A previsão de séries temporais refere-se ao processo de prever valores futuros de dados de séries temporais (dados coletados em intervalos regulares ao longo do tempo). Métodos simples para previsão de séries temporais usam valores históricos da mesma variável cujos valores futuros precisam ser previstos, enquanto métodos mais complexos baseados em aprendizado de máquina (ML) usam informações adicionais, como dados de séries temporais de variáveis relacionadas.
Previsão da Amazônia é um serviço de previsão de série temporal baseado em ML que inclui algoritmos baseados em mais de 20 anos de experiência em previsão usados por Amazon.com, trazendo a mesma tecnologia usada na Amazon para desenvolvedores como um serviço totalmente gerenciado, eliminando a necessidade de gerenciar recursos. O Forecast usa ML para aprender não apenas o melhor algoritmo para cada item, mas também o melhor conjunto de algoritmos para cada item, criando automaticamente o melhor modelo para seus dados.
Esta postagem descreve como implantar cargas de trabalho de previsão recorrentes (cargas de trabalho de previsão de séries temporais) sem código usando Formação da Nuvem AWS, Funções de etapa da AWS e Gerente de Sistemas AWS. O método apresentado aqui ajuda a criar um pipeline que permite usar o mesmo fluxo de trabalho desde o primeiro dia de sua experimentação de previsão de séries temporais até a implantação do modelo na produção.
Previsão de séries temporais usando Forecast
O fluxo de trabalho para Previsão envolve os seguintes conceitos comuns:
- Importando conjuntos de dados – Em Previsão, um grupo de conjuntos de dados é uma coleção de conjuntos de dados, esquema e resultados de previsão que andam juntos. Cada grupo de conjunto de dados pode ter até três conjuntos de dados, um de cada conjunto de dados tipo: série temporal de destino (TTS), série temporal relacionada (RTS) e metadados do item. Um conjunto de dados é uma coleção de arquivos que contêm dados relevantes para uma tarefa de previsão. Um conjunto de dados deve estar de acordo com o esquema definido em Forecast. Para mais detalhes, consulte Importando conjuntos de dados.
- Preditores de treinamento - UMA preditor é um modelo treinado para previsão usado para fazer previsões com base em dados de séries temporais. Durante o treinamento, o Forecast calcula as métricas de precisão que você usa para avaliar o preditor e decidir se deve usar o preditor para gerar uma previsão. Para mais informações, consulte Preditores de treinamento.
- Gerando previsões – Você pode usar o modelo treinado para gerar previsões para um horizonte de tempo futuro, conhecido como o horizonte de previsão. Forecast fornece previsões em vários quantis especificados. Por exemplo, uma previsão no quantil 0.90 estimará um valor inferior ao valor observado 90% das vezes. Por padrão, a Previsão usa os seguintes valores para os tipos de previsão do preditor: 0.1 (P10), 0.5 (P50) e 0.9 (P90). As previsões em vários quantis são normalmente usadas para fornecer um intervalo de previsão (um limite superior e inferior para previsões) para explicar a incerteza da previsão.
Você pode implementar esse fluxo de trabalho na Previsão a partir do Console de gerenciamento da AWS, Interface de linha de comando da AWS (AWS CLI), por meio de Chamadas de API usando notebooks Python, ou através de soluções de automação. O consolá e CLI da AWS Os métodos são mais adequados para experimentação rápida para verificar a viabilidade da previsão de séries temporais usando seus dados. O método de bloco de anotações do Python é ótimo para cientistas de dados já familiarizados com os blocos de anotações e a codificação do Jupyter e fornece controle e ajuste máximos. No entanto, o método baseado em notebook é difícil de operacionalizar. Nossa abordagem de automação facilita a experimentação rápida, elimina tarefas repetitivas e permite uma transição mais fácil entre vários ambientes (desenvolvimento, preparação, produção).
Nesta postagem, descrevemos uma abordagem de automação para usar o Forecast que permite usar seus próprios dados e fornece um fluxo de trabalho único que você pode usar perfeitamente durante todo o ciclo de vida do desenvolvimento de sua solução de previsão, desde os primeiros dias de experimentação até a implantação da solução em seu ambiente de produção.
Visão geral da solução
Nas seções a seguir, descrevemos um fluxo de trabalho completo de ponta a ponta que serve como um modelo a ser seguido para implantação automatizada de modelos de previsão de séries temporais usando o Forecast. Este fluxo de trabalho cria pontos de dados previstos a partir de um conjunto de dados de entrada de software livre; no entanto, você pode usar o mesmo fluxo de trabalho para seus próprios dados, desde que possa formatá-los de acordo com as etapas descritas nesta postagem. Depois de carregar os dados, orientamos você pelas etapas para criar grupos de conjuntos de dados de previsão, importar dados, treinar modelos de ML e produzir pontos de dados previstos em horizontes de tempo futuros não vistos a partir de dados brutos. Tudo isso é possível sem ter que escrever ou compilar código.
O diagrama a seguir ilustra o fluxo de trabalho de previsão.
