การพยากรณ์อนุกรมเวลาหมายถึงกระบวนการทำนายค่าในอนาคตของข้อมูลอนุกรมเวลา (ข้อมูลที่รวบรวมตามช่วงเวลาปกติเมื่อเวลาผ่านไป) วิธีการอย่างง่ายสำหรับการคาดการณ์อนุกรมเวลาใช้ค่าในอดีตของตัวแปรเดียวกันซึ่งจำเป็นต้องทำนายค่าในอนาคต ในขณะที่วิธีที่ใช้แมชชีนเลิร์นนิง (ML) ที่ซับซ้อนกว่าจะใช้ข้อมูลเพิ่มเติม เช่น ข้อมูลอนุกรมเวลาของตัวแปรที่เกี่ยวข้อง
พยากรณ์อเมซอน เป็นบริการพยากรณ์อนุกรมเวลาแบบ ML ที่มีอัลกอริทึมซึ่งอิงจากประสบการณ์การพยากรณ์กว่า 20 ปีที่ใช้โดย Amazon.comนำเทคโนโลยีเดียวกับที่ใช้ใน Amazon มาสู่นักพัฒนาในฐานะบริการที่มีการจัดการเต็มรูปแบบ ทำให้ไม่จำเป็นต้องจัดการทรัพยากร Forecast ใช้ ML เพื่อเรียนรู้ไม่เพียงแต่อัลกอริทึมที่ดีที่สุดสำหรับแต่ละรายการเท่านั้น แต่ยังรวมถึงกลุ่มอัลกอริทึมที่ดีที่สุดสำหรับแต่ละรายการด้วย สร้างแบบจำลองที่ดีที่สุดสำหรับข้อมูลของคุณโดยอัตโนมัติ
โพสต์นี้อธิบายวิธีการปรับใช้ปริมาณงานการคาดการณ์ที่เกิดซ้ำ (ปริมาณงานการคาดการณ์อนุกรมเวลา) โดยไม่ใช้รหัส การก่อตัวของ AWS Cloud, ฟังก์ชันขั้นตอนของ AWSและ ผู้จัดการระบบ AWS. วิธีการที่นำเสนอนี้ช่วยให้คุณสร้างไปป์ไลน์ที่ช่วยให้คุณสามารถใช้เวิร์กโฟลว์เดียวกันได้ โดยเริ่มตั้งแต่วันแรกของการทดลองการคาดการณ์อนุกรมเวลาของคุณ ผ่านการปรับใช้แบบจำลองในการผลิต
การพยากรณ์อนุกรมเวลาโดยใช้ Forecast
เวิร์กโฟลว์สำหรับการพยากรณ์เกี่ยวข้องกับแนวคิดทั่วไปต่อไปนี้:
- การนำเข้าชุดข้อมูล – ในการพยากรณ์ ก กลุ่มชุดข้อมูล เป็นการรวบรวมชุดข้อมูล สคีมา และผลการพยากรณ์ที่ไปด้วยกัน แต่ละกลุ่มชุดข้อมูลสามารถมีชุดข้อมูลได้สูงสุดสามชุด ชุดละหนึ่งชุด ชุด ประเภท: อนุกรมเวลาเป้าหมาย (TTS) อนุกรมเวลาที่เกี่ยวข้อง (RTS) และข้อมูลเมตาของรายการ ชุดข้อมูลคือชุดของไฟล์ที่มีข้อมูลที่เกี่ยวข้องกับงานการคาดการณ์ ชุดข้อมูลต้องเป็นไปตามสคีมาที่กำหนดไว้ในการคาดการณ์ สำหรับรายละเอียดเพิ่มเติม โปรดดูที่ การนำเข้าชุดข้อมูล.
- ทำนายการฝึกอบรม - ตัวทำนาย เป็นแบบจำลองที่ได้รับการฝึกฝนด้านการพยากรณ์ที่ใช้สำหรับการคาดการณ์ตามข้อมูลอนุกรมเวลา ในระหว่างการฝึกอบรม การพยากรณ์จะคำนวณเมตริกความแม่นยำที่คุณใช้เพื่อประเมินตัวทำนายและตัดสินใจว่าจะใช้ตัวทำนายเพื่อสร้างการคาดการณ์หรือไม่ สำหรับข้อมูลเพิ่มเติม โปรดดูที่ ตัวทำนายการฝึกอบรม.
- กำลังสร้างการคาดการณ์ – จากนั้นคุณสามารถใช้แบบจำลองที่ผ่านการฝึกอบรมเพื่อสร้างการคาดการณ์สำหรับขอบฟ้าเวลาในอนาคต ซึ่งเรียกว่า ขอบฟ้าพยากรณ์. การพยากรณ์ให้การพยากรณ์ที่ควอไทล์ที่ระบุต่างๆ ตัวอย่างเช่น การคาดการณ์ที่ 0.90 ควอไทล์จะประมาณค่าที่ต่ำกว่าค่าที่สังเกตได้ 90% ของเวลา ตามค่าเริ่มต้น การพยากรณ์จะใช้ค่าต่อไปนี้สำหรับประเภทการคาดการณ์ของตัวทำนาย: 0.1 (P10), 0.5 (P50) และ 0.9 (P90) การคาดการณ์ที่ปริมาณต่างๆ โดยทั่วไปจะใช้เพื่อระบุช่วงเวลาการคาดการณ์ (ขอบเขตบนและล่างสำหรับการคาดการณ์) เพื่ออธิบายความไม่แน่นอนของการคาดการณ์
คุณสามารถใช้เวิร์กโฟลว์นี้ในการพยากรณ์ได้จาก คอนโซลการจัดการ AWSที่ อินเทอร์เฟซบรรทัดคำสั่ง AWS AWS (AWS CLI) ผ่าน การเรียก API โดยใช้โน้ตบุ๊ก Pythonหรือผ่านทางโซลูชันระบบอัตโนมัติ เดอะ ปลอบใจ และ AWS CLI วิธีการต่างๆ เหมาะที่สุดสำหรับการทดลองอย่างรวดเร็วเพื่อตรวจสอบความเป็นไปได้ของการพยากรณ์อนุกรมเวลาโดยใช้ข้อมูลของคุณ วิธีการเขียนโน้ตด้วย Python นั้นยอดเยี่ยมสำหรับนักวิทยาศาสตร์ข้อมูลที่คุ้นเคยกับโน้ตบุ๊กและการเขียนโค้ด Jupyter อยู่แล้ว ทั้งยังให้การควบคุมและการปรับแต่งสูงสุด อย่างไรก็ตาม วิธีการที่ใช้โน้ตบุ๊กนั้นยากต่อการดำเนินการ แนวทางการทำงานอัตโนมัติของเราช่วยอำนวยความสะดวกในการทดลองอย่างรวดเร็ว ขจัดงานซ้ำซาก และช่วยให้เปลี่ยนระหว่างสภาพแวดล้อมต่างๆ ได้ง่ายขึ้น (การพัฒนา การจัดเตรียม การผลิต)
ในโพสต์นี้ เราอธิบายแนวทางการทำงานอัตโนมัติเพื่อใช้การพยากรณ์ที่ให้คุณใช้ข้อมูลของคุณเองและจัดเตรียมเวิร์กโฟลว์เดียวที่คุณสามารถใช้ได้อย่างราบรื่นตลอดวงจรชีวิตของการพัฒนาโซลูชันการพยากรณ์ของคุณ ตั้งแต่วันแรกของการทดลองไปจนถึงการปรับใช้ ของโซลูชันในสภาพแวดล้อมการผลิตของคุณ
ภาพรวมโซลูชัน
ในส่วนต่อไปนี้ เราจะอธิบายเวิร์กโฟลว์แบบ end-to-end ที่สมบูรณ์ซึ่งทำหน้าที่เป็นเทมเพลตเพื่อติดตามการปรับใช้แบบจำลองการคาดการณ์อนุกรมเวลาแบบอัตโนมัติโดยใช้การคาดการณ์ เวิร์กโฟลว์นี้สร้างจุดข้อมูลที่คาดการณ์จากชุดข้อมูลอินพุตแบบโอเพ่นซอร์ส อย่างไรก็ตาม คุณสามารถใช้เวิร์กโฟลว์เดียวกันสำหรับข้อมูลของคุณเองได้ ตราบใดที่คุณสามารถจัดรูปแบบข้อมูลของคุณตามขั้นตอนที่ระบุไว้ในโพสต์นี้ หลังจากที่คุณอัปโหลดข้อมูล เราจะแนะนำขั้นตอนในการสร้างกลุ่มชุดข้อมูลการคาดการณ์ นำเข้าข้อมูล ฝึกโมเดล ML และสร้างจุดข้อมูลที่คาดการณ์เกี่ยวกับขอบเขตเวลาที่มองไม่เห็นในอนาคตจากข้อมูลดิบ ทั้งหมดนี้เป็นไปได้โดยไม่ต้องเขียนหรือคอมไพล์โค้ด
ไดอะแกรมต่อไปนี้แสดงเวิร์กโฟลว์การคาดการณ์
