이제 최대 45% 더 정확한 PlatoBlockchain 데이터 인텔리전스인 Amazon Forecast를 사용하여 기록 데이터가 없는 제품에 대한 콜드 스타트 ​​예측을 생성합니다. 수직 검색. 일체 포함.

Amazon Forecast를 사용하여 과거 데이터가 없는 제품에 대한 콜드 스타트 ​​예측을 생성하여 이제 최대 45% 더 정확함

타임 스탬프 : 21 년 2022 월 8 일 오후 02시

이제와 아마존 예측, 과거 데이터가 없는 제품에 대해 최대 45% 더 정확한 예측을 생성할 수 있습니다. Forecast는 기계 학습(ML)을 사용하여 기계 학습 경험이 없어도 정확한 수요 예측을 생성하는 관리형 서비스입니다. 정확한 예측은 재고 최적화, 물류 계획 및 인력 관리의 기초이며 이를 통해 기업은 고객 서비스를 더 잘 준비할 수 있습니다. 콜드 스타트 ​​예측 예측을 생성해야 하지만 제품에 대한 과거 데이터가 없는 일반적인 문제입니다. 이는 새로 개발된 제품을 시장에 출시하거나, 브랜드 또는 카탈로그를 처음으로 온보딩하거나, 제품을 새로운 지역으로 교차 판매함으로써 신속한 신제품 도입이 있는 소매, 제조 또는 소비재와 같은 산업에서 일반적입니다. 이번 출시로 우리는 콜드 스타트 ​​예측에 대한 기존 접근 방식을 개선했으며 이제 최대 45% 더 정확한 예측을 제공합니다.

ARIMA(Autoregressive Integrated Moving Average) 또는 지수 평활과 같은 전통적인 통계 예측 방법은 제품의 과거 데이터를 사용하여 미래 값을 예측할 수 있다는 개념을 사용하여 구축되었기 때문에 콜드 스타트 ​​예측 모델을 개발하는 것은 어려울 수 있습니다. 그러나 과거 데이터가 없으면 모델 매개변수를 계산할 수 없으므로 모델을 구축할 수 없습니다. Forecast에는 이미 독점 기술을 사용하여 콜드 스타트 ​​제품에 대한 예측을 생성할 수 있는 기능이 있었습니다. 신경망 알고리즘 DeepAR+ 및 CNN-QR과 같은 이러한 모델은 제품 간의 관계를 학습하고 과거 데이터가 없는 제품에 대한 예측을 생성할 수 있습니다. 이러한 관계를 설정하기 위한 항목 메타데이터의 사용은 암묵적이었습니다. 이는 네트워크가 콜드 스타트 ​​제품에 대한 추세 특성을 완전히 추정할 수 없음을 의미했습니다.

오늘 우리는 이전보다 최대 45% 더 정확한 콜드 스타트 ​​예측을 위한 새로운 접근 방식을 시작했습니다. 이 접근 방식은 데이터 세트 내에서 콜드 스타트 ​​제품과 가장 유사한 특성을 가진 명시적 제품을 식별하는 항목 메타데이터 처리를 개선합니다. 유사한 제품의 이 하위 집합에 초점을 맞춤으로써 우리는 콜드 스타트 ​​제품에 대한 예측을 생성하기 위한 추세를 더 잘 배울 수 있습니다. 예를 들어, 새로운 티셔츠 라인을 소개하는 패션 소매업체는 매장 재고를 최적화하기 위해 해당 라인에 대한 수요를 예측하고자 할 것입니다. 기존 티셔츠 라인, 재킷, 바지, 신발과 같은 카탈로그의 다른 제품에 대한 기록 데이터와 브랜드 이름, 색상, 크기, 신규 및 기존 제품 범주와 같은 항목 메타데이터를 Forecast에 제공할 수 있습니다. 제품. 이 메타데이터를 사용하여 Forecast는 새 T-셔츠 라인과 가장 밀접하게 관련된 제품을 자동으로 감지하고 이를 사용하여 T-셔츠 라인에 대한 예측을 생성합니다.

이 기능은 다음을 통해 Forecast를 공개적으로 사용할 수 있는 모든 지역에서 사용할 수 있습니다. AWS 관리 콘솔 또는 자동 예측기 API. 리전 가용성에 대한 자세한 내용은 다음을 참조하십시오. AWS 지역 서비스. 콜드 스타트 ​​예측에 Forecast 사용을 시작하려면 다음을 참조하십시오. 예측 생성 또는 GitHub 노트북.

