Прогнозирование временных рядов относится к процессу прогнозирования будущих значений данных временных рядов (данных, которые собираются через регулярные промежутки времени). Простые методы прогнозирования временных рядов используют исторические значения той же переменной, будущие значения которой необходимо предсказать, тогда как более сложные методы на основе машинного обучения (ML) используют дополнительную информацию, например данные временных рядов связанных переменных.
Прогноз Амазонки — это служба прогнозирования временных рядов на основе машинного обучения, которая включает алгоритмы, основанные на более чем 20-летнем опыте прогнозирования, используемом Amazon.com, предоставляя разработчикам ту же технологию, что и Amazon, в виде полностью управляемого сервиса, избавляя от необходимости управлять ресурсами. Forecast использует машинное обучение для изучения не только лучшего алгоритма для каждого элемента, но и лучшего набора алгоритмов для каждого элемента, автоматически создавая лучшую модель для ваших данных.
В этом посте описывается, как развернуть повторяющиеся рабочие нагрузки Forecast (рабочие нагрузки прогнозирования временных рядов) без кода с использованием AWS CloudFormation, Шаговые функции AWSи Менеджер систем AWS. Представленный здесь метод помогает вам создать конвейер, который позволяет использовать один и тот же рабочий процесс, начиная с первого дня ваших экспериментов по прогнозированию временных рядов и заканчивая развертыванием модели в рабочей среде.
Прогнозирование временных рядов с использованием Forecast
Рабочий процесс для прогноза включает в себя следующие общие концепции:
- Импорт наборов данных – В прогнозе группа наборов данных представляет собой набор наборов данных, схемы и результатов прогноза, которые идут вместе. В каждой группе наборов данных может быть до трех наборов данных, по одному Набор данных тип: целевой временной ряд (TTS), связанный временной ряд (RTS) и метаданные элемента. Набор данных — это набор файлов, содержащих данные, необходимые для задачи прогнозирования. Набор данных должен соответствовать схеме, определенной в прогнозе. Для получения более подробной информации см. Импорт наборов данных.
- Обучение предикторов - предсказатель — это модель, обученная прогнозам, используемая для составления прогнозов на основе данных временных рядов. Во время обучения Forecast вычисляет показатели точности, которые вы используете для оценки предиктора и решаете, следует ли использовать предиктор для создания прогноза. Для получения дополнительной информации см. Тренировочные предикторы.
- Создание прогнозов – Затем вы можете использовать обученную модель для создания прогнозов на будущий временной горизонт, известный как горизонт прогнозирования. Прогноз предоставляет прогнозы для различных заданных квантилей. Например, прогноз в квантиле 0.90 будет оценивать значение, которое ниже наблюдаемого значения в 90% случаев. По умолчанию Forecast использует следующие значения для типов прогноза предиктора: 0.1 (P10), 0.5 (P50) и 0.9 (P90). Прогнозы в различных квантилях обычно используются для определения интервала прогнозирования (верхняя и нижняя границы для прогнозов) для учета неопределенности прогноза.
Вы можете реализовать этот рабочий процесс в Прогнозе либо из Консоль управления AWS, Интерфейс командной строки AWS (интерфейс командной строки AWS), через Вызовы API с использованием блокнотов Pythonили с помощью решений для автоматизации. консоль и Интерфейс командной строки AWS методы лучше всего подходят для быстрых экспериментов, чтобы проверить возможность прогнозирования временных рядов с использованием ваших данных. Метод записных книжек Python отлично подходит для специалистов по данным, уже знакомых с записными книжками Jupyter и программированием, и обеспечивает максимальный контроль и настройку. Однако метод на основе записной книжки сложен в эксплуатации. Наш подход к автоматизации облегчает быстрое экспериментирование, устраняет повторяющиеся задачи и упрощает переход между различными средами (разработка, подготовка, производство).
В этом посте мы описываем подход к автоматизации использования Forecast, который позволяет вам использовать ваши собственные данные и обеспечивает единый рабочий процесс, который вы можете беспрепятственно использовать на протяжении всего жизненного цикла разработки вашего решения для прогнозирования, с первых дней экспериментов до развертывания. решения в вашей производственной среде.
Обзор решения
В следующих разделах мы описываем полный сквозной рабочий процесс, который служит шаблоном для автоматического развертывания моделей прогнозирования временных рядов с помощью прогноза. Этот рабочий процесс создает прогнозируемые точки данных из набора входных данных с открытым исходным кодом; однако вы можете использовать тот же рабочий процесс для своих собственных данных, если вы можете отформатировать свои данные в соответствии с шагами, описанными в этом посте. После того, как вы загрузите данные, мы проведем вас через шаги по созданию групп наборов данных прогноза, импорту данных, обучению моделей машинного обучения и созданию прогнозируемых точек данных на будущие невидимые временные горизонты из необработанных данных. Все это возможно без необходимости писать или компилировать код.
Следующая диаграмма иллюстрирует рабочий процесс прогнозирования.
