Pospešite svoje napovedovanje časovnih vrst za do 50 odstotkov z uporabniškim vmesnikom Amazon SageMaker Canvas in API-ji AutoML | Spletne storitve Amazon

Z veseljem to objavljamo Amazon SageMaker Canvas zdaj ponuja hitrejši in uporabniku prijaznejši način za ustvarjanje modelov strojnega učenja za napovedovanje časovnih vrst. SageMaker Canvas je vizualna storitev »pokaži in klikni«, ki poslovnim analitikom omogoča ustvarjanje natančnih modelov strojnega učenja (ML), ne da bi zahtevali kakršne koli izkušnje s strojnim učenjem ali napisali eno vrstico kode.

SageMaker Canvas podpira številne primere uporabe, vključno z napovedovanjem časovnih vrst, ki se uporablja za upravljanje zalog v maloprodaji, načrtovanje povpraševanja v proizvodnji, načrtovanje delovne sile in gostov na potovanjih in gostinstvu, napovedovanje prihodkov v financah in številne druge poslovno kritične odločitve, kjer je zelo natančne napovedi so pomembne. Napovedovanje časovnih vrst na primer omogoča trgovcem na drobno, da napovejo prihodnje prodajno povpraševanje in načrtujejo ravni zalog, logistiko in marketinške akcije. Modeli napovedovanja časovnih vrst v SageMaker Canvas uporabljajo napredne tehnologije za kombiniranje statističnih algoritmov in algoritmov strojnega učenja ter zagotavljajo zelo natančne napovedi.

V tej objavi opisujemo izboljšave zmožnosti napovedovanja SageMaker Canvas in vas vodimo pri uporabi njegovega uporabniškega vmesnika (UI) in AutoML API-ji za napovedovanje časovnih vrst. Čeprav uporabniški vmesnik SageMaker Canvas ponuja vizualni vmesnik brez kode, API-ji razvijalcem omogočajo programsko interakcijo s temi funkcijami. Do obeh lahko dostopate iz Konzola SageMaker.

Izboljšave pri napovedovanju izkušenj

Z današnjo predstavitvijo je SageMaker Canvas nadgradil svoje zmožnosti napovedovanja z uporabo AutoML, ki zagotavlja do 50 odstotkov hitrejšo zmogljivost gradnje modela in v povprečju do 45 odstotkov hitrejše napovedi v primerjavi s prejšnjimi različicami v različnih primerjalnih naborih podatkov. To skrajša povprečno trajanje usposabljanja modela s 186 na 73 minut in povprečni čas napovedovanja s 33 na 18 minut za tipično serijo 750 časovnih vrst z velikostjo podatkov do 100 MB. Uporabniki lahko zdaj tudi programsko dostopajo do funkcij konstrukcije in napovedovanja modela prek Amazon SageMaker Autopilot API-ji, ki so opremljeni s poročili o razložljivosti modela in uspešnosti.

Prej je uvedba inkrementalnih podatkov zahtevala ponovno usposabljanje celotnega modela, kar je bilo zamudno in je povzročilo operativne zamude. Zdaj lahko v SageMaker Canvas dodate nedavne podatke za ustvarjanje napovedi za prihodnost brez ponovnega usposabljanja celotnega modela. Preprosto vnesite svoje inkrementalne podatke v svoj model, da uporabite najnovejše vpoglede za prihodnje napovedi. Odprava ponovnega usposabljanja pospeši postopek napovedovanja, kar vam omogoča hitrejšo uporabo teh rezultatov v vaših poslovnih procesih.

S SageMaker Canvas, ki zdaj uporablja AutoML za napovedovanje, lahko izkoristite funkcije gradnje modela in napovedovanja prek API-jev SageMaker Autopilot, kar zagotavlja doslednost v uporabniškem vmesniku in API-jih. Na primer, lahko začnete z gradnjo modelov v uporabniškem vmesniku, nato preklopite na uporabo API-jev za ustvarjanje napovedi. Ta posodobljen pristop k modeliranju prav tako povečuje preglednost modela na več načinov:

1. Uporabniki lahko dostopajo do poročila o razložljivosti, ki ponuja jasnejši vpogled v dejavnike, ki vplivajo na napovedi. To je dragoceno za skupine za tveganja, skladnost in zunanje regulatorje. Poročilo pojasnjuje, kako atributi nabora podatkov vplivajo na določene napovedi časovnih vrst. Zaposluje ocene vpliva za merjenje relativnega učinka vsakega atributa, ki kaže, ali povečajo ali zmanjšajo napovedane vrednosti.
2. Zdaj lahko dostopate do usposobljenih modelov in jih uvedete v SageMaker Inference ali svojo želeno infrastrukturo za napovedi.
3. Na voljo je poročilo o uspešnosti, ki omogoča globlji vpogled v optimalne modele, ki jih izbere AutoML za določene časovne serije, in hiperparametre, uporabljene med usposabljanjem.

