Velg spesifikke tidsserier for å varsle med Amazon Forecast

I dag er vi glade for å kunngjøre det Amazon Prognose tilbyr muligheten til å generere prognoser for et utvalgt delsett av elementer. Dette hjelper deg med å utnytte den fulle verdien av dataene dine, og bruke dem selektivt på ditt valg av elementer, noe som reduserer tiden og innsatsen for å få anslåtte resultater.

Generering av en prognose for "alle" elementer i datasettet begrenset deg fra friheten til å ha finmaskede kontroller over spesifikke elementer som du ønsket å forutsi. Dette betydde økte kostnader for lav/ingen prioriterte prognoser og ekstra overhead. Tidligere ville du brukt mye tid på å generere flere spådommer for alle elementene i dataene dine. Dette var tidkrevende og driftsmessig tungt å håndtere. Dessuten utnytter ikke denne tilnærmingen fullt ut verdien av maskinlæring (ML): å bruke slutninger på tvers av ønskede elementer. Med muligheten til å velge et undersett av elementer, kan du nå fokusere på å trene modellen med alle dataene dine, men bruke lærdommene til å velge noen få elementer med høy avkastning. Dette vil bidra til generell optimalisering av prognoseplanlegging ved å øke produktiviteten (færre varer å administrere) og redusere kostnadene (reduksjon i pris per prognosevare). Dette gjør også forklaringen enklere å administrere.

Med dagens lansering kan du ikke bare kjøre alle trinnene, men du kan også velge å velge et undersett av elementer som skal varsle ved å laste opp en csv under trinnet "Opprett en prognose". Du trenger ikke å ombord hele målet eller relaterte tidsserier og varemetadata, noe som sparer betydelig innsats for deg. Dette vil også hjelpe når du reduserer det totale infrastrukturfotavtrykket for anslåtte varer, noe som resulterer i kostnadsbesparelser og produktivitet. Du kan gjøre dette trinnet ved å bruke 'CreateForecast' API, eller følge følgende konsolltrinn.

Prognose for utvalgte undergrupper av varer

Nå skal vi gå gjennom hvordan du bruker Forecast-konsollen til å velge utvalgte elementer på inndatasettet.

Trinn 1: Importer treningsdata

For å importere tidsseriedata til Prognose, opprett en datasettgruppe, velg et domene for datasettgruppen din, spesifiser detaljene for dataene dine og pek Prognose til Amazon Simple Storage Service (Amazon S3) plasseringen av dataene dine. I dette eksemplet, la oss anta at datasettet ditt har 1000 elementer.

OBS: Denne øvelsen forutsetter at du ikke har opprettet noen datasettgrupper. Hvis du tidligere har opprettet en datasettgruppe, vil det du ser, variere litt fra de følgende skjermbildene og instruksjonene.

For å importere tidsseriedata for prognoser

1. Åpne Forecast-konsollen her..
2. Velg på Prognose-hjemmesiden Opprett datasettgruppe.
3. På Opprett datasettgruppe side, legg til detaljene for inndatadatasettet ditt.
   
4. Velg neste.
5. De Datasettdetaljer panelet skal se lignende ut:
   
6. Etter at du har angitt alle nødvendige detaljer på datasettimportsiden, Detaljer om datasettimport panelet skal se lignende ut:
   
7. Velg Start.

Vent til prognosen er ferdig med å importere tidsseriedataene dine. Prosessen kan ta flere minutter eller lenger. Når datasettet er importert, går statusen over til Aktiv og banneret øverst på dashbordet varsler deg om at du har importert dataene dine.

Nå som måltidsseriedatasettet ditt er importert, kan du opprette en prediktor.

Trinn 2: Lag en prediktor

Deretter oppretter du en prediktor, som du bruker til å generere prognoser basert på tidsseriedataene dine. Forecast bruker den optimale kombinasjonen av algoritmer for hver tidsserie i datasettene dine.

For å lage en prediktor med prognosekonsollen, angir du et prediktornavn, en prognosefrekvens og definerer en prognosehorisont. For mer informasjon om tilleggsfeltene du kan konfigurere, se Treningsprediktorer.

For å lage en prediktor

1. Etter at måltidsseriedatasettet er ferdig importert, er datasettgruppen din Dashbord skal ligne følgende:
   
   Under Tren en prediktor, velg Start. De Tog prediktor siden vises.
2. På Tog prediktor side, for Prediktorinnstillinger, Gi følgende informasjon:
   • Predictor navn
   • Prognosefrekvens
   • Værvarsel
   • Prognose dimensjoner og Prognose kvantiler (om du har)

Nå som prediktoren din har blitt trent på 1000 elementer, kan du gå til neste trinn med å generere en prognose.

Trinn 3: Lag en prognose

1. Velg Opprett prognose.
2. Skriv prognosenavnet
3. Velg en prediktor.
4. Velg kvantiler – Angi opptil fem kvantiler.
5. Hvis du vil generere prognosen for alle 1000 elementer, velg "Alle varer".
   
6. Ellers kan du velge "Selected Items", som lar deg velge spesifikke elementer av de 1000 elementene som skal forutses.
   
7. Oppgi plasseringen for s3-filen som inneholder den valgte tidsserien. Tidsserier må inkludere alle vare- og dimensjonskolonner spesifisert i måltidsserien.
   
8. Du må også definere skjemaet for inndatafilen som inneholder de valgte tidsseriene. Rekkefølgen på kolonnene som er definert i skjemaet, skal samsvare med rekkefølgen på kolonnene i inndatafilen.
9. Trykk på Generer prognose.
10. Utfør en eksport og .csv-filen viser deg bare de valgte elementene du valgte.

konklusjonen

Prognose gir deg nå muligheten til å velge et undersett av elementer fra inndatasettet. Med denne funksjonen kan du trene modellen din med alle tilgjengelige data og deretter bruke læringen for å velge elementer du vil forutse. Dette bidrar til å spare tid og fokusere innsatsen på høyprioriterte elementer. Du kan oppnå kostnadsreduksjon og bedre tilpasse innsatsen til forretningsresultater. "Velg prognoseelementer" er tilgjengelig i alle regioner der prognosen er offentlig tilgjengelig.

For å lære mer om prognoser for "utvalgte elementer", besøk denne bærbare eller les mer på prognosen utviklerveiledning.

---

Om forfatterne

Møt Dave er Sr Product Manager i Amazon Forecast-teamet. Han er interessert i alt data og bruk av disse for å generere nye inntektsstrømmer. Utenfor jobben liker han å lage indisk mat og se interessante show.

Ridhim Rastogi er en programvareutviklingsingeniør i Amazon Forecast-teamet. Han brenner for å bygge skalerbare distribuerte systemer med fokus på å løse virkelige problemer gjennom AI/ML. På fritiden liker han å løse gåter, lese skjønnlitteratur og utforske.

• Myntsmart. Europas beste Bitcoin og Crypto Exchange.
• Platoblokkkjede. Web3 Metaverse Intelligence. Kunnskap forsterket. FRI TILGANG.
• CryptoHawk. Altcoin Radar. Gratis prøveperiode.
• Kilde: https://aws.amazon.com/blogs/machine-learning/choose-specific-timeseries-to-forecast-with-amazon-forecast/