ในโลกของการตัดสินใจที่ขับเคลื่อนด้วยข้อมูล พยากรณ์อนุกรมเวลา เป็นกุญแจสำคัญในการทำให้ธุรกิจต่างๆ สามารถใช้รูปแบบข้อมูลในอดีตเพื่อคาดการณ์ผลลัพธ์ในอนาคต ไม่ว่าคุณจะทำงานด้านการบริหารความเสี่ยงด้านสินทรัพย์ การซื้อขาย การพยากรณ์อากาศ การคาดการณ์ความต้องการพลังงาน การตรวจสอบสัญญาณชีพ หรือการวิเคราะห์การจราจร ความสามารถในการคาดการณ์อย่างแม่นยำถือเป็นสิ่งสำคัญต่อความสำเร็จ
ในแอปพลิเคชันเหล่านี้ ข้อมูลอนุกรมเวลาสามารถมีได้ หางหนัก การกระจายสินค้า โดยที่ เสื้อหางยาว แสดงถึงคุณค่าสุดขั้ว การคาดการณ์ที่แม่นยำในภูมิภาคเหล่านี้มีความสำคัญในการพิจารณาว่าเหตุการณ์รุนแรงจะเกิดขึ้นมากน้อยเพียงใด และจะต้องแจ้งเตือนหรือไม่ อย่างไรก็ตาม ค่าผิดปกติเหล่านี้ส่งผลกระทบอย่างมีนัยสำคัญต่อการประมาณค่าการกระจายตัวของฐาน ทำให้การคาดการณ์ที่แข็งแกร่งมีความท้าทาย สถาบันการเงินพึ่งพาแบบจำลองที่แข็งแกร่งในการคาดการณ์ค่าผิดปกติ เช่น การล่มสลายของตลาด ในภาคพลังงาน สภาพอากาศ และการดูแลสุขภาพ การคาดการณ์ที่แม่นยำของเหตุการณ์ที่ไม่บ่อยนักแต่มีผลกระทบสูง เช่น ภัยพิบัติทางธรรมชาติและโรคระบาด ช่วยให้การวางแผนและการจัดสรรทรัพยากรมีประสิทธิภาพ การละเลยพฤติกรรมหางอาจนำไปสู่ความสูญเสีย พลาดโอกาส และความปลอดภัยที่ลดลง การจัดลำดับความสำคัญของความแม่นยำที่ส่วนท้ายช่วยนำไปสู่การคาดการณ์ที่เชื่อถือได้และดำเนินการได้ ในโพสต์นี้ เราฝึกอบรมแบบจำลองการคาดการณ์อนุกรมเวลาที่มีประสิทธิภาพซึ่งสามารถบันทึกเหตุการณ์ที่รุนแรงดังกล่าวได้โดยใช้ อเมซอน SageMaker.
เพื่อฝึกฝนโมเดลนี้อย่างมีประสิทธิภาพ เราได้สร้างโครงสร้างพื้นฐาน MLOps เพื่อปรับปรุงกระบวนการพัฒนาโมเดลโดยการประมวลผลข้อมูลล่วงหน้าโดยอัตโนมัติ วิศวกรรมฟีเจอร์ การปรับแต่งไฮเปอร์พารามิเตอร์ และการเลือกโมเดล ระบบอัตโนมัตินี้ช่วยลดข้อผิดพลาดของมนุษย์ ปรับปรุงความสามารถในการทำซ้ำ และเร่งวงจรการพัฒนาแบบจำลอง ด้วยขั้นตอนการฝึกอบรม ธุรกิจต่างๆ สามารถรวมข้อมูลใหม่ได้อย่างมีประสิทธิภาพ และปรับแบบจำลองให้เข้ากับเงื่อนไขที่เปลี่ยนแปลงไป ซึ่งช่วยให้มั่นใจว่าการคาดการณ์ยังคงเชื่อถือได้และเป็นปัจจุบัน
หลังจากที่โมเดลการคาดการณ์อนุกรมเวลาได้รับการฝึกฝนแล้ว การปรับใช้ภายในจุดสิ้นสุดจะทำให้มีความสามารถในการคาดการณ์แบบเรียลไทม์ สิ่งนี้ช่วยให้คุณตัดสินใจได้อย่างมีข้อมูลครบถ้วนและตอบสนองโดยอาศัยข้อมูลล่าสุด นอกจากนี้ การปรับใช้โมเดลในอุปกรณ์ปลายทางยังช่วยเพิ่มความสามารถในการปรับขนาดได้ เนื่องจากผู้ใช้และแอปพลิเคชันหลายรายสามารถเข้าถึงและใช้โมเดลได้พร้อมกัน ด้วยการทำตามขั้นตอนเหล่านี้ ธุรกิจจะสามารถควบคุมพลังของการคาดการณ์อนุกรมเวลาที่แข็งแกร่งเพื่อทำการตัดสินใจอย่างมีข้อมูลและก้าวนำในสภาพแวดล้อมที่เปลี่ยนแปลงอย่างรวดเร็ว
ภาพรวมของโซลูชัน
โซลูชันนี้นำเสนอการฝึกอบรมแบบจำลองการคาดการณ์อนุกรมเวลา ซึ่งออกแบบมาโดยเฉพาะเพื่อจัดการกับค่าผิดปกติและความแปรปรวนของข้อมูลโดยใช้ Temporal Convolutional Network (TCN) พร้อมการกระจาย Spliced Binned Pareto (SBP). สำหรับข้อมูลเพิ่มเติมเกี่ยวกับเวอร์ชันหลายรูปแบบของโซลูชันนี้ โปรดดูที่ วิทยาศาสตร์เบื้องหลังการวัดผลการส่งผ่านแบบใหม่ของ NFL Next Gen Stats. เพื่อแสดงให้เห็นประสิทธิภาพของการกระจาย SBP เพิ่มเติม เราจะเปรียบเทียบกับแบบจำลอง TCN เดียวกัน แต่ใช้การกระจายแบบเกาส์เซียนแทน
กระบวนการนี้ได้รับประโยชน์อย่างมากจาก คุณสมบัติ MLOps ของ SageMaker ซึ่งปรับปรุงเวิร์กโฟลว์วิทยาศาสตร์ข้อมูลโดยควบคุมโครงสร้างพื้นฐานคลาวด์อันทรงพลังของ AWS ในโซลูชันของเรา เราใช้ การปรับโมเดลอัตโนมัติของ Amazon SageMaker สำหรับการค้นหาไฮเปอร์พารามิเตอร์ การทดลอง Amazon SageMaker สำหรับการจัดการการทดลอง รีจิสทรีโมเดล Amazon SageMaker เพื่อจัดการเวอร์ชันของโมเดล และ ท่อส่ง Amazon SageMaker เพื่อจัดกระบวนการ จากนั้นเราจะปรับใช้โมเดลของเรากับตำแหน่งข้อมูล SageMaker เพื่อรับการคาดการณ์แบบเรียลไทม์
แผนภาพต่อไปนี้แสดงสถาปัตยกรรมของไปป์ไลน์การฝึกอบรม
แผนภาพต่อไปนี้แสดงขั้นตอนการอนุมาน
คุณสามารถค้นหารหัสที่สมบูรณ์ได้ใน repo GitHub. หากต้องการนำโซลูชันไปใช้ ให้เรียกใช้เซลล์ต่างๆ SBP_main.ipynb
.
