Przyspiesz prognozowanie szeregów czasowych nawet o 50 procent dzięki interfejsowi API Amazon SageMaker Canvas i interfejsom API AutoML | Usługi internetowe Amazona

Cieszymy się, że możemy to ogłosić Płótno Amazon SageMaker oferuje teraz szybszy i bardziej przyjazny dla użytkownika sposób tworzenia modeli uczenia maszynowego do prognozowania szeregów czasowych. SageMaker Canvas to wizualna usługa typu „wskaż i kliknij”, która umożliwia analitykom biznesowym generowanie dokładnych modeli uczenia maszynowego (ML) bez konieczności posiadania doświadczenia w zakresie uczenia maszynowego lub konieczności pisania nawet jednego wiersza kodu.

SageMaker Canvas obsługuje wiele zastosowań, w tym prognozowanie szeregów czasowych wykorzystywane do zarządzania zapasami w handlu detalicznym, planowanie popytu w branży produkcyjnej, planowanie siły roboczej i gości w podróżach i hotelarstwie, przewidywanie przychodów w finansach i wiele innych decyzji o znaczeniu krytycznym dla biznesu, w których wysoce dokładne prognozy są ważne. Na przykład prognozowanie szeregów czasowych umożliwia sprzedawcom detalicznym przewidywanie przyszłego popytu na sprzedaż oraz planowanie poziomów zapasów, logistyki i kampanii marketingowych. Modele prognozowania szeregów czasowych w SageMaker Canvas wykorzystują zaawansowane technologie w celu łączenia algorytmów statystycznych i uczenia maszynowego oraz dostarczają bardzo dokładne prognozy.

W tym poście opisujemy ulepszenia możliwości prognozowania SageMaker Canvas i poinstruujemy Cię, jak korzystać z interfejsu użytkownika (UI) i AutoML Pszczoła do prognozowania szeregów czasowych. Chociaż interfejs użytkownika SageMaker Canvas oferuje interfejs wizualny pozbawiony kodu, interfejsy API umożliwiają programistom programową interakcję z tymi funkcjami. Dostęp do obu można uzyskać z poziomu Konsola SageMaker.

Ulepszenia w zakresie prognozowania

Wraz z dzisiejszą premierą SageMaker Canvas unowocześnił swoje możliwości prognozowania przy użyciu AutoML, zapewniając do 50 procent szybsze budowanie modeli i średnio do 45 procent szybsze przewidywanie w porównaniu z poprzednimi wersjami w różnych zestawach danych porównawczych. Skraca to średni czas szkolenia modelu ze 186 do 73 minut, a średni czas przewidywania z 33 do 18 minut dla typowej partii 750 szeregów czasowych o rozmiarze danych do 100 MB. Użytkownicy mogą teraz programowo uzyskać dostęp do funkcji konstruowania modeli i przewidywania za pośrednictwem Amazon SageMaker Autopilot Pszczoła, które zawierają wyjaśnienia modelu i raporty dotyczące wydajności.

Wcześniej wprowadzenie danych przyrostowych wymagało przeszkolenia całego modelu, co było czasochłonne i powodowało opóźnienia operacyjne. Teraz w SageMaker Canvas możesz dodawać najnowsze dane w celu generowania przyszłych prognoz bez konieczności ponownego uczenia całego modelu. Wystarczy wprowadzić dane przyrostowe do modelu, aby skorzystać z najnowszych spostrzeżeń na potrzeby nadchodzących prognoz. Wyeliminowanie przekwalifikowań przyspiesza proces prognozowania, umożliwiając szybsze zastosowanie uzyskanych wyników w procesach biznesowych.

Dzięki temu, że SageMaker Canvas wykorzystuje teraz AutoML do prognozowania, możesz wykorzystać funkcje budowania modeli i przewidywania za pośrednictwem interfejsów API SageMaker Autopilot, zapewniając spójność między interfejsem użytkownika i interfejsami API. Możesz na przykład zacząć od budowania modeli w interfejsie użytkownika, a następnie przejść do korzystania z interfejsów API do generowania prognoz. To zaktualizowane podejście do modelowania zwiększa również przejrzystość modelu na kilka sposobów:

1. Użytkownicy mogą uzyskać dostęp do raportu wyjaśnialności, który zapewnia jaśniejszy wgląd w czynniki wpływające na przewidywania. Jest to cenne dla zespołów ds. ryzyka, zgodności i zewnętrznych organów regulacyjnych. Raport wyjaśnia, w jaki sposób atrybuty zbioru danych wpływają na prognozy określonych szeregów czasowych. Zatrudnia wyniki wpływu do pomiaru względnego efektu każdego atrybutu, wskazując, czy wzmacniają one, czy zmniejszają wartości prognozowane.
2. Możesz teraz uzyskać dostęp do przeszkolonych modeli i wdrożyć je w SageMaker Inference lub preferowanej infrastrukturze na potrzeby prognoz.
3. Dostępny jest raport wydajności, zapewniający głębszy wgląd w optymalne modele wybrane przez AutoML dla określonych szeregów czasowych i hiperparametry używane podczas szkolenia.

