Začnite svojo uspešno pot z napovedovanjem časovnih vrst z Amazon Forecast

Organizacije vseh velikosti si prizadevajo za rast svojega poslovanja, izboljšanje učinkovitosti in boljše storitve svojim strankam kot kadar koli prej. Čeprav je prihodnost negotova, lahko na podatkih temelječ pristop, ki temelji na znanosti, pomaga predvideti, kaj je pred nami, da lahko uspešno krmarite skozi morje izbir.

Vsaka panoga uporablja napovedovanje časovnih vrst za reševanje različnih potreb načrtovanja, vključno, vendar ne omejeno na:

V tej objavi predstavljamo pet najboljših praks za začetek Amazonska napoved, in uporabite moč zelo natančnega napovedovanja strojnega učenja (ML) za vaše podjetje.

Zakaj Amazon Forecast

AWS ponuja popolnoma upravljano storitev napovedovanja časovnih vrst, imenovano Amazon Forecast, ki vam omogoča ustvarjanje in vzdrževanje tekočih avtomatiziranih napovedi časovnih vrst, ne da bi potrebovali strokovno znanje o ML. Poleg tega lahko zgradite in uvedete ponovljive operacije napovedovanja brez potrebe po pisanju kode, gradnji modelov ML ali upravljanju infrastrukture.

Zmogljivosti programa Forecast mu omogočajo, da služi širokemu spektru vlog strank, od analitikov in vodij dobavne verige do razvijalcev in strokovnjakov za strojno učenje. Obstaja več razlogov, zakaj so stranke naklonjene Forecastu: ponuja visoko natančnost, ponovljive rezultate in možnost samopostrežbe brez čakanja na razpoložljivost specializiranih tehničnih virov. Napoved so izbrali tudi strokovnjaki za podatkovno znanost, ker zagotavlja zelo natančne rezultate, ki temeljijo na nizu samonastavljenih modelov, in prilagodljivost za hitro eksperimentiranje, ne da bi bilo treba razmestiti ali upravljati grozde katere koli posebne velikosti. Njegovi modeli ML prav tako olajšajo podporo napovedi za veliko število postavk in lahko ustvarijo natančne napovedi za elemente hladnega zagona brez zgodovine.

Pet najboljših praks, ko začnete uporabljati Forecast

Forecast zagotavlja visoko natančnost in hiter čas do trga za razvijalce in podatkovne znanstvenike. Čeprav je bil razvoj zelo natančnih modelov časovnih vrst poenostavljen, ta objava ponuja najboljše prakse za pospešitev vašega vkrcanja in časa za vrednotenje. Za uspeh je treba uporabiti malo strogosti in morda nekaj krogov eksperimentiranja. Uspešno napovedovanje je odvisno od več dejavnikov, nekateri so subtilni.

To je nekaj ključnih elementov, ki jih morate upoštevati, ko začnete delati z napovedjo.

Začnite preprosto

Kot je prikazano na naslednjem vztrajniku, razmislite o začetku s preprostim modelom, ki uporablja a ciljne časovne vrste nabor podatkov, da razvijete izhodišče, ko predlagate svoj prvi niz vhodnih podatkov. Poznejši poskusi lahko dodajo še druge časovne značilnosti in statični metapodatki s ciljem izboljšanja natančnosti modela. Vsakič, ko pride do spremembe, lahko izmerite in ugotovite, koliko je sprememba pomagala, če sploh. Glede na vašo oceno se lahko odločite, da obdržite nov nabor ponujenih funkcij, ali pa spremenite in preizkusite drugo možnost.

Osredotočite se na odstopanja

Z napovedjo lahko pridobite statistiko točnosti za celoten nabor podatkov. Pomembno je vedeti, da čeprav je ta statistika na najvišji ravni zanimiva, je treba nanjo gledati samo kot na smerno pravilno. Osredotočite se na statistiko točnosti na ravni elementov in ne na statistiko najvišje ravni. Upoštevajte naslednjo razpršeno sliko kot vodilo. Nekateri elementi v naboru podatkov bodo imeli visoko natančnost; za te ni potrebno ukrepanje.

Med gradnjo modela bi morali raziskati nekatere točke, označene kot "raziskovalne časovne vrste". V teh raziskovalnih primerih določite, kako izboljšati natančnost z vključitvijo več vhodnih podatkov, kot so variacije cen, promocijska poraba, eksplicitne sezonske značilnosti in vključitev lokalnih, tržnih, globalnih in drugih dogodkov in pogojev iz resničnega sveta.

