今で アマゾン予測を使用すると、履歴データのない製品について最大 45% 正確な予測を生成できます。 Forecast は、ML の経験がなくても、機械学習 (ML) を使用して正確な需要予測を生成するマネージド サービスです。 正確な予測は、在庫の最適化、物流計画、および労働力管理の基盤であり、企業が顧客にサービスを提供するための準備を整えることができます。 コールド スタート予測 予測を生成する必要があるが、製品の履歴データがない場合の一般的な課題です。 これは、新しく開発された製品を市場に投入したり、ブランドやカタログを初めてオンボーディングしたり、製品を新しい地域にクロスセルしたりすることによって、新製品が急速に導入される小売、製造、消費財などの業界で一般的です。 今回のリリースにより、コールド スタート予測に対する既存のアプローチが改善され、最大 45% 正確な予測が提供されるようになりました。
自己回帰和分移動平均 (ARIMA) や指数平滑法などの従来の統計予測手法は、製品の履歴データを使用して将来の値を予測できるという概念を使用して構築されているため、コールド スタート予測モデルの開発は困難な場合があります。 ただし、履歴データがなければ、モデル パラメーターを計算できないため、モデルを構築できません。 Forecast には、独自のツールを使用してコールド スタート製品の予測を生成する機能がすでにありました。 ニューラル ネットワーク アルゴリズム DeepAR+ や CNN-QR など。 これらのモデルは製品間の関係を学習し、履歴データのない製品の予測を生成できます。 これらの関係を確立するためのアイテム メタデータの使用は暗示的であり、ネットワークがコールド スタート製品のトレンド特性を完全に推測できなかったことを意味します。
本日、以前より最大 45% 正確なコールド スタート予測の新しいアプローチを開始しました。 このアプローチにより、アイテム メタデータの処理が改善され、コールド スタート製品と最も類似した特性を持つ明示的な製品がデータセット内で識別されます。 この類似製品のサブセットに注目することで、傾向をよりよく学習して、コールド スタート製品の予測を生成することができます。 たとえば、新しい T シャツ ラインを導入するファッション小売業者は、店舗の在庫を最適化するために、そのラインの需要を予測する必要があります。 既存の T シャツ ライン、ジャケット、ズボン、靴など、カタログ内の他の製品の履歴データと、新規および既存のブランド名、色、サイズ、製品カテゴリなどのアイテム メタデータを Forecast に提供できます。製品。 このメタデータを使用して、Forecast は新しい T シャツ ラインに最も密接に関連する製品を自動的に検出し、それらを使用して T シャツ ラインの予測を生成します。
この機能は、Forecast が公開されているすべての地域で利用できます。 AWSマネジメントコンソール または AutoPredictor API. 利用可能なリージョンの詳細については、次を参照してください。 AWSリージョナルサービス. コールド スタート予測に Forecast を使用する方法については、次を参照してください。 予測の生成 または GitHub ノートブック.
ソリューションの概要
この投稿の手順では、コールド スタート予測に Forecast を使用する方法を示します。 AWSマネジメントコンソール. Forecast の XNUMX つの手順 (データのインポート、予測子のトレーニング、予測の作成) に従って、新しく発売された製品の在庫需要予測を生成する小売業者の例について説明します。 コールド スタート予測に Forecast API を直接使用するには、 GitHubレポ、類似のデモンストレーションを提供します。
トレーニング データをインポートする
新しいコールド スタート予測方法を使用するには、XNUMX つの CSV ファイルをインポートする必要があります。XNUMX つのファイルにはターゲットの時系列データ (予測ターゲットを表示) が含まれ、もう XNUMX つのファイルにはアイテムのメタデータ (サイズや色などの製品の特性を表示) が含まれます。 Forecast は、コールド スタート製品を、アイテム メタデータ ファイルには存在するが、ターゲット時系列ファイルには存在しない製品として識別します。
コールド スタート製品を正しく識別するには、コールド スタート製品のアイテム ID がアイテム メタデータ ファイルの行として入力され、ターゲット時系列ファイルに含まれていないことを確認してください。 複数のコールド スタート製品の場合は、各製品アイテム ID をアイテム メタデータ ファイルの個別の行として入力します。 コールド スタート製品のアイテム ID がまだない場合は、データセット内の別の製品をまだ代表していない 64 文字未満の任意の英数字の組み合わせを使用できます。
この例では、ターゲット時系列ファイルには製品アイテム ID、タイムスタンプ、および需要 (在庫) が含まれ、アイテム メタデータ ファイルには製品アイテム ID、色、製品カテゴリ、および場所が含まれています。
データをインポートするには、次の手順を実行します。
- Forecastコンソールで、 データセットグループを表示する.
-
- 選択する データセットグループを作成する.