A solução é implantada usando dois modelos do CloudFormation: o modelo de dependências e o modelo de carga de trabalho. O CloudFormation permite que você execute implantações de infraestrutura da AWS de maneira previsível e repetida usando modelos que descrevem os recursos a serem implantados. Um modelo implantado é chamado de pilha. Cuidamos de definir a infraestrutura na solução para você nos dois modelos fornecidos. O modelo de dependências define os recursos de pré-requisito usados pelo modelo de carga de trabalho, como um Serviço de armazenamento simples da Amazon (Amazon S3) bucket para armazenamento de objetos e Gerenciamento de acesso e identidade da AWS (IAM) para ações de API da AWS. Os recursos definidos no modelo de dependências podem ser compartilhados por vários modelos de carga de trabalho. O modelo de carga de trabalho define os recursos usados para ingerir dados, treinar um preditor e gerar uma previsão.
Implante o modelo CloudFormation de dependências
Primeiro, vamos implantar o modelo de dependências para criar nossos recursos de pré-requisito. O modelo de dependências implanta um bucket S3 opcional, AWS Lambda funções e papéis do IAM. O Amazon S3 é um serviço de armazenamento de objetos de baixo custo, altamente disponível e resiliente. Usamos um balde S3 nesta solução para armazenar dados de origem e acionar o fluxo de trabalho, resultando em uma previsão. O Lambda é um serviço de computação sem servidor e orientado a eventos que permite executar código sem provisionar ou gerenciar servidores. O modelo de dependências inclui funções para fazer coisas como criar um grupo de conjunto de dados em Forecast e limpar objetos em um bucket do S3 antes de excluir o bucket. As funções do IAM definem permissões na AWS para usuários e serviços. O modelo de dependências implanta uma função para ser usada pelo Lambda e outra para o Step Functions, um serviço de gerenciamento de fluxo de trabalho que coordenará as tarefas de ingestão e processamento de dados, além de treinamento e inferência de preditores usando Forecast.
Conclua as etapas a seguir para implantar o modelo de dependências:
- No console, selecione o desejado Região suportada pela previsão para implantação da solução.
- No console do AWS CloudFormation, escolha Pilhas no painel de navegação.
- Escolha Criar pilha e escolha Com novos recursos (padrão).
- Escolha Fonte do modelo, selecione URL Amazon S3.
- Digite o URL do modelo:
https://amazon-forecast-samples.s3.us-west-2.amazonaws.com/ml_ops/forecast-mlops-dependency.yaml
. - Escolha Próximo.
- Escolha Nome da pilha, entrar
forecast-mlops-dependency
. - Debaixo parâmetros, opte por usar um depósito S3 existente ou crie um novo e, em seguida, forneça o nome do depósito.
- Escolha Próximo.
- Escolha Próximo para aceitar as opções de pilha padrão.
- Marque a caixa de seleção para reconhecer que a pilha cria recursos IAM e escolha Criar pilha para implantar o modelo.
Você deve ver o modelo implantado como o forecast-mlops-dependency
pilha. Quando o estado muda para CREATE_COMPLETE
, você pode passar para a próxima etapa.
Implante o modelo CloudFormation de carga de trabalho
Em seguida, vamos implantar o modelo de carga de trabalho para criar nossos recursos de pré-requisito. O modelo de carga de trabalho implanta máquinas de estado do Step Functions para gerenciamento de fluxo de trabalho, Armazenamento de parâmetros do AWS Systems Manager parâmetros para armazenar valores de parâmetros do AWS CloudFormation e informar o fluxo de trabalho, um Serviço de notificação simples da Amazon (Amazon SNS) para notificações de fluxo de trabalho e uma função IAM para permissões de serviço de fluxo de trabalho.
A solução cria cinco máquinas de estado:
- CreateDatasetGroupStateMachine – Cria um grupo de conjunto de dados de previsão para o qual os dados serão importados.
- CreateImportDatasetStateMachine – Importa dados de origem do Amazon S3 para um grupo de conjunto de dados para treinamento.
- CreateForecastStateMachine – Gerencia as tarefas necessárias para treinar um preditor e gerar uma previsão.
- AthenaConnectorStateMachine – Permite escrever consultas SQL com o Amazona atena conector para dados de terreno no Amazon S3. Este é um processo opcional para obter dados históricos no formato necessário para Forecast usando Athena em vez de colocar arquivos manualmente no Amazon S3.
- StepFunctionWorkflowStateMachine – Coordena chamadas para as outras quatro máquinas de estado e gerencia o fluxo de trabalho geral.
O Parameter Store, um recurso do Systems Manager, fornece armazenamento seguro e hierárquico e recuperação programática de gerenciamento de dados de configuração e gerenciamento de segredos. O Parameter Store é usado para armazenar parâmetros definidos na pilha de carga de trabalho, bem como outros parâmetros usados pelo fluxo de trabalho.
Conclua as etapas a seguir para implantar o modelo de carga de trabalho:
- No console do AWS CloudFormation, escolha Pilhas no painel de navegação.
- Escolha Criar pilha e escolha Com novos recursos (padrão).
