Amazon S3 にファイルを手動で配置する代わりに、Athena を使用して、Forecast に必要な形式で履歴データを取得するためのオプションのプロセスです。
- StepFunctionWorkflowStateMachine – 他の XNUMX つのステート マシンへの呼び出しを調整し、ワークフロー全体を管理します。
Systems Manager の機能であるパラメータ ストアは、構成データ管理とシークレット管理の安全な階層ストレージとプログラムによる取得を提供します。 パラメーター ストアは、ワークロード スタックに設定されたパラメーターや、ワークフローで使用されるその他のパラメーターを保存するために使用されます。
ワークロード テンプレートをデプロイするには、次の手順を実行します。
- AWS CloudFormationコンソールで、 スタック ナビゲーションペインに表示されます。
- 選択する スタックを作成 選択して 新しいリソースを使用(標準).
- テンプレートソース選択 アマゾンS3のURL.
- テンプレートの URL を入力してください:
https://amazon-forecast-samples.s3.us-west-2.amazonaws.com/ml_ops/forecast-mlops-solution-guidance.yaml
. - 選択する Next.
- スタック名、名前を入力します。
- デフォルト値を受け入れるか、パラメーターを変更します。
の依存関係スタックから S3 バケット名を必ず入力してください。 S3バケット および有効なメールアドレス SNSエンドポイント デフォルトのパラメーター値を受け入れたとしても。
次の表では、各パラメータについて説明します。
Description | 詳細情報 | |
DatasetGroupFrequencyRTS |
RTS データセットのデータ収集の頻度。 | . |
DatasetGroupFrequencyTTS |
TTS データセットのデータ収集の頻度。 | . |
DatasetGroupName |
データセット グループの短縮名、自己完結型ワークロード。 | データセットグループの作成 |
DatasetIncludeItem |
このユース ケースにアイテム メタデータを提供するかどうかを指定します。 | . |
DatasetIncludeRTS |
このユース ケースに関連する時系列を提供するかどうかを指定します。 | . |
ForecastForecastTypes |
CreateForecast ジョブを実行すると、どの分位数に対して予測を生成するかを宣言します。 この配列では最大 XNUMX つの値を選択できます。 この値を編集して、必要に応じて値を含めます。 | 予測の作成 |
PredictorAttributeConfigs |
TTS のターゲット変数と RTS データセットの各数値フィールドについて、各アイテムの時間間隔ごとにレコードを作成する必要があります。 この構成は、欠落しているレコードがどのように埋められるか (0、NaN、またはそれ以外) を決定するのに役立ちます。 0 ではなく NaN を使用して TTS のギャップを埋めることをお勧めします。0 を使用すると、モデルが誤って学習して、予測が 0 に偏る可能性があります。NaN は、ガイダンスが配信される方法です。 これに関する質問は、AWS ソリューション アーキテクトに相談してください。 | 自動予測器の作成 |
PredictorExplainPredictor |
有効な値は TRUE または FALSE です。 これらは、予測子に対して説明可能性が有効になっているかどうかを決定します。 これは、RTS の値とアイテム メタデータがモデルにどのように影響するかを理解するのに役立ちます。 | 説明可能 |
PredictorForecastDimensions |
項目よりも細かい粒度で予測したい場合があります。 ここでは、場所、コストセンター、その他のニーズなどのディメンションを指定できます。 これは、RTS および TTS の寸法と一致する必要があります。 ディメンションがない場合、正しいパラメータは単独ですべて小文字の null であることに注意してください。 null は、ディメンションにパラメータがないことをシステムに知らせる予約語です。 | 自動予測器の作成 |
PredictorForecastFrequency |
モデルと予測が生成される時間スケール (日次、週次、月次など) を定義します。 ドロップダウン メニューは、許可される値を選択するのに役立ちます。 RTS を使用している場合、これは RTS タイム スケールと一致する必要があります。 | 自動予測器の作成 |
PredictorForecastHorizon |
モデルが予測する時間ステップの数。 予測期間は、 予測長. | 自動予測器の作成 |
PredictorForecastOptimizationMetric |
予測子の最適化に使用される精度メトリックを定義します。 ドロップダウン メニューは、過大または過小予測に対する加重分位損失残高を選択するのに役立ちます。 RMSE は単位に関係し、WAPE/MAPE はパーセント誤差に関係します。 | 自動予測器の作成 |