Pred ustvarjanjem napovedi preverite natančnost napovedovalca

Ne ustvarjajte napovedi z datumom v prihodnosti z Napovedjo, dokler ne pregledate točnosti napovedi v obdobju testiranja za nazaj. Prejšnji diagram razpršitve ponazarja natančnost ravni časovne vrste, ki je vaš najboljši pokazatelj, kako bodo videti napovedi z datumom v prihodnosti, če so vse druge stvari enake. Če to obdobje ne zagotavlja zahtevane stopnje natančnosti, ne nadaljujte z operacijo napovedi z datumom v prihodnosti, ker lahko to povzroči neučinkovito porabo. Namesto tega se osredotočite na povečanje vhodnih podatkov in preizkusite nov krog inovacijskega vztrajnika, kot je bilo omenjeno prej.

Zmanjšajte čas treninga

Čas treninga lahko skrajšate z dvema mehanizmoma. Najprej uporabite Forecast's funkcijo prekvalifikacije pomagati skrajšati čas usposabljanja s prenosnim učenjem. Drugič, preprečite zamik modela z spremljanje prediktorja z usposabljanjem le, ko je to potrebno.

Zgradite ponovljive procese

Priporočamo vam, da delovnih tokov Forecast ne gradite prek Konzola za upravljanje AWS ali uporabo API-jev od začetka, dokler vsaj ne ocenite našega AWS vzorci GitHub repo. Naše poslanstvo z vzorci GitHub je pomagati odpraviti trenja in pospešiti vaš čas do trga s ponovljivimi poteki dela, ki so že bili premišljeno zasnovani. Ti poteki dela so brez strežnika in jih je mogoče načrtovati za redno izvajanje.

Obiščite naš uradni repo GitHub, kjer lahko hitro uvedete naša navodila za rešitev, tako da sledite navedenim korakom. Kot je prikazano na naslednji sliki, potek dela zagotavlja popoln cevovod od konca do konca, ki lahko pridobi zgodovinske podatke, jih uvozi, zgradi modele in ustvari sklepanje glede na modele – vse brez pisanja kode.

Naslednja slika ponuja globlji pogled v samo en modul, ki lahko zbira zgodovinske podatke za usposabljanje modelov iz neštetih virov podatkovnih baz, ki jih podpira Zvezna poizvedba Amazon Athena.

Začnite danes

Popolnoma avtomatiziran delovni tok proizvodnje lahko implementirate v nekaj dneh do tednih, še posebej, če je povezan z našim cevovodom za orkestracijo delovnega toka, ki je na voljo na našem GitHub vzorčno skladišče.

Ta videoposnetek re:Invent poudarja primer uporabe stranke, ki je avtomatizirala svoj potek dela s tem modelom GitHub:

Forecast ima veliko vgrajenih zmogljivosti, ki vam pomagajo doseči vaše poslovne cilje z zelo natančnim napovedovanjem, ki temelji na ML. Priporočamo vam, da se obrnete na svojo skupino za račun AWS, če imate kakršna koli vprašanja, in jim sporočite, da bi radi govorili s strokovnjakom za časovne vrste, ki vam bo dal smernice in navodila. Ponujamo lahko tudi delavnice, ki vam pomagajo pri učenju uporabe Forecast.

Tukaj smo, da podpremo vas in vašo organizacijo, ko si prizadevate avtomatizirati in izboljšati napovedovanje povpraševanja v vašem podjetju. Natančnejša napoved lahko privede do večje prodaje, občutnega zmanjšanja odpadkov, zmanjšanja neuporabnih zalog in na koncu višje ravni storitev za stranke.

Ukrepajte še danes; ni boljšega časa od sedanjosti, da začnemo ustvarjati boljši jutri.

---

O Author

Charles Laughlin je glavni arhitekt za rešitve AI/ML in dela v ekipi Time Series ML pri AWS. Pomaga oblikovati časovni načrt storitve Amazon Forecast 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 je zadnje desetletje delal v industriji potrošniškega pakiranega blaga.

Dan Sinnreich je višji produktni vodja za Amazon Forecast. Osredotočen je na demokratizacijo strojnega učenja z nizko kodo/brez kode in njegovo uporabo za izboljšanje poslovnih rezultatov. Zunaj dela ga lahko najdemo med igranjem hokeja, poskušanjem izboljšati svoj teniški servis, potapljanjem in branjem znanstvene fantastike.