Решение развертывается с использованием двух шаблонов CloudFormation: шаблона зависимостей и шаблона рабочей нагрузки. CloudFormation позволяет предсказуемым и повторяющимся развертываниям инфраструктуры AWS с помощью шаблонов, описывающих развертываемые ресурсы. Развернутый шаблон называется стек. Мы позаботились об определении инфраструктуры решения для вас в двух предоставленных шаблонах. Шаблон зависимостей определяет необходимые ресурсы, используемые шаблоном рабочей нагрузки, такие как Простой сервис хранения Amazon (Amazon S3) для хранения объектов и Управление идентификацией и доступом AWS (IAM) для действий AWS API. Ресурсы, определенные в шаблоне зависимостей, могут совместно использоваться несколькими шаблонами рабочей нагрузки. Шаблон рабочей нагрузки определяет ресурсы, используемые для приема данных, обучения предиктора и создания прогноза.
Разверните шаблон зависимостей CloudFormation
Во-первых, давайте развернем шаблон зависимостей, чтобы создать необходимые ресурсы. Шаблон зависимостей развертывает необязательную корзину S3, AWS Lambda функции и роли IAM. Amazon S3 — это недорогой, высокодоступный, отказоустойчивый сервис хранения объектов. В этом решении мы используем корзину S3 для хранения исходных данных и запуска рабочего процесса, результатом которого является прогноз. Lambda — это бессерверная служба вычислений, управляемая событиями, которая позволяет запускать код без подготовки или управления серверами. Шаблон зависимостей включает функции для выполнения таких действий, как создание группы наборов данных в прогнозе и очистка объектов в корзине S3 перед удалением корзины. Роли IAM определяют разрешения в AWS для пользователей и сервисов. Шаблон зависимостей развертывает роль, которая будет использоваться Lambda, и еще одну роль для Step Functions, службы управления рабочим процессом, которая будет координировать задачи приема и обработки данных, а также обучения предикторов и вывода с помощью Forecast.
Выполните следующие шаги, чтобы развернуть шаблон зависимостей:
- В консоли выберите нужный Регион, поддерживаемый прогнозом для развертывания решения.
- В консоли AWS CloudFormation выберите Стеки в навигационной панели.
- Выберите Создать стек , а затем выбрать С новыми ресурсами (стандарт).
- Что касается Источник шаблона, наведите на URL-адрес Amazon S3.
- Введите URL-адрес шаблона:
https://amazon-forecast-samples.s3.us-west-2.amazonaws.com/ml_ops/forecast-mlops-dependency.yaml
. - Выберите Следующая.
- Что касается Название стека, войти
forecast-mlops-dependency
. - Под параметры, выберите использование существующей корзины S3 или создайте новую, а затем укажите имя корзины.
- Выберите Следующая.
- Выберите Следующая чтобы принять параметры стека по умолчанию.
- Установите флажок, чтобы подтвердить, что стек создает ресурсы IAM, затем выберите Создать стек для развертывания шаблона.
Вы должны увидеть развертывание шаблона как forecast-mlops-dependency
куча. Когда статус меняется на CREATE_COMPLETE
, вы можете перейти к следующему шагу.
Разверните шаблон рабочей нагрузки CloudFormation
Далее давайте развернем шаблон рабочей нагрузки, чтобы создать необходимые ресурсы. Шаблон рабочей нагрузки развертывает конечные автоматы Step Functions для управления рабочим процессом, Хранилище параметров AWS Systems Manager параметры для хранения значений параметров из AWS CloudFormation и информирования рабочего процесса, Amazon Простая служба уведомлений (Amazon SNS) для уведомлений рабочего процесса и роль IAM для разрешений службы рабочего процесса.
Решение создает пять конечных автоматов:
- CreateDatasetGroupStateMachine – Создает группу наборов данных прогноза для импорта данных.
- СоздатьImportDatasetStateMachine – Импорт исходных данных из Amazon S3 в группу наборов данных для обучения.
- CreateForecastStateMachine – Управляет задачами, необходимыми для обучения предиктора и создания прогноза.
- АфинаКоннекторСтатМачине – Позволяет писать SQL-запросы с Амазонка Афина коннектор для передачи данных в Amazon S3. Это необязательный процесс для получения исторических данных в формате, необходимом для прогноза, с помощью Athena вместо размещения файлов вручную в Amazon S3.
- СтепФункцияВоркфлоуСтатеМачине – Координирует обращения к другим четырем конечным автоматам и управляет общим рабочим процессом.
Хранилище параметров, функция Systems Manager, обеспечивает безопасное иерархическое хранение и программный поиск данных конфигурации и управления секретами. Хранилище параметров используется для хранения параметров, установленных в стеке рабочей нагрузки, а также других параметров, используемых рабочим процессом.
Выполните следующие шаги, чтобы развернуть шаблон рабочей нагрузки:
- В консоли AWS CloudFormation выберите Стеки в навигационной панели.
- Выберите Создать стек , а затем выбрать С новыми ресурсами (стандарт).