PredictorForecastTypes |
時 CreateAutoPredictor ジョブの実行時に、予測ポイントのトレーニングにどの分位数が使用されるかを宣言します。 この配列で最大 XNUMX つの値を選択できるため、過大予測と過小予測のバランスをとることができます。 この値を編集して、必要に応じて値を含めます。 |
自動予測器の作成 |
S3Bucket |
このワークロードの入力データと出力データが書き込まれる S3 バケットの名前。 | . |
SNSEndpoint |
予測ジョブと予測ジョブが完了したときに通知を受信するための有効な電子メール アドレス。 | . |
SchemaITEM |
これにより、アイテム メタデータ データセットの物理的な順序、列名、およびデータ型が定義されます。 これは、ソリューション例で提供されるオプションのファイルです。 | データセットの作成 |
SchemaRTS |
これにより、RTS データセットの物理的な順序、列名、およびデータ型が定義されます。 寸法は TTS と一致する必要があります。 このファイルの時間粒度は、予測を行うことができる時間粒度を制御します。 これは、ソリューション例で提供されるオプションのファイルです。 | データセットの作成 |
SchemaTTS |
これにより、唯一必要なデータセットである TTS データセットの物理的な順序、列名、およびデータ型が定義されます。 ファイルには、少なくともターゲット値、タイムスタンプ、およびアイテムが含まれている必要があります。 | データセットの作成 |
TimestampFormatRTS |
RTS ファイルで提供されるタイムスタンプ形式を定義します。 | データセットインポートジョブの作成 |
TimestampFormatTTS |
TTS ファイルで提供されるタイムスタンプ形式を定義します。 | データセットインポートジョブの作成 |
- 選択する Next デフォルトのスタック オプションを受け入れます。
- チェックボックスを選択して、スタックが IAM リソースを作成することを確認してから、 スタックを作成 テンプレートをデプロイします。
前に選択したスタック名としてテンプレート デプロイが表示されるはずです。 ステータスが CREATE_COMPLETE
をクリックすると、データのアップロード手順に進むことができます。
データをアップロードする
前のセクションでは、スタック名と S3 バケットを指定しました。 このセクションでは、公開されているデータセットをデポジットする方法について説明します 食糧需要 このバケツで。 独自のデータセットを使用している場合は、次を参照してください。 データセット 展開が期待する形式でデータセットを準備します。 データセットには、少なくとも対象の時系列が含まれている必要があり、必要に応じて、関連する時系列とアイテムのメタデータが含まれている必要があります。
- TTS は、予測を生成するフィールドを含む時系列データです。 このフィールドはと呼ばれます 対象分野
- RTS は、対象フィールドを含まないが、関連フィールドを含む時系列データです。
- アイテム データ ファイルは時系列データではありませんが、TTS または RTS データセット内のアイテムに関するメタデータ情報が含まれています
次の手順を完了します。
- 提供されたサンプル データセットを使用している場合は、データセットをダウンロードします。 食糧需要 これにより、XNUMX つのディレクトリ内に XNUMX つのファイルが作成されます (
rts
,tts
,item
). - Amazon S3 コンソールで、前に作成したバケットに移動します。
- 選択する フォルダを作成する.
- フォルダー名には、ワークロード スタック名と同じ文字列を使用します。
- 選択する アップロード.
- XNUMX つのデータセット フォルダーを選択し、 アップロード.
アップロードが完了すると、次のスクリーンショットのようなものが表示されるはずです。 この例では、フォルダーは次のとおりです。 aiml42
.
予測データセット グループの作成
このセクションの手順を完了して、ワークロードごとに XNUMX 回限りのイベントとしてデータセット グループを作成します。 今後は、毎日、毎週、またはその他のスケジュールに従って、データのインポートの実行、予測変数の作成、予測ステップの作成を一連として計画する必要があります。
- Step Functions コンソールで、以下を含むステート マシンを見つけます。
Create-Dataset-Group
. - ステート マシンの詳細ページで、 実行を開始します.
- 選択する 実行を開始します もう一度確認してください。
ステート マシンの実行には約 1 分かかります。 完了すると、下の値 実行ステータス から変更する必要があります Running: 〜へ 成功した
Forecast にデータをインポートする
このセクションの手順に従って、S3 バケットにアップロードしたデータ セットをデータセット グループにインポートします。
- Step Functions コンソールで、以下を含むステート マシンを見つけます。
Import-Dataset
. - ステート マシンの詳細ページで、 実行開始.
