Începeți-vă călătoria de succes cu prognoza serii temporale cu Amazon Forecast

Organizațiile de toate dimensiunile se străduiesc să-și dezvolte afacerea, să-și îmbunătățească eficiența și să își servească clienții mai bine decât oricând. Chiar dacă viitorul este incert, o abordare bazată pe date, bazată pe știință, poate ajuta la anticiparea a ceea ce urmează pentru a naviga cu succes printr-o mare de opțiuni.

Fiecare industrie folosește prognoza în serie de timp pentru a aborda o varietate de nevoi de planificare, inclusiv, dar fără a se limita la:

În această postare, descriem cinci cele mai bune practici cu care să începeți Prognoza Amazonși aplicați puterea previziunilor de învățare automată (ML) extrem de precise în afacerea dvs.

De ce Amazon Forecast

AWS oferă un serviciu de prognoză a serii de timp complet gestionat, numit Amazon Forecast, care vă permite să generați și să mențineți previziuni automate în curs de desfășurare, fără a necesita expertiză ML. În plus, puteți construi și implementa operațiuni repetabile de prognoză fără a fi nevoie să scrieți cod, să construiți modele ML sau să gestionați infrastructura.

Capacitățile Forecast îi permit să servească o gamă largă de roluri ale clienților, de la analiști și manageri de lanț de aprovizionare până la dezvoltatori și experți ML. Există mai multe motive pentru care clienții preferă Forecast: oferă o precizie ridicată, rezultate repetabile și capacitatea de a se autoservi fără a aștepta disponibilitatea resurselor tehnice specializate. Forecast este, de asemenea, selectat de experții în știința datelor deoarece oferă rezultate extrem de precise, bazate pe un ansamblu de modele auto-ajustate și flexibilitatea de a experimenta rapid fără a fi nevoie să implementeze sau să gestioneze clustere de orice dimensiune. Modelele sale ML facilitează, de asemenea, suportarea previziunilor pentru un număr mare de articole și pot genera informații precise. previziuni pentru articolele cu pornire la rece fara istorie.

Cinci bune practici atunci când începeți cu Forecast

Forecast oferă o precizie ridicată și un timp de lansare rapid pe piață pentru dezvoltatori și oamenii de știință de date. Deși dezvoltarea unor modele de serie cronologică extrem de precise a fost făcută ușoară, această postare oferă cele mai bune practici pentru a vă accelera integrarea și timpul de valorificare. Trebuie aplicate puțină rigoare și poate câteva runde de experimentare pentru a obține succes. O călătorie de succes de prognoză depinde de mai mulți factori, unii subtili.

Acestea sunt câteva elemente cheie pe care ar trebui să le luați în considerare atunci când începeți să lucrați cu Forecast.

Începeți simplu

După cum se arată în următorul volant, luați în considerare să începeți cu un model simplu care folosește a seria temporală țintă set de date pentru a dezvolta o linie de referință pe măsură ce vă propuneți primul set de date de intrare. Experimentele ulterioare pot adăuga altele caracteristici temporale și metadate statice cu scopul de a îmbunătăți acuratețea modelului. De fiecare dată când se face o schimbare, puteți măsura și afla cât de mult a ajutat schimbarea, dacă este deloc. În funcție de evaluarea dvs., puteți decide să păstrați noul set de caracteristici furnizate sau să pivotați și să încercați o altă opțiune.

Concentrați-vă pe valori aberante

Cu Forecast, puteți obține statistici de acuratețe pentru întregul set de date. Este important să recunoaștem că, deși această statistică de nivel superior este interesantă, ar trebui privită ca fiind corectă doar direcțional. Ar trebui să vă concentrați mai degrabă pe statisticile de precizie la nivel de articol decât pe statisticile de nivel superior. Luați în considerare următorul grafic de dispersie ca ghid. Unele dintre elementele din setul de date vor avea o precizie ridicată; pentru acestea nu este necesară nicio acțiune.

În timp ce construiți un model, ar trebui să explorați unele dintre punctele etichetate ca „seri temporale exploratorii”. În aceste cazuri exploratorii, determinați cum să îmbunătățiți acuratețea prin încorporarea mai multor date de intrare, cum ar fi variațiile de preț, cheltuielile promoționale, caracteristicile de sezonalitate explicite și includerea evenimentelor și condițiilor locale, de piață, globale și alte din lumea reală.

