Snabba upp din tidsserieprognoser med upp till 50 procent med Amazon SageMaker Canvas UI och AutoML API:er | Amazon webbtjänster

Vi är glada att meddela det Amazon SageMaker Canvas erbjuder nu ett snabbare och mer användarvänligt sätt att skapa maskininlärningsmodeller för tidsserieprognoser. SageMaker Canvas är en visuell peka-och-klicka-tjänst som gör det möjligt för affärsanalytiker att generera exakta modeller för maskininlärning (ML) utan att kräva någon erfarenhet av maskininlärning eller att behöva skriva en enda rad kod.

SageMaker Canvas stöder ett antal användningsfall, inklusive tidsserieprognoser som används för lagerhantering inom detaljhandeln, efterfrågeplanering inom tillverkning, personal- och gästplanering inom resor och gästfrihet, intäktsprognoser inom finans och många andra affärskritiska beslut där mycket- korrekta prognoser är viktiga. Som ett exempel tillåter tidsserieprognoser återförsäljare att förutsäga framtida försäljningsefterfrågan och planera för lagernivåer, logistik och marknadsföringskampanjer. Tidsserieprognosmodeller i SageMaker Canvas använder avancerad teknik för att kombinera statistiska och maskininlärningsalgoritmer och leverera mycket exakta prognoser.

I det här inlägget beskriver vi förbättringarna av prognosfunktionerna i SageMaker Canvas och guidar dig om hur du använder dess användargränssnitt (UI) och AutoML API: er för tidsserieprognoser. Medan SageMaker Canvas UI erbjuder ett kodfritt visuellt gränssnitt, ger API:erna utvecklare möjlighet att interagera med dessa funktioner programmatiskt. Båda kan nås från SageMaker-konsol.

Förbättringar i prognosupplevelse

Med dagens lansering har SageMaker Canvas uppgraderat sina prognosfunktioner med AutoML, vilket ger upp till 50 procent snabbare modellbyggande prestanda och upp till 45 procent snabbare förutsägelser i genomsnitt jämfört med tidigare versioner över olika benchmark-datauppsättningar. Detta minskar den genomsnittliga modellträningstiden från 186 till 73 minuter och den genomsnittliga prediktionstiden från 33 till 18 minuter för en typisk sats på 750 tidsserier med en datastorlek på upp till 100 MB. Användare kan nu också programmässigt komma åt modellkonstruktion och prediktionsfunktioner via Amazon SageMaker Autopilot API: er, som kommer med modellförklarings- och resultatrapporter.

Tidigare krävde introduktionen av inkrementella data omutbildning av hela modellen, vilket var tidskrävande och orsakade driftförseningar. Nu, i SageMaker Canvas, kan du lägga till nyare data för att generera framtida prognoser utan att träna om hela modellen. Mata bara in dina inkrementella data till din modell för att använda de senaste insikterna för kommande prognoser. Att eliminera omskolning påskyndar prognosprocessen, vilket gör att du snabbare kan tillämpa dessa resultat på dina affärsprocesser.

Med SageMaker Canvas som nu använder AutoML för prognoser, kan du utnyttja modellbyggande och förutsägelsefunktioner genom SageMaker Autopilot API:er, vilket säkerställer konsistens över gränssnittet och API:erna. Du kan till exempel börja med att bygga modeller i användargränssnittet och sedan byta till att använda API:er för att generera förutsägelser. Denna uppdaterade modelleringsmetod förbättrar också modellens transparens på flera sätt:

1. Användare kan få tillgång till en förklaringsrapport som ger tydligare insikter i faktorer som påverkar förutsägelser. Detta är värdefullt för risk-, efterlevnadsteam och externa tillsynsmyndigheter. Rapporten belyser hur datauppsättningsattribut påverkar specifika tidsserieprognoser. Den anställer effektpoäng för att mäta varje attributs relativa effekt, vilket indikerar om de förstärker eller minskar prognosvärden.
2. Du kan nu komma åt de tränade modellerna och distribuera dem till SageMaker Inference eller din föredragna infrastruktur för förutsägelser.
3. En prestationsrapport är tillgänglig, som ger djupare insikter i optimala modeller som AutoML har valt för specifika tidsserier och hyperparametrar som används under träning.

Generera tidsserieprognoser med SageMaker Canvas UI

SageMaker Canvas UI låter dig sömlöst integrera datakällor från molnet eller på plats, slå samman datauppsättningar utan ansträngning, träna exakta modeller och göra förutsägelser med nya data – allt utan kodning. Låt oss undersöka att generera en tidsserieprognos med detta användargränssnitt.

Först importerar du data till SageMaker Canvas från olika källor, inklusive från lokala filer från din dator, Amazon Simple Storage Service (Amazon S3) hinkar, Amazonas Athena, Snöflingaoch över 40 andra datakällor. Efter att ha importerat data kan du utforska och visualisera det för att få ytterligare insikter, till exempel med punktdiagram eller stapeldiagram. När du är redo att skapa en modell kan du göra det med bara några klick efter att ha konfigurerat nödvändiga parametrar, som att välja en målkolumn att prognostisera och ange hur många dagar in i framtiden du vill prognostisera. Följande skärmdumpar visar en exempelvisualisering av att förutsäga produktefterfrågan baserat på historisk efterfrågan per vecka för specifika produkter i olika butiksplatser:

Följande bild visar veckoprognoser för en specifik produkt i olika butikslägen:

För en omfattande guide om hur du använder SageMaker Canvas UI för prognoser, kolla in det här blogginlägg.