คลิกที่นี่เพื่อเปิดคอนโซล AWS และปฏิบัติตาม
ไปป์ไลน์ SageMaker
SageMaker Pipelines มอบความเป็นมิตรต่อผู้ใช้ งูหลาม SDK เพื่อสร้างเวิร์กโฟลว์การเรียนรู้ของเครื่องแบบผสานรวม (ML) เวิร์กโฟลว์เหล่านี้ซึ่งแสดงเป็น Directed Acyclic Graphs (DAG) ประกอบด้วยขั้นตอนที่มีประเภทและการขึ้นต่อกันที่หลากหลาย ด้วย SageMaker Pipelines คุณสามารถปรับปรุงกระบวนการฝึกอบรมและประเมินแบบจำลองตั้งแต่ต้นจนจบ เพิ่มประสิทธิภาพและความสามารถในการทำซ้ำในเวิร์กโฟลว์ ML ของคุณ
ไปป์ไลน์การฝึกเริ่มต้นด้วยการสร้างชุดข้อมูลสังเคราะห์ที่แบ่งออกเป็นชุดการฝึก การตรวจสอบ และการทดสอบ ชุดการฝึกใช้เพื่อฝึกโมเดล TCN สองรุ่น โดยรุ่นหนึ่งใช้ การกระจาย Binned-Pareto แบบ Spliced และอีกแบบหนึ่งใช้การแจกแจงแบบเกาส์เซียน ทั้งสองรุ่นต้องผ่านการปรับไฮเปอร์พารามิเตอร์โดยใช้ชุดการตรวจสอบเพื่อปรับแต่ละรุ่นให้เหมาะสม หลังจากนั้น การประเมินกับชุดทดสอบจะดำเนินการเพื่อหาแบบจำลองที่มีค่าความคลาดเคลื่อนกำลังสองเฉลี่ยรูตต่ำสุด (RMSE) โมเดลที่มีหน่วยเมตริกความแม่นยำดีที่สุดจะถูกอัปโหลดไปยังทะเบียนโมเดล
แผนภาพต่อไปนี้แสดงขั้นตอนไปป์ไลน์
มาพูดถึงขั้นตอนในรายละเอียดเพิ่มเติมกัน
การสร้างข้อมูล
ขั้นตอนแรกในไปป์ไลน์ของเราจะสร้างชุดข้อมูลสังเคราะห์ซึ่งมีลักษณะของรูปคลื่นไซน์ซอยด์และสัญญาณรบกวนหางหนักที่ไม่สมมาตร ข้อมูลถูกสร้างขึ้นโดยใช้พารามิเตอร์จำนวนหนึ่ง เช่น องศาความอิสระ ตัวคูณสัญญาณรบกวน และพารามิเตอร์มาตราส่วน องค์ประกอบเหล่านี้มีอิทธิพลต่อรูปร่างของการกระจายข้อมูล ปรับความแปรปรวนแบบสุ่มในข้อมูลของเรา และปรับการแพร่กระจายของการกระจายข้อมูลของเรา ตามลำดับ
งานการประมวลผลข้อมูลนี้สำเร็จได้โดยใช้ โปรเซสเซอร์ PyTorchซึ่งรันโค้ด PyTorch (Generate_data.py) ภายในคอนเทนเนอร์ที่จัดการโดย SageMaker ข้อมูลและส่วนอื่นๆ ที่เกี่ยวข้องสำหรับการดีบักจะอยู่ในค่าเริ่มต้น บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon ที่เก็บข้อมูล (Amazon S3) ที่เชื่อมโยงกับบัญชี SageMaker คุณสามารถดูบันทึกของแต่ละขั้นตอนในไปป์ไลน์ได้ใน อเมซอน คลาวด์วอตช์.