- データセットグループ名、データセット名を入力します (この記事では、my_company_shoe_inventory)。
- [予測ドメイン] で、予測ドメインを選択します (この投稿では、小売)。
- 次を選択します。
- [ターゲット時系列データセットの作成] ページで、データセット名、データの頻度、およびデータ スキーマを指定します。
- データセットのインポートの詳細を提供します。
- [開始] を選択します。
次のスクリーンショットは、この例で入力されたターゲット時系列ページの情報を示しています。
進行状況の追跡に使用できるダッシュボードにリダイレクトされます。
- アイテム メタデータ ファイルをインポートするには、ダッシュボードで、 インポート.
- ソフトウェア設定ページで、下図のように アイテム メタデータ データセットの作成 ページで、データセット名とデータ スキーマを指定します。
- データセットのインポートの詳細を提供します。
- 選択する 開始.
次のスクリーンショットは、この例で入力された情報を示しています。
予測子をトレーニングする
次に、予測子をトレーニングします。
- ダッシュボードで、 予測子のトレーニング.
- ソフトウェア設定ページで、下図のように 予測子のトレーニング ページで、予測子の名前、予測する将来の期間と頻度、および予測する分位数を入力します。
- 有効にします 自動予測器. これは、コールド スタート予測に必要です。
- 選択する 創造する.
次のスクリーンショットは、この例で入力された情報を示しています。
予測を作成する
予測子がトレーニングされた後 (これには約 2.5 時間かかる場合があります)、新しく発売された製品の予測を作成します。 が表示されると、予測子がトレーニングされていることがわかります。 予測子を表示 ダッシュボードのボタン。
- 選択する 予測を作成する ダッシュボード上。
- ソフトウェア設定ページで、下図のように 予測を作成する ページで、予測名を入力し、作成した予測子を選択して、予測分位数 (オプション) と予測を生成する項目を指定します。
- 選択する 開始.
予測をエクスポートする
予測が作成されたら、データを CSV にエクスポートできます。 ステータスがアクティブであることを確認すると、予測が作成されたことがわかります。
- 選択する 予測エクスポートを作成する.
- エクスポート ファイル名を入力します (この記事では、my_cold_start_forecast_export)。
- 輸出場所、 その Amazon シンプル ストレージ サービス (Amazon S3) の場所。
- 選択する 開始.
- エクスポートをダウンロードするには、コンソールから S3 ファイル パスの場所に移動し、ファイルを選択して ダウンロード.
エクスポート ファイルには、タイムスタンプ、アイテム ID、アイテム メタデータ、および選択した各分位数の予測が含まれます。
予測を表示する
予測が作成されたら、新製品の予測をコンソールでグラフィカルに表示できます。
- 選択する クエリ予測 ダッシュボード上。
- 前のステップで作成した予測の名前を選択します (この例では my_cold_start_forecast)。
- 予測を表示する開始日と終了日を入力します。
- 予測キーのアイテム ID フィールドに、コールド スタート製品の一意の ID を追加します。
- 選んだ 予測を取得する.
この図では、選択した分位数の予測が表示されます。
まとめ
Forecast を使用すると、過去のデータを使用せずにコールド スタート製品について同じ予測の洞察を得ることができ、以前よりも最大 45% 正確になりました。 Forecast でコールド スタート予測を生成するには、Forecast コンソールを開き、この投稿で概説されている手順に従うか、 GitHub ノートブック API 経由で機能にアクセスする方法について説明します。 詳細については、次を参照してください。 予測の生成.
著者について
ブランドン・ネア Amazon Forecast のシニア プロダクト マネージャーです。 彼の専門的な関心は、スケーラブルな機械学習サービスとアプリケーションの作成にあります。 仕事以外では、国立公園を探索したり、ゴルフ スイングを完成させたり、冒険旅行を計画したりしています。
マナス・ダダルカール Amazon Forecast サービスのエンジニアリングを担当するソフトウェア開発マネージャーです。 彼は、機械学習のアプリケーションと、ML テクノロジを誰もが簡単に利用できるようにして、本番環境に導入してデプロイできるようにすることに情熱を注いでいます。 仕事以外では、旅行、読書、友人や家族と過ごす時間など、複数のことに興味を持っています。
バーラト ナンダムリ は、Amazon Forecast に取り組んでいるシニア ソフトウェア エンジニアです。 彼は、ML システムのエンジニアリングに重点を置いた大規模なバックエンド サービスの構築に情熱を注いでいます。 仕事以外では、チェス、ハイキング、映画鑑賞を楽しんでいます。
ガウラヴ・グプタ AWS AI ラボと Amazon Forecast の応用科学者です。 彼の研究対象は、シーケンシャル データの機械学習、偏微分方程式の演算子学習、ウェーブレットにあります。 AWS に入社する前に、南カリフォルニア大学で博士号を取得しました。