Generuj prognozy szeregów czasowych za pomocą interfejsu użytkownika SageMaker Canvas

Interfejs użytkownika SageMaker Canvas pozwala bezproblemowo integrować źródła danych z chmury lub lokalnie, bez wysiłku łączyć zbiory danych, trenować precyzyjne modele i dokonywać prognoz na podstawie pojawiających się danych – a wszystko to bez kodowania. Przyjrzyjmy się generowaniu prognozy szeregów czasowych przy użyciu tego interfejsu użytkownika.

Najpierw importujesz dane do SageMaker Canvas z różnych źródeł, w tym z plików lokalnych z Twojego komputera, Usługa Amazon Simple Storage (Amazon S3) wiadra, Amazonka Atena, Snowflake, ponad 40 innych źródeł danych. Po zaimportowaniu danych możesz je eksplorować i wizualizować, aby uzyskać dodatkowe informacje, na przykład za pomocą wykresów rozrzutu lub wykresów słupkowych. Gdy będziesz gotowy do utworzenia modelu, możesz to zrobić kilkoma kliknięciami po skonfigurowaniu niezbędnych parametrów, takich jak wybranie kolumny docelowej do prognozowania i określenie liczby dni w przyszłości, które chcesz prognozować. Poniższe zrzuty ekranu przedstawiają przykładową wizualizację przewidywania popytu na produkty w oparciu o historyczne dane dotyczące tygodniowego zapotrzebowania na konkretne produkty w różnych lokalizacjach sklepów:

Poniższy obrazek przedstawia tygodniowe prognozy dla konkretnego produktu w różnych lokalizacjach sklepów:

Aby zapoznać się z kompleksowym przewodnikiem dotyczącym korzystania z interfejsu użytkownika SageMaker Canvas do prognozowania, zapoznaj się z tym blogu.

Jeśli potrzebujesz zautomatyzowanego przepływu pracy lub bezpośredniej integracji modelu ML z aplikacjami, nasze funkcje prognozowania są dostępne za pośrednictwem interfejsów API. W poniższej sekcji przedstawiamy przykładowe rozwiązanie szczegółowo opisujące sposób wykorzystania naszego Pszczoła do automatycznego prognozowania.

Generuj prognozę szeregów czasowych za pomocą interfejsów API

Przyjrzyjmy się, jak używać interfejsów API do uczenia modelu i generowania prognoz. Na potrzeby tej demonstracji rozważmy sytuację, w której firma musi przewidzieć poziom zapasów produktów w różnych sklepach, aby zaspokoić zapotrzebowanie klientów. Na wysokim poziomie interakcje API dzielą się na następujące kroki:

1. Przygotuj zbiór danych.
2. Utwórz zadanie autopilota SageMaker.
3. Oceń pracę autopilota:
   1. Przeglądaj metryki dokładności modelu i wyniki analizy historycznej.
   2. Zapoznaj się z raportem objaśnialności modelu.
4. Wygeneruj prognozy na podstawie modelu:
   1. Użyj wnioskowanie w czasie rzeczywistym punkt końcowy utworzony w ramach zadania Autopilota; Lub
   2. Użyj transformacja wsadowa praca.

Przykładowy notatnik Amazon SageMaker Studio prezentujący prognozowanie za pomocą interfejsów API

Udostępniliśmy przykładowy notatnik SageMaker Studio na GitHub aby przyspieszyć czas wprowadzenia produktu na rynek, gdy Twoja firma woli organizować prognozowanie za pomocą programistycznych interfejsów API. Notatnik oferuje przykładowy syntetyczny zbiór danych dostępny za pośrednictwem publicznego segmentu S3. Notatnik poprowadzi Cię przez wszystkie kroki opisane na powyższym obrazku przepływu pracy. Chociaż notatnik zapewnia podstawową strukturę, możesz dostosować przykładowy kod do konkretnego przypadku użycia. Obejmuje to modyfikowanie go w celu dopasowania do Twojego unikalnego schematu danych, rozdzielczości czasowej, horyzontu prognozowania i innych niezbędnych parametrów, aby osiągnąć pożądane wyniki.