- Escolha Fonte do modelo, selecione URL Amazon S3.
- Digite o URL do modelo:
https://amazon-forecast-samples.s3.us-west-2.amazonaws.com/ml_ops/forecast-mlops-solution-guidance.yaml
. - Escolha Próximo.
- Escolha Nome da pilha, Insira o nome.
- Aceite os valores padrão ou modifique os parâmetros.
Certifique-se de inserir o nome do bucket S3 da pilha de dependências para Balde S3 e um endereço de e-mail válido para Ponto final SNS mesmo se você aceitar os valores de parâmetro padrão.
A tabela a seguir descreve cada parâmetro.
Parâmetro | Descrição | Mais informações |
DatasetGroupFrequencyRTS |
A frequência da coleta de dados para o conjunto de dados RTS. | . |
DatasetGroupFrequencyTTS |
A frequência da coleta de dados para o conjunto de dados TTS. | . |
DatasetGroupName |
Um nome curto para o grupo de conjunto de dados, uma carga de trabalho independente. | CriarDatasetGroup |
DatasetIncludeItem |
Especifique se deseja fornecer metadados de item para este caso de uso. | . |
DatasetIncludeRTS |
Especifique se deseja fornecer uma série temporal relacionada para este caso de uso. | . |
ForecastForecastTypes |
Quando um trabalho CreateForecast é executado, ele declara para quais quantis produzir previsões. Você pode escolher até cinco valores nesta matriz. Edite este valor para incluir valores de acordo com a necessidade. | CriarPrevisão |
PredictorAttributeConfigs |
Para a variável de destino no TTS e cada campo numérico nos conjuntos de dados RTS, um registro deve ser criado para cada intervalo de tempo para cada item. Essa configuração ajuda a determinar como os registros ausentes são preenchidos: com 0, NaN ou outro. Recomendamos preencher as lacunas no TTS com NaN em vez de 0. Com 0, o modelo pode aprender erroneamente a direcionar as previsões para 0. NaN é como a orientação é fornecida. Consulte seu arquiteto de soluções da AWS em caso de dúvidas. | CriarAutoPredictor |
PredictorExplainPredictor |
Os valores válidos são VERDADEIRO ou FALSO. Eles determinam se a explicabilidade está habilitada para seu preditor. Isso pode ajudá-lo a entender como os valores no RTS e os metadados do item influenciam o modelo. | Explicação |
PredictorForecastDimensions |
Você pode querer prever em um grão mais fino do que o item. Aqui, você pode especificar dimensões como localização, centro de custo ou quaisquer que sejam suas necessidades. Isso precisa estar de acordo com as dimensões em seu RTS e TTS. Observe que, se você não tiver dimensão, o parâmetro correto é nulo, sozinho e em letras minúsculas. null é uma palavra reservada que permite ao sistema saber que não há parâmetro para a dimensão. | CriarAutoPredictor |
PredictorForecastFrequency |
Define a escala de tempo na qual seu modelo e previsões serão gerados, como diariamente, semanalmente ou mensalmente. O menu suspenso ajuda você a escolher os valores permitidos. Isso precisa estar de acordo com sua escala de tempo RTS se você estiver usando RTS. | CriarAutoPredictor |
PredictorForecastHorizon |
O número de etapas de tempo que o modelo prevê. O horizonte de previsão também é chamado de duração da previsão. | CriarAutoPredictor |
PredictorForecastOptimizationMetric |
Define a métrica de precisão usada para otimizar o preditor. O menu suspenso ajudará você a selecionar saldos de perda de quantil ponderados para previsão acima ou abaixo. O RMSE se preocupa com as unidades e o WAPE/MAPE se preocupa com os erros percentuais. | CriarAutoPredictor |
PredictorForecastTypes |
Quando um CreateAutoPredictor execuções de trabalho, isso declara quais quantis são usados para treinar pontos de previsão. Você pode escolher até cinco valores nesta matriz, permitindo que você equilibre a previsão acima e abaixo. Edite este valor para incluir valores de acordo com a necessidade. |
CriarAutoPredictor |
S3Bucket |
O nome do bucket do S3 no qual os dados de entrada e os dados de saída são gravados para esta carga de trabalho. | . |
SNSEndpoint |
Um endereço de e-mail válido para receber notificações quando o preditor e os trabalhos de previsão forem concluídos. | . |
SchemaITEM |
Isso define a ordem física, os nomes das colunas e os tipos de dados para o conjunto de dados de metadados do item. Este é um arquivo opcional fornecido no exemplo de solução. | Criar conjunto de dados |
SchemaRTS |
Isso define a ordem física, os nomes das colunas e os tipos de dados para seu conjunto de dados RTS. As dimensões devem estar de acordo com o seu TTS. A granulação temporal deste arquivo controla a granulação temporal na qual as previsões podem ser feitas. Este é um arquivo opcional fornecido no exemplo de solução. | Criar conjunto de dados |
SchemaTTS |
Isso define a ordem física, os nomes das colunas e os tipos de dados para seu conjunto de dados TTS, o único conjunto de dados necessário. O arquivo deve conter, no mínimo, um valor de destino, registro de data e hora e item. | Criar conjunto de dados |
TimestampFormatRTS |
Define o formato de timestamp fornecido no arquivo RTS. | CriarDatasetImportJob |
TimestampFormatTTS |
Define o formato de timestamp fornecido no arquivo TTS. | CriarDatasetImportJob |
- Escolha Próximo para aceitar as opções de pilha padrão.