- Что касается Источник шаблона, наведите на URL-адрес Amazon S3.
- Введите URL-адрес шаблона:
https://amazon-forecast-samples.s3.us-west-2.amazonaws.com/ml_ops/forecast-mlops-solution-guidance.yaml
. - Выберите Следующая.
- Что касается Название стекавведите имя.
- Примите значения по умолчанию или измените параметры.
Обязательно введите имя корзины S3 из стека зависимостей для Ведро S3 и действующий адрес электронной почты для SNSEndpoint даже если вы принимаете значения параметров по умолчанию.
В следующей таблице описывается каждый параметр.
Параметр | Описание | Больше информации |
DatasetGroupFrequencyRTS |
Частота сбора данных для набора данных RTS. | . |
DatasetGroupFrequencyTTS |
Частота сбора данных для набора данных TTS. | . |
DatasetGroupName |
Краткое имя группы наборов данных, автономной рабочей нагрузки. | Создать группу набора данных |
DatasetIncludeItem |
Укажите, хотите ли вы предоставить метаданные элемента для этого варианта использования. | . |
DatasetIncludeRTS |
Укажите, хотите ли вы предоставить связанные временные ряды для этого варианта использования. | . |
ForecastForecastTypes |
Когда запускается задание CreateForecast, оно объявляет, для каких квантилей создавать прогнозы. Вы можете выбрать до пяти значений в этом массиве. Отредактируйте это значение, чтобы включить значения в соответствии с необходимостью. | Создать прогноз |
PredictorAttributeConfigs |
Для целевой переменной в TTS и каждого числового поля в наборах данных RTS необходимо создать запись для каждого временного интервала для каждого элемента. Эта конфигурация помогает определить, как заполняются отсутствующие записи: 0, NaN или иным образом. Мы рекомендуем заполнять пробелы в TTS значением NaN вместо 0. При значении 0 модель может неправильно научиться смещать прогнозы в сторону 0. NaN — это то, как предоставляется руководство. Если у вас возникнут вопросы по этому поводу, проконсультируйтесь со своим архитектором решений AWS. | СоздатьАвтопредиктор |
PredictorExplainPredictor |
Допустимые значения: ИСТИНА или ЛОЖЬ. Они определяют, включена ли объяснимость для вашего предиктора. Это может помочь вам понять, как значения в RTS и метаданных элемента влияют на модель. | Объяснимость |
PredictorForecastDimensions |
Вы можете захотеть сделать прогноз с более мелкой зернистостью, чем элемент. Здесь вы можете указать такие параметры, как местоположение, центр затрат и т. д. Это должно соответствовать размерам в ваших RTS и TTS. Обратите внимание, что если у вас нет измерения, правильный параметр равен нулю, сам по себе и во всех строчных буквах. null — это зарезервированное слово, которое сообщает системе, что для измерения нет параметра. | СоздатьАвтопредиктор |
PredictorForecastFrequency |
Определяет шкалу времени, в которой будут создаваться ваша модель и прогнозы, например ежедневно, еженедельно или ежемесячно. Выпадающее меню поможет вам выбрать допустимые значения. Это должно соответствовать вашей шкале времени RTS, если вы используете RTS. | СоздатьАвтопредиктор |
PredictorForecastHorizon |
Количество временных шагов, которые предсказывает модель. Горизонт прогноза также называют длина предсказания. | СоздатьАвтопредиктор |
PredictorForecastOptimizationMetric |
Определяет показатель точности, используемый для оптимизации предиктора. Раскрывающееся меню поможет вам выбрать взвешенные квантильные балансы убытков для завышения или занижения прогноза. RMSE работает с единицами измерения, а WAPE/MAPE — с ошибками в процентах. | СоздатьАвтопредиктор |
PredictorForecastTypes |
Когда CreateAutoPredictor задания, это объявляет, какие квантили используются для обучения точек прогнозирования. Вы можете выбрать до пяти значений в этом массиве, что позволит сбалансировать завышение и занижение прогноза. Отредактируйте это значение, чтобы включить значения в соответствии с необходимостью. |
СоздатьАвтопредиктор |
S3Bucket |
Имя корзины S3, в которую записываются входные и выходные данные для этой рабочей нагрузки. | . |
SNSEndpoint |
Действительный адрес электронной почты для получения уведомлений о завершении заданий предиктора и прогноза. | . |
SchemaITEM |
Это определяет физический порядок, имена столбцов и типы данных для вашего набора данных метаданных элемента. Это необязательный файл, указанный в примере решения. | Создать набор данных |
SchemaRTS |
Это определяет физический порядок, имена столбцов и типы данных для вашего набора данных RTS. Размеры должны соответствовать вашему TTS. Временной интервал этого файла определяет временной интервал, в котором могут быть сделаны прогнозы. Это необязательный файл, указанный в примере решения. | Создать набор данных |
SchemaTTS |
Это определяет физический порядок, имена столбцов и типы данных для вашего набора данных TTS, единственного требуемого набора данных. Файл должен содержать как минимум целевое значение, метку времени и элемент. | Создать набор данных |
TimestampFormatRTS |
Определяет формат отметки времени в файле RTS. | CreateDatasetImportJob |
TimestampFormatTTS |
Определяет формат отметки времени в файле TTS. | CreateDatasetImportJob |
- Выберите Следующая чтобы принять параметры стека по умолчанию.