รูปต่อไปนี้เป็นตัวอย่างข้อมูลที่สร้างโดยไปป์ไลน์
คุณสามารถแทนที่อินพุตด้วยข้อมูลอนุกรมเวลาที่หลากหลาย เช่น การกระจายแบบสมมาตร ไม่สมมาตร หางเบา หางหนัก หรือการกระจายหลายรูปแบบ ความทนทานของแบบจำลองช่วยให้สามารถนำไปใช้กับปัญหาอนุกรมเวลาที่หลากหลาย โดยต้องมีการสังเกตที่เพียงพอ
การฝึกโมเดล
หลังจากการสร้างข้อมูล เราจะฝึก TCN สองรายการ: รายการหนึ่งใช้การแจกแจง SBP และอีกรายการใช้การแจกแจงแบบเกาส์เซียน การกระจาย SBP ใช้การกระจายแบบ Discrete Binned เป็นฐานการทำนาย โดยที่แกนจริงจะถูกแบ่งออกเป็นถังขยะแบบแยก และแบบจำลองจะคาดการณ์ความน่าจะเป็นของการสังเกตการณ์ที่ตกลงไปในแต่ละถังขยะ วิธีการนี้ช่วยให้สามารถจับความไม่สมมาตรและโหมดต่างๆ ได้ เนื่องจากความน่าจะเป็นของแต่ละถังมีความเป็นอิสระ ตัวอย่างของการกระจายแบบ Binned แสดงในรูปต่อไปนี้
การกระจายแบบ Binned แบบทำนายทางด้านซ้ายนั้นทนทานต่อเหตุการณ์สุดขั้ว เนื่องจากความน่าจะเป็นของบันทึกไม่ได้ขึ้นอยู่กับระยะห่างระหว่างค่าเฉลี่ยที่คาดการณ์ไว้กับจุดที่สังเกตได้ แตกต่างจากการแจกแจงแบบพาราเมตริก เช่น แบบเกาส์เซียนหรือ t ของนักเรียน ดังนั้น เหตุการณ์สุดขั้วที่แสดงด้วยจุดสีแดงจะไม่เบี่ยงเบนกับค่าเฉลี่ยที่เรียนรู้ของการแจกแจง อย่างไรก็ตาม เหตุการณ์สุดขั้วจะมีความน่าจะเป็นเป็นศูนย์ เพื่อบันทึกเหตุการณ์ที่รุนแรง เราสร้างการกระจาย SBP โดยการกำหนดส่วนท้ายด้านล่างที่ควอนไทล์ที่ 5 และส่วนท้ายด้านบนที่ควอนไทล์ที่ 95 โดยแทนที่ส่วนท้ายทั้งสองด้วย Generalized Pareto Distributions (GPD) แบบถ่วงน้ำหนัก ซึ่งสามารถระบุปริมาณความน่าจะเป็นของเหตุการณ์ได้ TCN จะส่งออกพารามิเตอร์สำหรับฐานการกระจายแบบรวมและส่วนท้ายของ GPD
ค้นหาไฮเปอร์พารามิเตอร์
เพื่อผลลัพธ์ที่ดีที่สุด เราใช้ การปรับรุ่นอัตโนมัติ เพื่อค้นหารุ่นที่ดีที่สุดผ่านทาง การปรับไฮเปอร์พารามิเตอร์. ขั้นตอนนี้รวมอยู่ใน SageMaker Pipelines และช่วยให้สามารถรันงานการฝึกอบรมหลายรายการพร้อมกัน โดยใช้วิธีการที่หลากหลายและช่วงไฮเปอร์พารามิเตอร์ที่กำหนดไว้ล่วงหน้า ผลลัพธ์คือการเลือกโมเดลที่ดีที่สุดตามเมตริกโมเดลที่ระบุ ซึ่งก็คือ RMSE ในไปป์ไลน์ของเรา เราปรับแต่งอัตราการเรียนรู้และจำนวนยุคการฝึกอบรมโดยเฉพาะเพื่อเพิ่มประสิทธิภาพการทำงานของโมเดลของเรา ด้วยความสามารถในการปรับแต่งไฮเปอร์พารามิเตอร์ใน SageMaker เราเพิ่มโอกาสที่แบบจำลองของเราจะได้รับความแม่นยำและลักษณะทั่วไปที่เหมาะสมที่สุดสำหรับงานที่กำหนด
เนื่องจากลักษณะการสังเคราะห์ของข้อมูลของเรา เราจึงเก็บความยาวบริบทและเวลานำเป็นพารามิเตอร์คงที่ ความยาวบริบทหมายถึงจำนวนขั้นตอนของเวลาในอดีตที่ป้อนลงในแบบจำลอง และเวลานำแสดงจำนวนขั้นตอนของเวลาในขอบเขตการคาดการณ์ของเรา สำหรับโค้ดตัวอย่าง เราจะปรับเฉพาะอัตราการเรียนรู้และจำนวนยุคเท่านั้นเพื่อประหยัดเวลาและต้นทุน
พารามิเตอร์เฉพาะของ SBP จะถูกเก็บไว้คงที่ตามการทดสอบที่ครอบคลุมโดยผู้เขียนในเอกสารต้นฉบับในชุดข้อมูลต่างๆ:
- จำนวนถังขยะ (100) – พารามิเตอร์นี้กำหนดจำนวนถังขยะที่ใช้ในการจำลองฐานของการกระจาย โดยจะคงไว้ที่ 100 ซึ่งได้รับการพิสูจน์แล้วว่ามีประสิทธิภาพสูงสุดในหลายอุตสาหกรรม
