Acelere sua previsão de série temporal em até 50% com a UI do Amazon SageMaker Canvas e APIs AutoML | Amazon Web Services

Estamos felizes em anunciar que Tela do Amazon SageMaker agora oferece uma maneira mais rápida e fácil de criar modelos de aprendizado de máquina para previsão de séries temporais. SageMaker Canvas é um serviço visual de apontar e clicar que permite aos analistas de negócios gerar modelos precisos de aprendizado de máquina (ML) sem exigir nenhuma experiência de aprendizado de máquina ou escrever uma única linha de código.

O SageMaker Canvas oferece suporte a vários casos de uso, incluindo previsão de série temporal usada para gerenciamento de estoque no varejo, planejamento de demanda na manufatura, planejamento de força de trabalho e de hóspedes em viagens e hospitalidade, previsão de receita em finanças e muitas outras decisões críticas de negócios onde altamente previsões precisas são importantes. Por exemplo, a previsão de séries temporais permite que os varejistas prevejam a demanda futura de vendas e planejem os níveis de estoque, logística e campanhas de marketing. Os modelos de previsão de série temporal no SageMaker Canvas usam tecnologias avançadas para combinar algoritmos estatísticos e de aprendizado de máquina e fornecer previsões altamente precisas.

Nesta postagem, descrevemos as melhorias nos recursos de previsão do SageMaker Canvas e orientamos você sobre como usar sua interface de usuário (IU) e AutoML APIs para previsão de séries temporais. Embora a IU do SageMaker Canvas ofereça uma interface visual sem código, as APIs permitem que os desenvolvedores interajam com esses recursos de forma programática. Ambos podem ser acessados ​​a partir do Console SageMaker.

Melhorias na experiência de previsão

Com o lançamento de hoje, o SageMaker Canvas atualizou seus recursos de previsão usando AutoML, oferecendo desempenho de construção de modelo até 50% mais rápido e previsões até 45% mais rápidas, em média, em comparação com versões anteriores em vários conjuntos de dados de benchmark. Isso reduz a duração média do treinamento do modelo de 186 para 73 minutos e o tempo médio de previsão de 33 para 18 minutos para um lote típico de 750 séries temporais com tamanho de dados de até 100 MB. Os usuários agora também podem acessar programaticamente a construção de modelos e funções de previsão por meio do Amazon SageMaker Autopilot APIs, que vêm com explicabilidade do modelo e relatórios de desempenho.

Anteriormente, a introdução de dados incrementais exigia um retreinamento de todo o modelo, o que era demorado e causava atrasos operacionais. Agora, no SageMaker Canvas, você pode adicionar dados recentes para gerar previsões futuras sem treinar novamente o modelo inteiro. Basta inserir seus dados incrementais em seu modelo para usar os insights mais recentes para as próximas previsões. A eliminação do retreinamento acelera o processo de previsão, permitindo que você aplique esses resultados mais rapidamente aos seus processos de negócios.

Com o SageMaker Canvas agora usando o AutoML para previsão, você pode aproveitar a construção de modelos e as funções de previsão por meio das APIs do SageMaker Autopilot, garantindo consistência na interface do usuário e nas APIs. Por exemplo, você pode começar construindo modelos na IU e depois passar a usar APIs para gerar previsões. Esta abordagem de modelagem atualizada também melhora a transparência do modelo de diversas maneiras:

1. Os usuários podem acessar um relatório de explicabilidade que oferece insights mais claros sobre os fatores que influenciam as previsões. Isso é valioso para equipes de risco, conformidade e reguladores externos. O relatório elucida como os atributos do conjunto de dados influenciam as previsões de séries temporais específicas. Emprega pontuações de impacto para medir o efeito relativo de cada atributo, indicando se eles amplificam ou reduzem os valores previstos.
2. Agora você pode acessar os modelos treinados e implantá-los no SageMaker Inference ou em sua infraestrutura preferida para previsões.
3. Um relatório de desempenho está disponível, fornecendo insights mais profundos sobre os modelos ideais escolhidos pelo AutoML para séries temporais específicas e os hiperparâmetros usados ​​durante o treinamento.

Gere previsões de série temporal usando a IU do SageMaker Canvas

A IU do SageMaker Canvas permite integrar perfeitamente fontes de dados da nuvem ou no local, mesclar conjuntos de dados sem esforço, treinar modelos precisos e fazer previsões com dados emergentes – tudo sem codificação. Vamos explorar a geração de uma previsão de série temporal usando esta IU.

Primeiro, você importa dados para o SageMaker Canvas de várias fontes, inclusive de arquivos locais do seu computador, Serviço de armazenamento simples da Amazon (Amazon S3) baldes, Amazona atena, Floco de neve e mais de 40 outras fontes de dados. Depois de importar os dados, você pode explorá-los e visualizá-los para obter insights adicionais, como gráficos de dispersão ou de barras. Quando estiver pronto para criar um modelo, você poderá fazê-lo com apenas alguns cliques após configurar os parâmetros necessários, como selecionar uma coluna de destino para previsão e especificar quantos dias no futuro você deseja prever. As capturas de tela a seguir mostram um exemplo de visualização de previsão de demanda de produto com base em dados históricos de demanda semanal para produtos específicos em diferentes locais de loja:

A imagem a seguir mostra previsões semanais para um produto específico em diferentes locais de loja:

Para obter um guia completo sobre como usar a IU do SageMaker Canvas para previsões, confira este no blog.

Se você precisar de um fluxo de trabalho automatizado ou integração direta de modelos de ML em aplicativos, nossas funções de previsão podem ser acessadas por meio de APIs. Na seção a seguir, fornecemos um exemplo de solução detalhando como empregar nosso APIs para previsão automatizada.