- Установите флажок, чтобы подтвердить, что стек создает ресурсы IAM, затем выберите Создать стек для развертывания шаблона.
Вы должны увидеть развертывание шаблона в качестве имени стека, которое вы выбрали ранее. Когда статус меняется на CREATE_COMPLETE
, вы можете перейти к шагу загрузки данных.
Загрузить данные
В предыдущем разделе вы указали имя стека и корзину S3. В этом разделе описывается, как разместить общедоступный набор данных Спрос на продовольствие в этом ведре. Если вы используете свой собственный набор данных, см. Datasets для подготовки набора данных в формате, ожидаемом развертыванием. Набор данных должен содержать как минимум целевой временной ряд и, при необходимости, связанные временные ряды и метаданные элемента:
- TTS — это данные временного ряда, включающие поле, для которого вы хотите сгенерировать прогноз; это поле называется целевое поле
- RTS — это данные временного ряда, которые не включают целевое поле, но включают связанное поле.
- Файл данных элемента не является данными временного ряда, но содержит метаданные об элементах в наборах данных TTS или RTS.
Выполните следующие шаги:
- Если вы используете предоставленный образец набора данных, скачайте его Спрос на продовольствие на свой компьютер и разархивируйте файл, который создает три файла в трех каталогах (
rts
,tts
,item
). - В консоли Amazon S3 перейдите к корзине, созданной ранее.
- Выберите Создать папку.
- Используйте ту же строку, что и имя стека рабочей нагрузки для имени папки.
- Выберите Загрузите.
- Выберите три папки набора данных, затем выберите Загрузите.
Когда загрузка будет завершена, вы должны увидеть что-то вроде следующего снимка экрана. В этом примере наша папка aiml42
.
Создайте группу наборов данных прогноза
Выполните действия, описанные в этом разделе, чтобы создать группу наборов данных как одноразовое событие для каждой рабочей нагрузки. В будущем вы должны запланировать запуск данных импорта, создать предиктор и создать шаги прогноза по мере необходимости, в виде серии, в соответствии с вашим расписанием, которое может быть ежедневным, еженедельным или другим.
- В консоли Step Functions найдите конечный автомат, содержащий
Create-Dataset-Group
. - На странице сведений о конечном автомате выберите Начать выполнение.
- Выберите Начать выполнение для подтверждения.
Запуск конечного автомата занимает около 1 минуты. Когда это будет завершено, значение под Статус выполнения должен измениться с Бег в Преемник
Импорт данных в Прогноз
Выполните действия, описанные в этом разделе, чтобы импортировать набор данных, который вы загрузили в корзину S3, в свою группу наборов данных:
- В консоли Step Functions найдите конечный автомат, содержащий
Import-Dataset
. - На странице сведений о конечном автомате выберите Начать выполнение.
- Выберите Начать выполнение для подтверждения.
Время, необходимое для запуска конечного автомата, зависит от обрабатываемого набора данных.
- Пока это выполняется, в браузере откройте другую вкладку и перейдите к консоли прогнозов.
- На консоли прогноза выберите Просмотр групп наборов данных и перейдите к группе наборов данных с именем, указанным для
DataGroupName
из стека вашей рабочей нагрузки. - Выберите Просмотр наборов данных.
Вы должны увидеть процесс импорта данных.
Когда государственная машина для Import-Dataset
завершено, вы можете перейти к следующему шагу, чтобы построить модель данных временных рядов.
Создать AutoPredictor (обучить модель временного ряда)
В этом разделе описывается, как обучить начальный предиктор с помощью Forecast. Вы можете создать новый предиктор (ваш первый, базовый предиктор) или переобучить предиктор во время каждого производственного цикла, который может быть ежедневным, еженедельным или другим. Вы также можете отказаться от создания предиктора в каждом цикле и полагаться на мониторинг предикторов, который подскажет, когда его создавать. На следующем рисунке показан процесс создания готового к использованию предиктора Forecast.
Чтобы создать новый предиктор, выполните следующие шаги:
- В консоли Step Functions найдите конечный автомат, содержащий
Create-Predictor
. - На странице сведений о конечном автомате выберите Начать выполнение.
- Выберите Начать выполнение для подтверждения.
Количество времени выполнения может зависеть от обрабатываемого набора данных. Это может занять до часа или больше. - Пока это выполняется, в браузере откройте другую вкладку и перейдите к консоли прогнозов.
- На консоли прогноза выберите Просмотр групп наборов данных и перейдите к группе наборов данных с именем, указанным для
DataGroupName
из стека вашей рабочей нагрузки. - Выберите Просмотр предикторов.