โซลูชันปรับใช้โดยใช้เทมเพลต CloudFormation สองเทมเพลต: เทมเพลตการพึ่งพาและเทมเพลตปริมาณงาน CloudFormation ช่วยให้คุณสามารถปรับใช้โครงสร้างพื้นฐาน AWS ได้อย่างคาดการณ์และทำซ้ำๆ โดยใช้เทมเพลตที่อธิบายถึงทรัพยากรที่จะปรับใช้ เทมเพลตที่ปรับใช้เรียกว่า กอง. เราได้ดูแลการกำหนดโครงสร้างพื้นฐานในโซลูชันให้กับคุณในเทมเพลตที่มีให้ทั้งสองแบบ เท็มเพลตการขึ้นต่อกันกำหนดรีซอร์สข้อกำหนดเบื้องต้นที่ใช้โดยเท็มเพลตเวิร์กโหลด เช่น บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon ที่ฝากข้อมูล (Amazon S3) สำหรับการจัดเก็บวัตถุและ AWS Identity และการจัดการการเข้าถึง (IAM) สิทธิ์สำหรับการดำเนินการ AWS API ทรัพยากรที่กำหนดในเทมเพลตการขึ้นต่อกันอาจถูกแชร์โดยเทมเพลตปริมาณงานหลายรายการ เทมเพลตภาระงานกำหนดทรัพยากรที่ใช้ในการนำเข้าข้อมูล ฝึกตัวทำนาย และสร้างการคาดการณ์
ปรับใช้เทมเพลต CloudFormation ที่ขึ้นต่อกัน
ขั้นแรก เรามาปรับใช้เทมเพลตการขึ้นต่อกันเพื่อสร้างทรัพยากรข้อกำหนดเบื้องต้นของเรา เทมเพลตการพึ่งพาปรับใช้บัคเก็ต S3 ที่เป็นทางเลือก AWS แลมบ์ดา ฟังก์ชัน และบทบาท IAM Amazon S3 เป็นบริการพื้นที่จัดเก็บอ็อบเจกต์ที่มีต้นทุนต่ำ พร้อมใช้งานสูง ยืดหยุ่น เราใช้บัคเก็ต S3 ในโซลูชันนี้เพื่อจัดเก็บข้อมูลต้นฉบับและทริกเกอร์เวิร์กโฟลว์ ส่งผลให้เกิดการคาดการณ์ Lambda เป็นบริการประมวลผลแบบไร้เซิร์ฟเวอร์ที่ขับเคลื่อนด้วยเหตุการณ์ ซึ่งช่วยให้คุณรันโค้ดได้โดยไม่ต้องจัดเตรียมหรือจัดการเซิร์ฟเวอร์ เทมเพลตการพึ่งพามีฟังก์ชันสำหรับทำสิ่งต่างๆ เช่น สร้างกลุ่มชุดข้อมูลใน Forecast และล้างอ็อบเจ็กต์ภายในบัคเก็ต S3 ก่อนที่จะลบบัคเก็ต บทบาท IAM กำหนดสิทธิ์ภายใน AWS สำหรับผู้ใช้และบริการ เทมเพลตการพึ่งพาปรับใช้บทบาทที่จะใช้โดย Lambda และอีกบทบาทหนึ่งสำหรับ Step Functions ซึ่งเป็นบริการจัดการเวิร์กโฟลว์ที่จะประสานงานงานของการนำเข้าและประมวลผลข้อมูล ตลอดจนการฝึกอบรมตัวทำนายและการอนุมานโดยใช้การคาดการณ์
ทำตามขั้นตอนต่อไปนี้เพื่อปรับใช้เท็มเพลตการขึ้นต่อกัน:
- บนคอนโซล เลือกที่ต้องการ ภูมิภาคที่สนับสนุนโดย Forecast สำหรับการปรับใช้โซลูชัน
- บนคอนโซล AWS CloudFormation ให้เลือก สแต็ค ในบานหน้าต่างนำทาง
- Choose สร้าง stack และเลือก ด้วยทรัพยากรใหม่ (มาตรฐาน).
- สำหรับ แหล่งที่มาของเทมเพลตให้เลือก URL ของ Amazon S3.
- ป้อน URL เทมเพลต:
https://amazon-forecast-samples.s3.us-west-2.amazonaws.com/ml_ops/forecast-mlops-dependency.yaml
. - Choose ถัดไป.
- สำหรับ ชื่อกองป้อน
forecast-mlops-dependency
. - ภายใต้ พารามิเตอร์เลือกใช้บัคเก็ต S3 ที่มีอยู่หรือสร้างใหม่ จากนั้นระบุชื่อบัคเก็ต
- Choose ถัดไป.
- Choose ถัดไป เพื่อยอมรับตัวเลือกสแต็กเริ่มต้น
- เลือกกล่องกาเครื่องหมายเพื่อรับทราบสแต็กสร้างทรัพยากร IAM จากนั้นเลือก สร้าง stack เพื่อปรับใช้เทมเพลต
คุณควรเห็นการปรับใช้เทมเพลตเป็นไฟล์ forecast-mlops-dependency
ซ้อนกัน. เมื่อสถานะเปลี่ยนเป็น CREATE_COMPLETE
คุณอาจย้ายไปยังขั้นตอนถัดไป
ปรับใช้เทมเพลต CloudFormation สำหรับภาระงาน
ต่อไป มาปรับใช้เทมเพลตภาระงานเพื่อสร้างทรัพยากรที่จำเป็นของเรา เทมเพลตภาระงานปรับใช้เครื่องสถานะ Step Functions สำหรับการจัดการเวิร์กโฟลว์ ที่เก็บพารามิเตอร์ AWS Systems Manager พารามิเตอร์เพื่อเก็บค่าพารามิเตอร์จาก AWS CloudFormation และแจ้งเวิร์กโฟลว์ บริการแจ้งเตือนแบบง่ายของ Amazon หัวข้อ (Amazon SNS) สำหรับการแจ้งเตือนเวิร์กโฟลว์ และบทบาท IAM สำหรับการอนุญาตบริการเวิร์กโฟลว์
โซลูชันสร้างเครื่องสถานะห้าเครื่อง:
- CreateDatasetGroupStateMachine – สร้างกลุ่มชุดข้อมูลพยากรณ์สำหรับข้อมูลที่จะนำเข้า
- CreateImportDatasetStateMachine – นำเข้าแหล่งข้อมูลจาก Amazon S3 ไปยังกลุ่มชุดข้อมูลสำหรับการฝึกอบรม
- สร้างเครื่อง ForecastState – จัดการงานที่จำเป็นในการฝึกอบรมตัวทำนายและสร้างการคาดการณ์
- AthenaConnectorStateMachine – ช่วยให้คุณสามารถเขียนแบบสอบถาม SQL ด้วย อเมซอน อาเธน่า ตัวเชื่อมต่อกับข้อมูลที่ดินใน Amazon S3 นี่เป็นกระบวนการทางเลือกในการรับข้อมูลประวัติในรูปแบบที่จำเป็นสำหรับ Forecast โดยใช้ Athena แทนการวางไฟล์ด้วยตนเองใน Amazon S3
- StepFunctionWorkflowStateMachine – ประสานงานโทรออกไปยังเครื่องสถานะอีกสี่เครื่องและจัดการเวิร์กโฟลว์โดยรวม
Parameter Store ซึ่งเป็นความสามารถของ Systems Manager มอบพื้นที่จัดเก็บข้อมูลแบบลำดับชั้นที่ปลอดภัยและการดึงโปรแกรมสำหรับการจัดการข้อมูลการกำหนดค่าและการจัดการความลับ ที่เก็บพารามิเตอร์ใช้เพื่อจัดเก็บพารามิเตอร์ที่ตั้งค่าไว้ในสแต็กภาระงาน เช่นเดียวกับพารามิเตอร์อื่นๆ ที่ใช้โดยเวิร์กโฟลว์
ทำตามขั้นตอนต่อไปนี้เพื่อปรับใช้เทมเพลตภาระงาน:
- บนคอนโซล AWS CloudFormation ให้เลือก สแต็ค ในบานหน้าต่างนำทาง
- Choose สร้าง stack และเลือก ด้วยทรัพยากรใหม่ (มาตรฐาน).
