Accelerează-ți prognoza seriilor cronologice cu până la 50 la sută cu Amazon SageMaker Canvas UI și API-urile AutoML | Amazon Web Services

Suntem încântați să anunțăm asta Amazon SageMaker Canvas oferă acum o modalitate mai rapidă și mai ușor de utilizat de a crea modele de învățare automată pentru prognoza în serie de timp. SageMaker Canvas este un serviciu vizual punct-and-click care le permite analistilor de afaceri sa genereze modele precise de invatare automata (ML) fara a necesita experienta de invatare automata sau a fi nevoiti sa scrie o singura linie de cod.

SageMaker Canvas acceptă o serie de cazuri de utilizare, inclusiv prognoza în serie cronologică utilizată pentru gestionarea stocurilor în comerțul cu amănuntul, planificarea cererii în producție, planificarea forței de muncă și a oaspeților în călătorii și ospitalitate, estimarea veniturilor în finanțe și multe alte decizii esențiale pentru afaceri, în care previziunile exacte sunt importante. De exemplu, prognoza în serie de timp permite comercianților cu amănuntul să prezică cererea viitoare de vânzări și să planifice nivelurile de stoc, logistică și campanii de marketing. Modelele de prognoză în serie cronologică din SageMaker Canvas utilizează tehnologii avansate pentru a combina algoritmi statistici și de învățare automată și pentru a furniza previziuni extrem de precise.

În această postare, descriem îmbunătățirile aduse capabilităților de prognoză ale SageMaker Canvas și vă ghidăm în utilizarea interfeței sale de utilizator (UI) și AutoML. API-uri pentru prognoza serii temporale. În timp ce SageMaker Canvas UI oferă o interfață vizuală fără cod, API-urile permit dezvoltatorilor să interacționeze cu aceste funcții în mod programatic. Ambele pot fi accesate din Consola SageMaker.

Îmbunătățiri în experiența de prognoză

Odată cu lansarea de astăzi, SageMaker Canvas și-a îmbunătățit capacitățile de prognoză folosind AutoML, oferind performanțe de construire a modelelor cu până la 50% mai rapide și previziuni cu până la 45% mai rapide, în medie, comparativ cu versiunile anterioare din diferite seturi de date de referință. Acest lucru reduce durata medie de antrenament a modelului de la 186 la 73 de minute și timpul mediu de predicție de la 33 la 18 minute pentru un lot tipic de 750 de serii cronologice cu dimensiunea datelor de până la 100 MB. Utilizatorii pot accesa acum și în mod programatic funcțiile de construcție și predicție a modelului prin Amazon SageMaker Autopilot API-uri, care vin cu explicabilitatea modelului și rapoarte de performanță.

Anterior, introducerea datelor incrementale necesita reantrenarea întregului model, ceea ce consuma timp și a cauzat întârzieri operaționale. Acum, în SageMaker Canvas, puteți adăuga date recente pentru a genera previziuni viitoare fără a reinstrui întregul model. Doar introduceți datele dvs. incrementale în modelul dvs. pentru a utiliza cele mai recente informații pentru prognozele viitoare. Eliminarea recalificării accelerează procesul de prognoză, permițându-vă să aplicați mai rapid acele rezultate proceselor dvs. de afaceri.

Cu SageMaker Canvas care utilizează acum AutoML pentru prognoză, puteți valorifica funcțiile de construire a modelelor și de predicție prin intermediul API-urilor SageMaker Autopilot, asigurând coerența între interfața de utilizare și API-uri. De exemplu, puteți începe cu construirea de modele în interfața de utilizare, apoi puteți trece la utilizarea API-urilor pentru generarea de predicții. Această abordare actualizată de modelare îmbunătățește, de asemenea, transparența modelului în mai multe moduri:

1. Utilizatorii pot accesa un raport de explicabilitate care oferă perspective mai clare asupra factorilor care influențează predicțiile. Acest lucru este valoros pentru risc, echipele de conformitate și autoritățile externe de reglementare. Raportul elucidează modul în care atributele setului de date influențează previziunile specifice seriilor temporale. Se angajează scorurile de impact pentru a măsura efectul relativ al fiecărui atribut, indicând dacă amplifică sau reduc valorile prognozate.
2. Acum puteți accesa modelele instruite și le puteți implementa în SageMaker Inference sau în infrastructura preferată pentru predicții.
3. Este disponibil un raport de performanță, care oferă informații mai profunde asupra modelelor optime alese de AutoML pentru anumite serii de timp și hiperparametrii utilizați în timpul antrenamentului.