Ustvarite napovedi časovnih vrst z uporabniškim vmesnikom SageMaker Canvas

Uporabniški vmesnik SageMaker Canvas vam omogoča brezhibno integracijo virov podatkov iz oblaka ali na mestu uporabe, združevanje naborov podatkov brez truda, urjenje natančnih modelov in ustvarjanje napovedi z nastajajočimi podatki – vse brez kodiranja. Raziščimo ustvarjanje napovedi časovnega niza s tem uporabniškim vmesnikom.

Najprej uvozite podatke v SageMaker Canvas iz različnih virov, vključno z lokalnimi datotekami iz vašega računalnika, Preprosta storitev shranjevanja Amazon (Amazon S3) vedra, Amazonska Atena, Snowflakein več kot 40 drugih virov podatkov. Po uvozu podatkov jih lahko raziščete in vizualizirate, da dobite dodatne vpoglede, na primer z razpršilnimi diagrami ali paličnimi grafikoni. Ko ste pripravljeni na ustvarjanje modela, lahko to storite z le nekaj kliki po konfiguraciji potrebnih parametrov, kot je izbira ciljnega stolpca za napoved in podajanje, koliko dni v prihodnosti želite napovedati. Naslednji posnetki zaslona prikazujejo primer vizualizacije napovedovanja povpraševanja po izdelkih na podlagi preteklih tedenskih podatkov o povpraševanju za določene izdelke na različnih lokacijah trgovin:

Naslednja slika prikazuje tedenske napovedi za določen izdelek na različnih lokacijah trgovin:

Če želite izčrpen vodnik o uporabi uporabniškega vmesnika SageMaker Canvas za napovedovanje, si oglejte to blog post.

Če potrebujete avtomatiziran potek dela ali neposredno integracijo modela ML v aplikacije, so naše funkcije za napovedovanje dostopne prek API-jev. V naslednjem razdelku nudimo vzorčno rešitev, ki podrobno opisuje, kako zaposliti naše API-ji za samodejno napovedovanje.

Ustvarite napoved časovnih vrst z uporabo API-jev

Poglobimo se v uporabo API-jev za usposabljanje modela in ustvarjanje napovedi. Za to predstavitev razmislite o situaciji, ko mora podjetje predvideti ravni zalog izdelkov v različnih trgovinah, da bi zadostilo povpraševanju strank. Na visoki ravni se interakcije API-ja razdelijo na naslednje korake:

1. Pripravite nabor podatkov.
2. Ustvarite opravilo avtopilota SageMaker.
3. Ocenite delo avtopilota:
   1. Raziščite metrike natančnosti modela in rezultate testiranja za nazaj.
   2. Raziščite poročilo o razložljivosti modela.
4. Ustvari napovedi iz modela:
   1. Uporaba sklepanje v realnem času končna točka, ustvarjena kot del opravila avtopilota; oz
   2. Uporaba serijska preobrazba delo.

Vzorec prenosnega računalnika Amazon SageMaker Studio, ki prikazuje napovedovanje z API-ji

Zagotovili smo vzorec prenosnega računalnika SageMaker Studio GitHub da vam pomaga pospešiti čas do trga, ko vaše podjetje raje orkestrira napovedovanje prek programskih API-jev. Prenosni računalnik ponuja vzorčni sintetični nabor podatkov, ki je na voljo prek javnega vedra S3. Beležnica vas vodi skozi vse korake, opisane na zgoraj omenjeni sliki poteka dela. Medtem ko beležnica zagotavlja osnovno ogrodje, lahko vzorec kode prilagodite svojemu specifičnemu primeru uporabe. To vključuje njegovo spreminjanje, da se ujema z vašo edinstveno podatkovno shemo, časovno ločljivostjo, obzorjem napovedovanja in drugimi potrebnimi parametri za doseganje želenih rezultatov.

