모든 규모의 조직은 비즈니스를 성장시키고 효율성을 개선하며 고객에게 그 어느 때보다 더 나은 서비스를 제공하기 위해 노력하고 있습니다. 미래가 불확실하더라도 데이터 중심의 과학 기반 접근 방식은 선택의 바다를 성공적으로 탐색하기 위해 앞에 놓여 있는 것을 예측하는 데 도움이 될 수 있습니다.
모든 산업은 다음을 포함하되 이에 국한되지 않는 다양한 계획 요구 사항을 해결하기 위해 시계열 예측을 사용합니다.
이 게시물에서는 시작하기 위한 XNUMX가지 모범 사례에 대해 설명합니다. 아마존 예측, 매우 정확한 ML(기계 학습) 예측 기능을 비즈니스에 적용합니다.
Amazon 예측이 필요한 이유
AWS는 ML 전문 지식 없이도 지속적인 자동 시계열 예측을 생성하고 유지할 수 있는 Amazon Forecast라는 완전 관리형 시계열 예측 서비스를 제공합니다. 또한 코드를 작성하거나 ML 모델을 구축하거나 인프라를 관리할 필요 없이 반복 가능한 예측 작업을 구축 및 배포할 수 있습니다.
Forecast의 기능을 통해 분석가 및 공급망 관리자에서 개발자 및 ML 전문가에 이르기까지 광범위한 고객 역할을 수행할 수 있습니다. 고객이 Forecast를 선호하는 몇 가지 이유가 있습니다. Forecast는 높은 정확도, 반복 가능한 결과, 전문 기술 리소스 가용성을 기다리지 않고 셀프 서비스할 수 있는 기능을 제공합니다. Forecast는 자체 튜닝된 모델의 앙상블을 기반으로 매우 정확한 결과를 제공하고 특정 크기의 클러스터를 배포하거나 관리할 필요 없이 신속하게 실험할 수 있는 유연성을 제공하기 때문에 데이터 과학 전문가도 선택합니다. 또한 ML 모델을 사용하면 많은 항목에 대한 예측을 보다 쉽게 지원하고 정확한 데이터를 생성할 수 있습니다. 콜드 스타트 항목에 대한 예측 역사가 없습니다.
Forecast 시작 시 XNUMX가지 모범 사례
Forecast는 개발자와 데이터 과학자에게 높은 정확도와 빠른 시장 출시 시간을 제공합니다. 매우 정확한 시계열 모델 개발이 쉬워졌지만 이 게시물에서는 온보딩 및 가치 창출 시간을 단축하기 위한 모범 사례를 제공합니다. 성공에 도달하려면 약간의 엄격함과 아마도 몇 차례의 실험을 적용해야 합니다. 성공적인 예측 여정은 미묘한 여러 요인에 따라 달라집니다.
다음은 Forecast 작업을 시작할 때 고려해야 할 몇 가지 주요 항목입니다.
간단하게 시작
다음 플라이휠에 표시된 것처럼 다음을 사용하는 간단한 모델로 시작하는 것을 고려하십시오. 대상 시계열 첫 번째 입력 데이터 집합을 제안할 때 기준선을 개발하기 위한 데이터 집합입니다. 후속 실험은 다른 실험을 추가할 수 있습니다. 시간적 특징 및 정적 메타데이터 모델 정확도 향상을 목표로 합니다. 변경 사항이 있을 때마다 변경 사항이 얼마나 도움이 되었는지 측정하고 알 수 있습니다. 평가에 따라 제공되는 새로운 기능 세트를 유지하거나 피벗하고 다른 옵션을 시도하도록 결정할 수 있습니다.
이상값에 집중
Forecast를 사용하면 전체 데이터 세트에 대한 정확도 통계를 얻을 수 있습니다. 이 최상위 통계는 흥미롭지만 방향적으로만 올바른 것으로 보아야 한다는 점을 인식하는 것이 중요합니다. 최상위 수준 통계보다는 항목 수준 정확도 통계에 집중해야 합니다. 다음 산점도를 가이드로 고려하십시오. 데이터 세트의 일부 항목은 정확도가 높습니다. 이를 위해 조치가 필요하지 않습니다.
모델을 구축하는 동안 "탐색적 시계열"이라는 레이블이 붙은 몇 가지 포인트를 탐색해야 합니다. 이러한 탐색적 사례에서는 가격 변동, 판촉 비용, 명시적인 계절성 기능, 지역, 시장, 글로벌 및 기타 실제 이벤트 및 조건 포함과 같은 더 많은 입력 데이터를 통합하여 정확도를 개선하는 방법을 결정합니다.