Om du behöver ett automatiserat arbetsflöde eller direkt ML-modellintegrering i appar är våra prognosfunktioner tillgängliga via API:er. I följande avsnitt tillhandahåller vi ett exempel på lösning som beskriver hur du använder vår API: er för automatiserad prognos.

Generera tidsserieprognos med API:er

Låt oss dyka in i hur man använder API:erna för att träna modellen och generera förutsägelser. För denna demonstration, överväg en situation där ett företag behöver förutsäga produktlagernivåer i olika butiker för att möta kundernas efterfrågan. På en hög nivå delas API-interaktionerna upp i följande steg:

1. Förbered datasetet.
2. Skapa ett SageMaker Autopilot-jobb.
3. Utvärdera autopilotjobbet:
   1. Utforska modellens noggrannhetsmått och testresultat.
   2. Utforska modellens förklaringsrapport.
4. Generera förutsägelser från modellen:
   1. Använd slutledning i realtid slutpunkt skapad som en del av autopilotjobbet; eller
   2. Använd batch-omvandling jobb.

Prova Amazon SageMaker Studio-anteckningsboken som visar prognoser med API:er

Vi har tillhandahållit ett exempel på SageMaker Studio-anteckningsboken GitHub för att påskynda din tid till marknad när ditt företag föredrar att orkestrera prognoser genom programmatiska API:er. Den bärbara datorn erbjuder ett exempel på syntetisk datauppsättning tillgänglig via en offentlig S3-hink. Anteckningsboken guidar dig genom alla steg som beskrivs i arbetsflödesbilden som nämns ovan. Medan den bärbara datorn tillhandahåller ett grundläggande ramverk kan du skräddarsy kodexemplet för att passa ditt specifika användningsfall. Detta inkluderar att modifiera det för att matcha ditt unika dataschema, tidsupplösning, prognoshorisont och andra nödvändiga parametrar för att uppnå dina önskade resultat.

Slutsats

SageMaker Canvas demokratiserar tidsserieprognoser genom att erbjuda en användarvänlig, kodfri upplevelse som ger affärsanalytiker möjlighet att skapa mycket exakta maskininlärningsmodeller. Med dagens AutoML-uppgraderingar levererar den upp till 50 procent snabbare modellbyggande, upp till 45 procent snabbare förutsägelser och introducerar API-åtkomst för både modellkonstruktion och förutsägelsefunktioner, vilket förbättrar dess transparens och konsekvens. SageMaker Canvas unika förmåga att sömlöst hantera inkrementell data utan omskolning säkerställer snabb anpassning till ständigt föränderliga affärskrav.

Oavsett om du föredrar det intuitiva användargränssnittet eller mångsidiga API:er, förenklar SageMaker Canvas dataintegration, modellträning och förutsägelse, vilket gör det till ett centralt verktyg för datadrivet beslutsfattande och innovation inom olika branscher.

Om du vill veta mer, gå igenom dokumentation, eller utforska anteckningsbok tillgängligt i vårt GitHub-förråd. Prisinformation för tidsserieprognoser med SageMaker Canvas finns på SageMaker Canvas Prissättning sida, och för SageMakers utbildning och slutsatspriser när du använder SageMaker Autopilot API:er, se SageMaker prissättning sida.

Dessa funktioner är tillgängliga i alla AWS-regioner där SageMaker Canvas och SageMaker Autopilot är offentligt tillgängliga. För mer information om Regionens tillgänglighet, se AWS-tjänster per region.

---

Om författarna

Nirmal Kumar är senior produktchef för Amazon SageMaker-tjänsten. Han är engagerad i att bredda tillgången till AI/ML och styr utvecklingen av ML-lösningar utan kod och lågkod. Utanför jobbet tycker han om att resa och läsa facklitteratur.

Charles Laughlin är en Principal AI/ML Specialist Solution Architect som arbetar på Amazon SageMakers serviceteam på AWS. Han hjälper till att forma tjänstens färdplan och samarbetar dagligen med olika AWS-kunder för att hjälpa till att transformera deras verksamheter med hjälp av avancerad AWS-teknik och tankeledarskap. Charles har en MS i Supply Chain Management och en Ph.D. i datavetenskap.

Ridhim Rastogi en mjukvaruutvecklingsingenjör som arbetar på Amazon SageMakers serviceteam på AWS. Han brinner för att bygga skalbara distribuerade system med fokus på att lösa verkliga problem genom AI/ML. På fritiden gillar han att lösa pussel, läsa skönlitteratur och utforska sin omgivning.

Ahmed Raafat är en Principal Solutions Architect på AWS, med 20 års fälterfarenhet och ett dedikerat fokus på 5 år inom AWS ekosystem. Han är specialiserad på AI/ML-lösningar. Hans omfattande erfarenhet sträcker sig över olika branschvertikaler, vilket gör honom till en pålitlig rådgivare för många företagskunder, vilket underlättar deras sömlösa navigering och accelererar deras molnresa.

John Oshodi är Senior Solutions Architect på Amazon Web Services baserad i London, Storbritannien. Han är specialiserad på data och analys och fungerar som teknisk rådgivare för många AWS-företagskunder, som stödjer och påskyndar deras molnresa. Utanför jobbet tycker han om att resa till nya platser och uppleva nya kulturer med sin familj.

• SEO-drivet innehåll och PR-distribution. Bli förstärkt idag.
• PlatoData.Network Vertical Generative Ai. Styrka dig själv. Tillgång här.
• PlatoAiStream. Web3 Intelligence. Kunskap förstärkt. Tillgång här.
• Platoesg. Kol, CleanTech, Energi, Miljö, Sol, Avfallshantering. Tillgång här.
• PlatoHealth. Biotech och kliniska prövningar Intelligence. Tillgång här.
• Källa: 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/