Gere previsões de série temporal usando APIs

Vamos ver como usar as APIs para treinar o modelo e gerar previsões. Para esta demonstração, considere uma situação em que uma empresa precisa prever os níveis de estoque de produtos em diversas lojas para atender à demanda dos clientes. Em um nível superior, as interações da API se dividem nas seguintes etapas:

1. Prepare o conjunto de dados.
2. Crie um trabalho do SageMaker Autopilot.
3. Avalie o trabalho do Autopilot:
   1. Explore as métricas de precisão do modelo e os resultados do backtest.
   2. Explore o relatório de explicabilidade do modelo.
4. Gere previsões a partir do modelo:
   1. Use o inferência em tempo real endpoint criado como parte do trabalho do Autopilot; ou
   2. Usar um transformação em lote trabalho.

Exemplo de notebook Amazon SageMaker Studio apresentando previsão com APIs

Fornecemos um exemplo de notebook do SageMaker Studio em GitHub para ajudar a acelerar o tempo de lançamento no mercado quando sua empresa prefere orquestrar previsões por meio de APIs programáticas. O notebook oferece um conjunto de dados sintéticos de amostra disponível por meio de um bucket S3 público. O notebook orienta você por todas as etapas descritas na imagem do fluxo de trabalho mencionada acima. Embora o notebook forneça uma estrutura básica, você pode personalizar o exemplo de código para atender ao seu caso de uso específico. Isso inclui modificá-lo para corresponder ao seu esquema de dados exclusivo, resolução de tempo, horizonte de previsão e outros parâmetros necessários para alcançar os resultados desejados.

Conclusão

O SageMaker Canvas democratiza a previsão de séries temporais, oferecendo uma experiência fácil de usar e sem código que capacita os analistas de negócios a criar modelos de aprendizado de máquina altamente precisos. Com as atualizações atuais do AutoML, ele oferece construção de modelos até 50% mais rápida, previsões até 45% mais rápidas e introduz acesso à API para construção de modelos e funções de previsão, aumentando sua transparência e consistência. A capacidade única do SageMaker Canvas de lidar perfeitamente com dados incrementais sem retreinamento garante uma adaptação rápida às demandas de negócios em constante mudança.

Quer você prefira uma interface de usuário intuitiva ou APIs versáteis, o SageMaker Canvas simplifica a integração de dados, o treinamento de modelos e a previsão, tornando-o uma ferramenta essencial para a tomada de decisões e inovação baseadas em dados em todos os setores.

Para saber mais, revise o documentação, ou explore o caderno disponível em nosso repositório GitHub. As informações de preços para previsão de séries temporais usando o SageMaker Canvas estão disponíveis no site Preços da tela SageMaker página e para treinamento do SageMaker e preços de inferência ao usar APIs do SageMaker Autopilot, consulte o Preços do SageMaker Disputas de Comerciais.

Esses recursos estão disponíveis em todas as regiões da AWS onde o SageMaker Canvas e o SageMaker Autopilot estão acessíveis publicamente. Para obter mais informações sobre a disponibilidade da região, consulte Serviços AWS por região.

---

Sobre os autores

Nirmal Kumar é gerente de produto sênior do serviço Amazon SageMaker. Comprometido em ampliar o acesso à IA/ML, ele lidera o desenvolvimento de soluções de ML sem e com baixo código. Fora do trabalho, ele gosta de viajar e ler não-ficção.

Charles Laughlin é arquiteto principal de soluções especializadas em IA/ML e trabalha na equipe de serviços do Amazon SageMaker na AWS. Ele ajuda a moldar o roteiro de serviços e colabora diariamente com diversos clientes da AWS para ajudar a transformar seus negócios usando tecnologias de ponta da AWS e liderança inovadora. Charles possui mestrado em gerenciamento da cadeia de suprimentos e doutorado. em Ciência de Dados.

Ridhim Rastogi um engenheiro de desenvolvimento de software que trabalha na equipe de serviços Amazon SageMaker na AWS. Ele é apaixonado por construir sistemas distribuídos escaláveis ​​com foco na solução de problemas do mundo real por meio de IA/ML. Nas horas vagas, gosta de resolver quebra-cabeças, ler ficção e explorar o ambiente.

Ahmed Raafat é arquiteto de soluções principal na AWS, com 20 anos de experiência de campo e foco dedicado de 5 anos no ecossistema AWS. Ele é especialista em soluções de IA/ML. Sua ampla experiência se estende por vários setores verticais do setor, tornando-o um consultor confiável para vários clientes corporativos, facilitando sua navegação contínua e aceleração de sua jornada na nuvem.

John Oshodi é arquiteto de soluções sênior na Amazon Web Services com sede em Londres, Reino Unido. Ele é especialista em dados e análises e atua como consultor técnico para vários clientes empresariais da AWS, apoiando e acelerando sua jornada para a nuvem. Fora do trabalho, ele gosta de viajar para novos lugares e conhecer novas culturas com sua família.

• Conteúdo com tecnologia de SEO e distribuição de relações públicas. Seja amplificado hoje.
• PlatoData.Network Gerativa Vertical Ai. Capacite-se. Acesse aqui.
• PlatoAiStream. Inteligência Web3. Conhecimento Amplificado. Acesse aqui.
• PlatãoESG. Carbono Tecnologia Limpa, Energia, Ambiente, Solar, Gestão de resíduos. Acesse aqui.
• PlatoHealth. Inteligência em Biotecnologia e Ensaios Clínicos. Acesse aqui.
• Fonte: 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/