Organisationer av alla storlekar strävar efter att växa sin verksamhet, förbättra effektiviteten och betjäna sina kunder bättre än någonsin tidigare. Även om framtiden är osäker kan ett datadrivet, vetenskapsbaserat tillvägagångssätt hjälpa till att förutse vad som ligger framför oss för att framgångsrikt navigera genom ett hav av val.
Varje bransch använder tidsserieprognoser för att tillgodose en mängd olika planeringsbehov, inklusive men inte begränsat till:
I det här inlägget skisserar vi fem bästa metoder att komma igång med Amazon Prognos, och tillämpa kraften i mycket exakt maskininlärning (ML)-prognoser på ditt företag.
Varför Amazon Prognos
AWS erbjuder en helt hanterad tidsserieprognostjänst som kallas Amazon Forecast som låter dig generera och underhålla pågående automatiserade tidsserieprognoser utan att kräva ML-expertis. Dessutom kan du bygga och distribuera repeterbara prognosoperationer utan att behöva skriva kod, bygga ML-modeller eller hantera infrastruktur.
Förmågan hos Forecast gör att den kan tjäna ett brett utbud av kundroller, från analytiker och supply chain managers till utvecklare och ML-experter. Det finns flera anledningar till varför kunder föredrar Forecast: det erbjuder hög noggrannhet, upprepningsbara resultat och möjligheten till självbetjäning utan att vänta på specialiserad teknisk resurstillgänglighet. Forecast väljs också ut av datavetenskapsexperter eftersom den ger mycket exakta resultat, baserade på en ensemble av självjusterade modeller, och flexibiliteten att experimentera snabbt utan att behöva distribuera eller hantera kluster av någon speciell storlek. Dess ML-modeller gör det också lättare att stödja prognoser för ett stort antal objekt och kan generera exakta prognoser för kallstartsartiklar utan historia.
Fem bästa metoder för att komma igång med Forecast
Forecast ger hög noggrannhet och snabb time-to-market för utvecklare och datavetare. Även om det har gjorts enkelt att utveckla mycket exakta tidsseriemodeller, ger det här inlägget bästa praxis för att påskynda din onboarding och tid till värde. Lite rigoritet och kanske ett par experimentomgångar måste tillämpas för att nå framgång. En framgångsrik prognosresa beror på flera faktorer, några subtila.
Det här är några viktiga saker du bör tänka på när du börjar arbeta med Forecast.
Börja enkelt
Som visas i följande svänghjul, överväg att börja med en enkel modell som använder en måltidsserie datauppsättning för att utveckla en baslinje när du föreslår din första uppsättning indata. Efterföljande experiment kan lägga till andra tidsmässiga drag och statisk metadata med målet att förbättra modellens noggrannhet. Varje gång en förändring görs kan du mäta och lära dig hur mycket förändringen har hjälpt, om alls. Beroende på din bedömning kan du bestämma dig för att behålla den nya uppsättningen funktioner som tillhandahålls, eller pivotera och prova ett annat alternativ.
Fokusera på extremerna
Med Forecast kan du få noggrannhetsstatistik för hela datamängden. Det är viktigt att inse att även om denna toppnivåstatistik är intressant, bör den ses som endast riktriktad. Du bör koncentrera dig på exakthetsstatistik på objektnivå snarare än statistik på toppnivå. Betrakta följande scatterplot som en guide. Vissa av objekten i datamängden kommer att ha hög noggrannhet; för dessa krävs ingen åtgärd.
När du bygger en modell bör du utforska några av punkterna som är märkta som "utforskande tidsserier." I dessa undersökande fall, bestäm hur du kan förbättra noggrannheten genom att införliva mer indata, såsom prisvariationer, kampanjutgifter, tydliga säsongsbetonade funktioner och inkludering av lokala, marknadsmässiga, globala och andra verkliga händelser och förhållanden.
Granska prediktornoggrannheten innan du skapar prognoser
Skapa inte framtida daterade prognoser med Forecast förrän du har granskat prediktionsnoggrannheten under backtestperioden. Det föregående spridningsdiagrammet illustrerar tidsserienivånoggrannheten, vilket är din bästa indikation på hur framtida daterade förutsägelser kommer att se ut, allt annat lika. Om denna period inte ger din nödvändiga noggrannhetsnivå, fortsätt inte med den framtida daterade prognosåtgärden, eftersom detta kan leda till ineffektiva utgifter. Fokusera istället på att utöka dina indata och prova en ny runda med innovationssvänghjulet, som diskuterats tidigare.