Вы должны увидеть процесс обучения предиктора (состояние обучения показывает «Выполняется создание…»).
Когда государственная машина для Create-Predictor
готово, вы можете оценить его работу.
Как часть конечного автомата, система создает предиктор, а также запускает BacktestExport
задание, которое записывает метрики предикторов на уровне временных рядов в Amazon S3. Это файлы, расположенные в двух папках S3 в папке backtest-export
Папка:
- значения показателей точности – Обеспечивает расчет метрики точности на уровне элемента, чтобы вы могли понять производительность отдельного временного ряда. Это позволяет вам исследовать распространение, а не сосредотачиваться только на глобальных показателях.
- прогнозируемые значения – Предоставляет пошаговые прогнозы для каждого временного ряда в окне тестирования на исторических данных. Это позволяет сравнить фактическое целевое значение из набора контрольных тестов с прогнозируемыми значениями квантилей. Просмотр этого помогает сформулировать идеи о том, как предоставить дополнительные функции данных в RTS или метаданных элемента, чтобы помочь лучше оценить будущие ценности, еще больше уменьшая потери. Вы можете скачать
backtest-export
файлы из Amazon S3 или запрашивать их на месте с помощью Athena.
С вашими собственными данными вам необходимо внимательно изучить результаты предикторов и убедиться, что метрики соответствуют ожидаемым результатам, используя данные экспорта бэктестов. Когда вы будете удовлетворены, вы можете начать генерировать прогнозы на будущее, как описано в следующем разделе.
Создание прогноза (вывод о будущих временных горизонтах)
В этом разделе описывается, как создавать точки данных прогноза с помощью Forecast. В дальнейшем вы должны собирать новые данные из исходной системы, импортировать данные в прогноз, а затем создавать точки данных прогноза. При желании вы также можете вставить новое создание предиктора после импорта и перед прогнозом. На следующем рисунке показан процесс создания прогнозов производственных временных рядов с помощью Forecast.
Выполните следующие шаги:
- В консоли Step Functions найдите конечный автомат, содержащий
Create-Forecast
. - На странице сведений о конечном автомате выберите Начать выполнение.
- Выберите Начать выполнение для подтверждения.
Этот конечный автомат завершается очень быстро, потому что система не настроена на создание прогноза. Он не знает, какую модель предиктора вы одобрили для вывода.
Давайте настроим систему для использования вашего обученного предиктора. - В консоли прогноза найдите ARN для своего предиктора.
- Скопируйте ARN, чтобы использовать его на следующем шаге.
- В браузере откройте другую вкладку и перейдите к консоли Systems Manager.
- В консоли диспетчера систем выберите Магазин параметров в навигационной панели.
- Найдите параметр, относящийся к вашему стеку (
/forecast/<StackName>/Forecast/PredictorArn
). - Введите ARN, который вы скопировали для своего предиктора.
Вот как вы связываете обученный предиктор с функцией вывода прогноза. - Найдите параметр
/forecast/<StackName>/Forecast/Generate
и отредактируйте значение, заменивFALSE
TRUE
.
Теперь вы готовы запустить задание прогнозирования для этой группы наборов данных. - В консоли Step Functions запустите
Create-Forecast
Государственный аппарат.
На этот раз задание выполняется так, как ожидалось. В рамках конечного автомата система создает прогноз и ForecastExport
job, который записывает прогнозы временных рядов в Amazon S3. Эти файлы находятся в папке forecast
папку.
Внутри forecast
В папке вы найдете прогнозы для ваших элементов, расположенные во многих файлах CSV или Parquet, в зависимости от вашего выбора. Прогнозы для каждого временного шага и выбранного временного ряда существуют со всеми выбранными значениями квантилей для каждой записи. Вы можете загрузить эти файлы с Amazon S3, запросить их на месте с помощью Athena или выбрать другую стратегию использования данных.
На этом заканчивается весь рабочий процесс. Теперь вы можете визуализировать свой вывод, используя любой инструмент визуализации по вашему выбору, такой как Amazon QuickSight. Кроме того, специалисты по данным могут использовать pandas для создания собственных графиков. Если вы решите использовать QuickSight, вы можете подключите результаты прогноза к QuickSight для выполнения преобразований данных, создания одного или нескольких анализов данных и создавать визуализации.
Этот процесс обеспечивает шаблон для подражания. Вам нужно будет адаптировать образец к вашей схеме, установить горизонт прогноза, временное разрешение и т. д. в соответствии с вашим вариантом использования. Вам также потребуется установить повторяющийся график, в котором данные собираются из исходной системы, импортируются данные и составляются прогнозы. При желании вы можете вставить задачу предиктора между этапами импорта и прогноза.