- Marque a caixa de seleção para reconhecer que a pilha cria recursos IAM e escolha Criar pilha para implantar o modelo.
Você deve ver o modelo implantado como o nome da pilha escolhido anteriormente. Quando o estado muda para CREATE_COMPLETE
, você pode passar para a etapa de upload de dados.
Carregue os dados
Na seção anterior, você forneceu um nome de pilha e um depósito S3. Esta seção descreve como depositar o conjunto de dados disponível publicamente Demanda Alimentar neste balde. Se você estiver usando seu próprio conjunto de dados, consulte Conjuntos de dados para preparar seu conjunto de dados em um formato esperado pela implantação. O conjunto de dados precisa conter pelo menos a série temporal de destino e, opcionalmente, a série temporal relacionada e os metadados do item:
- TTS são os dados da série temporal que incluem o campo para o qual você deseja gerar uma previsão; este campo é chamado de campo alvo
- RTS são dados de série temporal que não incluem o campo de destino, mas incluem um campo relacionado
- O arquivo de dados do item não é um dado de série temporal, mas inclui informações de metadados sobre os itens nos conjuntos de dados TTS ou RTS
Conclua as seguintes etapas:
- Se você estiver usando o conjunto de dados de amostra fornecido, faça o download do conjunto de dados Demanda Alimentar para o seu computador e descompacte o arquivo, que cria três arquivos dentro de três diretórios (
rts
,tts
,item
). - No console do Amazon S3, navegue até o bucket que você criou anteriormente.
- Escolha Criar pasta.
- Use a mesma string do nome da pilha de carga de trabalho para o nome da pasta.
- Escolha Escolher arquivo.
- Escolha as três pastas de conjunto de dados e, em seguida, escolha Escolher arquivo.
Quando o upload estiver concluído, você deverá ver algo como a captura de tela a seguir. Para este exemplo, nossa pasta é aiml42
.
Criar um grupo de conjuntos de dados de previsão
Conclua as etapas nesta seção para criar um grupo de conjuntos de dados como um evento único para cada carga de trabalho. No futuro, você deve planejar a execução dos dados de importação, criar o preditor e criar as etapas de previsão conforme apropriado, como uma série, de acordo com sua programação, que pode ser diária, semanal ou outra.
- No console do Step Functions, localize a máquina de estado que contém
Create-Dataset-Group
. - Na página de detalhes da máquina de estado, escolha Comece a execução.
- Escolha Comece a execução novamente para confirmar.
A máquina de estado leva cerca de 1 minuto para ser executada. Quando estiver completo, o valor em Status de execução deve mudar de Corrida para Sucedido
Importar dados para o Forecast
Siga as etapas nesta seção para importar o conjunto de dados que você carregou em seu bucket do S3 para seu grupo de conjuntos de dados:
- No console do Step Functions, localize a máquina de estado que contém
Import-Dataset
. - Na página de detalhes da máquina de estado, escolha Iniciar Execução.
- Escolha Comece a execução novamente para confirmar.
A quantidade de tempo que a máquina de estado leva para executar depende do conjunto de dados que está sendo processado.
- Enquanto isso estiver em execução, em seu navegador, abra outra guia e navegue até o console de previsão.
- No console do Forecast, escolha Ver grupos de conjuntos de dados e navegue até o grupo de conjuntos de dados com o nome especificado para
DataGroupName
de sua pilha de carga de trabalho. - Escolha Ver conjuntos de dados.
Você deve ver as importações de dados em andamento.
Quando a máquina de estado para Import-Dataset
estiver concluído, você pode prosseguir para a próxima etapa para criar seu modelo de dados de série temporal.
Criar AutoPredictor (treinar um modelo de série temporal)
Esta seção descreve como treinar um preditor inicial com Forecast. Você pode optar por criar um novo preditor (seu primeiro preditor de linha de base) ou retreinar um preditor durante cada ciclo de produção, que pode ser diário, semanal ou outro. Você também pode optar por não criar um preditor a cada ciclo e confiar no monitoramento do preditor para orientá-lo quando criar um. A figura a seguir visualiza o processo de criação de um preditor de previsão pronto para produção.
Para criar um novo preditor, conclua as seguintes etapas:
- No console do Step Functions, localize a máquina de estado que contém
Create-Predictor
. - Na página de detalhes da máquina de estado, escolha Iniciar Execução.
- Escolha Comece a execução novamente para confirmar.
A quantidade de tempo de execução pode depender do conjunto de dados que está sendo processado. Isso pode levar até uma hora ou mais para ser concluído. - Enquanto isso estiver em execução, em seu navegador, abra outra guia e navegue até o console de previsão.
