Start din vellykkede reise med tidsserieprognoser med Amazon Forecast

Organisasjoner av alle størrelser streber etter å utvide virksomheten sin, forbedre effektiviteten og betjene kundene sine bedre enn noen gang før. Selv om fremtiden er usikker, kan en datadrevet, vitenskapsbasert tilnærming bidra til å forutse hva som ligger foran oss for å lykkes med å navigere gjennom et hav av valg.

Hver bransje bruker tidsserieprognoser for å møte en rekke planleggingsbehov, inkludert, men ikke begrenset til:

I dette innlegget skisserer vi fem beste fremgangsmåter for å komme i gang med Amazon Prognose, og bruk kraften til svært nøyaktig maskinlæring (ML)-prognoser på bedriften din.

Hvorfor Amazon Forecast

AWS tilbyr en fullt administrert tidsserieprognosetjeneste kalt Amazon Forecast som lar deg generere og vedlikeholde pågående automatiserte tidsserieprognoser uten å kreve ML-ekspertise. I tillegg kan du bygge og distribuere repeterbare prognoseoperasjoner uten å måtte skrive kode, bygge ML-modeller eller administrere infrastruktur.

Mulighetene til Forecast lar den betjene et bredt spekter av kunderoller, fra analytikere og supply chain managers til utviklere og ML-eksperter. Det er flere grunner til at kunder foretrekker Forecast: det gir høy nøyaktighet, repeterbare resultater og muligheten til å betjene seg selv uten å vente på spesialiserte tekniske ressurser. Forecast er også valgt av datavitenskapseksperter fordi den gir svært nøyaktige resultater, basert på et ensemble av selvinnstilte modeller, og fleksibiliteten til å eksperimentere raskt uten å måtte distribuere eller administrere klynger av noen spesiell størrelse. Dens ML-modeller gjør det også enklere å støtte prognoser for et stort antall varer, og kan generere nøyaktige prognoser for kaldstartsvarer uten historie.

Fem beste fremgangsmåter når du kommer i gang med Forecast

Forecast gir høy nøyaktighet og rask time-to-market for utviklere og dataforskere. Selv om det er gjort enkelt å utvikle svært nøyaktige tidsseriemodeller, gir dette innlegget beste praksis for å øke hastigheten på ombordstigningen og tid til verdi. Litt strenghet og kanskje et par runder med eksperimentering må brukes for å lykkes. En vellykket prognosereise avhenger av flere faktorer, noen subtile.

Dette er noen viktige elementer du bør vurdere når du begynner å jobbe med Forecast.

Start enkelt

Som vist i følgende svinghjul, vurder å begynne med en enkel modell som bruker en måltidsserie datasett for å utvikle en grunnlinje når du foreslår ditt første sett med inndata. Etterfølgende eksperimenter kan legge til andre tidsmessige trekk og statiske metadata med et mål om å forbedre modellens nøyaktighet. Hver gang en endring gjøres, kan du måle og lære hvor mye endringen har hjulpet, om i det hele tatt. Avhengig av vurderingen din, kan du bestemme deg for å beholde det nye settet med funksjoner, eller pivoter og prøve et annet alternativ.

Fokuser på avvikene

Med Forecast kan du få nøyaktighetsstatistikk for hele datasettet. Det er viktig å erkjenne at selv om denne statistikken på toppnivå er interessant, bør den sees på som bare retningsmessig korrekt. Du bør konsentrere deg om nøyaktighetsstatistikk på varenivå i stedet for statistikk på toppnivå. Tenk på følgende spredningsdiagram som en guide. Noen av elementene i datasettet vil ha høy nøyaktighet; for disse er ingen handling nødvendig.

Mens du bygger en modell, bør du utforske noen av punktene merket som "utforskende tidsserier." I disse utforskende tilfellene bør du finne ut hvordan du kan forbedre nøyaktigheten ved å inkludere flere inndata, for eksempel prisvariasjoner, kampanjekostnader, eksplisitte sesongmessige funksjoner og inkludering av lokale, markedsmessige, globale og andre hendelser og forhold i den virkelige verden.

