Начните свое успешное путешествие с прогнозирования временных рядов с помощью Amazon Forecast

Организации всех размеров стремятся развивать свой бизнес, повышать эффективность и обслуживать своих клиентов лучше, чем когда-либо прежде. Несмотря на то, что будущее туманно, подход, основанный на данных и науке, может помочь предвидеть, что ждет впереди, чтобы успешно ориентироваться в море вариантов.

Каждая отрасль использует прогнозирование временных рядов для удовлетворения различных потребностей планирования, включая, помимо прочего:

В этом посте мы расскажем о пяти лучших практиках, с которых можно начать Прогноз Амазонки, и применяйте возможности высокоточного прогнозирования машинного обучения (ML) в своем бизнесе.

Почему Amazon Прогноз

AWS предлагает полностью управляемый сервис прогнозирования временных рядов под названием Amazon Forecast, который позволяет создавать и поддерживать текущие автоматические прогнозы временных рядов, не требуя опыта машинного обучения. Кроме того, вы можете создавать и развертывать повторяющиеся операции прогнозирования без необходимости писать код, создавать модели машинного обучения или управлять инфраструктурой.

Возможности Forecast позволяют выполнять широкий спектр ролей клиентов, от аналитиков и менеджеров цепочки поставок до разработчиков и экспертов по машинному обучению. Есть несколько причин, по которым клиенты отдают предпочтение Forecast: он предлагает высокую точность, повторяемость результатов и возможность самообслуживания, не дожидаясь доступности специализированных технических ресурсов. Прогноз также выбирают эксперты по науке о данных, потому что он обеспечивает высокоточные результаты на основе множества самонастраивающихся моделей и гибкость для быстрого экспериментирования без необходимости развертывания или управления кластерами любого определенного размера. Его модели ML также упрощают поддержку прогнозов для большого количества элементов и могут генерировать точные прогнозы для изделий с холодным пуском без истории.

Пять рекомендаций по началу работы с прогнозом

Прогноз обеспечивает высокую точность и быстрое время выхода на рынок для разработчиков и специалистов по данным. Несмотря на то, что разработка высокоточных моделей временных рядов стала проще, в этом посте представлены рекомендации по ускорению адаптации и времени окупаемости. Чтобы добиться успеха, нужно приложить немного строгости и, возможно, пару раундов экспериментов. Успешное путешествие по прогнозированию зависит от множества факторов, некоторые из которых малозаметны.

Вот некоторые ключевые моменты, которые следует учитывать при начале работы с прогнозом.

Начните с простого

Как показано на следующем маховике, попробуйте начать с простой модели, в которой используется целевой временной ряд набор данных для разработки базовой линии, поскольку вы предлагаете свой первый набор входных данных. Последующие эксперименты могут добавить другие временные особенности и статические метаданные с целью повышения точности модели. Каждый раз, когда вносится изменение, вы можете измерить и узнать, насколько это изменение помогло, если вообще помогло. В зависимости от вашей оценки, вы можете решить сохранить новый набор предоставляемых функций или попробовать другой вариант.

Сосредоточьтесь на выбросах

С помощью прогноза вы можете получить статистику точности для всего набора данных. Важно признать, что, хотя эта статистика верхнего уровня интересна, ее следует рассматривать как правильную только в отношении направления. Вы должны сосредоточиться на статистике точности на уровне элемента, а не на статистике верхнего уровня. Рассмотрим следующую диаграмму рассеяния в качестве руководства. Некоторые элементы в наборе данных будут иметь высокую точность; для них никаких действий не требуется.

При построении модели вы должны исследовать некоторые точки, помеченные как «исследовательские временные ряды». В этих предварительных случаях определите, как повысить точность, включив больше входных данных, таких как колебания цен, расходы на рекламу, явные признаки сезонности, а также включение местных, рыночных, глобальных и других реальных событий и условий.