- 選択する 実行を開始します もう一度確認してください。
ステート マシンの実行にかかる時間は、処理中のデータセットによって異なります。
- これの実行中に、ブラウザで別のタブを開いて、予測コンソールに移動します。
- Forecastコンソールで、 データセットグループを表示する に指定された名前のデータセット グループに移動します。
DataGroupName
ワークロード スタックから。 - 選択する データセットを表示する.
進行中のデータ インポートが表示されます。
ステートマシンが Import-Dataset
完了したら、次のステップに進んで時系列データ モデルを構築できます。
AutoPredictor の作成 (時系列モデルのトレーニング)
このセクションでは、Forecast を使用して初期予測子をトレーニングする方法について説明します。 新しい予測子 (最初のベースライン予測子) を作成するか、毎日、毎週などの各生産サイクル中に予測子を再トレーニングするかを選択できます。 また、サイクルごとに予測変数を作成しないことを選択し、予測変数の監視に依存して予測変数をいつ作成するかをガイドすることもできます。 次の図は、本番対応の Forecast 予測子を作成するプロセスを視覚化したものです。
新しい予測子を作成するには、次の手順を実行します。
- Step Functions コンソールで、以下を含むステート マシンを見つけます。
Create-Predictor
. - ステート マシンの詳細ページで、 実行開始.
- 選択する 実行を開始します もう一度確認してください。
実行時間は、処理されるデータセットによって異なります。 これが完了するまでに最大 XNUMX 時間以上かかる場合があります。 - これの実行中に、ブラウザで別のタブを開いて、予測コンソールに移動します。
- Forecastコンソールで、 データセットグループを表示する に指定された名前のデータセット グループに移動します。
DataGroupName
ワークロード スタックから。 - 選択する 予測変数を表示.
予測子のトレーニングが進行中であることが表示されます (トレーニング ステータスに「作成中…」と表示されます)。
ステートマシンが Create-Predictor
が完成したら、その性能を評価できます。
ステート マシンの一部として、システムは予測子を作成し、 BacktestExport
時系列レベルの予測メトリクスを Amazon S3 に書き出すジョブ。 これらのファイルは、 backtest-export
フォルダ:
- 精度メトリック値 – 単一の時系列のパフォーマンスを理解できるように、項目レベルの精度メトリック計算を提供します。 これにより、グローバル メトリックだけに注目するのではなく、広がりを調査できます。
- 予測値 – バックテスト ウィンドウの各時系列に対してステップ レベルの予測を提供します。 これにより、ホールドアウト テスト セットの実際のターゲット値と予測された分位値を比較できます。 これを確認すると、RTS またはアイテムのメタデータに追加のデータ機能を提供して将来の価値をより適切に推定し、損失をさらに削減する方法に関するアイデアを策定するのに役立ちます。 ダウンロードできます
backtest-export
Amazon S3 からファイルを取得するか、Athena を使用してその場でクエリを実行します。
独自のデータを使用して、予測子の結果を綿密に検査し、バックテストのエクスポート データを使用してメトリックが期待される結果を満たしていることを確認する必要があります。 満足したら、次のセクションで説明するように、先日付の予測の生成を開始できます。
予測を生成する (将来の期間についての推論)
このセクションでは、Forecast を使用して予測データ ポイントを生成する方法について説明します。 今後は、ソース システムから新しいデータを収集し、そのデータを Forecast にインポートして、予測データ ポイントを生成する必要があります。 必要に応じて、インポート後、予測前に新しい予測子の作成を挿入することもできます。 次の図は、Forecast を使用して生産時系列予測を作成するプロセスを視覚化しています。
次の手順を完了します。
- Step Functions コンソールで、以下を含むステート マシンを見つけます。
Create-Forecast
. - ステート マシンの詳細ページで、 実行開始.
- 選択する 実行を開始します もう一度確認してください。
システムは予測を生成するように構成されていないため、このステート マシンは非常に早く終了します。 どの予測子モデルが推論に承認されたかはわかりません。
トレーニング済みの予測子を使用するようにシステムを構成しましょう。 - Forecast コンソールで、予測子の ARN を見つけます。
- 後の手順で使用するために ARN をコピーします。
- ブラウザーで別のタブを開き、Systems Manager コンソールに移動します。
- Systems Manager コンソールで、次を選択します。 パラメータストア ナビゲーションペインに表示されます。
- スタックに関連するパラメーターを見つけます (
/forecast/<StackName>/Forecast/PredictorArn
). - プレディクター用にコピーした ARN を入力します。
これは、トレーニングされた予測子を Forecast の推論関数に関連付ける方法です。 - パラメータを見つける
/forecast/<StackName>/Forecast/Generate
値を編集して置き換えますFALSE
TRUE
.