Minska träningstiden
Du kan minska träningstiden genom två mekanismer. Använd först Forecast's omskola funktion för att minska träningstiden genom överföringslärande. För det andra, förhindra modelldrift med prediktorövervakning genom att endast träna när det behövs.
Bygg upp repeterbara processer
Vi uppmuntrar dig att inte bygga Prognos-arbetsflöden genom AWS Management Console eller använda API:er från grunden tills du åtminstone har utvärderat vår AWS provar GitHub-repo. Vårt uppdrag med GitHub-prover är att hjälpa till att ta bort friktion och påskynda din time-to-market med repeterbara arbetsflöden som redan har designats eftertänksamt. Dessa arbetsflöden är serverlösa och kan schemaläggas för att köras på ett vanligt schema.
Besök vår officiella GitHub-repo, där du snabbt kan distribuera vår lösningsvägledning genom att följa stegen som tillhandahålls. Som visas i följande figur tillhandahåller arbetsflödet en komplett pipeline från slut till slut som kan hämta historisk data, importera den, bygga modeller och skapa slutsatser mot modellerna – allt utan att behöva skriva kod.
Följande figur ger en djupare bild av bara en modul, som kan samla in historiska data för modellträning från en myriad av databaskällor som stöds av Amazon Athena Federated Query.
Kom igång idag
Du kan implementera ett helt automatiserat produktionsarbetsflöde på några dagar till veckor, särskilt när det paras ihop med vår pipeline för orkestrering av arbetsflöden som finns på vår GitHub exempelförråd.
Denna re:Invent-video belyser ett användningsfall av en kund som automatiserade sitt arbetsflöde med denna GitHub-modell:
Forecast har många inbyggda funktioner som hjälper dig att uppnå dina affärsmål genom mycket exakta ML-baserade prognoser. Vi uppmuntrar dig att kontakta ditt AWS-kontoteam om du har några frågor och låt dem veta att du vill prata med en tidsseriespecialist för att ge vägledning och vägledning. Vi kan också erbjuda workshops för att hjälpa dig att lära dig hur du använder Forecast.
Vi är här för att stödja dig och din organisation när du strävar efter att automatisera och förbättra efterfrågeprognoser i ditt företag. En mer exakt prognos kan resultera i högre försäljning, en betydande minskning av avfall, en minskning av ledigt lager och i slutändan högre nivåer av kundservice.
Vidta åtgärder idag; det finns ingen bättre tid än nuet att börja skapa en bättre morgondag.
Om författaren
Charles Laughlin är en Principal AI/ML Specialist Solution Architect och arbetar inom Time Series ML-teamet på AWS. Han hjälper till att forma Amazon Forecast-tjänstens färdplan och samarbetar dagligen med olika AWS-kunder för att hjälpa till att transformera deras företag med hjälp av avancerad AWS-teknik och tankeledarskap. Charles har en MS i Supply Chain Management och har under det senaste decenniet arbetat i industrin för konsumentförpackade varor.
Dan Sinnreich är en senior produktchef för Amazon Forecast. Han är fokuserad på att demokratisera maskininlärning med låg kod/ingen kod och att tillämpa den för att förbättra affärsresultat. Utanför jobbet kan han hittas som spelar hockey, försöker förbättra sin tennisservering, dykning och läser science fiction.
- AI
- ai konst
- ai art generator
- har robot
- Amazon Prognos
- artificiell intelligens
- artificiell intelligenscertifiering
- artificiell intelligens inom bankväsendet
- artificiell intelligens robot
- robotar med artificiell intelligens
- programvara för artificiell intelligens
- AWS maskininlärning
- bästa praxis
- blockchain
- blockchain konferens ai
- coingenius
- konversationskonstnärlig intelligens
- kryptokonferens ai
- dalls
- djupt lärande
- Grundläggande (100)
- du har google
- Mellan (200)
- maskininlärning
- plato
- plato ai
- Platon Data Intelligence
- Platon spel
- PlatonData
- platogaming
- skala ai
- syntax
- zephyrnet