예측을 생성하기 전에 예측 정확도 검토
백 테스트 기간 동안 예측 정확도를 검토할 때까지 Forecast를 사용하여 미래 날짜 예측을 생성하지 마십시오. 앞의 산점도는 시계열 수준 정확도를 보여줍니다. 이는 다른 모든 사항이 동일할 때 미래 날짜 예측이 어떤 모습일지 가장 잘 나타내는 지표입니다. 이 기간이 필요한 수준의 정확도를 제공하지 않는 경우 비효율적인 지출로 이어질 수 있으므로 미래 날짜 예측 작업을 진행하지 마십시오. 대신 앞서 논의한 대로 입력 데이터를 보강하고 혁신 플라이휠에서 또 다른 라운드를 시도하는 데 집중하십시오.
교육 시간 단축
두 가지 메커니즘을 통해 교육 시간을 줄일 수 있습니다. 먼저 Forecast의 재교육 기능 전이 학습을 통해 교육 시간을 줄이는 데 도움이 됩니다. 둘째, 다음을 사용하여 모델 드리프트를 방지합니다. 예측기 모니터링 필요한 경우에만 교육을 통해
반복 가능한 프로세스 구축
다음을 통해 Forecast 워크플로를 구축하지 않는 것이 좋습니다. AWS 관리 콘솔 또는 최소한 Google을 평가할 때까지 처음부터 API를 사용합니다. AWS 샘플 GitHub 리포지토리. GitHub 샘플에 대한 우리의 임무는 이미 신중하게 설계된 반복 가능한 워크플로를 통해 마찰을 제거하고 시장 출시 시간을 단축하는 것입니다. 이러한 워크플로는 서버리스이며 정기적인 일정에 따라 실행되도록 예약할 수 있습니다.
제공된 단계에 따라 솔루션 지침을 빠르게 배포할 수 있는 공식 GitHub 리포지토리를 방문하세요. 다음 그림과 같이 워크플로는 코드를 작성할 필요 없이 기록 데이터를 검색하고, 가져오고, 모델을 빌드하고, 모델에 대한 추론을 생성할 수 있는 완전한 종단 간 파이프라인을 제공합니다.
다음 그림은 단 하나의 모듈에 대한 심층적인 보기를 제공합니다. Amazon Athena 연동 쿼리.
오늘 시작하세요.
특히 당사에서 사용할 수 있는 워크플로 오케스트레이션 파이프라인과 함께 사용할 경우 며칠에서 몇 주 만에 완전히 자동화된 생산 워크플로를 구현할 수 있습니다. GitHub 샘플 리포지토리.
이 re:Invent 비디오는 이 GitHub 모델을 사용하여 워크플로를 자동화한 고객의 사용 사례를 강조합니다.
Forecast에는 매우 정확한 ML 기반 예측을 통해 비즈니스 목표를 달성하는 데 도움이 되는 많은 기본 제공 기능이 있습니다. 질문이 있는 경우 AWS 계정 팀에 문의하고 지침과 지침을 제공하기 위해 시계열 전문가와 대화하고 싶다고 알려주십시오. 또한 Forecast 사용 방법을 배우는 데 도움이 되는 워크숍을 제공할 수도 있습니다.
귀사의 수요 예측을 자동화하고 개선하기 위해 노력하는 귀사와 귀사 조직을 지원하기 위해 여기에 있습니다. 보다 정확한 예측은 매출 증가, 낭비 감소, 유휴 재고 감소, 궁극적으로 고객 서비스 수준 향상으로 이어질 수 있습니다.
오늘 조치를 취하십시오. 더 나은 내일을 만들기 시작하기에 지금보다 더 좋은 때는 없습니다.
저자에 관하여
찰스 라플린 수석 AI/ML 전문가 솔루션 아키텍트이며 AWS의 시계열 ML 팀 내부에서 일하고 있습니다. 그는 Amazon Forecast 서비스 로드맵 작성을 돕고 다양한 AWS 고객과 매일 협력하여 최첨단 AWS 기술과 사고 리더십을 사용하여 비즈니스를 혁신하도록 돕습니다. Charles는 공급망 관리 석사 학위를 보유하고 있으며 지난 XNUMX년 동안 소비재 산업에서 일했습니다.
댄 신라이히 Amazon Forecast의 선임 제품 관리자입니다. 그는 로우 코드/노코드 머신 러닝을 민주화하고 이를 적용하여 비즈니스 결과를 개선하는 데 중점을 두고 있습니다. 직장 밖에서 그는 하키를 하고, 테니스 서브를 향상시키기 위해 노력하고, 스쿠버 다이빙을 하고, 공상 과학 소설을 읽는 것을 볼 수 있습니다.