Generați prognoze pentru serii temporale utilizând interfața de utilizare SageMaker Canvas

Interfața de utilizare SageMaker Canvas vă permite să integrați perfect sursele de date din cloud sau on-premises, să îmbinați seturi de date fără efort, să antrenați modele precise și să faceți predicții cu datele emergente - totul fără codare. Să explorăm generarea unei prognoze pe serii temporale folosind această interfață de utilizare.

În primul rând, importați date în SageMaker Canvas din diverse surse, inclusiv din fișiere locale de pe computer, Serviciul Amazon de stocare simplă (Amazon S3) găleți, Amazon Atena, Fulg de nea, și peste 40 de alte surse de date. După importarea datelor, le puteți explora și vizualiza pentru a obține informații suplimentare, cum ar fi diagramele de dispersie sau diagramele cu bare. După ce sunteți gata să creați un model, o puteți face cu doar câteva clicuri după configurarea parametrilor necesari, cum ar fi selectarea unei coloane țintă pentru estimare și specificarea câte zile în viitor doriți să prognozați. Următoarele capturi de ecran arată un exemplu de vizualizare a prevederii cererii de produse pe baza datelor istorice privind cererea săptămânală pentru anumite produse din diferite locații de magazine:

Următoarea imagine arată prognozele săptămânale pentru un anumit produs în diferite locații de magazine:

Pentru un ghid cuprinzător despre cum să utilizați interfața de utilizare SageMaker Canvas pentru prognoză, consultați acest lucru blog.

Dacă aveți nevoie de un flux de lucru automatizat sau de integrare directă a modelului ML în aplicații, funcțiile noastre de prognoză sunt accesibile prin intermediul API-urilor. În secțiunea următoare, vă oferim un exemplu de soluție care detaliază cum să folosim API-uri pentru prognoza automatizata.

Generați previziuni în serii temporale folosind API-uri

Să vedem cum să folosim API-urile pentru a antrena modelul și a genera predicții. Pentru această demonstrație, luați în considerare o situație în care o companie trebuie să prezică nivelurile stocurilor de produse la diferite magazine pentru a satisface cererea clienților. La un nivel înalt, interacțiunile API se împart în următorii pași:

1. Pregătiți setul de date.
2. Creați un job SageMaker Autopilot.
3. Evaluați jobul Autopilot:
   1. Explorați valorile de acuratețe a modelului și rezultatele testelor retroactive.
   2. Explorați raportul de explicabilitate model.
4. Generați predicții din model:
   1. Folosește inferență în timp real punct final creat ca parte a jobului Autopilot; sau
   2. Folosi transformarea lotului de locuri de muncă.

Exemplu de notebook Amazon SageMaker Studio care prezintă prognoza cu API-uri

Am furnizat un eșantion de blocnotes SageMaker Studio GitHub pentru a vă ajuta să vă accelerați timpul de lansare pe piață atunci când afacerea dvs. preferă să orchestreze prognoza prin API-uri programatice. Notebook-ul oferă un eșantion de set de date sintetice disponibil printr-o găleată S3 publică. Notebook-ul vă ghidează prin toți pașii subliniați în imaginea fluxului de lucru menționată mai sus. În timp ce notebook-ul oferă un cadru de bază, puteți personaliza eșantionul de cod pentru a se potrivi cu cazul dvs. de utilizare specific. Aceasta include modificarea acestuia pentru a se potrivi cu schema de date unică, rezoluția în timp, orizontul de prognoză și alți parametri necesari pentru a obține rezultatele dorite.