- สำหรับ แหล่งที่มาของเทมเพลตให้เลือก URL ของ Amazon S3.
- ป้อน URL เทมเพลต:
https://amazon-forecast-samples.s3.us-west-2.amazonaws.com/ml_ops/forecast-mlops-solution-guidance.yaml
. - Choose ถัดไป.
- สำหรับ ชื่อกอง, ป้อนชื่อ
- ยอมรับค่าเริ่มต้นหรือแก้ไขพารามิเตอร์
อย่าลืมป้อนชื่อบัคเก็ต S3 จากสแต็คการขึ้นต่อกัน ถัง S3 และที่อยู่อีเมลที่ถูกต้องสำหรับ จุดสิ้นสุดของ SNS แม้ว่าคุณจะยอมรับค่าพารามิเตอร์เริ่มต้นก็ตาม
ตารางต่อไปนี้อธิบายพารามิเตอร์แต่ละตัว
พารามิเตอร์ | รายละเอียด | ข้อมูลเพิ่มเติม |
DatasetGroupFrequencyRTS |
ความถี่ของการรวบรวมข้อมูลสำหรับชุดข้อมูล RTS | . |
DatasetGroupFrequencyTTS |
ความถี่ของการรวบรวมข้อมูลสำหรับชุดข้อมูล TTS | . |
DatasetGroupName |
ชื่อย่อสำหรับกลุ่มชุดข้อมูล เวิร์กโหลดที่มีในตัวเอง | สร้างกลุ่มชุดข้อมูล |
DatasetIncludeItem |
ระบุว่าคุณต้องการให้ข้อมูลเมตาของรายการสำหรับกรณีการใช้งานนี้หรือไม่ | . |
DatasetIncludeRTS |
ระบุว่าคุณต้องการระบุอนุกรมเวลาที่เกี่ยวข้องสำหรับกรณีการใช้งานนี้หรือไม่ | . |
ForecastForecastTypes |
เมื่องาน CreateForecast ทำงาน สิ่งนี้จะประกาศว่าควอไทล์ใดที่จะสร้างการคาดคะเน คุณสามารถเลือกได้สูงสุดห้าค่าในอาร์เรย์นี้ แก้ไขค่านี้เพื่อรวมค่าตามความต้องการ | สร้างการคาดการณ์ |
PredictorAttributeConfigs |
สำหรับตัวแปรเป้าหมายใน TTS และแต่ละฟิลด์ตัวเลขในชุดข้อมูล RTS จะต้องสร้างเรกคอร์ดสำหรับแต่ละช่วงเวลาสำหรับแต่ละรายการ การกำหนดค่านี้ช่วยกำหนดวิธีการเติมระเบียนที่ขาดหายไป: ด้วย 0, NaN หรืออื่นๆ เราขอแนะนำให้ยื่นช่องว่างใน TTS ด้วย NaN แทนที่จะเป็น 0 เมื่อใช้ 0 แบบจำลองอาจเรียนรู้อย่างผิดๆ เพื่อให้การคาดการณ์มีอคติเป็น 0 NaN คือวิธีส่งมอบคำแนะนำ ปรึกษา AWS Solutions Architect ของคุณหากมีคำถามใดๆ เกี่ยวกับเรื่องนี้ | สร้างตัวทำนายอัตโนมัติ |
PredictorExplainPredictor |
ค่าที่ถูกต้องคือ TRUE หรือ FALSE สิ่งเหล่านี้กำหนดว่าเปิดใช้งานความสามารถในการอธิบายสำหรับตัวทำนายของคุณหรือไม่ สิ่งนี้สามารถช่วยให้คุณเข้าใจว่าค่าใน RTS และข้อมูลเมตาของรายการมีอิทธิพลต่อโมเดลอย่างไร | คำอธิบาย |
PredictorForecastDimensions |
คุณอาจต้องการพยากรณ์ที่ละเอียดกว่ารายการ ที่นี่ คุณสามารถระบุขนาด เช่น สถานที่ ศูนย์ต้นทุน หรืออะไรก็ตามที่คุณต้องการ สิ่งนี้จะต้องสอดคล้องกับขนาดใน RTS และ TTS ของคุณ โปรดทราบว่าหากคุณไม่มีมิติข้อมูล พารามิเตอร์ที่ถูกต้องจะเป็นค่า null โดยตัวมันเองและเป็นตัวพิมพ์เล็กทั้งหมด null เป็นคำสงวนที่ช่วยให้ระบบรู้ว่าไม่มีพารามิเตอร์สำหรับมิติ | สร้างตัวทำนายอัตโนมัติ |
PredictorForecastFrequency |
กำหนดสเกลเวลาที่จะสร้างแบบจำลองและการคาดคะเนของคุณ เช่น รายวัน รายสัปดาห์ หรือรายเดือน เมนูแบบเลื่อนลงช่วยให้คุณเลือกค่าที่อนุญาต สิ่งนี้จะต้องสอดคล้องกับมาตราส่วนเวลา RTS ของคุณ หากคุณใช้ RTS | สร้างตัวทำนายอัตโนมัติ |
PredictorForecastHorizon |
จำนวนขั้นตอนเวลาที่แบบจำลองคาดการณ์ ขอบฟ้าการคาดการณ์เรียกอีกอย่างว่า ความยาวการคาดการณ์. | สร้างตัวทำนายอัตโนมัติ |
PredictorForecastOptimizationMetric |
กำหนดเมตริกความแม่นยำที่ใช้เพื่อเพิ่มประสิทธิภาพตัวทำนาย เมนูแบบเลื่อนลงจะช่วยคุณเลือกยอดคงเหลือการสูญเสียเชิงปริมาณแบบถ่วงน้ำหนักสำหรับการคาดการณ์ที่มากไปหรือน้อยไป RMSE เกี่ยวข้องกับหน่วย และ WAPE/MAPE เกี่ยวข้องกับข้อผิดพลาดเป็นเปอร์เซ็นต์ | สร้างตัวทำนายอัตโนมัติ |
PredictorForecastTypes |
เมื่อ CreateAutoPredictor การรันงาน เป็นการประกาศว่าควอไทล์ใดที่ใช้ในการฝึกจุดการคาดคะเน คุณสามารถเลือกค่าได้สูงสุดห้าค่าในอาร์เรย์นี้ ช่วยให้คุณสร้างสมดุลระหว่างการคาดการณ์ที่สูงและต่ำ แก้ไขค่านี้เพื่อรวมค่าตามความต้องการ |
สร้างตัวทำนายอัตโนมัติ |
S3Bucket |
ชื่อของบัคเก็ต S3 ที่เขียนข้อมูลอินพุตและข้อมูลเอาต์พุตสำหรับเวิร์กโหลดนี้ | . |
SNSEndpoint |
ที่อยู่อีเมลที่ถูกต้องเพื่อรับการแจ้งเตือนเมื่องานทำนายและพยากรณ์เสร็จสิ้น | . |
SchemaITEM |
ซึ่งจะกำหนดลำดับทางกายภาพ ชื่อคอลัมน์ และประเภทข้อมูลสำหรับชุดข้อมูลข้อมูลเมตาของสินค้า นี่เป็นไฟล์ทางเลือกที่มีให้ในตัวอย่างโซลูชัน | สร้างชุดข้อมูล |
SchemaRTS |
ซึ่งจะกำหนดลำดับทางกายภาพ ชื่อคอลัมน์ และประเภทข้อมูลสำหรับชุดข้อมูล RTS ของคุณ ขนาดต้องสอดคล้องกับ TTS ของคุณ ไทม์เกรนของไฟล์นี้ควบคุมไทม์เกรนที่สามารถทำการคาดการณ์ได้ นี่เป็นไฟล์ทางเลือกที่มีให้ในตัวอย่างโซลูชัน | สร้างชุดข้อมูล |
