Ustvarite napovedi hladnega zagona za izdelke brez preteklih podatkov z uporabo Amazon Forecast, ki je zdaj do 45 % natančnejša

Zdaj s Amazonska napoved, lahko ustvarite do 45 % natančnejše napovedi za izdelke brez preteklih podatkov. Forecast je upravljana storitev, ki uporablja strojno učenje (ML) za ustvarjanje natančnih napovedi povpraševanja, ne da bi zahtevala kakršne koli izkušnje z ML. Natančno napovedovanje je osnova za optimizacijo zalog, logistično načrtovanje in upravljanje delovne sile ter podjetjem omogoča, da so bolje pripravljena na storitev svojim strankam. Napoved hladnega zagona je pogost izziv, ko je treba ustvariti napoved, vendar ni preteklih podatkov za izdelek. To je značilno za panoge, kot so trgovina na drobno, proizvodnja ali pakirano potrošniško blago, kjer pride do hitre uvedbe novih izdelkov z uvedbo na novo razvitih izdelkov na trg, prvič uvedbo blagovnih znamk ali katalogov ali navzkrižno prodajo izdelkov v nove regije. S tem lansiranjem smo izboljšali naš obstoječi pristop k napovedovanju hladnega zagona in zdaj zagotavljamo napovedi, ki so do 45 % natančnejše.

Razviti napovedovalni model hladnega zagona je lahko izziv, ker so tradicionalne metode statističnega napovedovanja, kot je avtoregresijsko integrirano drseče povprečje (ARIMA) ali eksponentno glajenje, zgrajene z uporabo koncepta, da je mogoče zgodovinske podatke izdelka uporabiti za napovedovanje njegovih prihodnjih vrednosti. Toda brez zgodovinskih podatkov parametrov modela ni mogoče izračunati in zato modela ni mogoče zgraditi. Forecast je že imel možnost generiranja napovedi za izdelke s hladnim zagonom z uporabo lastniškega algoritmi nevronske mreže kot sta DeepAR+ in CNN-QR. Ti modeli se naučijo odnosov med izdelki in lahko ustvarijo napovedi za izdelke brez preteklih podatkov. Uporaba metapodatkov elementov za vzpostavitev teh razmerij je bila implicitna, kar je pomenilo, da omrežja niso mogla v celoti ekstrapolirati značilnosti trenda za izdelke s hladnim zagonom.

Danes smo lansirali nov pristop za napovedovanje hladnega zagona, ki je do 45 % natančnejši kot prej. Ta pristop izboljšuje našo obravnavo metapodatkov elementov, prek katerih identificiramo eksplicitne izdelke v vašem naboru podatkov, ki imajo najbolj podobne lastnosti izdelkom za hladni zagon. Če se osredotočimo na to podmnožico podobnih izdelkov, se lahko bolje naučimo trendov za ustvarjanje napovedi za izdelek s hladnim zagonom. Na primer, modni trgovec, ki uvaja novo linijo majic, bo želel napovedati povpraševanje po tej liniji, da bi optimiziral zaloge v trgovini. Napovedi lahko zagotovite zgodovinske podatke za druge izdelke v vašem katalogu, kot so obstoječe linije majic, jakne, hlače in čevlji, ter metapodatke o artiklih, kot so ime blagovne znamke, barva, velikost in kategorija izdelkov za nove in obstoječe izdelkov. S temi metapodatki Forecast samodejno zazna izdelke, ki so najbolj povezani z novo linijo majic, in jih uporabi za ustvarjanje napovedi za linijo majic.

Ta funkcija je na voljo v vseh regijah, kjer je Forecast javno dostopen prek Konzola za upravljanje AWS ali API AutoPredictor. Za več informacij o razpoložljivosti regije glejte Regionalne službe AWS. Če želite začeti uporabljati napoved za napovedovanje hladnega zagona, glejte Ustvarjanje napovedi ali Beležnica GitHub.