これで、このデータセット グループに対して予測ジョブを実行する準備が整いました。 - Step Functions コンソールで、
Create-Forecast
ステートマシン。
今回は、ジョブは期待どおりに実行されます。 ステート マシンの一部として、システムは予測と ForecastExport
時系列予測を Amazon S3 に書き出すジョブ。 これらのファイルは次の場所にあります。 forecast
フォルダ
内部 forecast
フォルダーに移動すると、選択内容に応じて、多くの CSV または Parquet ファイルにあるアイテムの予測が見つかります。 各タイム ステップと選択した時系列の予測は、レコードごとに選択したすべての分位値とともに存在します。 これらのファイルを Amazon S3 からダウンロードしたり、Athena を使用してクエリを実行したり、データを使用するための別の戦略を選択したりできます。
これでワークフロー全体が完了します。 これで、次のような任意の視覚化ツールを使用して出力を視覚化できるようになります。 アマゾンクイックサイト。 あるいは、データ サイエンティストはパンダを使用して独自のプロットを生成できます。 QuickSight の使用を選択した場合、次のことができます。 予測結果を QuickSight に接続する データ変換を実行し、XNUMX つ以上のデータ分析を作成し、 ビジュアライゼーションを作成する.
このプロセスにより、従うべきテンプレートが提供されます。 サンプルをスキーマに適合させ、ユースケースに応じて予測期間、時間解像度などを設定する必要があります。 また、ソース システムからデータを収集し、データをインポートし、予測を生成する定期的なスケジュールを設定する必要もあります。 必要に応じて、インポートと予測のステップの間に予測タスクを挿入できます。
予測子を再トレーニングする
新しい予測子をトレーニングするプロセスについて説明してきましたが、予測子を再トレーニングするにはどうすればよいでしょうか? 予測子の再トレーニングは、最新の利用可能なデータでの予測子のトレーニングにかかるコストと時間を削減する XNUMX つの方法です。 新しい予測子を作成してデータセット全体でトレーニングするのではなく、予測子が最後にトレーニングされてから利用可能になった新しい増分データのみを提供することで、既存の予測子を再トレーニングできます。 自動化ソリューションを使用して予測子を再トレーニングする方法を見ていきましょう。
- Forecastコンソールで、 データセットグループを表示する.
- 再トレーニングする予測子に関連付けられているデータセット グループを選択します。
- 選択する 予測変数を表示、次に、再トレーニングする予測子を選択します。
- ソフトウェア設定ページで、下図のように 設定 タブで、予測子 ARN をコピーします。
ワークフローで使用されるパラメーターを更新して、再トレーニングする予測子を特定する必要があります。 - Systems Manager コンソールで、次を選択します。 パラメータストア ナビゲーションペインに表示されます。
- パラメータを見つける
/forecast/<STACKNAME>/Forecast/Predictor/ReferenceArn
. - パラメータの詳細ページで、 編集.
- 値、予測子 ARN を入力します。
これにより、再トレーニングするワークフローの正しい予測子が識別されます。 次に、トレーニング戦略を変更するためにワークフローで使用されるパラメーターを更新する必要があります。 - パラメータを見つける
/forecast/<STACKNAME>/Forecast/Predictor/Strategy
. - パラメータの詳細ページで、[編集] を選択します。
- [値] に入力します。
RETRAIN
.
ワークフローのデフォルトは、新しい予測子のトレーニングです。 ただし、この値をNONE
。 データが比較的安定している場合、または以下を使用している場合は、トレーニングを控えることをお勧めします。 自動予測モニタリング いつ再訓練が必要かを決定します。 - 増分トレーニング データを S3 バケットにアップロードします。
- Step Functions コンソールで、ステート マシンを見つけます。
<STACKNAME>-Create-Predictor
. - ステート マシンの詳細ページで、 実行を開始します 再トレーニングを開始します。
再トレーニングが完了すると、ワークフローは終了し、ワークロード テンプレート パラメーターで指定された電子メール アドレスに SNS 電子メール通知を受け取ります。
クリーンアップ
この解決策が完了したら、このセクションの手順に従って関連リソースを削除します。
S3 バケットを削除する
- Amazon S3コンソールで、 バケット ナビゲーションペインに表示されます。
- データがアップロードされたバケットを選択し、 空の ソース データを含む、ソリューションに関連付けられたすべてのデータを削除します。
- 入力します
permanently delete
バケットの内容を完全に削除します。 - ソフトウェア設定ページで、下図のように バケット ページでバケットを選択し、 削除.