솔루션 개요

이 게시물의 단계는 콜드 스타트 ​​예측을 위해 Forecast를 사용하는 방법을 보여줍니다. AWS 관리 콘솔. Forecast의 세 단계(데이터 가져오기, 예측기 교육 및 예측 생성)에 따라 새로 출시된 제품에 대한 재고 수요 예측을 생성하는 소매업체의 예를 살펴봅니다. 콜드 스타트 ​​예측에 Forecast API를 직접 사용하려면 다음의 노트북을 따르십시오. GitHub 레포, 유사한 데모를 제공합니다.

훈련 데이터 가져오기

새로운 콜드 스타트 ​​예측 방법을 사용하려면 두 개의 CSV 파일을 가져와야 합니다. 하나는 대상 시계열 데이터가 포함된 파일(예측 대상 표시)과 항목 메타데이터가 포함된 다른 파일(크기 또는 색상과 같은 제품 특성 표시)입니다. Forecast는 콜드 스타트 ​​제품을 항목 메타데이터 파일에는 있지만 대상 시계열 파일에는 없는 제품으로 식별합니다.

콜드 스타트 ​​제품을 올바르게 식별하려면 콜드 스타트 ​​제품의 항목 ID가 항목 메타데이터 파일의 행으로 입력되고 대상 시계열 파일에 포함되어 있지 않은지 확인하십시오. 콜드 스타트 ​​제품이 여러 개인 경우 항목 메타데이터 파일에 각 제품 항목 ID를 별도의 행으로 입력합니다. 콜드 스타트 ​​제품에 대한 항목 ID가 아직 없는 경우 데이터 세트에서 아직 다른 제품을 나타내지 않는 64자 미만의 영숫자 조합을 사용할 수 있습니다.

이 예에서 대상 시계열 파일에는 제품 항목 ID, 타임스탬프 및 수요(재고)가 포함되어 있고 항목 메타데이터 파일에는 제품 항목 ID, 색상, 제품 범주 및 위치가 포함되어 있습니다.

데이터를 가져오려면 다음 단계를 완료하십시오.

  1. Forecast 콘솔에서 데이터세트 그룹 보기.
  2. 왼쪽 메뉴에서 데이터 세트 그룹 생성.

이제 최대 45% 더 정확한 PlatoBlockchain 데이터 인텔리전스인 Amazon Forecast를 사용하여 기록 데이터가 없는 제품에 대한 콜드 스타트 ​​예측을 생성합니다. 수직 검색. 일체 포함.

  1. 럭셔리 데이터 세트 그룹 이름, 데이터 세트 이름(이 게시물의 경우 my_company_shoe_inventory)을 입력합니다.
  2. 예측 도메인에서 예측 도메인을 선택합니다(이 게시물의 경우 소매).
  3. 다음을 선택하십시오.

이제 최대 45% 더 정확한 PlatoBlockchain 데이터 인텔리전스인 Amazon Forecast를 사용하여 기록 데이터가 없는 제품에 대한 콜드 스타트 ​​예측을 생성합니다. 수직 검색. 일체 포함.

  1. 대상 시계열 데이터 세트 만들기 페이지에서 데이터 세트 이름, 데이터 빈도 및 데이터 스키마를 제공합니다.
  2. 데이터세트 가져오기 세부정보를 제공합니다.
  3. 시작을 선택합니다.

다음 스크린샷은 이 예를 위해 채워진 대상 시계열 페이지에 대한 정보를 보여줍니다.

이제 최대 45% 더 정확한 PlatoBlockchain 데이터 인텔리전스인 Amazon Forecast를 사용하여 기록 데이터가 없는 제품에 대한 콜드 스타트 ​​예측을 생성합니다. 수직 검색. 일체 포함.

진행 상황을 추적하는 데 사용할 수 있는 대시보드로 리디렉션됩니다.

  1. 항목 메타데이터 파일을 가져오려면 대시보드에서 수입.

이제 최대 45% 더 정확한 PlatoBlockchain 데이터 인텔리전스인 Amazon Forecast를 사용하여 기록 데이터가 없는 제품에 대한 콜드 스타트 ​​예측을 생성합니다. 수직 검색. 일체 포함.