- เปอร์เซ็นต์หาง (0.05) – นี่แสดงถึงขนาดของการแจกแจงแบบพาเรโตทั่วไปที่ส่วนท้าย เช่นเดียวกับพารามิเตอร์ก่อนหน้านี้ ค่านี้ได้รับการทดสอบอย่างละเอียดถี่ถ้วนและพบว่ามีประสิทธิภาพมากที่สุด
การทดลอง
กระบวนการไฮเปอร์พารามิเตอร์ถูกรวมเข้ากับ การทดลอง SageMakerซึ่งช่วยจัดระเบียบ วิเคราะห์ และเปรียบเทียบการทดลอง ML ซ้ำๆ ให้ข้อมูลเชิงลึกและอำนวยความสะดวกในการติดตามโมเดลที่มีประสิทธิภาพดีที่สุด แมชชีนเลิร์นนิงเป็นกระบวนการที่ต้องทำซ้ำซึ่งเกี่ยวข้องกับการทดลองจำนวนมากซึ่งครอบคลุมถึงความแปรผันของข้อมูล ตัวเลือกอัลกอริทึม และการปรับแต่งไฮเปอร์พารามิเตอร์ การทดลองเหล่านี้มีไว้เพื่อปรับแต่งความแม่นยำของโมเดลแบบค่อยเป็นค่อยไป อย่างไรก็ตาม การฝึกซ้อมและการวนซ้ำแบบจำลองจำนวนมากอาจทำให้การระบุแบบจำลองที่มีประสิทธิภาพดีที่สุดเป็นเรื่องยาก และทำการเปรียบเทียบที่สำคัญระหว่างการทดลองในปัจจุบันและในอดีต SageMaker Experiments จัดการเรื่องนี้โดยการติดตามงานการปรับแต่งไฮเปอร์พารามิเตอร์ของเราโดยอัตโนมัติ และช่วยให้เราได้รับรายละเอียดเพิ่มเติมและข้อมูลเชิงลึกเกี่ยวกับกระบวนการปรับแต่ง ดังที่แสดงในภาพหน้าจอต่อไปนี้
การประเมินแบบจำลอง
โมเดลต่างๆ ได้รับการฝึกอบรมและการปรับแต่งไฮเปอร์พารามิเตอร์ และต่อมาได้รับการประเมินผ่านทาง ประเมิน.py สคริปต์ ขั้นตอนนี้ใช้ชุดทดสอบ ซึ่งแตกต่างจากขั้นตอนการปรับแต่งไฮเปอร์พารามิเตอร์ เพื่อวัดความแม่นยำในโลกแห่งความเป็นจริงของแบบจำลอง RMSE ใช้เพื่อประเมินความแม่นยำของการทำนาย
สำหรับการเปรียบเทียบการแจกแจง เราใช้พล็อตความน่าจะเป็น-ความน่าจะเป็น (PP) ซึ่งจะประเมินความพอดีระหว่างการแจกแจงตามจริงกับการแจกแจงที่คาดการณ์ไว้ ความใกล้ชิดของจุดถึงเส้นทแยงมุมบ่งบอกถึงความพอดีที่สมบูรณ์แบบ การเปรียบเทียบของเราระหว่างการแจกแจงที่คาดการณ์ของ SBP และแบบเกาส์เซียนกับการกระจายตามจริง แสดงให้เห็นว่าการทำนายของ SBP สอดคล้องกับข้อมูลจริงมากขึ้น
ดังที่เราสังเกตเห็น SBP มี RMSE ที่ต่ำกว่าที่ฐาน หางล่าง และหางบน การกระจาย SBP ปรับปรุงความแม่นยำของการแจกแจงแบบเกาส์เซียน 61% บนฐาน 56% บนหางล่าง และ 30% บนหางบน โดยรวมแล้ว การกระจาย SBP ให้ผลลัพธ์ที่ดีกว่าอย่างเห็นได้ชัด
การเลือกรุ่น
เราใช้ขั้นตอนเงื่อนไขใน SageMaker Pipelines เพื่อวิเคราะห์รายงานการประเมินโมเดล โดยเลือกใช้โมเดลที่มี RMSE ต่ำที่สุดเพื่อปรับปรุงความแม่นยำในการกระจาย โมเดลที่เลือกจะถูกแปลงเป็นออบเจ็กต์โมเดล SageMaker เพื่อเตรียมพร้อมสำหรับการปรับใช้ สิ่งนี้เกี่ยวข้องกับการสร้างแพ็คเกจแบบจำลองที่มีพารามิเตอร์ที่สำคัญและบรรจุลงใน รุ่นStep.
ทะเบียนโมเดล
จากนั้นโมเดลที่เลือกจะถูกอัพโหลดไปที่ การลงทะเบียนโมเดล SageMakerซึ่งมีบทบาทสำคัญในการจัดการโมเดลที่พร้อมสำหรับการผลิต โดยจัดเก็บโมเดล จัดระเบียบเวอร์ชันของโมเดล เก็บข้อมูลเมตาและอาร์ติแฟกต์ที่จำเป็น เช่น อิมเมจคอนเทนเนอร์ และควบคุมสถานะการอนุมัติของแต่ละโมเดล ด้วยการใช้รีจิสทรี เราจึงสามารถปรับใช้โมเดลกับสภาพแวดล้อม SageMaker ที่สามารถเข้าถึงได้ได้อย่างมีประสิทธิภาพ และสร้างรากฐานสำหรับไปป์ไลน์การผสานรวมอย่างต่อเนื่องและการปรับใช้อย่างต่อเนื่อง (CI/CD)
การอนุมาน