- バケットの名前を入力して削除を確認し、選択します バケットを削除.
予測リソースの削除
- Forecastコンソールで、 データセットグループを表示する.
- ソリューションに関連付けられているデータセット グループ名を選択し、 削除.
- 入力します
delete
データセット グループと関連する予測子、予測子のバックテスト エクスポート ジョブ、予測、および予測エクスポート ジョブを削除します。 - 選択する 削除 確認します。
CloudFormation スタックを削除する
- AWS CloudFormationコンソールで、 スタック ナビゲーションペインに表示されます。
- ワークロード スタックを選択し、 削除.
- 選択する スタックを削除 スタックと関連するすべてのリソースの削除を確認します。
- 削除が完了したら、依存関係スタックを選択し、 削除.
- 選択する 削除 確認します。
まとめ
この投稿では、Forecast の使用を開始するためのさまざまな方法について説明しました。 インフラストラクチャの知識をほとんど必要とせずに、データの取り込みから推論までの予測パイプラインの迅速かつ反復可能なソリューションのデプロイメントを実現する、AWS CloudFormation に基づく自動予測ソリューションについて説明しました。 最後に、Lambda を使用してモデルの再トレーニングを自動化し、コストとトレーニング時間を削減する方法を確認しました。
Forecast で予測を始めるのに今ほど適した時期はありません。 自動化されたワークフローの構築と展開を開始するには、次のサイトにアクセスしてください。 Amazon Forecast のリソース。 楽しい予測をしてください!
著者について
アーロン・フェイガン ニューヨークを拠点とする AWS のプリンシパル スペシャリスト ソリューション アーキテクトです。 彼は、顧客が機械学習とクラウド セキュリティのソリューションを設計するのを支援することを専門としています。
ラジュ・パティル は、AWS プロフェッショナル サービスのデータ サイエンティストです。 彼は、AWS の顧客がビジネス上の課題を克服できるよう支援する AI/ML ソリューションを構築およびデプロイしています。 彼の AWS への取り組みは、金融サービス、通信、ヘルスケアなどを含む多数の業界にわたる、コンピューター ビジョン、時系列予測、予測分析などの幅広い AI/ML ユースケースをカバーしてきました。 それ以前は、広告テクノロジーのデータ サイエンス チームを率い、コンピューター ビジョンとロボット工学における数多くの研究開発イニシアチブに多大な貢献をしてきました。 仕事以外では、写真、ハイキング、旅行、料理の探索を楽しんでいます。
- SEO を活用したコンテンツと PR 配信。 今日増幅されます。
- プラトアイストリーム。 Web3 データ インテリジェンス。 知識増幅。 こちらからアクセスしてください。
- 未来を鋳造する w エイドリエン・アシュリー。 こちらからアクセスしてください。
- PREIPO® を使用して PRE-IPO 企業の株式を売買します。 こちらからアクセスしてください。
- 情報源: https://aws.amazon.com/blogs/machine-learning/automate-the-deployment-of-an-amazon-forecast-time-series-forecasting-model/
- :持っている
- :は
- :not
- :どこ
- $UP
- 1
- 10
- 100
- 11
- 20
- 20年
- 2022
- 7
- 8
- 9
- a
- 私たちについて
- 同意
- アクセス
- 従った
- 精度
- 認める
- 越えて
- 行動
- 適応する
- NEW
- 追加情報
- 住所
- 広告運用
- 後
- 再び
- AI / ML
- アルゴリズム
- アルゴリズム
- すべて
- 許可
- ことができます
- 一人で
- 既に
- また
- Amazon
- アマゾン予測
- 量
- an
- 分析
- 分析論
- および
- 別の
- どれか
- API
- アプローチ
- 適切な
- 承認された
- です
- 配列
- AS
- アシスト
- 仲間
- 関連する
- At
- 自動化する
- 自動化
- 自動的に
- オートメーション
- 利用できます
- AWS
- AWS CloudFormation
- AWSプロフェッショナルサービス
- バックテスト
- バランス