  1. 에 항목 메타데이터 데이터 세트 만들기 페이지에서 데이터세트 이름과 데이터 스키마를 제공합니다.
  2. 데이터세트 가져오기 세부정보를 제공합니다.
  3. 왼쪽 메뉴에서 스타트.

다음 스크린샷은 우리의 예를 위해 채워진 정보를 보여줍니다.

이제 최대 45% 더 정확한 PlatoBlockchain 데이터 인텔리전스인 Amazon Forecast를 사용하여 기록 데이터가 없는 제품에 대한 콜드 스타트 ​​예측을 생성합니다. 수직 검색. 일체 포함.

예측 자 훈련

다음으로 예측자를 훈련합니다.

  1. 대시보드에서 다음을 선택합니다. 기차 예측기.

이제 최대 45% 더 정확한 PlatoBlockchain 데이터 인텔리전스인 Amazon Forecast를 사용하여 기록 데이터가 없는 제품에 대한 콜드 스타트 ​​예측을 생성합니다. 수직 검색. 일체 포함.

  1. 에 기차 예측기 페이지에서 예측 변수의 이름, 미래에 예측할 기간과 빈도, 예측하려는 분위수를 입력합니다.
  2. 사용 자동 예측기. 이는 콜드 스타트 ​​예측에 필요합니다.
  3. 왼쪽 메뉴에서 만들기.

다음 스크린샷은 우리의 예를 위해 채워진 정보를 보여줍니다.

이제 최대 45% 더 정확한 PlatoBlockchain 데이터 인텔리전스인 Amazon Forecast를 사용하여 기록 데이터가 없는 제품에 대한 콜드 스타트 ​​예측을 생성합니다. 수직 검색. 일체 포함.

예측 만들기

예측기가 학습된 후(약 2.5시간이 소요될 수 있음) 새로 출시된 제품에 대한 예측을 생성합니다. 다음을 보면 예측자가 훈련되었음을 알 수 있습니다. 예측 변수 보기 버튼을 클릭합니다.

  1. 왼쪽 메뉴에서 예측 만들기 대시 보드에서.

이제 최대 45% 더 정확한 PlatoBlockchain 데이터 인텔리전스인 Amazon Forecast를 사용하여 기록 데이터가 없는 제품에 대한 콜드 스타트 ​​예측을 생성합니다. 수직 검색. 일체 포함.

  1. 에 예측 만들기 페이지에서 예측 이름을 입력하고 생성한 예측 변수를 선택한 다음 예측 분위수(선택 사항)와 예측을 생성할 항목을 지정합니다.
  2. 왼쪽 메뉴에서 스타트.

이제 최대 45% 더 정확한 PlatoBlockchain 데이터 인텔리전스인 Amazon Forecast를 사용하여 기록 데이터가 없는 제품에 대한 콜드 스타트 ​​예측을 생성합니다. 수직 검색. 일체 포함.

예측 내보내기

예측이 생성되면 데이터를 CSV로 내보낼 수 있습니다. 상태가 활성임을 확인하면 예측이 생성되었음을 알 수 있습니다.

  1. 왼쪽 메뉴에서 예측 내보내기 생성.

이제 최대 45% 더 정확한 PlatoBlockchain 데이터 인텔리전스인 Amazon Forecast를 사용하여 기록 데이터가 없는 제품에 대한 콜드 스타트 ​​예측을 생성합니다. 수직 검색. 일체 포함.

  1. 내보내기 파일 이름을 입력합니다(이 게시물의 경우 my_cold_start_forecast_export).
  2. 럭셔리 수출 위치, ~을 지정하다 아마존 단순 스토리지 서비스 (Amazon S3) 위치.
  3. 왼쪽 메뉴에서 스타트.

이제 최대 45% 더 정확한 PlatoBlockchain 데이터 인텔리전스인 Amazon Forecast를 사용하여 기록 데이터가 없는 제품에 대한 콜드 스타트 ​​예측을 생성합니다. 수직 검색. 일체 포함.

  1. 내보내기를 다운로드하려면 콘솔에서 S3 파일 경로 위치로 이동한 다음 파일을 선택하고 다운로드.

내보내기 파일에는 선택한 각 Quantile에 대한 타임스탬프, 항목 ID, 항목 메타데이터 및 예측이 포함됩니다.

예측 보기

예측이 생성되면 새 제품에 대한 예측을 콘솔에서 그래픽으로 볼 수 있습니다.

  1. 왼쪽 메뉴에서 검색어 예측 대시 보드에서.