เมื่อเสร็จสิ้นไปป์ไลน์การฝึกอบรมแล้ว โมเดลของเราก็จะถูกนำไปใช้งาน บริการโฮสติ้งของ SageMakerซึ่งช่วยให้สามารถสร้างจุดสิ้นสุดการอนุมานสำหรับการคาดการณ์แบบเรียลไทม์ ตำแหน่งข้อมูลนี้ช่วยให้สามารถผสานรวมกับแอปพลิเคชันและระบบได้อย่างราบรื่น โดยให้การเข้าถึงความสามารถในการคาดการณ์ของโมเดลได้ตามต้องการผ่านอินเทอร์เฟซ HTTPS ที่ปลอดภัย การคาดการณ์แบบเรียลไทม์สามารถใช้ได้ในสถานการณ์ต่างๆ เช่น การคาดการณ์ราคาหุ้นและความต้องการพลังงาน ตำแหน่งข้อมูลของเราให้การคาดการณ์ในขั้นตอนเดียวสำหรับข้อมูลอนุกรมเวลาที่ระบุ ซึ่งแสดงเป็นเปอร์เซ็นไทล์และค่ามัธยฐาน ดังแสดงในรูปและตารางต่อไปนี้
1st เปอร์เซ็นไทล์ | 5th เปอร์เซ็นไทล์ | มัธยฐาน | 95th เปอร์เซ็นไทล์ | 99th เปอร์เซ็นไทล์ |
1.12 | 3.16 | 4.70 | 7.40 | 9.41 |
ทำความสะอาด
หลังจากที่คุณเรียกใช้โซลูชันนี้ ตรวจสอบให้แน่ใจว่าคุณได้ล้างทรัพยากร AWS ที่ไม่จำเป็นเพื่อหลีกเลี่ยงค่าใช้จ่ายที่ไม่คาดคิด คุณสามารถล้างทรัพยากรเหล่านี้ได้โดยใช้ SageMaker Python SDK ซึ่งอยู่ที่ส่วนท้ายของสมุดบันทึก การลบทรัพยากรเหล่านี้จะเป็นการป้องกันการเรียกเก็บเงินเพิ่มเติมสำหรับทรัพยากรที่คุณไม่ได้ใช้อีกต่อไป
สรุป
การคาดการณ์ที่แม่นยำสามารถส่งผลกระทบอย่างมากต่อการวางแผนในอนาคตของธุรกิจ และยังสามารถให้แนวทางแก้ไขปัญหาต่างๆ ในอุตสาหกรรมต่างๆ ได้อีกด้วย การสำรวจการคาดการณ์อนุกรมเวลาที่มีประสิทธิภาพด้วย MLOps บน SageMaker ได้แสดงให้เห็นวิธีการรับการคาดการณ์ที่แม่นยำและประสิทธิภาพของไปป์ไลน์การฝึกอบรมที่มีประสิทธิภาพ
โมเดลของเราซึ่งขับเคลื่อนโดย Temporal Convolutional Network พร้อมการกระจาย Spliced Binned Pareto ได้แสดงให้เห็นถึงความแม่นยำและความสามารถในการปรับตัวกับค่าผิดปกติโดยการปรับปรุง RMSE ขึ้น 61% บนฐาน, 56% บนส่วนท้ายด้านล่าง และ 30% บนส่วนท้ายด้านบนในช่วงเดียวกัน TCN พร้อมการกระจายแบบเกาส์เซียน ตัวเลขเหล่านี้ทำให้เป็นโซลูชันที่เชื่อถือได้สำหรับความต้องการในการพยากรณ์ในโลกแห่งความเป็นจริง
ไปป์ไลน์แสดงให้เห็นถึงคุณค่าของการทำให้คุณสมบัติ MLOps เป็นอัตโนมัติ ซึ่งสามารถลดความพยายามของมนุษย์ ทำให้สามารถทำซ้ำได้ และเร่งการใช้งานโมเดล คุณสมบัติ SageMaker เช่น SageMaker Pipelines, การปรับแต่งโมเดลอัตโนมัติ, การทดลอง SageMaker, SageMaker Model Registry และจุดสิ้นสุดทำให้สิ่งนี้เป็นไปได้
โซลูชันของเราใช้ TCN ขนาดเล็ก ซึ่งเพิ่มประสิทธิภาพไฮเปอร์พารามิเตอร์เพียงไม่กี่ตัวด้วยจำนวนเลเยอร์ที่จำกัด ซึ่งเพียงพอสำหรับการเน้นประสิทธิภาพของโมเดลอย่างมีประสิทธิภาพ สำหรับกรณีการใช้งานที่ซับซ้อนมากขึ้น ให้พิจารณาใช้ PyTorch หรือไลบรารีที่ใช้ PyTorch อื่นๆ เพื่อสร้าง TCN ที่ปรับแต่งได้มากขึ้นซึ่งสอดคล้องกับความต้องการเฉพาะของคุณ นอกจากนี้ยังจะเป็นประโยชน์ในการสำรวจสิ่งอื่น ๆ คุณสมบัติของ SageMaker เพื่อปรับปรุงการทำงานของไปป์ไลน์ของคุณให้ดียิ่งขึ้น เพื่อให้กระบวนการปรับใช้เป็นอัตโนมัติอย่างสมบูรณ์ คุณสามารถใช้ ชุดพัฒนา AWS Cloud (AWS CDK) หรือ การก่อตัวของ AWS Cloud.
สำหรับข้อมูลเพิ่มเติมเกี่ยวกับการคาดการณ์อนุกรมเวลาบน AWS โปรดดูที่ต่อไปนี้:
อย่าลังเลที่จะแสดงความคิดเห็นพร้อมกับความคิดหรือคำถามใด ๆ !