- No console do Forecast, escolha Ver grupos de conjuntos de dados e navegue até o grupo de conjuntos de dados com o nome especificado para
DataGroupName
de sua pilha de carga de trabalho. - Escolha Ver preditores.
Você deve ver o treinamento do preditor em andamento (o status do treinamento mostra "Criar em andamento...").
Quando a máquina de estado para Create-Predictor
está completo, você pode avaliar seu desempenho.
Como parte da máquina de estado, o sistema cria um preditor e também executa um BacktestExport
trabalho que grava métricas preditivas em nível de série temporal para o Amazon S3. Estes são arquivos localizados em duas pastas S3 sob o backtest-export
pasta:
- valores de métricas de precisão – Fornece cálculos de métricas de precisão em nível de item para que você possa entender o desempenho de uma única série temporal. Isso permite que você investigue o spread em vez de focar apenas nas métricas globais.
- valores previstos – Fornece previsões de nível de etapa para cada série temporal na janela de backtest. Isso permite que você compare o valor de destino real de um conjunto de teste de validação com os valores de quantil previstos. Analisar isso ajuda a formular ideias sobre como fornecer recursos de dados adicionais em RTS ou metadados de itens para ajudar a estimar melhor os valores futuros, reduzindo ainda mais a perda. você pode baixar
backtest-export
arquivos do Amazon S3 ou consulte-os no local com o Athena.
Com seus próprios dados, você precisa inspecionar de perto os resultados do preditor e garantir que as métricas atendam aos resultados esperados usando os dados de exportação de backtest. Quando estiver satisfeito, você pode começar a gerar previsões com data futura, conforme descrito na próxima seção.
Gerar uma previsão (inferência sobre horizontes de tempo futuros)
Esta seção descreve como gerar pontos de dados de previsão com Forecast. Daqui para frente, você deve coletar novos dados do sistema de origem, importar os dados para o Forecast e, em seguida, gerar pontos de dados de previsão. Opcionalmente, você também pode inserir uma nova criação de preditor após a importação e antes da previsão. A figura a seguir visualiza o processo de criação de previsões de série temporal de produção usando Forecast.
Conclua as seguintes etapas:
- No console do Step Functions, localize a máquina de estado que contém
Create-Forecast
. - Na página de detalhes da máquina de estado, escolha Iniciar Execução.
- Escolha Comece a execução novamente para confirmar.
Esta máquina de estado termina muito rapidamente porque o sistema não está configurado para gerar uma previsão. Ele não sabe qual modelo preditor você aprovou para inferência.
Vamos configurar o sistema para usar seu preditor treinado. - No console de previsão, localize o ARN para seu preditor.
- Copie o ARN para usar em uma etapa posterior.
- Em seu navegador, abra outra guia e navegue até o console do Systems Manager.
- No console do Systems Manager, escolha Armazenamento de parâmetros no painel de navegação.
- Localize o parâmetro relacionado à sua pilha (
/forecast/<StackName>/Forecast/PredictorArn
). - Insira o ARN que você copiou para seu preditor.
É assim que você associa um preditor treinado à função de inferência de Forecast. - Localize o parâmetro
/forecast/<StackName>/Forecast/Generate
e edite o valor, substituindoFALSE
deTRUE
.
Agora você está pronto para executar um trabalho de previsão para este grupo de conjuntos de dados. - No console do Step Functions, execute o
Create-Forecast
máquina de estado.
Desta vez, o trabalho é executado conforme o esperado. Como parte da máquina de estado, o sistema cria uma previsão e um ForecastExport
job, que grava previsões de séries temporais no Amazon S3. Esses arquivos estão localizados no forecast
dobrador
No interior do forecast
pasta, você encontrará previsões para seus itens, localizadas em muitos arquivos CSV ou Parquet, dependendo de sua seleção. As previsões para cada etapa de tempo e série temporal selecionada existem com todos os valores de quantil escolhidos por registro. Você pode baixar esses arquivos do Amazon S3, consultá-los no local com o Athena ou escolher outra estratégia para usar os dados.
Isso encerra todo o fluxo de trabalho. Agora você pode visualizar sua saída usando qualquer ferramenta de visualização de sua escolha, como AmazonQuickSight. Como alternativa, os cientistas de dados podem usar pandas para gerar seus próprios gráficos. Se você optar por usar o QuickSight, poderá conecte seus resultados de previsão ao QuickSight para realizar transformações de dados, criar uma ou mais análises de dados e criar visualizações.
Este processo fornece um modelo a seguir. Você precisará adaptar a amostra ao seu esquema, definir o horizonte de previsão, resolução de tempo e assim por diante de acordo com seu caso de uso. Você também precisará definir uma programação recorrente em que os dados são coletados do sistema de origem, importar os dados e produzir previsões. Se desejar, você pode inserir uma tarefa preditora entre as etapas de importação e previsão.