SchemaTTS |
ซึ่งจะกำหนดลำดับทางกายภาพ ชื่อคอลัมน์ และประเภทข้อมูลสำหรับชุดข้อมูล TTS ของคุณ ซึ่งเป็นชุดข้อมูลที่จำเป็นเท่านั้น ไฟล์ต้องมีค่าเป้าหมาย การประทับเวลา และรายการเป็นอย่างน้อย | สร้างชุดข้อมูล |
TimestampFormatRTS |
กำหนดรูปแบบการประทับเวลาที่ให้ไว้ในไฟล์ RTS | สร้างชุดข้อมูลนำเข้างาน |
TimestampFormatTTS |
กำหนดรูปแบบการประทับเวลาที่ระบุในไฟล์ TTS | สร้างชุดข้อมูลนำเข้างาน |
- Choose ถัดไป เพื่อยอมรับตัวเลือกสแต็กเริ่มต้น
- เลือกกล่องกาเครื่องหมายเพื่อรับทราบสแต็กสร้างทรัพยากร IAM จากนั้นเลือก สร้าง stack เพื่อปรับใช้เทมเพลต
คุณควรเห็นเทมเพลตปรับใช้เป็นชื่อสแต็กที่คุณเลือกไว้ก่อนหน้านี้ เมื่อสถานะเปลี่ยนเป็น CREATE_COMPLETE
คุณอาจย้ายไปยังขั้นตอนการอัปโหลดข้อมูล
อัพโหลดข้อมูล
ในส่วนก่อนหน้านี้ คุณได้ระบุชื่อสแต็กและบัคเก็ต S3 ส่วนนี้อธิบายวิธีการฝากชุดข้อมูลที่เปิดเผยต่อสาธารณะ ความต้องการอาหาร ในถังนี้ หากคุณกำลังใช้ชุดข้อมูลของคุณเอง โปรดดูที่ ชุดข้อมูล เพื่อเตรียมชุดข้อมูลของคุณในรูปแบบที่คาดว่าการปรับใช้ ชุดข้อมูลต้องมีอนุกรมเวลาเป้าหมายเป็นอย่างน้อย และเผื่อเลือก อนุกรมเวลาที่เกี่ยวข้องและข้อมูลเมตาของรายการ:
- TTS เป็นข้อมูลอนุกรมเวลาที่รวมฟิลด์ที่คุณต้องการสร้างการคาดการณ์ ฟิลด์นี้เรียกว่า ฟิลด์เป้าหมาย
- RTS คือข้อมูลอนุกรมเวลาที่ไม่รวมฟิลด์เป้าหมาย แต่มีฟิลด์ที่เกี่ยวข้อง
- ไฟล์ข้อมูลรายการไม่ใช่ข้อมูลอนุกรมเวลา แต่มีข้อมูลเมตาเกี่ยวกับรายการในชุดข้อมูล TTS หรือ RTS
ทำตามขั้นตอนต่อไปนี้:
- หากคุณกำลังใช้ชุดข้อมูลตัวอย่างที่ให้มา ให้ดาวน์โหลดชุดข้อมูลนั้น ความต้องการอาหาร ไปยังคอมพิวเตอร์ของคุณและคลายซิปไฟล์ ซึ่งจะสร้างไฟล์สามไฟล์ภายในสามไดเร็กทอรี (
rts
,tts
,item
). - บนคอนโซล Amazon S3 ให้ไปที่บัคเก็ตที่คุณสร้างไว้ก่อนหน้านี้
- Choose สร้างโฟลเดอร์.
- ใช้สตริงเดียวกันกับชื่อสแตกเวิร์กโหลดของคุณสำหรับชื่อโฟลเดอร์
- Choose อัพโหลด.
- เลือกโฟลเดอร์ชุดข้อมูลสามโฟลเดอร์ แล้วเลือก อัพโหลด.
เมื่อการอัปโหลดเสร็จสมบูรณ์ คุณควรเห็นบางอย่างเช่นภาพหน้าจอต่อไปนี้ สำหรับตัวอย่างนี้ โฟลเดอร์ของเราคือ aiml42
.
สร้างกลุ่มชุดข้อมูลการคาดการณ์
ทำตามขั้นตอนในส่วนนี้เพื่อสร้างกลุ่มชุดข้อมูลเป็นเหตุการณ์ที่เกิดขึ้นครั้งเดียวสำหรับแต่ละภาระงาน จากนี้ไป คุณควรวางแผนเรียกใช้ข้อมูลนำเข้า สร้างตัวทำนาย และสร้างขั้นตอนการพยากรณ์ตามความเหมาะสม เป็นชุด ตามกำหนดการของคุณ ซึ่งอาจเป็นรายวัน รายสัปดาห์ หรืออื่นๆ
- บนคอนโซล Step Functions ค้นหาเครื่องสถานะที่มี
Create-Dataset-Group
. - ในหน้ารายละเอียดเครื่องสถานะ เลือก เริ่มดำเนินการ.
- Choose เริ่มดำเนินการ อีกครั้งเพื่อยืนยัน
เครื่องสถานะใช้เวลาประมาณ 1 นาทีในการทำงาน เมื่อเสร็จแล้วค่าภายใต้ สถานะการดำเนินการ ควรเปลี่ยนจาก เล่น ไปยัง ประสบความสำเร็จ
นำเข้าข้อมูลในการคาดการณ์
ทำตามขั้นตอนในส่วนนี้เพื่อนำเข้าชุดข้อมูลที่คุณอัปโหลดไปยังบัคเก็ต S3 ลงในกลุ่มชุดข้อมูลของคุณ:
- บนคอนโซล Step Functions ค้นหาเครื่องสถานะที่มี
Import-Dataset
. - ในหน้ารายละเอียดเครื่องสถานะ เลือก เริ่มดำเนินการ.
- Choose เริ่มดำเนินการ อีกครั้งเพื่อยืนยัน
ระยะเวลาที่เครื่องสถานะใช้ในการรันขึ้นอยู่กับชุดข้อมูลที่กำลังประมวลผล
- ขณะที่กำลังทำงานอยู่ ให้เปิดแท็บอื่นในเบราว์เซอร์ของคุณแล้วไปที่คอนโซลการคาดการณ์
- บนคอนโซลการพยากรณ์ ให้เลือก ดูกลุ่มชุดข้อมูล และนำทางไปยังกลุ่มชุดข้อมูลที่มีชื่อระบุไว้
DataGroupName
จากกองภาระงานของคุณ - Choose ดูชุดข้อมูล.
คุณควรเห็นการดำเนินการนำเข้าข้อมูล
เมื่อเครื่องสถานะสำหรับ Import-Dataset
เสร็จสมบูรณ์ คุณสามารถดำเนินการขั้นตอนต่อไปเพื่อสร้างแบบจำลองข้อมูลอนุกรมเวลาของคุณ
สร้าง AutoPredictor (ฝึกโมเดลอนุกรมเวลา)
ส่วนนี้อธิบายวิธีฝึกตัวทำนายเบื้องต้นด้วย Forecast คุณอาจเลือกที่จะสร้างตัวทำนายใหม่ (ตัวทำนายพื้นฐานตัวแรกของคุณ) หรือฝึกตัวทำนายใหม่ในแต่ละรอบการผลิต ซึ่งอาจเป็นรายวัน รายสัปดาห์ หรืออื่นๆ คุณอาจเลือกที่จะไม่สร้างตัวทำนายในแต่ละรอบและพึ่งพาการตรวจสอบตัวทำนายเพื่อแนะนำคุณว่าเมื่อใดควรสร้างตัวทำนาย รูปต่อไปนี้แสดงภาพกระบวนการสร้างตัวทำนายการคาดการณ์ที่พร้อมสำหรับการผลิต
หากต้องการสร้างตัวทำนายใหม่ ให้ทำตามขั้นตอนต่อไปนี้:
- บนคอนโซล Step Functions ค้นหาเครื่องสถานะที่มี
Create-Predictor
. - ในหน้ารายละเอียดเครื่องสถานะ เลือก เริ่มดำเนินการ.