Переобучить предиктор
Мы прошли через процесс обучения нового предиктора, но как насчет переобучения предиктора? Переобучение предиктора — это один из способов сократить затраты и время, связанные с обучением предиктора на последних доступных данных. Вместо того, чтобы создавать новый предиктор и обучать его на всем наборе данных, мы можем переобучить существующий предиктор, предоставив только новые дополнительные данные, которые стали доступны с момента последнего обучения предиктора. Давайте рассмотрим, как переобучить предиктор с помощью решения для автоматизации:
- На консоли прогноза выберите Просмотр групп наборов данных.
- Выберите группу набора данных, связанную с предиктором, который вы хотите переобучить.
- Выберите Просмотр предикторов, затем выберите предиктор, который вы хотите переобучить.
- На Настройки вкладку скопируйте предиктор ARN.
Нам нужно обновить параметр, используемый рабочим процессом, чтобы определить предиктор для повторного обучения. - В консоли диспетчера систем выберите Магазин параметров в навигационной панели.
- Найдите параметр
/forecast/<STACKNAME>/Forecast/Predictor/ReferenceArn
. - На странице сведений о параметре выберите Редактировать.
- Что касается Значение, введите предиктор ARN.
Это определяет правильный предиктор для повторного обучения рабочего процесса. Далее нам нужно обновить параметр, используемый рабочим процессом, чтобы изменить стратегию обучения. - Найдите параметр
/forecast/<STACKNAME>/Forecast/Predictor/Strategy
. - На странице сведений о параметре выберите Изменить.
- В поле Значение введите
RETRAIN
.
По умолчанию рабочий процесс обучает новый предиктор; однако мы можем изменить это поведение, чтобы повторно обучить существующий предиктор или просто повторно использовать существующий предиктор без повторного обучения, установив для этого значения значениеNONE
. Вы можете отказаться от обучения, если ваши данные относительно стабильны или вы используете автоматизированный мониторинг предикторов принять решение о необходимости переобучения. - Загрузите дополнительные обучающие данные в корзину S3.
- В консоли Step Functions найдите конечный автомат
<STACKNAME>-Create-Predictor
. - На странице сведений о конечном автомате выберите Начать выполнение начать переподготовку.
Когда переобучение будет завершено, рабочий процесс завершится, и вы получите уведомление по электронной почте SNS на адрес электронной почты, указанный в параметрах шаблона рабочей нагрузки.
Убирать
Когда вы закончите с этим решением, выполните действия, описанные в этом разделе, чтобы удалить связанные ресурсы.
Удалить корзину S3
- На консоли Amazon S3 выберите Ведра в навигационной панели.
- Выберите корзину, в которую были загружены данные, и выберите пустой чтобы удалить все данные, связанные с решением, включая исходные данные.
- Enter
permanently delete
чтобы навсегда удалить содержимое корзины. - На Ведра страницу, выберите сегмент и выберите Удалить.
- Введите имя корзины, чтобы подтвердить удаление, и выберите Удалить сегмент.
Удалить ресурсы прогноза
- На консоли прогноза выберите Просмотр групп наборов данных.
- Выберите имя группы набора данных, связанное с решением, затем выберите Удалить.
- Enter
delete
, чтобы удалить группу наборов данных и связанные предикторы, задания экспорта предикторов на ретроспективе, прогнозы и задания экспорта прогнозов. - Выберите Удалить , чтобы подтвердить действие.
Удалить стеки CloudFormation
- В консоли AWS CloudFormation выберите Стеки в навигационной панели.
- Выберите стек рабочей нагрузки и выберите Удалить.
- Выберите Удалить стопку для подтверждения удаления стека и всех связанных с ним ресурсов.
- Когда удаление будет завершено, выберите стек зависимостей и выберите Удалить.
- Выберите Удалить , чтобы подтвердить действие.
Заключение
В этом посте мы обсудили несколько различных способов начать работу с прогнозом. Мы рассмотрели решение для автоматизированного прогнозирования на основе AWS CloudFormation для быстрого и воспроизводимого развертывания конвейера прогнозирования от приема данных до логического вывода, не требуя особых знаний об инфраструктуре. Наконец, мы увидели, как можно использовать Lambda для автоматизации переобучения моделей, сокращения затрат и времени обучения.
Нет лучшего времени, чем настоящее, чтобы начать прогнозировать с помощью прогноза. Чтобы начать создание и развертывание автоматизированного рабочего процесса, посетите Ресурсы Amazon Forecast. Удачных прогнозов!
Об авторах
Аарон Фэган является главным специалистом по архитектуре решений в AWS в Нью-Йорке. Он специализируется на помощи клиентам в разработке решений в области машинного обучения и облачной безопасности.
Раджу Патил является специалистом по данным в AWS Professional Services. Он создает и развертывает решения AI/ML, чтобы помочь клиентам AWS решать их бизнес-задачи. Его работы с AWS охватывают широкий спектр вариантов использования AI/ML, таких как компьютерное зрение, прогнозирование временных рядов, прогнозная аналитика и т. д., во многих отраслях, включая финансовые услуги, телекоммуникации, здравоохранение и другие. До этого он руководил группами по науке о данных в области рекламных технологий и внес значительный вклад в многочисленные инициативы в области исследований и разработок в области компьютерного зрения и робототехники. Вне работы он увлекается фотографией, походами, путешествиями и кулинарными изысканиями.