Gjennomgå prediktorens nøyaktighet før du lager prognoser

Ikke lag fremtidige daterte prognoser med Forecast før du har gjennomgått prediksjonsnøyaktigheten i løpet av tilbaketestperioden. Det foregående spredningsplottet illustrerer nøyaktigheten av tidsserienivå, som er din beste indikasjon på hvordan fremtidige daterte spådommer vil se ut, alt annet er det samme. Hvis denne perioden ikke gir det nødvendige nivået av nøyaktighet, ikke fortsett med den fremtidige daterte prognoseoperasjonen, fordi dette kan føre til ineffektive utgifter. Fokuser i stedet på å utvide inndataene dine og prøve en ny runde med innovasjonssvinghjulet, som diskutert tidligere.

Reduser treningstiden

Du kan redusere treningstiden gjennom to mekanismer. Bruk først Forecast's omskoler funksjon for å redusere treningstiden gjennom overføringslæring. For det andre, forhindre modelldrift med prediktorovervåking ved å trene kun når det er nødvendig.

Bygg repeterbare prosesser

Vi oppfordrer deg til ikke å bygge prognosearbeidsflyter gjennom AWS-administrasjonskonsoll eller bruke APIer fra bunnen av til du i det minste har evaluert vår AWS prøver GitHub-repo. Vårt oppdrag med GitHub-eksempler er å bidra til å fjerne friksjon og fremskynde tiden din til markedet med repeterbare arbeidsflyter som allerede er gjennomtenkt designet. Disse arbeidsflytene er serverløse og kan planlegges til å kjøre på en vanlig tidsplan.

Besøk vår offisielle GitHub-repo, hvor du raskt kan distribuere løsningsveiledningen vår ved å følge trinnene som er gitt. Som vist i følgende figur, gir arbeidsflyten en komplett ende-til-ende-pipeline som kan hente historiske data, importere dem, bygge modeller og produsere slutninger mot modellene – alt uten å måtte skrive kode.

Den følgende figuren gir et dypere innblikk i bare én modul, som er i stand til å høste historiske data for modelltrening fra et mylder av databasekilder som støttes av Amazon Athena Federated Query.

Kom i gang i dag

Du kan implementere en helautomatisert produksjonsarbeidsflyt i løpet av dager til uker, spesielt når den er sammenkoblet med vår arbeidsflytorkestreringspipeline som er tilgjengelig på vår GitHub-eksempellager.

Denne re:Invent-videoen fremhever et brukstilfelle av en kunde som automatiserte arbeidsflyten sin ved å bruke denne GitHub-modellen:

Forecast har mange innebygde funksjoner for å hjelpe deg med å nå forretningsmålene dine gjennom svært nøyaktige ML-baserte prognoser. Vi oppfordrer deg til å kontakte AWS-kontoteamet ditt hvis du har spørsmål og gi dem beskjed om at du ønsker å snakke med en tidsseriespesialist for å gi veiledning og veiledning. Vi kan også tilby workshops for å hjelpe deg med å lære hvordan du bruker Forecast.

Vi er her for å støtte deg og din organisasjon når du bestreber deg på å automatisere og forbedre etterspørselsprognoser i din bedrift. En mer nøyaktig prognose kan resultere i høyere salg, en betydelig reduksjon i avfall, en reduksjon i ledig beholdning og til slutt høyere nivåer av kundeservice.

Ta grep i dag; det er ingen bedre tid enn nåtiden for å begynne å skape en bedre morgendag.

---

om forfatteren

Charles Laughlin er en Principal AI/ML Specialist Solution Architect og jobber i Time Series ML-teamet hos AWS. Han hjelper til med å forme Amazon Forecast-tjenestens veikart og samarbeider daglig med ulike AWS-kunder for å hjelpe til med å transformere virksomhetene deres ved å bruke banebrytende AWS-teknologier og tankelederskap. Charles har en MS i Supply Chain Management og har tilbrakt det siste tiåret i industrien for forbrukerpakkede varer.

Dan Sinnreich er senior produktsjef for Amazon Forecast. Han er fokusert på å demokratisere maskinlæring med lav kode/ikke kode og bruke den for å forbedre forretningsresultater. Utenom jobben kan du finne han som spiller hockey, prøver å forbedre tennisserven, dykking og leser science fiction.