Pregled rešitev

Koraki v tej objavi prikazujejo, kako uporabiti napoved za napovedovanje hladnega zagona na Konzola za upravljanje AWS. Predvajamo primer trgovca na drobno, ki ustvari napoved povpraševanja po inventarju za na novo lansiran izdelek, tako da sledi trem korakom v Napovedi: uvoz vaših podatkov, usposabljanje napovedovalca in ustvarjanje napovedi. Če želite neposredno uporabiti Forecast API za napovedovanje hladnega zagona, sledite zvezku v našem GitHub repo, ki zagotavlja analogno predstavitev.

Uvozite svoje podatke o vadbi

Če želite uporabiti novo metodo napovedovanja hladnega zagona, morate uvoziti dve datoteki CSV: eno datoteko, ki vsebuje podatke o ciljni časovni vrsti (prikazuje cilj predvidevanja), in drugo datoteko, ki vsebuje metapodatke artikla (prikazuje značilnosti izdelka, kot sta velikost ali barva). Napoved identificira izdelke hladnega zagona kot tiste izdelke, ki so prisotni v datoteki z metapodatki elementa, vendar niso prisotni v datoteki ciljne časovne vrste.

Za pravilno identifikacijo izdelka s hladnim zagonom zagotovite, da je ID artikla vašega izdelka s hladnim zagonom vnesen kot vrstica v datoteko z metapodatki o artiklu in da ni v datoteki ciljne časovne vrste. Za več izdelkov s hladnim zagonom vnesite vsak ID artikla izdelka kot ločeno vrstico v datoteko z metapodatki artikla. Če še nimate ID-ja artikla za izdelek s hladnim zagonom, lahko uporabite katero koli alfanumerično kombinacijo, manjšo od 64 znakov, ki še ni reprezentativna za drug izdelek v vašem naboru podatkov.

V našem primeru datoteka ciljne časovne serije vsebuje ID artikla izdelka, časovni žig in povpraševanje (inventar), datoteka z metapodatki artikla pa vsebuje ID artikla izdelka, barvo, kategorijo izdelka in lokacijo.

Za uvoz podatkov izvedite naslednje korake:

1. Na konzoli napovedi izberite Oglejte si skupine naborov podatkov.

2. Izberite Ustvari skupino nabora podatkov.

3. za Ime skupine nabora podatkov, vnesite ime nabora podatkov (za to objavo my_company_shoe_inventory).
4. Za domeno napovedovanja izberite domeno napovedovanja (za to objavo Maloprodaja).
5. Izberite Naprej.

6. Na strani Ustvari nabor podatkov ciljne časovne vrste podajte ime nabora podatkov, pogostost vaših podatkov in podatkovno shemo.
7. Navedite podrobnosti o uvozu nabora podatkov.
8. Izberite Start.

Naslednji posnetek zaslona prikazuje informacije za ciljno stran s časovno vrsto, izpolnjeno za naš primer.

Preusmerjeni ste na nadzorno ploščo, ki jo lahko uporabite za spremljanje napredka.

1. Če želite uvoziti datoteko z metapodatki elementa, na nadzorni plošči izberite uvoz.

2. o Ustvari nabor metapodatkov elementa strani, navedite ime nabora podatkov in podatkovno shemo.
3. Navedite podrobnosti o uvozu nabora podatkov.
4. Izberite Začetek.

Naslednji posnetek zaslona prikazuje podatke, izpolnjene za naš primer.

Izurite napovedovalec

Nato urimo napovedovalca.

1. Na nadzorni plošči izberite Vlakovni napovedovalec.

2. o Vlakovni napovedovalec stran, vnesite ime svojega napovedovalca, kako dolgo v prihodnosti želite napovedovati in s kakšno frekvenco ter število kvantilov, za katere želite napovedovati.
3. Omogoči AutoPredictor. To je potrebno za napovedovanje hladnega zagona.
4. Izberite ustvarjanje.

Naslednji posnetek zaslona prikazuje podatke, izpolnjene za naš primer.