- ベース
- ベースライン
- BE
- なぜなら
- 始まる
- さ
- BEST
- より良いです
- の間に
- バイアス
- バウンド
- ボックス
- 持参
- ブラウザ
- ビルド
- 建物
- 構築します
- ビジネス
- 焙煎が極度に未発達や過発達のコーヒーにて、クロロゲン酸の味わいへの影響は強くなり、金属を思わせる味わいと乾いたマウスフィールを感じさせます。
- by
- 計算する
- 呼ばれます
- コール
- 缶
- これ
- 場合
- 例
- センター
- 課題
- 変化する
- 変更
- チェック
- 選択
- 選択する
- 選んだ
- 選ばれた
- 密接に
- クラウド
- クラウドセキュリティ
- コード
- コーディング
- コレクション
- コラム
- COM
- コマンドと
- 比較します
- コンプリート
- 複雑な
- 計算
- 計算
- コンピュータ
- Computer Vision
- コンセプト
- 心配
- 確認します
- 領事
- 含む
- 中身
- 貢献
- コントロール
- 調整する
- 正しい
- 費用
- 可能性
- カバー
- 作ります
- 作成した
- 作成します。
- 作成
- 創造
- Customers
- サイクル
- 循環
- daily
- データ
- データ管理
- データポイント
- データサイエンス
- データサイエンティスト
- データセット
- データセット
- 中
- 日
- 決めます
- 宣言してい
- デフォルト
- デフォルト
- 定義済みの
- 定義する
- 定義
- 配信
- によっては
- 依存
- 展開します
- 展開
- 展開する
- 展開
- 配備
- 配備する
- 保証金
- 説明する
- 記載された
- 希望
- 詳細
- 細部
- 決定する
- 開発者
- 開発
- 異なります
- 難しい
- 次元
- 大きさ
- ディレクトリ
- 議論する
- do
- そうではありません
- 行われ
- ダウンロード
- 間に
- 各
- 前
- 容易
- どちら
- 排除
- 使用可能
- 可能
- end
- 端から端まで
- 確保
- 入力します
- 全体
- 環境
- 環境
- エラー
- 推定
- 等
- 評価する
- さらに
- イベント
- 例
- 実行
- 存在する
- 既存の
- 予想される
- 期待して
- 体験
- export
- 促進する
- false
- おなじみの
- 特徴
- フィールド
- フィギュア
- File
- ファイリング
- 埋め
- 最後に
- ファイナンシャル
- 金融業務
- もう完成させ、ワークスペースに掲示しましたか?
- 名
- 焦点
- フォロー中
- 予想
- 予想
- 形式でアーカイブしたプロジェクトを保存します.
- 前進
- フォワード
- 4
- 周波数
- から
- 完全に
- function
- 機能
- さらに
- 未来
- 生成する
- 生成された
- 生成
- 取得する
- グローバル
- Go
- 行く
- 支配する
- グラフ
- 素晴らしい
- グループ
- グループの
- ガイダンス
- ガイド
- ハッピー
- 収穫
- 持ってる
- 持って
- he
- 健康
- ヘルスケア
- 助けます
- 助け
- ことができます
- こちら
- 非常に
- 彼の
- 歴史的
- 地平線
- 地平
- 時間
- 認定条件
- How To
- しかしながら
- HTML
- HTTP
- HTTPS
- 考え
- 識別する
- 識別する
- アイデンティティ
- if
- 説明する
- 実装する
- import
- 輸入
- in
- include
- 含ま
- 含めて
- 産業
- 影響
- 知らせます
- 情報
- インフラ関連事業
- 初期
- イニシアチブ
- を取得する必要がある者
- に
- 調べる
- 関係する
- IT
- リーディングシート
- ITS
- 自体
- ジョブ
- Jobs > Create New Job
- JPG
- 知っている
- 知識
- 既知の
- 土地
- 姓
- 後で
- 最新の
- LEARN
- 学習
- 最低
- ツェッペリン
- 導かれたデータ
- ことができます
- wifecycwe
- ような
- LINE
- 少し
- 位置して
- 場所
- 長い
- 損失
- 低コストの
- 下側
- 機械
- 機械学習
- マシン
- 製
- 作成
- 管理します
- マネージド
- 管理
- マネージャー
- 管理する
- 管理する
- 手動で
- 多くの
- 五月..