- Choose เริ่มดำเนินการ อีกครั้งเพื่อยืนยัน
จำนวนรันไทม์ขึ้นอยู่กับชุดข้อมูลที่กำลังประมวลผล การดำเนินการนี้อาจใช้เวลาถึงหนึ่งชั่วโมงหรือมากกว่านั้นจึงจะเสร็จสมบูรณ์ - ขณะที่กำลังทำงานอยู่ ให้เปิดแท็บอื่นในเบราว์เซอร์ของคุณแล้วไปที่คอนโซลการคาดการณ์
- บนคอนโซลการพยากรณ์ ให้เลือก ดูกลุ่มชุดข้อมูล และนำทางไปยังกลุ่มชุดข้อมูลที่มีชื่อระบุไว้
DataGroupName
จากกองภาระงานของคุณ - Choose ดูตัวทำนาย.
คุณควรเห็นการฝึกอบรมตัวทำนายที่กำลังดำเนินการอยู่ (สถานะการฝึกอบรมแสดง “กำลังสร้าง…”)
เมื่อเครื่องสถานะสำหรับ Create-Predictor
เสร็จแล้ว คุณสามารถประเมินประสิทธิภาพได้
ในฐานะที่เป็นส่วนหนึ่งของเครื่องสถานะ ระบบจะสร้างตัวทำนายและรัน BacktestExport
งานที่เขียนเมตริกตัวทำนายระดับอนุกรมเวลาไปยัง Amazon S3 ไฟล์เหล่านี้อยู่ในโฟลเดอร์ S3 สองโฟลเดอร์ภายใต้ backtest-export
โฟลเดอร์:
- ค่าความแม่นยำเมตริก – ให้การคำนวณเมตริกความแม่นยำระดับรายการ เพื่อให้คุณเข้าใจประสิทธิภาพของอนุกรมเวลาเดียว วิธีนี้ช่วยให้คุณตรวจสอบการแพร่กระจายแทนที่จะมุ่งเน้นไปที่เมตริกทั่วโลกเพียงอย่างเดียว
- ค่าคาดการณ์ – ให้การคาดการณ์ระดับขั้นตอนสำหรับแต่ละอนุกรมเวลาในหน้าต่าง backtest สิ่งนี้ทำให้คุณสามารถเปรียบเทียบค่าเป้าหมายจริงจากชุดการทดสอบ Holdout กับค่าควอไทล์ที่คาดการณ์ไว้ การตรวจสอบสิ่งนี้ช่วยกำหนดแนวคิดเกี่ยวกับวิธีการให้คุณลักษณะข้อมูลเพิ่มเติมใน RTS หรือข้อมูลเมตาของรายการ เพื่อช่วยประเมินค่าในอนาคตได้ดีขึ้น และลดการสูญเสียเพิ่มเติม คุณสามารถดาวน์โหลด
backtest-export
ไฟล์จาก Amazon S3 หรือสืบค้นด้วย Athena
ด้วยข้อมูลของคุณเอง คุณต้องตรวจสอบผลลัพธ์ของตัวทำนายอย่างใกล้ชิดและตรวจสอบให้แน่ใจว่าเมตริกตรงตามผลลัพธ์ที่คาดไว้โดยใช้ข้อมูลการส่งออกย้อนหลัง เมื่อพอใจแล้ว คุณสามารถเริ่มสร้างการคาดการณ์ในอนาคตตามที่อธิบายไว้ในส่วนถัดไป
สร้างการคาดการณ์ (การอนุมานเกี่ยวกับขอบเขตเวลาในอนาคต)
ส่วนนี้อธิบายวิธีสร้างจุดข้อมูลการคาดการณ์ด้วย Forecast จากนี้ไป คุณควรเก็บเกี่ยวข้อมูลใหม่จากระบบต้นทาง นำเข้าข้อมูลไปยังการคาดการณ์ และสร้างจุดข้อมูลการคาดการณ์ คุณยังสามารถแทรกการสร้างตัวทำนายใหม่หลังจากนำเข้าและก่อนการคาดการณ์ รูปต่อไปนี้แสดงภาพกระบวนการสร้างการคาดการณ์อนุกรมเวลาการผลิตโดยใช้การคาดการณ์
ทำตามขั้นตอนต่อไปนี้:
- บนคอนโซล Step Functions ค้นหาเครื่องสถานะที่มี
Create-Forecast
. - ในหน้ารายละเอียดเครื่องสถานะ เลือก เริ่มดำเนินการ.
- Choose เริ่มดำเนินการ อีกครั้งเพื่อยืนยัน
เครื่องสถานะนี้เสร็จสิ้นอย่างรวดเร็วเนื่องจากระบบไม่ได้กำหนดค่าให้สร้างการคาดการณ์ ไม่ทราบว่าตัวทำนายใดที่คุณอนุมัติสำหรับการอนุมาน
มากำหนดค่าระบบเพื่อใช้ตัวทำนายที่ผ่านการฝึกอบรมของคุณ - บนคอนโซลการคาดการณ์ ค้นหา ARN สำหรับตัวทำนายของคุณ
- คัดลอก ARN เพื่อใช้ในขั้นตอนต่อไป
- ในเบราว์เซอร์ของคุณ ให้เปิดแท็บอื่นและไปที่คอนโซล Systems Manager
- บนคอนโซลตัวจัดการระบบ เลือก ที่เก็บพารามิเตอร์ ในบานหน้าต่างนำทาง
- ค้นหาพารามิเตอร์ที่เกี่ยวข้องกับสแต็กของคุณ (
/forecast/<StackName>/Forecast/PredictorArn
). - ป้อน ARN ที่คุณคัดลอกสำหรับตัวทำนายของคุณ
นี่คือวิธีที่คุณเชื่อมโยงตัวทำนายที่ผ่านการฝึกอบรมกับฟังก์ชันการอนุมานของการคาดการณ์ - ค้นหาพารามิเตอร์
/forecast/<StackName>/Forecast/Generate
และแก้ไขค่าแทนที่FALSE
กับTRUE
.
ตอนนี้คุณพร้อมที่จะเรียกใช้งานการคาดการณ์สำหรับกลุ่มชุดข้อมูลนี้แล้ว - บนคอนโซล Step Functions ให้เรียกใช้
Create-Forecast
เครื่องรัฐ
งวดนี้งานเข้าตามคาด ในฐานะที่เป็นส่วนหนึ่งของเครื่องสถานะ ระบบจะสร้างการคาดการณ์และ ForecastExport
งานซึ่งเขียนการคาดการณ์อนุกรมเวลาไปยัง Amazon S3 ไฟล์เหล่านี้อยู่ในไฟล์ forecast
โฟลเดอร์
ภายใน forecast
โฟลเดอร์ คุณจะพบการคาดคะเนสำหรับรายการของคุณ ซึ่งอยู่ในไฟล์ CSV หรือ Parquet จำนวนมาก ขึ้นอยู่กับการเลือกของคุณ การคาดคะเนสำหรับแต่ละขั้นตอนของเวลาและอนุกรมเวลาที่เลือกมีอยู่พร้อมกับค่าควอไทล์ที่คุณเลือกทั้งหมดต่อเรกคอร์ด คุณสามารถดาวน์โหลดไฟล์เหล่านี้จาก Amazon S3 สืบค้นโดยใช้ Athena หรือเลือกกลยุทธ์อื่นเพื่อใช้ข้อมูล
เป็นการสรุปเวิร์กโฟลว์ทั้งหมด ตอนนี้คุณสามารถแสดงภาพผลลัพธ์ของคุณโดยใช้เครื่องมือสร้างภาพใดๆ ที่คุณเลือก เช่น อเมซอน QuickSight. อีกทางหนึ่ง นักวิทยาศาสตร์ข้อมูลสามารถใช้แพนด้าเพื่อสร้างแปลงของตนเองได้ หากคุณเลือกใช้ QuickSight คุณสามารถทำได้ เชื่อมต่อผลการพยากรณ์ของคุณกับ QuickSight เพื่อทำการแปลงข้อมูล สร้างการวิเคราะห์ข้อมูลอย่างน้อยหนึ่งรายการ และ สร้างการแสดงภาพ.