เกี่ยวกับผู้เขียน
นิค บิโซ เป็นวิศวกรการเรียนรู้ของเครื่องที่ AWS Professional Services เขาแก้ปัญหาความท้าทายด้านเทคนิคและองค์กรที่ซับซ้อนโดยใช้วิทยาศาสตร์ข้อมูลและวิศวกรรม นอกจากนี้ เขาสร้างและปรับใช้โมเดล AI/ML บน AWS Cloud ความหลงใหลของเขาขยายไปสู่ความกระตือรือร้นในการเดินทางและประสบการณ์ทางวัฒนธรรมที่หลากหลาย
อัลสตัน ชาน เป็นวิศวกรพัฒนาซอฟต์แวร์ที่ Amazon Ads เขาสร้างไปป์ไลน์แมชชีนเลิร์นนิงและระบบแนะนำสำหรับคำแนะนำผลิตภัณฑ์ในหน้ารายละเอียด นอกเหนือจากงาน เขาชอบการพัฒนาเกมและการปีนหน้าผา
มาเรีย มาซูด เชี่ยวชาญในการสร้างไปป์ไลน์ข้อมูลและการแสดงภาพข้อมูลที่ AWS Commerce Platform เธอมีความเชี่ยวชาญในด้านการเรียนรู้ของเครื่อง ซึ่งครอบคลุมการประมวลผลภาษาธรรมชาติ คอมพิวเตอร์วิทัศน์ และการวิเคราะห์อนุกรมเวลา มาเรียเป็นหัวใจของผู้ชื่นชอบความยั่งยืน เธอชอบทำสวนและเล่นกับสุนัขของเธอในช่วงเวลาหยุดทำงาน
- เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
- PlatoData.Network Vertical Generative Ai เพิ่มพลังให้กับตัวเอง เข้าถึงได้ที่นี่.
- เพลโตไอสตรีม. Web3 อัจฉริยะ ขยายความรู้ เข้าถึงได้ที่นี่.
- เพลโตESG. คาร์บอน, คลีนเทค, พลังงาน, สิ่งแวดล้อม แสงอาทิตย์, การจัดการของเสีย. เข้าถึงได้ที่นี่.
- เพลโตสุขภาพ เทคโนโลยีชีวภาพและข่าวกรองการทดลองทางคลินิก เข้าถึงได้ที่นี่.
- ที่มา: https://aws.amazon.com/blogs/machine-learning/robust-time-series-forecasting-with-mlops-on-amazon-sagemaker/
- :มี
- :เป็น
- :ไม่
- :ที่ไหน
- $ ขึ้น
- 100
- 5th
- 7
- a
- ความสามารถ
- เกี่ยวกับเรา
- เร่งความเร็ว
- เร่ง
- เข้า
- สามารถเข้าถึงได้
- คล่องแคล่ว
- ลงชื่อเข้าใช้
- ความถูกต้อง
- ถูกต้อง
- แม่นยำ
- ประสบความสำเร็จ
- ข้าม
- ที่เกิดขึ้นจริง
- วัฏจักร
- ปรับ
- นอกจากนี้
- นอกจากนี้
- ที่อยู่
- โฆษณา
- กับ
- ก่อน
- AI / ML
- ปลุก
- ขั้นตอนวิธี
- จัดแนว
- จัดแนว
- การจัดสรร
- การอนุญาต
- ช่วยให้
- ตาม
- ด้วย
- อเมซอน
- อเมซอน SageMaker
- Amazon Web Services
- an
- การวิเคราะห์
- วิเคราะห์
- และ
- คาดหวัง
- ใด
- เหมาะสม
- การใช้งาน
- การอนุมัติ
- สถาปัตยกรรม
- เป็น
- AS
- ประเมินผล
- ประเมิน
- สินทรัพย์
- ที่เกี่ยวข้อง
- At
- ผู้เขียน
- โดยอัตโนมัติ
- อัตโนมัติ
- อัตโนมัติ
- โดยอัตโนมัติ
- อัตโนมัติ
- ใช้ได้
- หลีกเลี่ยง
- AWS
- บริการระดับมืออาชีพของ AWS
- แกน
- ฐาน
- ตาม
- BE
- เพราะ
- รับ
- พฤติกรรม
- หลัง
- เป็นประโยชน์
- ประโยชน์ที่ได้รับ
- ที่ดีที่สุด
- ดีกว่า
- ระหว่าง
- อคติ
- BIN
- ทั้งสอง
- กว้าง
- การก่อสร้าง
- สร้าง
- ธุรกิจ
- แต่
- ปุ่ม
- by
- CAN
- ความสามารถในการ
- ความสามารถ
- สามารถ
- จับ
- จับ
- จับ
- กรณี
- เซลล์
- ความท้าทาย
- ท้าทาย
- เปลี่ยนแปลง
- ลักษณะ
- โหลด
- ทางเลือก
- คลิก
- ปีนเขา
- อย่างใกล้ชิด
- เมฆ
- โครงสร้างพื้นฐานคลาวด์
- รหัส
- ความเห็น
- พาณิชย์
- เปรียบเทียบ
- การเปรียบเทียบ
- สมบูรณ์
- เสร็จสิ้น
- ซับซ้อน
- ที่ถูกบุกรุก
- คอมพิวเตอร์
- วิสัยทัศน์คอมพิวเตอร์
- สภาพ
- เงื่อนไข
- ดำเนินการ
- พิจารณา
- ปลอบใจ
- คงที่
- สร้าง
- ภาชนะ
- สิ่งแวดล้อม
- ต่อเนื่องกัน
- แปลง
- ราคา
- ค่าใช้จ่าย
- ครอบคลุม
- สร้าง
- ที่สร้างขึ้น
- การสร้าง
- การสร้าง
- วิกฤติ
- สำคัญมาก
- ด้านวัฒนธรรม
- ปัจจุบัน
- การปรับแต่ง