- 大会
- メニュー
- 方法
- メソッド
- メトリック
- メトリック
- かもしれない
- 最小
- 分
- 行方不明
- ML
- モデル
- 修正する
- モニタリング
- monthly
- 他には?
- の試合に
- しなければなりません
- 名
- 名
- ナビゲート
- ナビゲーション
- 必要
- 必要
- ニーズ
- 新作
- ニューヨーク
- 次の
- いいえ
- ノート
- 通知
- 通知
- 今
- 数
- 多数の
- オブジェクト
- オブジェクト
- 入手する
- of
- on
- ONE
- の
- 開いた
- オープンソース
- 最適化
- オプション
- or
- 注文
- その他
- さもないと
- 私たちの
- でる
- 成果
- 概説
- 出力
- 外側
- が
- 全体
- 自分の
- ページ
- パンダ
- ペイン
- パラメーター
- パラメータ
- 部
- パーセント
- 実行する
- パフォーマンス
- 永久に
- パーミッション
- 写真撮影
- 物理的な
- パイプライン
- 場所
- 計画
- プラトン
- プラトンデータインテリジェンス
- プラトデータ
- ポイント
- 可能
- ポスト
- 予測
- 予測
- 予測
- 予測
- 予測分析
- Predictor
- 予測
- 準備
- 現在
- PLM platform.
- 前
- 校長
- 事前の
- プロセス
- 処理済み
- 処理
- 作り出す
- 生産
- プロ
- プログラム的な
- 進捗
- 提供します
- 提供
- は、大阪で
- 提供
- 公然と
- Python
- クエリ
- 質問
- クイック
- すぐに
- 範囲
- 急速な
- むしろ
- Raw
- 準備
- 受け取ります
- 推奨する
- 記録
- 記録
- 繰り返し
- 減らします
- 縮小
- 言及
- 指し
- レギュラー
- 関連する
- 相対的に
- 関連した
- 頼る
- 除去
- 繰り返し可能
- 繰り返し
- 反復的な
- の提出が必要です
- 研究
- 研究開発
- 予約済み
- 弾力性のあります
- 解像度
- リソース
- 結果として
- 結果
- 再利用
- レビュー
- ロボット工学
- 職種
- 役割
- ラン
- ランニング
- 同じ
- サンプル データセット
- 満足
- 規模
- スケジュール
- 科学
- 科学者
- 科学者たち
- シームレス
- セクション
- セクション
- 安全に
- セキュリティ
- 選択
- 選択
- シリーズ
- サーバレス
- サーバー
- 仕える
- サービス
- サービス
- セッションに
- 設定
- shared
- ショート
- すべき
- 作品
- 重要
- 簡単な拡張で
- 単に
- から
- So
- 溶液
- ソリューション
- 一部
- 何か
- ソース
- 専門家
- 専門にする
- 指定の
- 広がる
- 安定した
- スタック
- ステージング
- 標準
- start
- 開始
- 起動
- 都道府県
- Status:
- 手順
- ステップ
- ストレージ利用料
- 店舗
- 戦略
- 文字列
- 構造
- そのような
- サポート
- システム
- テーブル
- 取る
- 取り
- ターゲット
- 仕事
- タスク
- チーム
- テクノロジー
- 電気通信
- template
- テンプレート
- test
- より
- それ
- ソース
- ステート
- アプリ環境に合わせて
- それら
- その後
- そこ。
- ボーマン
- 物事
- この
- 三
- 介して
- 全体
- 時間
- 時系列
- タイムスタンプ
- 〜へ
- 一緒に
- ツール
- トピック
- に向かって
- トレーニング
- 訓練された
- トレーニング
- 変換
- 遷移
- 旅行
- トリガー
- true
- 2
- type
- 一般的に
- 不確実性
- 下
- わかる
- ユニット
- アップデイト
- アップロード
- URL
- つかいます
- 使用事例
- 中古
- users
- 値
- 価値観
- さまざまな
- 非常に
- 、
- ビジョン
- 訪問
- 可視化
- walked
- 欲しいです
- ました
- 仕方..
- 方法
- we
- weekly
- WELL
- この試験は
- いつ
- かどうか
- which
- ワイド
- 広い範囲
- 意志
- 以内
- 無し
- Word
- 仕事
- 書きます
- 書かれた
- 年
- ヨーク
- You
- あなたの
- ゼファーネット
- 〒