กระบวนการนี้มีเทมเพลตให้ทำตาม คุณจะต้องปรับตัวอย่างให้เข้ากับสคีมาของคุณ ตั้งค่าขอบเขตการคาดการณ์ การแก้ไขเวลา และอื่นๆ ตามกรณีการใช้งานของคุณ นอกจากนี้ คุณจะต้องตั้งค่ากำหนดการที่เกิดซ้ำซึ่งจะรวบรวมข้อมูลจากระบบต้นทาง นำเข้าข้อมูล และสร้างการคาดการณ์ หากต้องการ คุณสามารถแทรกงานคาดการณ์ระหว่างขั้นตอนการนำเข้าและการคาดการณ์
ฝึกฝนตัวทำนายอีกครั้ง
เราได้ผ่านขั้นตอนการฝึกตัวทำนายใหม่แล้ว แต่การฝึกตัวทำนายใหม่ล่ะ? การฝึกอบรมตัวทำนายใหม่เป็นวิธีหนึ่งในการลดต้นทุนและเวลาที่เกี่ยวข้องกับการฝึกอบรมตัวทำนายเกี่ยวกับข้อมูลล่าสุดที่มีอยู่ แทนที่จะสร้างตัวทำนายใหม่และฝึกบนชุดข้อมูลทั้งหมด เราสามารถฝึกตัวทำนายที่มีอยู่ใหม่ได้โดยให้เฉพาะข้อมูลส่วนเพิ่มใหม่ที่มีให้เนื่องจากตัวทำนายได้รับการฝึกฝนครั้งล่าสุด มาดูวิธีฝึกตัวทำนายใหม่โดยใช้โซลูชันระบบอัตโนมัติกัน:
- บนคอนโซลการพยากรณ์ ให้เลือก ดูกลุ่มชุดข้อมูล.
- เลือกกลุ่มชุดข้อมูลที่เชื่อมโยงกับตัวทำนายที่คุณต้องการฝึกใหม่
- Choose ดูตัวทำนายจากนั้นเลือกตัวทำนายที่คุณต้องการฝึกใหม่
- เกี่ยวกับ การตั้งค่า แท็บ คัดลอกตัวทำนาย ARN
เราจำเป็นต้องอัปเดตพารามิเตอร์ที่ใช้โดยเวิร์กโฟลว์เพื่อระบุตัวทำนายที่จะฝึกใหม่ - บนคอนโซลตัวจัดการระบบ เลือก ที่เก็บพารามิเตอร์ ในบานหน้าต่างนำทาง
- ค้นหาพารามิเตอร์
/forecast/<STACKNAME>/Forecast/Predictor/ReferenceArn
. - ในหน้ารายละเอียดพารามิเตอร์ เลือก Edit.
- สำหรับ ความคุ้มค่าป้อนตัวทำนาย ARN
ซึ่งจะระบุตัวทำนายที่ถูกต้องสำหรับเวิร์กโฟลว์ที่จะฝึกใหม่ ต่อไป เราจำเป็นต้องอัปเดตพารามิเตอร์ที่ใช้โดยเวิร์กโฟลว์เพื่อเปลี่ยนกลยุทธ์การฝึกอบรม - ค้นหาพารามิเตอร์
/forecast/<STACKNAME>/Forecast/Predictor/Strategy
. - ในหน้ารายละเอียดพารามิเตอร์ เลือกแก้ไข
- สำหรับค่า ให้ป้อน
RETRAIN
.
เวิร์กโฟลว์เริ่มต้นเป็นการฝึกตัวทำนายใหม่ อย่างไรก็ตาม เราสามารถแก้ไขลักษณะการทำงานนั้นเพื่อฝึกตัวทำนายที่มีอยู่ใหม่ หรือเพียงแค่ใช้ตัวทำนายที่มีอยู่ซ้ำโดยไม่ต้องฝึกใหม่โดยตั้งค่านี้เป็นNONE
. คุณอาจต้องการละทิ้งการฝึกอบรมหากข้อมูลของคุณค่อนข้างเสถียรหรือคุณกำลังใช้งานอยู่ การตรวจสอบตัวทำนายอัตโนมัติ เพื่อตัดสินใจว่าจำเป็นต้องฝึกอบรมใหม่เมื่อใด - อัปโหลดข้อมูลการฝึกอบรมเพิ่มเติมไปยังบัคเก็ต S3
- บนคอนโซล Step Functions ค้นหาเครื่องสถานะ
<STACKNAME>-Create-Predictor
. - ในหน้ารายละเอียดเครื่องสถานะ เลือก เริ่มดำเนินการ เพื่อเริ่มต้นการฝึกอบรมใหม่
เมื่อการฝึกอบรมใหม่เสร็จสิ้น เวิร์กโฟลว์จะสิ้นสุดลงและคุณจะได้รับการแจ้งเตือนทางอีเมล SNS ไปยังที่อยู่อีเมลที่ให้ไว้ในพารามิเตอร์เทมเพลตเวิร์กโหลด
ทำความสะอาด
เมื่อคุณแก้ไขปัญหานี้เสร็จแล้ว ให้ทำตามขั้นตอนในส่วนนี้เพื่อลบทรัพยากรที่เกี่ยวข้อง
ลบบัคเก็ต S3
- บนคอนโซล Amazon S3 ให้เลือก บุ้งกี๋ ในบานหน้าต่างนำทาง
- เลือกที่เก็บข้อมูลที่อัปโหลดข้อมูลแล้วเลือก ว่างเปล่า เพื่อลบข้อมูลทั้งหมดที่เกี่ยวข้องกับโซลูชัน รวมถึงข้อมูลต้นฉบับ
- เข้าสู่
permanently delete
เพื่อลบเนื้อหาฝากข้อมูลอย่างถาวร - เกี่ยวกับ บุ้งกี๋ หน้า เลือกบัคเก็ตแล้วเลือก ลบ.
- ป้อนชื่อถังเพื่อยืนยันการลบและเลือก ลบที่เก็บข้อมูล.
ลบทรัพยากรการคาดการณ์
- บนคอนโซลการพยากรณ์ ให้เลือก ดูกลุ่มชุดข้อมูล.
- เลือกชื่อกลุ่มชุดข้อมูลที่เชื่อมโยงกับโซลูชัน จากนั้นเลือก ลบ.
- เข้าสู่
delete
เพื่อลบกลุ่มชุดข้อมูลและตัวทำนายที่เกี่ยวข้อง งานส่งออกการคาดการณ์ย้อนหลัง การคาดการณ์ และงานการส่งออกการคาดการณ์ - Choose ลบ เพื่อยืนยัน.
ลบสแต็ก CloudFormation
- บนคอนโซล AWS CloudFormation ให้เลือก สแต็ค ในบานหน้าต่างนำทาง
- เลือกกองภาระงานและเลือก ลบ.
- Choose ลบ stack เพื่อยืนยันการลบสแต็กและทรัพยากรที่เกี่ยวข้องทั้งหมด
- เมื่อการลบเสร็จสิ้น ให้เลือกสแต็คการพึ่งพาและเลือก ลบ.
- Choose ลบ เพื่อยืนยัน.
สรุป
ในโพสต์นี้ เราได้พูดถึงวิธีต่างๆ ในการเริ่มใช้งานการคาดการณ์ เราแนะนำโซลูชันการคาดการณ์อัตโนมัติโดยใช้ AWS CloudFormation สำหรับการปรับใช้โซลูชันที่รวดเร็วและทำซ้ำได้ของไปป์ไลน์ Forecast ตั้งแต่การนำเข้าข้อมูลไปจนถึงการอนุมาน โดยจำเป็นต้องมีความรู้ด้านโครงสร้างพื้นฐานเพียงเล็กน้อย สุดท้าย เราได้เห็นว่าเราสามารถใช้ Lambda เพื่อทำให้การฝึกซ้ำแบบจำลองเป็นแบบอัตโนมัติได้อย่างไร ลดต้นทุนและเวลาการฝึก
ไม่มีเวลาไหนเหมาะไปกว่าปัจจุบันในการเริ่มพยากรณ์ด้วย Forecast หากต้องการเริ่มสร้างและปรับใช้เวิร์กโฟลว์อัตโนมัติ โปรดไปที่ ทรัพยากรการคาดการณ์ของ Amazon. มีความสุขในการพยากรณ์!