- SEO-контент и PR-распределение. Получите усиление сегодня.
- ПлатонАйСтрим. Анализ данных Web3. Расширение знаний. Доступ здесь.
- Чеканка будущего с Эдриенн Эшли. Доступ здесь.
- Покупайте и продавайте акции компаний PREIPO® с помощью PREIPO®. Доступ здесь.
- Источник: https://aws.amazon.com/blogs/machine-learning/automate-the-deployment-of-an-amazon-forecast-time-series-forecasting-model/
- :имеет
- :является
- :нет
- :куда
- $UP
- 1
- 10
- 100
- 11
- 20
- 20 лет
- 2022
- 7
- 8
- 9
- a
- О нас
- Принять
- доступ
- По
- Учетная запись
- точность
- признавать
- через
- действия
- приспосабливать
- дополнительный
- Дополнительная информация
- адрес
- Реклама
- После
- снова
- AI / ML
- алгоритм
- алгоритмы
- Все
- Позволяющий
- позволяет
- в одиночестве
- уже
- причислены
- Amazon
- Прогноз Амазонки
- количество
- an
- Анализ
- аналитика
- и
- Другой
- любой
- API
- подхода
- соответствующий
- утвержденный
- МЫ
- массив
- AS
- помощь
- Юрист
- связанный
- At
- автоматизировать
- Автоматизированный
- автоматически
- автоматизация
- доступен
- AWS
- AWS CloudFormation
- Профессиональные услуги AWS
- Backtest
- Баланс
- Остатки
- основанный
- Базовая линия
- BE
- , так как:
- до
- начинать
- не являетесь
- ЛУЧШЕЕ
- Лучшая
- между
- смещение
- Граница
- Коробка
- Приведение
- браузер
- строить
- Строительство
- строит
- бизнес
- но
- by
- исчисляет
- под названием
- Объявления
- CAN
- заботится
- случаев
- случаев
- Центр
- проблемы
- изменение
- изменения
- проверка
- выбор
- Выберите
- выбрал
- выбранный
- тесно
- облако
- Cloud Security
- код
- Кодирование
- лыжных шлемов
- Column
- COM
- Общий
- сравнить
- полный
- комплекс
- расчеты
- Вычисление
- компьютер
- Компьютерное зрение
- понятия
- обеспокоенный
- Конфигурация
- подтвердить
- Консоли
- содержать
- содержание
- взносы
- контроль
- координировать
- исправить
- Цена
- может
- покрытый
- Создайте
- создали
- создает
- Создающий
- создание
- Клиенты
- цикл
- Циклический
- ежедневно
- данным
- управление данными
- точки данных
- наука о данных
- ученый данных
- набор данных
- Наборы данных
- день
- Дней
- решать
- заявляет,
- По умолчанию
- по умолчанию
- определенный
- Определяет
- определяющий
- поставляется
- в зависимости
- зависит
- развертывание
- развернуть
- развертывание
- развертывание
- развертывания
- развертывает
- пополнять счет
- описывать
- описано
- желанный
- подробность
- подробнее
- Определять
- застройщиков
- Развитие
- различный
- трудный
- Размеры
- размеры
- каталоги
- обсуждается
- do
- не
- сделанный
- скачать
- в течение
- каждый
- Ранее
- легче
- или
- ликвидирует
- включен
- позволяет
- конец
- впритык
- обеспечивать
- Enter
- Весь
- Окружающая среда
- средах
- ошибки
- оценка
- и т.д
- оценивать
- Даже
- События
- пример
- выполнение
- существовать
- существующий
- ожидаемый
- ожидается
- опыт
- экспорт
- облегчает
- ложный
- знакомый
- Особенности
- поле
- фигура
- Файл
- Файлы
- Подача
- заполненный
- в заключение
- финансовый
- финансовые услуги
- Найдите
- Во-первых,
- фокусировка
- следовать
- после
- Что касается
- Прогноз
- Прогнозы
- формат
- вперед
- вперед
- 4
- частота
- от
- полностью
- функция
- Функции
- далее
- будущее
- порождать
- генерируется
- порождающий
- получить
- Глобальный
- Go
- будет
- Управляет
- график
- большой
- группы
- Группы
- руководство
- инструкция
- счастливый
- урожай
- Есть
- имеющий
- he
- Медицина
- Товары для здоровья
- помощь
- помощь
- помогает
- здесь
- очень
- его
- исторический
- горизонт
- Горизонты
- час
- Как
- How To
- Однако
- HTML
- HTTP
- HTTPS
- идеи
- идентифицирует
- определения
- Личность
- if
- иллюстрирует
- осуществлять
- Импортировать
- импорт
- in
- включают
- включает в себя
- В том числе
- промышленности
- повлиять
- наделяют информацией
- информация
- Инфраструктура
- начальный
- инициативы
- вход
- вместо
- в
- исследовать
- вовлеченный
- IT
- пункты
- ЕГО
- саму трезвость
- работа
- Джобс
- JPG
- Знать
- знания
- известный
- Земля
- Фамилия
- новее
- последний
- УЧИТЬСЯ
- изучение
- наименее
- привело
- Светодиодные данные
- Lets
- Жизненный цикл
- такое как
- линия
- мало
- расположенный
- расположение
- Длинное
- от
- бюджетный
- ниже
- машина
- обучение с помощью машины
- Продукция
- сделанный
- Создание
- управлять
- управляемого
- управление
- менеджер
- управляет
- управления
- вручную
- многих
- максимальный
- Май..