Retreine o preditor
Percorremos o processo de treinamento de um novo preditor, mas e o retreinamento de um preditor? Retreinar um preditor é uma maneira de reduzir o custo e o tempo envolvidos no treinamento de um preditor com os dados disponíveis mais recentes. Em vez de criar um novo preditor e treiná-lo em todo o conjunto de dados, podemos treinar novamente o preditor existente fornecendo apenas os novos dados incrementais disponibilizados desde o último treinamento do preditor. Vamos ver como treinar novamente um preditor usando a solução de automação:
- No console do Forecast, escolha Ver grupos de conjuntos de dados.
- Escolha o grupo de conjunto de dados associado ao preditor que deseja treinar novamente.
- Escolha Ver preditores, em seguida, escolha o preditor que deseja treinar novamente.
- No Configurações guia, copie o ARN preditor.
Precisamos atualizar um parâmetro usado pelo fluxo de trabalho para identificar o preditor a ser treinado novamente. - No console do Systems Manager, escolha Armazenamento de parâmetros no painel de navegação.
- Localize o parâmetro
/forecast/<STACKNAME>/Forecast/Predictor/ReferenceArn
. - Na página de detalhes do parâmetro, escolha Editar.
- Escolha Valor, insira o ARN do preditor.
Isso identifica o preditor correto para o fluxo de trabalho a ser treinado novamente. Em seguida, precisamos atualizar um parâmetro usado pelo fluxo de trabalho para alterar a estratégia de treinamento. - Localize o parâmetro
/forecast/<STACKNAME>/Forecast/Predictor/Strategy
. - Na página de detalhes do parâmetro, escolha Editar.
- Para Valor, insira
RETRAIN
.
O padrão de fluxo de trabalho é treinar um novo preditor; no entanto, podemos modificar esse comportamento para treinar novamente um preditor existente ou simplesmente reutilizar um preditor existente sem retreinar, definindo esse valor comoNONE
. Você pode querer abrir mão do treinamento se seus dados estiverem relativamente estáveis ou se você estiver usando monitoramento preditivo automatizado para decidir quando o retreinamento é necessário. - Carregue os dados de treinamento incremental para o bucket S3.
- No console do Step Functions, localize a máquina de estado
<STACKNAME>-Create-Predictor
. - Na página de detalhes da máquina de estado, escolha Comece a execução para iniciar o retreinamento.
Quando o novo treinamento for concluído, o fluxo de trabalho será encerrado e você receberá uma notificação por e-mail do SNS no endereço de e-mail fornecido nos parâmetros do modelo de carga de trabalho.
limpar
Quando terminar esta solução, siga as etapas nesta seção para excluir os recursos relacionados.
Excluir o balde S3
- No console do Amazon S3, escolha Baldes no painel de navegação.
- Selecione o bucket onde os dados foram carregados e escolha vazio para excluir todos os dados associados à solução, incluindo dados de origem.
- Entrar
permanently delete
para excluir o conteúdo do balde permanentemente. - No Baldes página, selecione o balde e escolha Apagar.
- Insira o nome do bucket para confirmar a exclusão e selecione Excluir intervalo.
Excluir recursos de previsão
- No console do Forecast, escolha Ver grupos de conjuntos de dados.
- Selecione o nome do grupo de conjuntos de dados associado à solução e escolha Apagar.
- Entrar
delete
para excluir o grupo de conjuntos de dados e preditores associados, tarefas de exportação de backtest de preditor, previsões e tarefas de exportação de previsão. - Escolha Apagar para confirmar.
Exclua as pilhas do CloudFormation
- No console do AWS CloudFormation, escolha Pilhas no painel de navegação.
- Selecione a pilha de carga de trabalho e escolha Apagar.
- Escolha Excluir pilha para confirmar a exclusão da pilha e todos os recursos associados.
- Quando a exclusão estiver concluída, selecione a pilha de dependências e escolha Apagar.
- Escolha Apagar para confirmar.
Conclusão
Nesta postagem, discutimos algumas maneiras diferentes de começar a usar o Forecast. Percorremos uma solução de previsão automatizada com base no AWS CloudFormation para uma implantação de solução rápida e repetível de um pipeline de previsão, desde a ingestão de dados até a inferência, com pouco conhecimento de infraestrutura necessário. Por fim, vimos como podemos usar o Lambda para automatizar o retreinamento de modelos, reduzindo custos e tempo de treinamento.
Não há melhor momento do que o presente para começar a prever com o Forecast. Para começar a criar e implantar um fluxo de trabalho automatizado, visite Recursos do Amazon Forecast. Feliz previsão!
Sobre os autores
Aaron Fagan é Arquiteto de Soluções Principal Especialista na AWS com sede em Nova York. Ele é especialista em ajudar os clientes a arquitetar soluções em aprendizado de máquina e segurança na nuvem.
Raju Patil é um cientista de dados em serviços profissionais da AWS. Ele cria e implanta soluções de IA/ML para ajudar os clientes da AWS a superar seus desafios de negócios. Seus compromissos com a AWS abrangeram uma ampla variedade de casos de uso de IA/ML, como visão computacional, previsão de séries temporais e análise preditiva etc., em vários setores, incluindo serviços financeiros, telecomunicações, assistência médica e muito mais. Antes disso, ele liderou equipes de ciência de dados em tecnologia de publicidade e fez contribuições significativas para inúmeras iniciativas de pesquisa e desenvolvimento em visão computacional e robótica. Fora do trabalho, ele gosta de fotografia, caminhadas, viagens e explorações culinárias.