เกี่ยวกับผู้เขียน
แอรอน เฟแกน เป็น Principal Specialist Solutions Architect ที่ AWS ในนิวยอร์ก เขาเชี่ยวชาญในการช่วยลูกค้าออกแบบโซลูชันในแมชชีนเลิร์นนิงและความปลอดภัยของระบบคลาวด์
ราจู พาติล เป็นนักวิทยาศาสตร์ข้อมูลใน AWS Professional Services เขาสร้างและปรับใช้โซลูชัน AI/ML เพื่อช่วยเหลือลูกค้า AWS ในการเอาชนะความท้าทายทางธุรกิจ การมีส่วนร่วมกับ AWS ของเขาครอบคลุมกรณีการใช้งาน AI/ML ที่หลากหลาย เช่น คอมพิวเตอร์วิทัศน์ การพยากรณ์อนุกรมเวลา และการวิเคราะห์เชิงคาดการณ์ เป็นต้น ในอุตสาหกรรมต่างๆ มากมาย รวมถึงบริการทางการเงิน โทรคมนาคม การดูแลสุขภาพ และอื่นๆ ก่อนหน้านี้ เขาได้นำทีมวิทยาศาสตร์ข้อมูลในเทคโนโลยีการโฆษณา และมีส่วนสำคัญในการริเริ่มการวิจัยและพัฒนามากมายในด้านการมองเห็นด้วยคอมพิวเตอร์และวิทยาการหุ่นยนต์ นอกเวลาทำงาน เขาชอบถ่ายภาพ เดินป่า ท่องเที่ยว และทำอาหาร
- เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
- เพลโตไอสตรีม. ข้อมูลอัจฉริยะ Web3 ขยายความรู้ เข้าถึงได้ที่นี่.
- การสร้างอนาคตโดย Adryenn Ashley เข้าถึงได้ที่นี่.
- ซื้อและขายหุ้นในบริษัท PRE-IPO ด้วย PREIPO® เข้าถึงได้ที่นี่.
- ที่มา: https://aws.amazon.com/blogs/machine-learning/automate-the-deployment-of-an-amazon-forecast-time-series-forecasting-model/
- :มี
- :เป็น
- :ไม่
- :ที่ไหน
- $ ขึ้น
- 1
- 10
- 100
- 11
- 20
- 2022
- 7
- 8
- 9
- a
- เกี่ยวกับเรา
- ยอมรับ
- เข้า
- ตาม
- ลงชื่อเข้าใช้
- ความถูกต้อง
- รับทราบ
- ข้าม
- การปฏิบัติ
- ปรับ
- เพิ่มเติม
- ข้อมูลเพิ่มเติม
- ที่อยู่
- การโฆษณา
- หลังจาก
- อีกครั้ง
- AI / ML
- ขั้นตอนวิธี
- อัลกอริทึม
- ทั้งหมด
- การอนุญาต
- ช่วยให้
- คนเดียว
- แล้ว
- ด้วย
- อเมซอน
- พยากรณ์อเมซอน
- จำนวน
- an
- การวิเคราะห์
- การวิเคราะห์
- และ
- อื่น
- ใด
- API
- เข้าใกล้
- เหมาะสม
- ได้รับการอนุมัติ
- เป็น
- แถว
- AS
- ช่วยเหลือ
- ภาคี
- ที่เกี่ยวข้อง
- At
- โดยอัตโนมัติ
- อัตโนมัติ
- อัตโนมัติ
- อัตโนมัติ
- ใช้ได้
- AWS
- การก่อตัวของ AWS Cloud
- บริการระดับมืออาชีพของ AWS
- backtest
- ยอดคงเหลือ
- ยอดคงเหลือ
- ตาม
- baseline
- BE
- เพราะ
- ก่อน
- เริ่ม
- กำลัง
- ที่ดีที่สุด
- ดีกว่า
- ระหว่าง
- อคติ
- ขอบเขต
- กล่อง
- การนำ
- เบราว์เซอร์
- สร้าง
- การก่อสร้าง
- สร้าง
- ธุรกิจ
- แต่
- by
- คำนวณ
- ที่เรียกว่า
- โทร
- CAN
- ซึ่ง
- กรณี
- กรณี
- ศูนย์
- ความท้าทาย
- เปลี่ยนแปลง
- การเปลี่ยนแปลง
- ตรวจสอบ
- ทางเลือก
- Choose
- เลือก
- เลือก
- อย่างใกล้ชิด
- เมฆ
- ความปลอดภัยบนคลาวด์
- รหัส
- การเข้ารหัส
- ชุด
- คอลัมน์
- COM
- ร่วมกัน
- เปรียบเทียบ
- สมบูรณ์
- ซับซ้อน
- การคำนวณ
- คำนวณ
- คอมพิวเตอร์
- วิสัยทัศน์คอมพิวเตอร์
- แนวความคิด
- เกี่ยวข้อง
- องค์ประกอบ
- ยืนยัน
- ปลอบใจ
- บรรจุ
- เนื้อหา
- ผลงาน
- ควบคุม
- ประสานงาน
- แก้ไข
- ราคา
- ได้
- ปกคลุม
- สร้าง
- ที่สร้างขึ้น
- สร้าง
- การสร้าง
- การสร้าง
- ลูกค้า
- วงจร
- เป็นวงกลม
- ประจำวัน
- ข้อมูล
- การจัดการข้อมูล
- จุดข้อมูล
- วิทยาศาสตร์ข้อมูล
- นักวิทยาศาสตร์ข้อมูล
- ชุดข้อมูล
- ชุดข้อมูล
- วัน
- วัน
- ตัดสินใจ
- ประกาศ
- ค่าเริ่มต้น
- ค่าเริ่มต้น
- กำหนด
- กำหนด
- การกำหนด
- ส่ง
- ทั้งนี้ขึ้นอยู่กับ
- ขึ้นอยู่กับ
- ปรับใช้
- นำไปใช้
- ปรับใช้
- การใช้งาน
- การใช้งาน
- Deploys
- ฝากเงิน
- บรรยาย
- อธิบาย
- ที่ต้องการ
- รายละเอียด
- รายละเอียด
- กำหนด
- นักพัฒนา
- พัฒนาการ
- ต่าง
- ยาก
- Dimension
- มิติ
- ไดเรกทอรี
- กล่าวถึง
- do
- ไม่
- ทำ
- ดาวน์โหลด
- ในระหว่าง
- แต่ละ
- ก่อน
- ง่ายดาย
- ทั้ง
- ขจัด
- อีเมล
- เปิดการใช้งาน
- ช่วยให้
- ปลาย
- จบสิ้น
- ทำให้มั่นใจ
- เข้าสู่
- ทั้งหมด
- สิ่งแวดล้อม
- สภาพแวดล้อม
- ข้อผิดพลาด
- ประมาณการ
- ฯลฯ
- ประเมินค่า
- แม้
- เหตุการณ์
- ตัวอย่าง
- การปฏิบัติ
- มีอยู่
- ที่มีอยู่
- ที่คาดหวัง
- คาดหวังว่า
- ประสบการณ์
- ส่งออก
- อำนวยความสะดวก
- เท็จ
- คุ้นเคย
- คุณสมบัติ
- สนาม
- รูป
- เนื้อไม่มีมัน
- ไฟล์
- ยื่น
- ที่เต็มไป
- ในที่สุด
- ทางการเงิน
- บริการทางการเงิน
- หา
- ชื่อจริง
- โดยมุ่งเน้น
- ปฏิบัติตาม
- ดังต่อไปนี้
- สำหรับ
- พยากรณ์
- การคาดการณ์
- รูป
- ออกมา
- ข้างหน้า
- สี่
- เวลา
- ราคาเริ่มต้นที่
- อย่างเต็มที่
- ฟังก์ชัน
- ฟังก์ชั่น
- ต่อไป
- อนาคต
- สร้าง
- สร้าง
- การสร้าง
- ได้รับ
- เหตุการณ์ที่
- Go
- ไป
- ควบคุม
- กราฟ
- ยิ่งใหญ่
- บัญชีกลุ่ม
- กลุ่ม
- คำแนะนำ
- ให้คำแนะนำ
- มีความสุข
- การเก็บเกี่ยว
- มี
- มี
- he
- สุขภาพ
- การดูแลสุขภาพ
- ช่วย
- การช่วยเหลือ
- จะช่วยให้
- โปรดคลิกที่นี่เพื่ออ่านรายละเอียดเพิ่มเติม
- อย่างสูง
- ของเขา
- ทางประวัติศาสตร์
- ขอบฟ้า
- ไกลโพ้น
- ชั่วโมง
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- ทำอย่างไร
- อย่างไรก็ตาม
- HTML
- ที่ http
- HTTPS
- ความคิด
- ระบุ
- แยกแยะ
- เอกลักษณ์
- if
- แสดงให้เห็นถึง
- การดำเนินการ
- นำเข้า
- การนำเข้า
- in
- ประกอบด้วย
- รวมถึง
- รวมทั้ง
- อุตสาหกรรม
- มีอิทธิพล
- แจ้ง
- ข้อมูล
- โครงสร้างพื้นฐาน
- แรกเริ่ม
- ความคิดริเริ่ม
- อินพุต
- แทน
- เข้าไป
- สอบสวน
- ร่วมมือ
- IT
- รายการ
- ITS
- ตัวเอง
- การสัมภาษณ์
- งาน
- jpg
- ทราบ
- ความรู้
- ที่รู้จักกัน
- ที่ดิน
- ชื่อสกุล
- ต่อมา
- ล่าสุด
- เรียนรู้
- การเรียนรู้
- น้อยที่สุด
- นำ
- นำข้อมูล
- ช่วยให้
- วงจรชีวิต
- กดไลก์
- Line
- น้อย
- ที่ตั้งอยู่
- ที่ตั้ง
- นาน
- ปิด
- ที่มีราคาต่ำ
- ลด
- เครื่อง
- เรียนรู้เครื่อง
- เครื่อง
- ทำ
- การทำ
- จัดการ
- การจัดการ
- การจัดการ
- ผู้จัดการ
- จัดการ
- การจัดการ
- ด้วยมือ
- หลาย
- สูงสุด
- อาจ..