- Встречайте
- Меню
- Метаданные
- метод
- методы
- метрический
- Метрика
- может быть
- минимальный
- минут
- отсутствующий
- ML
- модель
- Модели
- изменять
- Мониторинг
- ежемесячно
- БОЛЕЕ
- двигаться
- с разными
- должен
- имя
- имена
- Откройте
- Навигация
- необходимо
- Необходимость
- потребности
- Новые
- New York
- следующий
- нет
- ноутбук
- уведомление
- Уведомления
- сейчас
- номер
- многочисленный
- объект
- объекты
- получать
- of
- on
- ONE
- только
- открытый
- с открытым исходным кодом
- Оптимизировать
- Опции
- or
- заказ
- Другое
- в противном случае
- наши
- внешний
- Результаты
- изложенные
- выходной
- внешнюю
- за
- общий
- собственный
- страница
- панд
- хлеб
- параметр
- параметры
- часть
- процент
- Выполнять
- производительность
- постоянно
- Разрешения
- фотография
- физический
- трубопровод
- Часть
- размещение
- план
- Платон
- Платон Интеллектуальные данные
- ПлатонДанные
- пунктов
- возможное
- После
- предсказанный
- прогнозирования
- прогноз
- Predictions
- Predictive Analytics
- Predictor
- предсказывает
- Подготовить
- представить
- представлены
- предыдущий
- Основной
- Предварительный
- процесс
- Обработанный
- обработка
- производит
- Производство
- профессиональный
- программный
- Прогресс
- обеспечивать
- при условии
- приводит
- обеспечение
- публично
- Питон
- Запросы
- Вопросы
- САЙТ
- быстро
- ассортимент
- быстро
- скорее
- Сырье
- готовый
- Получать
- рекомендовать
- запись
- учет
- повторяющихся
- уменьшить
- снижение
- назвало
- понимается
- регулярный
- Связанный
- относительно
- соответствующие
- полагаться
- удаление
- повторяемый
- НЕОДНОКРАТНО
- повторяющийся
- обязательный
- исследованиям
- исследование и разработка
- зарезервированный
- упругий
- Постановления
- Полезные ресурсы
- в результате
- Итоги
- снова использовать
- обзор
- робототехника
- Роли
- роли
- Run
- Бег
- то же
- Пример набора данных
- довольный
- Шкала
- график
- Наука
- Ученый
- Ученые
- легко
- Раздел
- разделах
- безопасный
- безопасность
- посмотреть
- выбранный
- выбор
- Серии
- Serverless
- Серверы
- служит
- обслуживание
- Услуги
- набор
- установка
- общие
- Короткое
- должен
- Шоу
- значительный
- просто
- просто
- с
- одинарной
- So
- Решение
- Решения
- некоторые
- удалось
- Источник
- специалист
- специализируется
- указанный
- распространение
- стабильный
- стек
- инсценировка
- стандарт
- Начало
- и политические лидеры
- Начало
- Область
- Статус:
- Шаг
- Шаги
- диск
- магазин
- Стратегия
- строка
- Структура
- такие
- Поддержанный
- система
- системы
- ТАБЛИЦЫ
- взять
- принимает
- цель
- Сложность задачи
- задачи
- команды
- Технологии
- телеком
- шаблон
- шаблоны
- тестXNUMX
- чем
- который
- Ассоциация
- Источник
- Государство
- их
- Их
- тогда
- Там.
- Эти
- вещи
- этой
- три
- Через
- по всему
- время
- Временные ряды
- отметка времени
- в
- вместе
- инструментом
- тема
- к
- Train
- специалистов
- Обучение
- преобразований
- переход
- путешествовать
- вызвать
- правда
- два
- напишите
- Типы
- типично
- Неопределенность
- под
- понимать
- единиц
- Обновление ПО
- загружено
- URL
- использование
- прецедент
- используемый
- пользователей
- через
- ценностное
- Наши ценности
- различный
- очень
- с помощью
- видение
- Войти
- визуализация
- ходил
- хотеть
- законопроект
- Путь..
- способы
- we
- еженедельно
- ЧТО Ж
- Что
- когда
- будь то
- , которые
- широкий
- Широкий диапазон
- будете
- в
- без
- Word
- Работа
- записывать
- письменный
- лет
- йорк
- Ты
- ВАШЕ
- зефирнет
- ZIP