- Conteúdo com tecnologia de SEO e distribuição de relações públicas. Seja amplificado hoje.
- PlatoAiStream. Inteligência de Dados Web3. Conhecimento Amplificado. Acesse aqui.
- Cunhando o Futuro com Adryenn Ashley. Acesse aqui.
- Compre e venda ações em empresas PRE-IPO com PREIPO®. Acesse aqui.
- Fonte: https://aws.amazon.com/blogs/machine-learning/automate-the-deployment-of-an-amazon-forecast-time-series-forecasting-model/
- :tem
- :é
- :não
- :onde
- $UP
- 1
- 10
- 100
- 11
- 20
- 20 anos
- 2022
- 7
- 8
- 9
- a
- Sobre
- ACEITAR
- Acesso
- Segundo
- Conta
- precisão
- reconhecer
- em
- ações
- adaptar
- Adicional
- Informação adicional
- endereço
- Publicidade
- Depois de
- novamente
- AI / ML
- algoritmo
- algoritmos
- Todos os Produtos
- Permitindo
- permite
- sozinho
- já
- tb
- Amazon
- Previsão da Amazônia
- quantidade
- an
- Analisa
- analítica
- e
- Outro
- qualquer
- api
- abordagem
- apropriado
- aprovou
- SOMOS
- Ordem
- AS
- auxiliar
- Jurídico
- associado
- At
- automatizar
- Automatizado
- automaticamente
- Automação
- disponível
- AWS
- Formação da Nuvem AWS
- Serviços Profissionais AWS
- Backtest
- Equilíbrio
- saldos
- baseado
- Linha de Base
- BE
- Porque
- antes
- começar
- ser
- MELHOR
- Melhor
- entre
- viés
- Bound
- Caixa
- Trazendo
- navegador
- construir
- Prédio
- Constrói
- negócio
- mas a
- by
- calcula
- chamado
- chamadas
- CAN
- Cuidado
- casas
- casos
- Centralização de
- desafios
- alterar
- Alterações
- verificar
- escolha
- Escolha
- escolheu
- escolhido
- de perto
- Na nuvem
- Cloud Security
- código
- Codificação
- coleção
- Coluna
- COM
- comum
- comparar
- completar
- integrações
- cálculos
- Computar
- computador
- Visão de Computador
- conceitos
- preocupado
- Configuração
- Confirmar
- cônsul
- não contenho
- conteúdo
- contribuições
- ao controle
- coordenar
- correta
- Custo
- poderia
- coberto
- crio
- criado
- cria
- Criar
- criação
- Clientes
- ciclo
- Cíclico
- diariamente
- dados,
- gestão de dados
- Os pontos de dados
- ciência de dados
- cientista de dados
- conjunto de dados
- conjuntos de dados
- dia
- dias
- decidir
- declara
- Padrão
- defaults
- definido
- Define
- definição
- entregue
- Dependendo
- depende
- implantar
- implantado
- Implantação
- desenvolvimento
- Implantações
- implanta
- depositar
- descreve
- descrito
- desejado
- detalhe
- detalhes
- Determinar
- desenvolvedores
- Desenvolvimento
- diferente
- difícil
- Dimensão
- dimensões
- diretórios
- discutido
- do
- Não faz
- feito
- download
- durante
- cada
- Mais cedo
- mais fácil
- ou
- elimina
- habilitado
- permite
- final
- end-to-end
- garantir
- Entrar
- Todo
- Meio Ambiente
- ambientes
- erros
- estimativa
- etc.
- avaliar
- Mesmo
- Evento
- exemplo
- execução
- existir
- existente
- esperado
- esperando
- vasta experiência
- exportar
- facilita
- falso
- familiar
- Funcionalidades
- campo
- Figura
- Envie o
- Arquivos
- Arquivamento
- preenchida
- Finalmente
- financeiro
- serviços financeiros
- Encontre
- Primeiro nome
- focando
- seguir
- seguinte
- Escolha
- Previsão
- previsões
- formato
- adiante
- para a frente
- quatro
- Frequência
- da
- totalmente
- função
- funções
- mais distante
- futuro
- gerar
- gerado
- gerando
- ter
- Global
- Go
- vai
- governa
- gráfico
- ótimo
- Grupo
- Do grupo
- orientações
- guia
- feliz
- colheita
- Ter
- ter
- he
- Saúde
- Assistência médica
- ajudar
- ajuda
- ajuda
- SUA PARTICIPAÇÃO FAZ A DIFERENÇA
- altamente
- sua
- histórico
- horizonte
- Horizontes
- hora
- Como funciona o dobrador de carta de canal
- Como Negociar
- Contudo
- HTML
- http
- HTTPS
- idéias
- identifica
- identificar
- Identidade
- if
- ilustra
- executar
- importar
- importações
- in
- incluir
- inclui
- Incluindo
- indústrias
- influência
- informar
- INFORMAÇÕES
- Infraestrutura
- do estado inicial,
- iniciativas
- entrada
- em vez disso
- para dentro
- investigar
- envolvido
- IT
- Unid
- ESTÁ
- se
- Trabalho
- Empregos
- jpg
- Saber
- Conhecimento
- conhecido
- Terreno
- Sobrenome
- mais tarde
- mais recente
- APRENDER
- aprendizagem
- mínimo
- levou
- Dados Led
- Permite
- wifecycwe
- como
- Line
- pequeno
- localizado
- localização
- longo
- fora
- baixo custo
- diminuir
- máquina
- aprendizado de máquina
- máquinas
- moldadas
- Fazendo
- gerencia
- gerenciados
- de grupos
- Gerente
- gestão
- gestão
- manualmente
- muitos
- máximo
- Posso..