Concluzie

SageMaker Canvas democratizează prognoza în serie de timp, oferind o experiență ușor de utilizat, fără cod, care dă putere analiștilor de afaceri să creeze modele de învățare automată extrem de precise. Cu actualizările AutoML de astăzi, oferă o construcție de model cu până la 50 la sută mai rapidă, predicții cu până la 45 la sută mai rapide și introduce acces API atât pentru construcția modelului, cât și pentru funcțiile de predicție, sporind transparența și consistența acestuia. Capacitatea unică a SageMaker Canvas de a gestiona fără probleme datele incrementale, fără recalificare, asigură adaptarea rapidă la cerințele de afaceri în continuă schimbare.

Indiferent dacă preferați interfața de utilizare intuitivă sau API-urile versatile, SageMaker Canvas simplifică integrarea datelor, antrenamentul modelului și predicția, făcându-l un instrument esențial pentru luarea deciziilor bazate pe date și inovarea în toate industriile.

Pentru a afla mai multe, examinați documentaţie, sau explorați caiet disponibil în depozitul nostru GitHub. Informațiile privind prețurile pentru prognoza serii temporale folosind SageMaker Canvas sunt disponibile pe site-ul Prețuri SageMaker Canvas pagina, iar pentru instruirea SageMaker și prețurile de inferență atunci când utilizați API-urile SageMaker Autopilot, vă rugăm să consultați Prețuri SageMaker .

Aceste capabilități sunt disponibile în toate regiunile AWS în care SageMaker Canvas și SageMaker Autopilot sunt accesibile public. Pentru mai multe informații despre disponibilitatea regiunii, consultați Servicii AWS în funcție de regiune.

---

Despre Autori

Nirmal Kumar este Sr. Product Manager pentru serviciul Amazon SageMaker. Angajat să extindă accesul la AI/ML, el conduce dezvoltarea de soluții ML fără cod și low-code. În afara serviciului, îi place să călătorească și să citească non-ficțiune.

Charles Laughlin este arhitect principal de soluții de specialitate AI/ML care lucrează în echipa de service Amazon SageMaker de la AWS. El ajută la modelarea foii de parcurs pentru servicii și colaborează zilnic cu diverși clienți AWS pentru a ajuta la transformarea afacerilor lor folosind tehnologii AWS de ultimă oră și lider de gândire. Charles deține un MS în managementul lanțului de aprovizionare și un doctorat. în Data Science.

Ridhim Rastogi un inginer de dezvoltare software care lucrează în echipa de service Amazon SageMaker la AWS. Este pasionat de construirea de sisteme distribuite scalabile, cu accent pe rezolvarea problemelor din lumea reală prin AI/ML. În timpul liber, îi place să rezolve puzzle-uri, să citească ficțiune și să exploreze împrejurimile sale.

Ahmed Raafat este arhitect principal de soluții la AWS, cu 20 de ani de experiență pe teren și un accent dedicat de 5 ani în cadrul ecosistemului AWS. Este specializat în soluții AI/ML. Experiența sa extinsă se extinde pe diverse verticale din industrie, făcându-l un consilier de încredere pentru numeroși clienți întreprinderi, facilitându-le navigarea fără probleme și accelerarea călătoriei lor în cloud.

Ioan Oshodi este arhitect senior de soluții la Amazon Web Services cu sediul în Londra, Marea Britanie. El este specializat în date și analiză și servește ca consilier tehnic pentru numeroși clienți AWS enterprise, susținând și accelerând călătoria lor în cloud. În afara serviciului, îi place să călătorească în locuri noi și să experimenteze noi culturi împreună cu familia sa.

• Distribuție de conținut bazat pe SEO și PR. Amplifică-te astăzi.
• PlatoData.Network Vertical Generative Ai. Împuterniciți-vă. Accesați Aici.
• PlatoAiStream. Web3 Intelligence. Cunoștințe amplificate. Accesați Aici.
• PlatoESG. carbon, CleanTech, Energie, Mediu inconjurator, Solar, Managementul deșeurilor. Accesați Aici.
• PlatoHealth. Biotehnologie și Inteligență pentru studii clinice. Accesați Aici.
• Sursa: 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/