Wnioski

SageMaker Canvas demokratyzuje prognozowanie szeregów czasowych, oferując przyjazne dla użytkownika, pozbawione kodu środowisko, które umożliwia analitykom biznesowym tworzenie bardzo dokładnych modeli uczenia maszynowego. Dzięki dzisiejszym aktualizacjom AutoML zapewnia do 50 procent szybsze budowanie modeli, do 45 procent szybsze przewidywanie oraz wprowadza dostęp API zarówno do funkcji konstruowania modelu, jak i przewidywania, zwiększając jego przejrzystość i spójność. Unikalna zdolność SageMaker Canvas do płynnej obsługi danych przyrostowych bez konieczności ponownego szkolenia zapewnia szybką adaptację do stale zmieniających się wymagań biznesowych.

Niezależnie od tego, czy wolisz intuicyjny interfejs użytkownika, czy wszechstronne interfejsy API, SageMaker Canvas upraszcza integrację danych, uczenie modeli i przewidywanie, czyniąc go kluczowym narzędziem do podejmowania decyzji w oparciu o dane i innowacji w różnych branżach.

Aby dowiedzieć się więcej, przejrzyj dokumentacjalub eksploruj notatnik dostępne w naszym repozytorium GitHub. Informacje o cenach prognozowania szeregów czasowych przy użyciu oprogramowania SageMaker Canvas są dostępne na stronie Cennik płótna SageMaker a informacje o szkoleniach SageMaker i cenach wnioskowania podczas korzystania z interfejsów API SageMaker Autopilot można znaleźć w sekcji Ceny SageMakera strona.

Funkcje te są dostępne we wszystkich regionach AWS, w których SageMaker Canvas i SageMaker Autopilot są publicznie dostępne. Aby uzyskać więcej informacji na temat dostępności regionu, zobacz Usługi AWS według regionu.

---

O autorach

Nirmala Kumara jest starszym menedżerem produktu w usłudze Amazon SageMaker. Zaangażowany w poszerzanie dostępu do AI/ML, kieruje rozwojem rozwiązań ML bez kodu i o niskim kodzie. Poza pracą lubi podróżować i czytać literaturę faktu.

Karol Śmiech jest głównym architektem rozwiązań AI/ML, który pracuje w zespole serwisowym Amazon SageMaker w AWS. Pomaga kształtować plan działania usług i codziennie współpracuje z różnymi klientami AWS, aby pomóc w transformacji ich firm przy użyciu najnowocześniejszych technologii AWS i przemyślanego przywództwa. Charles posiada tytuł magistra zarządzania łańcuchem dostaw oraz tytuł doktora. w nauce danych.

Ridhim Rastogi inżynier ds. rozwoju oprogramowania pracujący w zespole serwisowym Amazon SageMaker w AWS. Jego pasją jest budowanie skalowalnych systemów rozproszonych, ze szczególnym naciskiem na rozwiązywanie rzeczywistych problemów poprzez AI/ML. W wolnym czasie lubi rozwiązywać zagadki, czytać literaturę faktu i zwiedzać otoczenie.

Ahmeda Raafata jest głównym architektem rozwiązań w AWS z 20-letnim doświadczeniem w terenie i przez 5 lat skupionym na ekosystemie AWS. Specjalizuje się w rozwiązaniach AI/ML. Jego rozległe doświadczenie obejmuje różne branże, co czyni go zaufanym doradcą wielu klientów korporacyjnych, ułatwiającym im płynną nawigację i przyspieszającym podróż do chmury.

Johna Oshodiego jest starszym architektem rozwiązań w Amazon Web Services z siedzibą w Londynie w Wielkiej Brytanii. Specjalizuje się w danych i analityce oraz jest doradcą technicznym dla wielu klientów korporacyjnych AWS, wspierając i przyspieszając ich podróż do chmury. Poza pracą lubi podróżować do nowych miejsc i poznawać nowe kultury wraz z rodziną.

• Dystrybucja treści i PR oparta na SEO. Uzyskaj wzmocnienie już dziś.
• PlatoData.Network Pionowe generatywne AI. Wzmocnij się. Dostęp tutaj.
• PlatoAiStream. Inteligencja Web3. Wiedza wzmocniona. Dostęp tutaj.
• PlatonESG. Węgiel Czysta technologia, Energia, Środowisko, Słoneczny, Gospodarowanie odpadami. Dostęp tutaj.
• Platon Zdrowie. Inteligencja w zakresie biotechnologii i badań klinicznych. Dostęp tutaj.
• Źródło: 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/