Versnel uw tijdreeksprognoses met maximaal 50 procent met Amazon SageMaker Canvas UI en AutoML API's | Amazon-webservices

We zijn verheugd om dat aan te kondigen Amazon SageMaker-canvas biedt nu een snellere en gebruiksvriendelijkere manier om machine learning-modellen te maken voor tijdreeksvoorspellingen. SageMaker Canvas is een visuele point-and-click-service waarmee bedrijfsanalisten nauwkeurige machine learning-modellen (ML) kunnen genereren zonder dat ze ervaring met machine learning nodig hebben of één regel code hoeven te schrijven.

SageMaker Canvas ondersteunt een aantal gebruiksscenario's, waaronder tijdreeksvoorspellingen die worden gebruikt voor voorraadbeheer in de detailhandel, vraagplanning in de productie, personeels- en gastenplanning in de reis- en horecabranche, omzetvoorspelling in de financiële sector en vele andere bedrijfskritische beslissingen waarbij zeer belangrijke beslissingen worden genomen. nauwkeurige voorspellingen zijn belangrijk. Met tijdreeksprognoses kunnen detailhandelaren bijvoorbeeld de toekomstige verkoopvraag voorspellen en voorraadniveaus, logistiek en marketingcampagnes plannen. Tijdreeksvoorspellingsmodellen in SageMaker Canvas maken gebruik van geavanceerde technologieën om statistische en machine learning-algoritmen te combineren en zeer nauwkeurige voorspellingen te leveren.

In dit bericht beschrijven we de verbeteringen aan de prognosemogelijkheden van SageMaker Canvas en begeleiden we u bij het gebruik van de gebruikersinterface (UI) en AutoML APIs voor tijdreeksvoorspellingen. Hoewel de gebruikersinterface van SageMaker Canvas een visuele interface zonder code biedt, stellen de API's ontwikkelaars in staat om programmatisch met deze functies te communiceren. Beide zijn toegankelijk via de SageMaker-console.

Verbeteringen in de prognose-ervaring

Met de lancering van vandaag heeft SageMaker Canvas zijn voorspellingsmogelijkheden geüpgraded met behulp van AutoML, waardoor tot 50 procent snellere modelbouwprestaties en gemiddeld tot 45 procent snellere voorspellingen worden geleverd in vergelijking met eerdere versies in verschillende benchmarkdatasets. Dit vermindert de gemiddelde modeltrainingsduur van 186 naar 73 minuten en de gemiddelde voorspellingstijd van 33 naar 18 minuten voor een typische batch van 750 tijdreeksen met een gegevensgrootte tot 100 MB. Gebruikers hebben nu ook programmatisch toegang tot modelconstructie- en voorspellingsfuncties via Amazon SageMaker Autopilot APIs, die worden geleverd met modeluitlegbaarheid en prestatierapporten.

Voorheen vereiste de introductie van incrementele gegevens dat het hele model opnieuw moest worden getraind, wat tijdrovend was en operationele vertragingen veroorzaakte. Nu kunt u in SageMaker Canvas recente gegevens toevoegen om toekomstige prognoses te genereren zonder het hele model opnieuw te hoeven trainen. Voer gewoon uw incrementele gegevens in uw model in om de nieuwste inzichten te gebruiken voor toekomstige prognoses. Het elimineren van omscholing versnelt het prognoseproces, waardoor u deze resultaten sneller kunt toepassen op uw bedrijfsprocessen.

Nu SageMaker Canvas gebruikmaakt van AutoML voor prognoses, kunt u functies voor modelbouw en voorspelling benutten via SageMaker Autopilot API's, waardoor consistentie in de gebruikersinterface en API's wordt gegarandeerd. U kunt bijvoorbeeld beginnen met het bouwen van modellen in de gebruikersinterface en vervolgens overstappen op het gebruik van API's voor het genereren van voorspellingen. Deze bijgewerkte modelleringsaanpak verbetert ook de modeltransparantie op verschillende manieren:

1. Gebruikers hebben toegang tot een uitlegbaarheidsrapport dat duidelijker inzicht biedt in factoren die van invloed zijn op voorspellingen. Dit is waardevol voor risicoteams, complianceteams en externe toezichthouders. Het rapport verduidelijkt hoe datasetattributen specifieke tijdreeksvoorspellingen beïnvloeden. Het maakt gebruik van impactscores om het relatieve effect van elk attribuut te meten, waarbij wordt aangegeven of deze de voorspelde waarden versterken of verlagen.
2. U heeft nu toegang tot de getrainde modellen en kunt deze implementeren in SageMaker Inference of uw favoriete infrastructuur voor voorspellingen.
3. Er is een prestatierapport beschikbaar dat dieper inzicht geeft in de optimale modellen die door AutoML zijn gekozen voor specifieke tijdreeksen en de hyperparameters die tijdens de training worden gebruikt.