- วงจร
- ข้อมูล
- การประมวลผล
- วิทยาศาสตร์ข้อมูล
- ที่ขับเคลื่อนด้วยข้อมูล
- ชุดข้อมูล
- วันที่
- การตัดสินใจ
- การตัดสินใจ
- ค่าเริ่มต้น
- การกำหนด
- ความต้องการ
- การพยากรณ์ความต้องการ
- แสดงให้เห็นถึง
- แสดงให้เห็นถึง
- หมายถึง
- การอ้างอิง
- ขึ้นอยู่กับ
- ปรับใช้
- นำไปใช้
- ปรับใช้
- การใช้งาน
- Deploys
- ได้รับการออกแบบ
- รายละเอียด
- รายละเอียด
- กำหนด
- แน่นอน
- การกำหนด
- พัฒนาการ
- ต่าง
- แตกต่าง
- กำกับการแสดง
- ภัยพิบัติ
- สนทนา
- ระยะทาง
- แตกต่าง
- การกระจาย
- การกระจาย
- หลาย
- แบ่งออก
- สุนัข
- DOT
- หยุดทำงาน
- ในระหว่าง
- แต่ละ
- มีประสิทธิภาพ
- มีประสิทธิภาพ
- ประสิทธิผล
- อย่างมีประสิทธิภาพ
- ที่มีประสิทธิภาพ
- อย่างมีประสิทธิภาพ
- ความพยายาม
- องค์ประกอบ
- จ้าง
- พนักงาน
- ให้อำนาจ
- ทำให้สามารถ
- ช่วยให้
- การเปิดใช้งาน
- ห้อมล้อม
- ปลาย
- จบสิ้น
- ปลายทาง
- พลังงาน
- วิศวกร
- ชั้นเยี่ยม
- เสริม
- การเสริมสร้าง
- ทำให้มั่นใจ
- คนที่กระตือรือร้น
- สิ่งแวดล้อม
- สภาพแวดล้อม
- ยุค
- ความผิดพลาด
- จำเป็น
- สร้าง
- ประเมิน
- การประเมินการ
- การประเมินผล
- เหตุการณ์
- เหตุการณ์
- การพัฒนา
- ตัวอย่าง
- ประสบการณ์
- การทดลอง
- ความชำนาญ
- การสำรวจ
- สำรวจ
- ขยาย
- กว้างขวาง
- สุดโต่ง
- อำนวยความสะดวก
- ล้ม
- ลักษณะ
- คุณสมบัติ
- สองสาม
- รูป
- ตัวเลข
- ทางการเงิน
- สถาบันการเงิน
- หา
- ชื่อจริง
- พอดี
- ปฏิบัติตาม
- ดังต่อไปนี้
- สำหรับ
- พยากรณ์
- การคาดการณ์
- ฟอร์ม
- พบ
- รากฐาน
- ฟรี
- เสรีภาพ
- ราคาเริ่มต้นที่
- อย่างเต็มที่
- ฟังก์ชั่น
- ต่อไป
- นอกจากนี้
- อนาคต
- ได้รับ
- เกม
- เกม-การพัฒนา
- วัด
- Gen
- สร้าง
- สร้าง
- การสร้าง
- รุ่น
- กำหนด
- Go
- ควบคุม
- GPD
- ทุน
- กราฟ
- จัดการ
- เทียม
- การควบคุม
- มี
- he
- การดูแลสุขภาพ
- หัวใจสำคัญ
- จะช่วยให้
- เธอ
- โปรดคลิกที่นี่เพื่ออ่านรายละเอียดเพิ่มเติม
- ไฮไลต์
- อย่างสูง
- ของเขา
- ทางประวัติศาสตร์
- ขอบฟ้า
- โฮสติ้ง
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- อย่างไรก็ตาม
- HTML
- HTTPS
- เป็นมนุษย์
- การปรับแต่งไฮเปอร์พารามิเตอร์
- แยกแยะ
- แสดงให้เห็นถึง
- ภาพ
- ส่งผลกระทบ
- การดำเนินการ
- สำคัญ
- การปรับปรุง
- ช่วยเพิ่ม
- การปรับปรุง
- in
- รวมเข้าด้วยกัน
- เพิ่ม
- อิสระ
- บ่งชี้ว่า
- อุตสาหกรรม
- มีอิทธิพล
- ข้อมูล
- แจ้ง
- โครงสร้างพื้นฐาน
- อินพุต
- ความเข้าใจ
- ข้อมูลเชิงลึก
- แทน
- สถาบัน
- แบบบูรณาการ
- บูรณาการ
- อินเตอร์เฟซ
- เข้าไป
- ที่เกี่ยวข้องกับ
- IT
- ซ้ำ
- ITS
- การสัมภาษณ์
- งาน
- jpg
- เพียงแค่
- การเก็บรักษา
- เก็บไว้
- คีย์
- ภาษา
- ใหญ่
- ชั้น
- นำ
- ได้เรียนรู้
- การเรียนรู้
- ทิ้ง
- ซ้าย
- ความยาว
- ห้องสมุด
- กดไลก์
- ความเป็นไปได้
- น่าจะ
- ถูก จำกัด
- ที่ตั้งอยู่
- อีกต่อไป
- การสูญเสีย
- ลด
- ต่ำที่สุด
- เครื่อง
- เรียนรู้เครื่อง
- ทำ
- การทำ
- จัดการ
- การจัดการ
- การจัดการ
- การจัดการ
- คู่มือ
- มาเรีย
- ตลาด
- ตลาดล่ม
- หมายความ
- มีความหมาย
- เมตาดาต้า
- วิธี
- ระเบียบวิธี
- วิธีการ
- เมตริก
- พลาด
- ML
- ม.ป.ป
- แบบ
- โมเดล
- โหมด
- การตรวจสอบ
- ข้อมูลเพิ่มเติม
- มากที่สุด
- หลาย
- โดยธรรมชาติ
- ประมวลผลภาษาธรรมชาติ
- ธรรมชาติ
- ความต้องการ
- การทรมาน
- เครือข่าย
- ใหม่
- ถัดไป