이제 최대 45% 더 정확한 PlatoBlockchain 데이터 인텔리전스인 Amazon Forecast를 사용하여 기록 데이터가 없는 제품에 대한 콜드 스타트 ​​예측을 생성합니다. 수직 검색. 일체 포함.

  1. 이전 단계에서 생성한 예측의 이름을 선택합니다(이 예에서는 my_cold_start_forecast).
  2. 예측을 보려는 시작 날짜와 종료 날짜를 입력합니다.
  3. 예측 키의 항목 ID 필드에 콜드 스타트 ​​제품의 고유 ID를 추가합니다.
  4. 선택한 예보 받기.

이제 최대 45% 더 정확한 PlatoBlockchain 데이터 인텔리전스인 Amazon Forecast를 사용하여 기록 데이터가 없는 제품에 대한 콜드 스타트 ​​예측을 생성합니다. 수직 검색. 일체 포함.

그림에서 선택한 분위수에 대한 예측을 볼 수 있습니다.

이제 최대 45% 더 정확한 PlatoBlockchain 데이터 인텔리전스인 Amazon Forecast를 사용하여 기록 데이터가 없는 제품에 대한 콜드 스타트 ​​예측을 생성합니다. 수직 검색. 일체 포함.

결론

Forecast를 사용하면 과거 데이터 없이 콜드 스타트 ​​제품에 대해 이전보다 최대 45% 더 정확한 예측 통찰력을 얻을 수 있습니다. Forecast로 콜드 스타트 ​​예측을 생성하려면 Forecast 콘솔을 열고 이 게시물에 설명된 단계를 따르거나 GitHub 노트북 API를 통해 기능에 액세스하는 방법에 대해 설명합니다. 자세한 내용은 다음을 참조하십시오. 예측 생성.

저자 소개

이제 최대 45% 더 정확한 PlatoBlockchain 데이터 인텔리전스인 Amazon Forecast를 사용하여 기록 데이터가 없는 제품에 대한 콜드 스타트 ​​예측을 생성합니다. 수직 검색. 일체 포함.브랜든 나이어 Amazon Forecast의 선임 제품 관리자입니다. 그의 전문적인 관심은 확장 가능한 기계 학습 서비스 및 애플리케이션을 만드는 데 있습니다. 직장 밖에서는 국립공원을 탐험하거나 골프 스윙을 완벽하게 하거나 모험 여행을 계획하는 모습을 볼 수 있습니다.

이제 최대 45% 더 정확한 PlatoBlockchain 데이터 인텔리전스인 Amazon Forecast를 사용하여 기록 데이터가 없는 제품에 대한 콜드 스타트 ​​예측을 생성합니다. 수직 검색. 일체 포함.마나스 다다카르 Amazon Forecast 서비스의 엔지니어링을 소유한 소프트웨어 개발 관리자입니다. 그는 기계 학습의 응용 프로그램과 모든 사람이 프로덕션에 쉽게 채택하고 배포할 수 있는 ML 기술을 만드는 데 열정적입니다. 업무 외에는 여행, 독서, 친구 및 가족과 시간 보내기 등 다양한 관심사를 가지고 있습니다.

이제 최대 45% 더 정확한 PlatoBlockchain 데이터 인텔리전스인 Amazon Forecast를 사용하여 기록 데이터가 없는 제품에 대한 콜드 스타트 ​​예측을 생성합니다. 수직 검색. 일체 포함.바라트 난다무리 Amazon Forecast에서 근무하는 선임 소프트웨어 엔지니어입니다. 그는 ML 시스템용 엔지니어링에 중점을 두고 대규모 백엔드 서비스를 구축하는 데 열정적입니다. 일 외에는 체스, 하이킹, 영화 감상을 즐깁니다.

이제 최대 45% 더 정확한 PlatoBlockchain 데이터 인텔리전스인 Amazon Forecast를 사용하여 기록 데이터가 없는 제품에 대한 콜드 스타트 ​​예측을 생성합니다. 수직 검색. 일체 포함. 가우 라브 굽타 AWS AI 연구소 및 Amazon Forecast의 응용 과학자입니다. 그의 연구 관심사는 순차 데이터를 위한 기계 학습, 편미분 방정식을 위한 연산자 학습, 웨이블릿에 있습니다. 그는 AWS에 입사하기 전에 University of Southern California에서 박사 학위를 받았습니다.

타임 스탬프 :

더보기 AWS 기계 학습