Genereer tijdreeksprognoses met behulp van de SageMaker Canvas-gebruikersinterface

Met de gebruikersinterface van SageMaker Canvas kunt u naadloos gegevensbronnen uit de cloud of on-premises integreren, gegevenssets moeiteloos samenvoegen, nauwkeurige modellen trainen en voorspellingen doen met opkomende gegevens, allemaal zonder codering. Laten we eens kijken naar het genereren van een tijdreeksprognose met behulp van deze gebruikersinterface.

Eerst importeert u gegevens in SageMaker Canvas vanuit verschillende bronnen, inclusief lokale bestanden van uw computer, Eenvoudige opslagservice van Amazon (Amazon S3) emmers, Amazone Athene, Sneeuwvlok en meer dan 40 andere gegevensbronnen. Na het importeren van gegevens kunt u deze verkennen en visualiseren om aanvullende inzichten te verkrijgen, zoals met spreidingsdiagrammen of staafdiagrammen. Nadat u klaar bent om een ​​model te maken, kunt u dit met slechts een paar klikken doen nadat u de benodigde parameters heeft geconfigureerd, zoals het selecteren van een doelkolom voor de prognose en het opgeven van het aantal dagen in de toekomst dat u wilt voorspellen. De volgende schermafbeeldingen tonen een voorbeeldvisualisatie van het voorspellen van de productvraag op basis van historische wekelijkse vraaggegevens voor specifieke producten op verschillende winkellocaties:

De volgende afbeelding toont wekelijkse prognoses voor een specifiek product op verschillende winkellocaties:

Voor een uitgebreide handleiding over het gebruik van de SageMaker Canvas UI voor prognoses, bekijk dit blogpost.

Als u een geautomatiseerde workflow of directe ML-modelintegratie in apps nodig heeft, zijn onze prognosefuncties toegankelijk via API's. In het volgende gedeelte bieden we een voorbeeldoplossing waarin wordt beschreven hoe u onze software kunt gebruiken APIs voor geautomatiseerde prognoses.

Genereer tijdreeksprognoses met behulp van API's

Laten we eens kijken hoe we de API's kunnen gebruiken om het model te trainen en voorspellingen te genereren. Beschouw voor deze demonstratie een situatie waarin een bedrijf de productvoorraadniveaus in verschillende winkels moet voorspellen om aan de vraag van de klant te voldoen. Op een hoog niveau zijn de API-interacties onderverdeeld in de volgende stappen:

1. Bereid de gegevensset voor.
2. Maak een SageMaker Autopilot-taak.
3. Evalueer de Autopilot-taak:
   1. Ontdek de modelnauwkeurigheidsstatistieken en backtestresultaten.
   2. Verken het rapport over de uitlegbaarheid van het model.
4. Genereer voorspellingen op basis van het model:
   1. Gebruik de realtime gevolgtrekking eindpunt gemaakt als onderdeel van de Autopilot-taak; of
   2. Gebruik een batch-transformatie baan.

Voorbeeld van een Amazon SageMaker Studio-notebook met prognoses met API's

We hebben een voorbeeld van een SageMaker Studio-notebook meegeleverd GitHub om uw time-to-market te helpen versnellen wanneer uw bedrijf de voorkeur geeft aan het orkestreren van prognoses via programmatische API's. De notebook biedt een voorbeeld van een synthetische dataset die beschikbaar is via een openbare S3-bucket. Het notitieboekje leidt u door alle stappen die worden beschreven in de hierboven genoemde workflowafbeelding. Hoewel de notebook een basisframework biedt, kunt u het codevoorbeeld aanpassen aan uw specifieke gebruikssituatie. Dit omvat het aanpassen ervan zodat het overeenkomt met uw unieke gegevensschema, tijdresolutie, prognosehorizon en andere noodzakelijke parameters om de gewenste resultaten te bereiken.