- Conheça
- Menu
- metadados
- método
- métodos
- métrico
- Métrica
- poder
- mínimo
- minuto
- desaparecido
- ML
- modelo
- modelos
- modificar
- monitoração
- mensal
- mais
- mover
- múltiplo
- devo
- nome
- nomes
- Navegar
- Navegação
- necessário
- você merece...
- Cria
- Novo
- New York
- Próximo
- não
- caderno
- notificação
- notificações
- agora
- número
- numeroso
- objeto
- objetos
- obter
- of
- on
- ONE
- só
- aberto
- open source
- Otimize
- Opções
- or
- ordem
- Outros
- de outra forma
- A Nossa
- Fora
- resultados
- delineado
- saída
- lado de fora
- Acima de
- global
- próprio
- página
- pandas
- pão
- parâmetro
- parâmetros
- parte
- por cento
- Realizar
- atuação
- permanentemente
- permissões
- fotografia
- físico
- oleoduto
- Lugar
- colocação
- plano
- platão
- Inteligência de Dados Platão
- PlatãoData
- pontos
- possível
- Publique
- previsto
- prevendo
- predição
- Previsões
- Análise Preditiva
- Predictor
- Previsões
- Preparar
- presente
- apresentado
- anterior
- Diretor
- Prévio
- processo
- Processado
- em processamento
- produzir
- Produção
- profissional
- Programático
- Progresso
- fornecer
- fornecido
- fornece
- fornecendo
- publicamente
- Python
- consultas
- Frequentes
- Links
- rapidamente
- alcance
- rápido
- em vez
- Cru
- pronto
- receber
- recomendar
- registro
- registros
- recorrente
- reduzir
- redução
- a que se refere
- refere-se
- regular
- relacionado
- relativamente
- relevante
- depender
- removendo
- Repetivel
- REPETIDAMENTE
- repetitivo
- requeridos
- pesquisa
- pesquisa e desenvolvimento
- reservado
- resiliente
- Resolução
- Recursos
- resultando
- Resultados
- reutilizar
- revendo
- robótica
- Tipo
- papéis
- Execute
- corrida
- mesmo
- Conjunto de dados de amostra
- satisfeito
- Escala
- cronograma
- Ciência
- Cientista
- cientistas
- sem problemas
- Seção
- seções
- seguro
- segurança
- Vejo
- selecionado
- doadores,
- Série
- Serverless
- Servidores
- serve
- serviço
- Serviços
- conjunto
- contexto
- compartilhado
- Baixo
- rede de apoio social
- Shows
- periodo
- simples
- simplesmente
- desde
- solteiro
- So
- solução
- Soluções
- alguns
- algo
- fonte
- especialista
- especializada
- especificada
- propagação
- estável
- pilha
- encenação
- padrão
- começo
- começado
- Comece
- Estado
- Status
- Passo
- Passos
- armazenamento
- loja
- Estratégia
- Tanga
- estrutura
- tal
- Suportado
- .
- sistemas
- mesa
- Tire
- toma
- Target
- Tarefa
- tarefas
- equipes
- Tecnologia
- telecom
- modelo
- modelos
- teste
- do que
- que
- A
- A fonte
- O Estado
- deles
- Eles
- então
- Lá.
- Este
- coisas
- isto
- três
- Através da
- todo
- tempo
- Séries temporais
- timestamp
- para
- juntos
- ferramenta
- tópico
- para
- Trem
- treinado
- Training
- transformações
- transição
- viagens
- desencadear
- verdadeiro
- dois
- tipo
- tipos
- tipicamente
- Incerteza
- para
- compreender
- unidades
- Atualizar
- carregado
- URL
- usar
- caso de uso
- usava
- usuários
- utilização
- valor
- Valores
- vário
- muito
- via
- visão
- Visite a
- visualização
- caminhou
- queremos
- foi
- Caminho..
- maneiras
- we
- semanal
- BEM
- O Quê
- quando
- se
- qual
- Largo
- Ampla variedade
- precisarão
- de
- dentro
- sem
- Word
- Atividades:
- escrever
- escrito
- anos
- Iorque
- Vocês
- investimentos
- zefirnet
- Zip