- รุ่นต่อไป
- NFL
- ไม่
- สัญญาณรบกวน
- สมุดบันทึก
- จำนวน
- มากมาย
- วัตถุ
- สังเกต
- ได้รับ
- of
- เสนอ
- on
- ตามความต้องการ
- ONE
- เพียง
- เปิด
- โอกาส
- ดีที่สุด
- เพิ่มประสิทธิภาพ
- การเพิ่มประสิทธิภาพ
- or
- องค์กร
- จัดงาน
- เป็นต้นฉบับ
- อื่นๆ
- ของเรา
- ผลลัพธ์
- เอาท์พุต
- ด้านนอก
- เกิน
- ทั้งหมด
- แพ็คเกจ
- บรรจุภัณฑ์
- หน้า
- การระบาด
- กระดาษ
- Parallel
- พารามิเตอร์
- พารามิเตอร์
- Pareto
- ที่ผ่านไป
- กิเลส
- อดีต
- รูปแบบ
- รูปแบบไฟล์ PDF
- สมบูรณ์
- การปฏิบัติ
- ท่อ
- การวางแผน
- เวที
- เพลโต
- เพลโตดาต้าอินเทลลิเจนซ์
- เพลโตดาต้า
- เล่น
- เล่น
- จุด
- จุด
- เป็นไปได้
- โพสต์
- อำนาจ
- ขับเคลื่อน
- ที่มีประสิทธิภาพ
- คาดการณ์
- ที่คาดการณ์
- คำทำนาย
- การคาดการณ์
- คาดการณ์
- นำเสนอ
- ป้องกัน
- ก่อน
- ราคา
- จัดลำดับความสำคัญ
- ปัญหาที่เกิดขึ้น
- กระบวนการ
- การประมวลผล
- ผลิตภัณฑ์
- การผลิต
- มืออาชีพ
- ที่พิสูจน์แล้ว
- ให้
- ให้
- ให้
- การให้
- หลาม
- ไฟฉาย
- ยก
- สุ่ม
- พิสัย
- อย่างรวดเร็ว
- คะแนน
- พร้อม
- เตรียมพร้อม
- จริง
- โลกแห่งความจริง
- เรียลไทม์
- เมื่อเร็ว ๆ นี้
- แนะนำ
- แนะนำ
- สีแดง
- ลด
- ลด
- อ้างอิง
- หมายถึง
- ปรับแต่ง
- ภูมิภาค
- รีจิสทรี
- ตรงประเด็น
- น่าเชื่อถือ
- วางใจ
- ยังคง
- แทนที่
- รายงาน
- แสดง
- เป็นตัวแทนของ
- แสดงให้เห็นถึง
- ทรัพยากร
- แหล่งข้อมูล
- ตามลำดับ
- การตอบสนอง
- ผล
- ผลสอบ
- ความเสี่ยง
- การบริหาจัดการความเสี่ยง
- แข็งแรง
- ความแข็งแรง
- หิน
- บทบาท
- ราก
- วิ่ง
- ทำงาน
- ความปลอดภัย
- sagemaker
- ท่อส่ง SageMaker
- เดียวกัน
- ลด
- scalability
- ขนาด
- สถานการณ์
- วิทยาศาสตร์
- ต้นฉบับ
- SDK
- ไร้รอยต่อ
- ค้นหา
- ภาค
- ปลอดภัย
- เลือก
- การเลือก
- ชุด
- ให้บริการ
- บริการ
- ชุด
- ชุดอุปกรณ์
- รูปร่าง
- เธอ
- โชว์
- แสดง
- ลงชื่อ
- อย่างมีความหมาย
- ง่าย
- พร้อมกัน
- ขนาด
- ซอฟต์แวร์
- การพัฒนาซอฟต์แวร์
- ทางออก
- โซลูชัน
- แก้ปัญหา
- ความเชี่ยวชาญ
- โดยเฉพาะ
- เฉพาะ
- ที่ระบุไว้
- แยก
- กระจาย
- squared
- ระยะ
- Status
- เข้าพัก
- ขั้นตอน
- ขั้นตอน
- สต็อก
- การเก็บรักษา
- ร้านค้า
- เพรียวลม
- คล่องตัว
- ต่อจากนั้น
- ความสำเร็จ
- อย่างเช่น
- เพียงพอ
- แน่ใจ
- การพัฒนาอย่างยั่งยืน
- สังเคราะห์
- ระบบ
- ตาราง
- งาน
- วิชาการ
- ทดสอบ
- การทดสอบ
- การทดสอบ
- ที่
- พื้นที่
- โลก
- ของพวกเขา
- แล้วก็
- ดังนั้น
- ล้อยางขัดเหล่านี้ติดตั้งบนแกน XNUMX (มม.) ผลิตภัณฑ์นี้ถูกผลิตในหลายรูปทรง และหลากหลายเบอร์ความแน่นหนาของปริมาณอนุภาคขัดของมัน จะทำให้ท่านได้รับประสิทธิภาพสูงในการขัดและการใช้งานที่ยาวนาน
- นี้
- ตลอด
- เวลา
- อนุกรมเวลา
- ไปยัง
- การติดตาม
- เทรด
- การจราจร
- รถไฟ
- ผ่านการฝึกอบรม
- การฝึกอบรม
- การเดินทาง
- สอง
- ชนิด
- ได้รับ
- ไม่คาดฝัน
- ไม่จำเป็น
- อัปโหลด
- us
- ใช้
- มือสอง
- ที่ใช้งานง่าย
- ผู้ใช้
- การใช้
- นำไปใช้
- ใช้ประโยชน์
- การใช้ประโยชน์
- การตรวจสอบ
- ความคุ้มค่า
- ความคุ้มค่า
- ความหลากหลาย
- ต่างๆ
- รุ่น
- รุ่น
- ผ่านทาง
- วิสัยทัศน์
- จำเป็น
- vs
- คือ
- we
- สภาพอากาศ
- เว็บ
- บริการเว็บ
- ว่า
- ที่
- กว้าง
- จะ
- กับ
- ภายใน
- งาน
- เวิร์กโฟลว์
- ขั้นตอนการทำงาน
- การทำงาน
- โลก
- จะ
- คุณ
- ของคุณ
- ลมทะเล
- เป็นศูนย์