Examinați acuratețea predictorilor înainte de a crea prognoze

Nu creați prognoze datate viitoare cu Forecast până când nu ați verificat acuratețea predicțiilor în perioada de backtest. Graficul de dispersie precedent ilustrează acuratețea nivelului seriilor temporale, care este cel mai bun indiciu pentru cum vor arăta previziunile viitoare, toate celelalte fiind aceleași. Dacă această perioadă nu vă oferă nivelul necesar de acuratețe, nu continuați cu operațiunea de prognoză datată viitoare, deoarece aceasta poate duce la cheltuieli ineficiente. În schimb, concentrați-vă pe creșterea datelor de intrare și încercați o altă rundă la volanul inovației, așa cum am discutat mai devreme.

Reduceți timpul de antrenament

Puteți reduce timpul de antrenament prin două mecanisme. În primul rând, utilizați Forecast's funcția de reantrenare pentru a ajuta la reducerea timpului de formare prin transfer de învățare. În al doilea rând, preveniți deriva modelului cu monitorizarea predictorilor prin antrenament numai atunci când este necesar.

Construiți procese repetabile

Vă încurajăm să nu creați fluxuri de lucru Forecast prin intermediul Consola de administrare AWS sau folosind API-uri de la zero până când ne-ați evaluat cel puțin AWS eșantionează depozitul GitHub. Misiunea noastră cu mostrele GitHub este de a ajuta la eliminarea fricțiunilor și de a vă accelera timpul de lansare pe piață cu fluxuri de lucru repetabile care au fost deja proiectate atent. Aceste fluxuri de lucru sunt fără server și pot fi programate să ruleze într-un program regulat.

Vizitați depozitul nostru oficial GitHub, unde puteți implementa rapid îndrumările noastre pentru soluții urmând pașii furnizați. După cum se arată în figura următoare, fluxul de lucru oferă o conductă completă de la capăt la capăt care poate prelua date istorice, le poate importa, construi modele și poate produce inferențe față de modele - totul fără a fi nevoie să scrie cod.

Următoarea figură oferă o vedere mai profundă într-un singur modul, care este capabil să colecteze date istorice pentru antrenamentul modelului dintr-o multitudine de surse de baze de date care sunt susținute de Interogare federată Amazon Athena.

Incepe astazi

Puteți implementa un flux de lucru de producție complet automatizat în câteva zile sau săptămâni, mai ales atunci când este asociat cu canalul nostru de orchestrare a fluxului de lucru disponibil la Magazinul de mostre GitHub.

Acest videoclip re:Invent evidențiază un caz de utilizare al unui client care și-a automatizat fluxul de lucru folosind acest model GitHub:

Forecast are multe capacități încorporate pentru a vă ajuta să vă atingeți obiectivele de afaceri prin previziuni foarte precise bazate pe ML. Vă încurajăm să contactați echipa de cont AWS dacă aveți întrebări și să le comunicați că doriți să vorbiți cu un specialist în serii cronologice pentru a oferi îndrumări și îndrumări. De asemenea, putem oferi ateliere de lucru pentru a vă ajuta să învățați cum să utilizați Forecast.

Suntem aici pentru a vă sprijini pe dumneavoastră și organizația dumneavoastră în timp ce vă străduiți să automatizați și să îmbunătățiți prognoza cererii în compania dumneavoastră. O prognoză mai precisă poate duce la vânzări mai mari, o reducere semnificativă a deșeurilor, o reducere a inventarului inactiv și, în cele din urmă, niveluri mai ridicate de servicii pentru clienți.

Luați măsuri astăzi; nu există moment mai bun decât prezentul pentru a începe să creăm un mâine mai bun.

---

Despre autor

Charles Laughlin este arhitect principal de soluții AI/ML Specialist și lucrează în cadrul echipei Time Series ML de la AWS. El ajută la modelarea foii de parcurs a serviciilor Amazon Forecast și colaborează zilnic cu diverși clienți AWS pentru a le ajuta să-și transforme afacerile folosind tehnologii AWS de ultimă oră și lider de gândire. Charles deține un MS în managementul lanțului de aprovizionare și a petrecut ultimul deceniu lucrând în industria bunurilor de larg consum.

Dan Sinnreich este manager de produs senior pentru Amazon Forecast. El se concentrează pe democratizarea învățării automate low-code/fără cod și aplicarea acesteia pentru a îmbunătăți rezultatele afacerii. În afara serviciului, el poate fi găsit jucând hochei, încercând să-și îmbunătățească serviciul de tenis, scufundări și citind science fiction.