Проверяйте точность предикторов перед созданием прогнозов

Не создавайте прогнозы с датой на будущее с помощью прогноза, пока вы не проверите точность прогноза в течение периода тестирования на исторических данных. Предыдущая диаграмма рассеивания иллюстрирует точность уровня временных рядов, что является лучшим показателем того, как будут выглядеть будущие датированные прогнозы, при прочих равных условиях. Если этот период не обеспечивает требуемый уровень точности, не продолжайте операцию прогноза с датой на будущее, так как это может привести к неэффективным расходам. Вместо этого сосредоточьтесь на дополнении входных данных и повторите попытку запуска инновационного маховика, как обсуждалось ранее.

Сократить время обучения

Вы можете сократить время обучения с помощью двух механизмов. Во-первых, используйте прогноз функция переобучения чтобы помочь сократить время обучения за счет трансферного обучения. Во-вторых, предотвратите дрейф модели с помощью предикторный мониторинг тренируясь только в случае необходимости.

Создавайте повторяющиеся процессы

Мы рекомендуем вам не создавать рабочие процессы прогнозирования через Консоль управления AWS или использовать API с нуля, пока вы, по крайней мере, не оцените наши Примеры репозитория AWS на GitHub. Наша миссия с примерами GitHub — помочь устранить трения и ускорить время выхода на рынок с помощью повторяющихся рабочих процессов, которые уже были продуманно разработаны. Эти рабочие процессы являются бессерверными, и их можно запланировать для запуска по обычному расписанию.

Посетите наш официальный репозиторий GitHub, где вы можете быстро развернуть наше руководство по решению, выполнив указанные действия. Как показано на следующем рисунке, рабочий процесс обеспечивает полный сквозной конвейер, который может извлекать исторические данные, импортировать их, создавать модели и делать выводы на основе моделей — и все это без необходимости написания кода.

На следующем рисунке представлен более подробный обзор только одного модуля, который может собирать исторические данные для обучения модели из множества источников баз данных, поддерживаемых Федеративный запрос Amazon Athena.

Начните прямо сейчас!

Вы можете внедрить полностью автоматизированный производственный рабочий процесс в течение нескольких дней или недель, особенно в сочетании с нашим конвейером оркестровки рабочего процесса, доступным на нашем сайте. Образец репозитория GitHub.

В этом видеоролике re:Invent рассказывается о примере использования клиента, который автоматизировал свой рабочий процесс с помощью этой модели GitHub:

Forecast имеет множество встроенных возможностей, которые помогут вам достичь ваших бизнес-целей с помощью высокоточного прогнозирования на основе машинного обучения. Если у вас есть какие-либо вопросы, мы рекомендуем вам связаться со своей командой по работе с клиентами AWS и сообщить им, что вы хотели бы поговорить со специалистом по временным рядам, чтобы дать рекомендации и указания. Мы также можем предложить семинары, которые помогут вам научиться пользоваться прогнозами.

Мы здесь, чтобы поддержать вас и вашу организацию, когда вы пытаетесь автоматизировать и улучшить прогнозирование спроса в вашей компании. Более точный прогноз может привести к увеличению продаж, значительному сокращению отходов, сокращению незадействованных запасов и, в конечном счете, к более высокому уровню обслуживания клиентов.

Примите меры сегодня; нет лучшего времени, чем настоящее, чтобы начать создавать лучшее завтра.

---

Об авторе

Чарльз Лафлин является главным архитектором решений специалиста по искусственному интеллекту и машинному обучению и работает в команде машинного обучения временных рядов в AWS. Он помогает формировать дорожную карту сервиса Amazon Forecast и ежедневно сотрудничает с различными клиентами AWS, помогая трансформировать их бизнес с помощью передовых технологий AWS и идейного лидерства. Чарльз имеет степень магистра в области управления цепочками поставок и последние десять лет работал в индустрии потребительских товаров.

Дэн Синнрайх является старшим менеджером по продуктам Amazon Forecast. Он сосредоточен на демократизации машинного обучения low-code/no-code и применении его для улучшения бизнес-результатов. Вне работы его можно увидеть играющим в хоккей, пытающимся улучшить свою подачу в теннисе, ныряющим с аквалангом и читающим научную фантастику.