Conclusie

SageMaker Canvas democratiseert tijdreeksvoorspellingen door een gebruiksvriendelijke, codevrije ervaring aan te bieden waarmee bedrijfsanalisten zeer nauwkeurige machine learning-modellen kunnen creëren. Met de huidige AutoML-upgrades levert het tot 50 procent snellere modelbouw, tot 45 procent snellere voorspellingen, en introduceert het API-toegang voor zowel modelconstructie als voorspellingsfuncties, waardoor de transparantie en consistentie worden vergroot. Het unieke vermogen van SageMaker Canvas om naadloos incrementele gegevens te verwerken zonder omscholing, zorgt voor een snelle aanpassing aan de steeds veranderende zakelijke eisen.

Of u nu de voorkeur geeft aan de intuïtieve gebruikersinterface of veelzijdige API's, SageMaker Canvas vereenvoudigt data-integratie, modeltraining en voorspelling, waardoor het een cruciaal hulpmiddel wordt voor datagestuurde besluitvorming en innovatie in alle sectoren.

Voor meer informatie, bekijk de documentatie, of verken de notitieboekje beschikbaar in onze GitHub-repository. Prijsinformatie voor tijdreeksprognoses met SageMaker Canvas is beschikbaar op de website SageMaker Canvas-prijzen pagina, en voor SageMaker-training en gevolgtrekkingsprijzen bij het gebruik van SageMaker Autopilot API's, zie de SageMaker-prijzen pagina.

Deze mogelijkheden zijn beschikbaar in alle AWS-regio's waar SageMaker Canvas en SageMaker Autopilot openbaar toegankelijk zijn. Zie voor meer informatie over de beschikbaarheid van regio's AWS-services per regio.

---

Over de auteurs

Nirma Kumar is Sr. Product Manager voor de Amazon SageMaker-service. Hij is toegewijd aan het verbreden van de toegang tot AI/ML en stuurt de ontwikkeling van no-code en low-code ML-oplossingen aan. Buiten zijn werk houdt hij van reizen en het lezen van non-fictie.

Charles Lachlin is een Principal AI/ML Specialist Solution Architect die werkt in het Amazon SageMaker-serviceteam bij AWS. Hij helpt bij het vormgeven van de serviceroadmap en werkt dagelijks samen met diverse AWS-klanten om hun bedrijf te helpen transformeren met behulp van geavanceerde AWS-technologieën en thought leadership. Charles heeft een MS in Supply Chain Management en een Ph.D. in Datawetenschap.

Ridhim Rastogi een Software Development Engineer die werkt in het Amazon SageMaker-serviceteam bij AWS. Hij heeft een passie voor het bouwen van schaalbare gedistribueerde systemen met een focus op het oplossen van problemen uit de echte wereld door middel van AI/ML. In zijn vrije tijd lost hij graag puzzels op, leest hij fictie en verkent hij zijn omgeving.

Achmed Raafat is een Principal Solutions Architect bij AWS, met 20 jaar praktijkervaring en een toegewijde focus van 5 jaar binnen het AWS-ecosysteem. Hij is gespecialiseerd in AI/ML-oplossingen. Zijn uitgebreide ervaring strekt zich uit over verschillende verticale sectoren, waardoor hij een vertrouwde adviseur is voor talloze zakelijke klanten, waardoor hun naadloze navigatie en versnelling van hun cloudreis wordt vergemakkelijkt.

Johannes Oshodi is een Senior Solutions Architect bij Amazon Web Services, gevestigd in Londen, VK. Hij is gespecialiseerd in data en analyses en fungeert als technisch adviseur voor tal van zakelijke AWS-klanten, waarbij hij hun cloudreis ondersteunt en versnelt. Buiten zijn werk houdt hij ervan om naar nieuwe plaatsen te reizen en nieuwe culturen te ervaren met zijn gezin.

• Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
• PlatoData.Network Verticale generatieve AI. Versterk jezelf. Toegang hier.
• PlatoAiStream. Web3-intelligentie. Kennis versterkt. Toegang hier.
• PlatoESG. carbon, CleanTech, Energie, Milieu, Zonne, Afvalbeheer. Toegang hier.
• Plato Gezondheid. Intelligentie op het gebied van biotech en klinische proeven. Toegang hier.
• Bron: https://aws.amazon.com/blogs/machine-learning/speed-up-your-time-series-forecasting-by-up-to-50-percent-with-amazon-sagemaker-canvas-ui-and-automl-apis/