Ustvari napoved

Ko se naš napovedovalec usposobi (to lahko traja približno 2.5 ure), ustvarimo napoved za na novo predstavljen izdelek. Vedeli boste, da je vaš napovedovalec izurjen, ko boste videli Ogled napovednikov gumb na armaturni plošči.

1. Izberite Ustvari napoved na armaturni plošči.

2. o Ustvari napoved strani, vnesite ime napovedi, izberite napovedovalec, ki ste ga ustvarili, in določite kvantile napovedi (neobvezno) in elemente, za katere želite ustvariti napoved.
3. Izberite Začetek.

Izvozite svoje napovedi

Ko je napoved ustvarjena, lahko podatke izvozite v CSV. Vedeli boste, da je vaša napoved ustvarjena, ko vidite, da je status aktiven.

1. Izberite Ustvari izvoz napovedi.

2. Vnesite ime izvozne datoteke (za to objavo my_cold_start_forecast_export).
3. za Lokacija izvoza, določite Preprosta storitev shranjevanja Amazon (Amazon S3) lokacija.
4. Izberite Začetek.

5. Če želite prenesti izvoz, se na konzoli pomaknite do lokacije poti datoteke S3, nato izberite datoteko in izberite Prenos.

Izvozna datoteka vsebuje časovni žig, ID predmeta, metapodatke elementa in napovedi za vsak izbrani kvantil.

Oglejte si svoje napovedi

Ko je vaša napoved ustvarjena, si lahko napovedi za nove izdelke ogledate grafično na konzoli.

1. Izberite Napoved poizvedbe na armaturni plošči.

2. Izberite ime napovedi, ustvarjene v prejšnjem koraku (my_cold_start_forecast v našem primeru).
3. Vnesite začetni in končni datum, za katerega si želite ogledati napoved.
4. V polje ID artikla za ključ napovedi dodajte enolični ID vašega izdelka hladnega zagona.
5. Izbrala Pridobite napoved.

Na sliki boste videli napoved za kateri koli izbrani kvantil.

zaključek

Z napovedjo lahko pridobite enake vpoglede v napovedi za izdelke s hladnim zagonom brez preteklih podatkov, ki so zdaj do 45 % natančnejši kot prej. Za ustvarjanje napovedi hladnega zagona s programom Forecast odprite konzolo Forecast in sledite korakom, opisanim v tej objavi, ali si oglejte naše Beležnica GitHub o tem, kako dostopati do funkcionalnosti prek API-ja. Če želite izvedeti več, glejte Ustvarjanje napovedi.

---

O avtorjih

Brandon Nair je višji produktni vodja za Amazon Forecast. Njegov poklicni interes je ustvarjanje razširljivih storitev in aplikacij strojnega učenja. Zunaj službe ga lahko najdemo med raziskovanjem nacionalnih parkov, izpopolnjevanjem zamaha pri golfu ali načrtovanjem pustolovskega potovanja.

Manas Dadarkar je vodja razvoja programske opreme, lastnik inženiringa storitve Amazon Forecast. Navdušen je nad aplikacijami strojnega učenja in omogočanjem, da so tehnologije ML zlahka dostopne vsem, da jih sprejmejo in uvedejo v proizvodnjo. Zunaj službe ima številne interese, vključno s potovanji, branjem in preživljanjem časa s prijatelji in družino.

Bharat Nandamuri je Sr Software Engineer, ki dela na Amazon Forecast. Navdušen je nad gradnjo visoko obsežnih zalednih storitev s poudarkom na inženiringu za sisteme ML. Izven službe uživa v igranju šaha, pohodništvu in gledanju filmov.

Gaurav Gupta je uporabni znanstvenik pri AWS AI labs in Amazon Forecast. Njegovi raziskovalni interesi so strojno učenje za zaporedne podatke, učenje operaterjev za parcialne diferencialne enačbe, valovnice. Preden se je pridružil AWS, je doktoriral na Univerzi Južne Kalifornije.