- พบ
- เมนู
- เมตาดาต้า
- วิธี
- วิธีการ
- เมตริก
- ตัวชี้วัด
- อาจ
- ขั้นต่ำ
- นาที
- หายไป
- ML
- แบบ
- โมเดล
- แก้ไข
- การตรวจสอบ
- รายเดือน
- ข้อมูลเพิ่มเติม
- ย้าย
- หลาย
- ต้อง
- ชื่อ
- ชื่อ
- นำทาง
- การเดินเรือ
- จำเป็น
- จำเป็นต้อง
- ความต้องการ
- ใหม่
- นิวยอร์ก
- ถัดไป
- ไม่
- สมุดบันทึก
- การประกาศ
- การแจ้งเตือน
- ตอนนี้
- จำนวน
- มากมาย
- วัตถุ
- วัตถุ
- ได้รับ
- of
- on
- ONE
- เพียง
- เปิด
- โอเพนซอร์ส
- เพิ่มประสิทธิภาพ
- Options
- or
- ใบสั่ง
- อื่นๆ
- มิฉะนั้น
- ของเรา
- ออก
- ผลลัพธ์
- ที่ระบุไว้
- เอาท์พุต
- ด้านนอก
- เกิน
- ทั้งหมด
- ของตนเอง
- หน้า
- หมีแพนด้า
- บานหน้าต่าง
- พารามิเตอร์
- พารามิเตอร์
- ส่วนหนึ่ง
- เปอร์เซ็นต์
- ดำเนินการ
- การปฏิบัติ
- อย่างถาวร
- สิทธิ์
- การถ่ายภาพ
- กายภาพ
- ท่อ
- สถานที่
- การวาง
- แผนการ
- เพลโต
- เพลโตดาต้าอินเทลลิเจนซ์
- เพลโตดาต้า
- จุด
- เป็นไปได้
- โพสต์
- ที่คาดการณ์
- ทำนาย
- คำทำนาย
- การคาดการณ์
- การวิเคราะห์เชิงทำนาย
- Predictor
- คาดการณ์
- เตรียมการ
- นำเสนอ
- นำเสนอ
- ก่อน
- หลัก
- ก่อน
- กระบวนการ
- แปรรูปแล้ว
- การประมวลผล
- ก่อ
- การผลิต
- มืออาชีพ
- การเขียนโปรแกรม
- ความคืบหน้า
- ให้
- ให้
- ให้
- การให้
- สาธารณชน
- หลาม
- คำสั่ง
- คำถาม
- รวดเร็ว
- อย่างรวดเร็ว
- พิสัย
- รวดเร็ว
- ค่อนข้าง
- ดิบ
- พร้อม
- รับ
- แนะนำ
- ระเบียน
- บันทึก
- ที่เกิดขึ้น
- ลด
- ลด
- เรียกว่า
- หมายถึง
- ปกติ
- ที่เกี่ยวข้อง
- สัมพัทธ์
- ตรงประเด็น
- วางใจ
- ลบ
- ทำซ้ำได้
- ซ้ำแล้วซ้ำเล่า
- ซ้ำ
- จำเป็นต้องใช้
- การวิจัย
- วิจัยและพัฒนา
- ลิขสิทธิ์
- ยืดหยุ่น
- ความละเอียด
- แหล่งข้อมูล
- ส่งผลให้
- ผลสอบ
- นำมาใช้ใหม่
- การตรวจสอบ
- หุ่นยนต์
- บทบาท
- บทบาท
- วิ่ง
- วิ่ง
- เดียวกัน
- ตัวอย่างชุดข้อมูล
- ความพึงพอใจ
- ขนาด
- กำหนด
- วิทยาศาสตร์
- นักวิทยาศาสตร์
- นักวิทยาศาสตร์
- ได้อย่างลงตัว
- Section
- ส่วน
- ปลอดภัย
- ความปลอดภัย
- เห็น
- เลือก
- การเลือก
- ชุด
- serverless
- เซิร์ฟเวอร์
- ให้บริการอาหาร
- บริการ
- บริการ
- ชุด
- การตั้งค่า
- ที่ใช้ร่วมกัน
- สั้น
- น่า
- แสดงให้เห็นว่า
- สำคัญ
- ง่าย
- ง่ายดาย
- ตั้งแต่
- เดียว
- So
- ทางออก
- โซลูชัน
- บาง
- บางสิ่งบางอย่าง
- แหล่ง
- ผู้เชี่ยวชาญ
- ความเชี่ยวชาญ
- ที่ระบุไว้
- กระจาย
- มั่นคง
- กอง
- การแสดงละคร
- มาตรฐาน
- เริ่มต้น
- ข้อความที่เริ่ม
- ที่เริ่มต้น
- สถานะ
- Status
- ขั้นตอน
- ขั้นตอน
- การเก็บรักษา
- จัดเก็บ
- กลยุทธ์
- เชือก
- โครงสร้าง
- อย่างเช่น
- ที่สนับสนุน
- ระบบ
- ระบบ
- ตาราง
- เอา
- ใช้เวลา
- เป้า
- งาน
- งาน
- ทีม
- เทคโนโลยี
- โทรคมนาคม
- เทมเพลต
- แม่แบบ
- ทดสอบ
- กว่า
- ที่
- พื้นที่
- ที่มา
- รัฐ
- ของพวกเขา
- พวกเขา
- แล้วก็
- ที่นั่น
- ล้อยางขัดเหล่านี้ติดตั้งบนแกน XNUMX (มม.) ผลิตภัณฑ์นี้ถูกผลิตในหลายรูปทรง และหลากหลายเบอร์ความแน่นหนาของปริมาณอนุภาคขัดของมัน จะทำให้ท่านได้รับประสิทธิภาพสูงในการขัดและการใช้งานที่ยาวนาน
- สิ่ง
- นี้
- สาม
- ตลอด
- ตลอด
- เวลา
- อนุกรมเวลา
- การประทับเวลา
- ไปยัง
- ร่วมกัน
- เครื่องมือ
- หัวข้อ
- ไปทาง
- รถไฟ
- ผ่านการฝึกอบรม
- การฝึกอบรม
- การแปลง
- การเปลี่ยนแปลง
- การเดินทาง
- เรียก
- จริง
- สอง
- ชนิด
- ชนิด
- เป็นปกติ
- ความไม่แน่นอน
- ภายใต้
- เข้าใจ
- หน่วย
- บันทึก
- อัปโหลด
- URL
- ใช้
- ใช้กรณี
- มือสอง
- ผู้ใช้
- การใช้
- ความคุ้มค่า
- ความคุ้มค่า
- ต่างๆ
- มาก
- ผ่านทาง
- วิสัยทัศน์
- เยี่ยมชมร้านค้า
- การสร้างภาพ
- เดิน
- ต้องการ
- คือ
- ทาง..
- วิธี
- we
- รายสัปดาห์
- ดี
- อะไร
- เมื่อ
- ว่า
- ที่
- กว้าง
- ช่วงกว้าง
- จะ
- กับ
- ภายใน
- ไม่มี
- คำ
- งาน
- เขียน
- เขียน
- ปี
- นิวยอร์ก
- คุณ
- ของคุณ
- ลมทะเล
- รหัสไปรษณีย์