zaključek

SageMaker Canvas demokratizira napovedovanje časovnih vrst, tako da ponuja uporabniku prijazno izkušnjo brez kode, ki poslovnim analitikom omogoča ustvarjanje zelo natančnih modelov strojnega učenja. Z današnjimi nadgradnjami AutoML zagotavlja do 50 odstotkov hitrejšo gradnjo modela, do 45 odstotkov hitrejše napovedi in uvaja dostop do API-ja tako za konstrukcijo modela kot za funkcije napovedovanja, s čimer izboljša njegovo preglednost in doslednost. Edinstvena sposobnost SageMaker Canvas za brezhibno obdelavo inkrementalnih podatkov brez ponovnega usposabljanja zagotavlja hitro prilagajanje nenehno spreminjajočim se poslovnim zahtevam.

Ne glede na to, ali imate raje intuitiven uporabniški vmesnik ali vsestranske API-je, SageMaker Canvas poenostavlja integracijo podatkov, usposabljanje modelov in napovedovanje, zaradi česar je ključno orodje za odločanje na podlagi podatkov in inovacije v panogah.

Če želite izvedeti več, preglejte Dokumentacija, ali raziščite prenosnik na voljo v našem repozitoriju GitHub. Informacije o cenah za napovedovanje časovnih vrst z uporabo SageMaker Canvas so na voljo na Cene SageMaker Canvas stran, za usposabljanje SageMaker in določanje cen pri uporabi SageMaker Autopilot API-jev si oglejte Cene SageMaker stran.

Te zmogljivosti so na voljo v vseh regijah AWS, kjer sta SageMaker Canvas in SageMaker Autopilot javno dostopna. Za več informacij o razpoložljivosti regije glejte Storitve AWS po regijah.

---

O avtorjih

Nirmal Kumar je višji produktni vodja za storitev Amazon SageMaker. Zavezan k razširitvi dostopa do AI/ML, usmerja razvoj rešitev ML brez kodiranja in nizko kodiranih rešitev. Zunaj dela rad potuje in bere neleposlovje.

Charles Laughlin je glavni arhitekt za rešitve AI/ML, ki dela v skupini storitev Amazon SageMaker pri AWS. Pomaga oblikovati načrt storitev in dnevno sodeluje z različnimi strankami AWS, da bi pomagal preoblikovati njihova podjetja z uporabo vrhunskih tehnologij AWS in miselnega vodstva. Charles ima magisterij iz upravljanja dobavne verige in doktorat znanosti. v podatkovni znanosti.

Ridhim Rastogi inženir za razvoj programske opreme, ki dela v servisni skupini Amazon SageMaker pri AWS. Navdušen je nad gradnjo razširljivih porazdeljenih sistemov s poudarkom na reševanju problemov v resničnem svetu z AI/ML. V prostem času rad rešuje uganke, bere leposlovje in raziskuje okolico.

Ahmed Raafat je glavni arhitekt rešitev pri AWS z 20-letnimi izkušnjami na terenu in 5-letnim posvečanjem znotraj ekosistema AWS. Specializiran je za rešitve AI/ML. Njegove obsežne izkušnje segajo v različne panožne vertikale, zaradi česar je zaupanja vreden svetovalec za številne poslovne stranke, ki jim omogoča brezhibno navigacijo in pospešitev njihovega potovanja v oblak.

Janez Oshodi je višji arhitekt rešitev pri Amazon Web Services s sedežem v Londonu v Veliki Britaniji. Specializiran je za podatke in analitiko ter deluje kot tehnični svetovalec za številne poslovne stranke AWS ter podpira in pospešuje njihovo potovanje v oblak. Zunaj službe rad potuje v nove kraje in s svojo družino doživlja nove kulture.

• Distribucija vsebine in PR s pomočjo SEO. Okrepite se še danes.
• PlatoData.Network Vertical Generative Ai. Opolnomočite se. Dostopite tukaj.
• PlatoAiStream. Web3 Intelligence. Razširjeno znanje. Dostopite tukaj.
• PlatoESG. Ogljik, CleanTech, Energija, Okolje, sončna energija, Ravnanje z odpadki. Dostopite tukaj.
• PlatoHealth. Obveščanje o biotehnologiji in kliničnih preskušanjih. Dostopite tukaj.
• vir: 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/