Şimdi birlikte Amazon Tahmini, geçmiş verileri olmayan ürünler için %45'e kadar daha doğru tahminler oluşturabilirsiniz. Tahmin, herhangi bir makine öğrenimi deneyimi gerektirmeden doğru talep tahminleri oluşturmak için makine öğrenimini (ML) kullanan, yönetilen bir hizmettir. Doğru tahmin, envanter optimizasyonu, lojistik planlama ve iş gücü yönetiminin temelidir ve işletmelerin müşterilerine hizmet vermeye daha iyi hazırlanmalarını sağlar. Soğuk başlangıç tahmini bir tahmin oluşturma ihtiyacının olduğu ancak ürün için tarihsel verilerin olmadığı durumlarda yaygın bir zorluktur. Bu, yeni geliştirilen ürünleri pazara sunarak, markaları veya katalogları ilk kez kabul ederek veya ürünleri yeni bölgelere çapraz satarak hızlı yeni ürün tanıtımlarının olduğu perakende, imalat veya ambalajlı tüketim malları gibi sektörlerde tipiktir. Bu lansmanla, soğuk başlangıç tahminine yönelik mevcut yaklaşımımızı geliştirdik ve şimdi %45'e kadar daha doğru tahminler sağlıyoruz.
Otomatik Regresif Entegre Hareketli Ortalama (ARIMA) veya Üstel Düzeltme gibi geleneksel istatistiksel tahmin yöntemleri, bir ürünün geçmiş verilerinin gelecekteki değerlerini tahmin etmek için kullanılabileceği konsepti kullanılarak inşa edildiğinden, soğuk başlangıç tahmin modeli geliştirmek zor olabilir. Ancak tarihsel veriler olmadan model parametreleri hesaplanamaz ve bu nedenle model oluşturulamaz. Tahmin, tescilli kullanarak soğuk başlangıç ürünleri için tahminler oluşturma yeteneğine zaten sahipti. sinir ağı algoritmaları DeepAR+ ve CNN-QR gibi. Bu modeller, ürünler arasındaki ilişkileri öğrenir ve geçmiş verileri olmayan ürünler için tahminler oluşturabilir. Bu ilişkileri kurmak için öğe meta verilerinin kullanımı üstü kapalıydı, bu da ağların soğuk başlatma ürünleri için trend özelliklerini tam olarak tahmin edemediği anlamına geliyordu.
Bugün, önceden olduğundan %45'e kadar daha doğru olan yeni bir soğuk başlangıç tahmini yaklaşımı başlattık. Bu yaklaşım, veri kümenizde soğuk başlatma ürünlerine en çok benzer özelliklere sahip olan açık ürünleri tanımladığımız öğe meta verilerini ele alma biçimimizi geliştirir. Benzer ürünlerin bu alt kümesine odaklanarak, soğuk başlangıç ürünü için bir tahmin oluşturmak üzere eğilimleri daha iyi öğrenebiliyoruz. Örneğin, yeni bir tişört serisi tanıtan bir moda perakendecisi, mağaza envanterini optimize etmek için o seriye olan talebi tahmin etmek isteyecektir. Forecast'e kataloğunuzdaki diğer ürünler için mevcut tişört serileri, ceketler, pantolonlar ve ayakkabılar gibi geçmiş verilerinin yanı sıra hem yeni hem de mevcut ürünler için marka adı, renk, beden ve ürün kategorisi gibi öğe meta verileri sağlayabilirsiniz. Ürün:% s. Bu meta verilerle Forecast, yeni T-shirt serisiyle en yakından ilişkili ürünleri otomatik olarak algılar ve bunları T-shirt serisi için tahminler oluşturmak üzere kullanır.
Bu özellik, Tahminin genel kullanıma açık olduğu tüm Bölgelerde mevcuttur. AWS Yönetim Konsolu ya da Otomatik Tahmin API'sı. Bölge kullanılabilirliği hakkında daha fazla bilgi için bkz. AWS Bölgesel Hizmetleri. Soğuk başlangıç tahmini için Tahmini kullanmaya başlamak için bkz. Tahmin Oluşturma ya da GitHub not defteri.
Çözüme genel bakış
Bu gönderideki adımlar, bilgisayarda soğuk başlangıç tahmini için Tahmin'in nasıl kullanılacağını gösterir. AWS Yönetim Konsolu. Tahmindeki üç adımı izleyerek, yeni piyasaya sürülen bir ürün için envanter talep tahmini oluşturan bir perakendeci örneğini inceliyoruz: verilerinizi içe aktarma, bir tahmin ediciyi eğitme ve bir tahmin oluşturma. Soğuk başlangıç tahmini için doğrudan Tahmin API'sini kullanmak üzere, not defterimizi takip edin. GitHub repo, bu da benzer bir gösteri sağlar.
Egzersiz verilerinizi içe aktarın
Yeni soğuk başlatma tahmin yöntemini kullanmak için iki CSV dosyasını içe aktarmanız gerekir: hedef zaman serisi verilerini içeren bir dosya (tahmin hedefini gösterir) ve öğe meta verilerini içeren başka bir dosya (boyut veya renk gibi ürün özelliklerini gösterir). Tahmin, soğuk başlatma ürünlerini, öğe meta veri dosyasında bulunan ancak hedef zaman serisi dosyasında bulunmayan ürünler olarak tanımlar.
Soğuk başlangıç ürününüzü doğru bir şekilde tanımlamak için, soğuk başlangıç ürününüzün ürün kimliğinin öğe meta veri dosyanızda bir satır olarak girildiğinden ve bunun hedef zaman serisi dosyasında bulunmadığından emin olun. Birden çok soğuk başlatma ürünü için, her ürün öğe kimliğini öğe meta veri dosyasında ayrı bir satır olarak girin. Soğuk başlangıç ürününüz için henüz bir öğe kimliğiniz yoksa, veri kümenizdeki başka bir ürünü temsil etmeyen 64 karakterden daha kısa herhangi bir alfasayısal kombinasyonu kullanabilirsiniz.
Örneğimizde, hedef zaman serisi dosyası ürün öğe kimliğini, zaman damgasını ve talebi (envanter) içerir ve öğe meta veri dosyası ürün öğe kimliğini, rengi, ürün kategorisini ve konumu içerir.
Verilerinizi içe aktarmak için aşağıdaki adımları tamamlayın:
- Tahmin konsolunda, Veri kümesi gruplarını görüntüle.
-
- Klinik Veri kümesi grubu oluştur.
- İçin Veri kümesi grubu adı, bir veri kümesi adı girin (bu gönderi için şirketim_ayakkabı_inventory).
- Tahmin alanı için bir tahmin alanı seçin (bu gönderi için Perakende).
- İleri'yi seçin.
- Hedef zaman serisi veri kümesi oluştur sayfasında, veri kümesi adını, verilerinizin sıklığını ve veri şemasını sağlayın.
- Veri kümesi içe aktarma ayrıntılarını sağlayın.
- Başlat'ı seçin.
Aşağıdaki ekran görüntüsü, örneğimiz için doldurulan hedef zaman serisi sayfasının bilgilerini göstermektedir.
İlerlemeyi izlemek için kullanabileceğiniz kontrol paneline yönlendirilirsiniz.
- Öğe meta veri dosyasını içe aktarmak için panoda ithalat.
- Üzerinde Öğe meta veri kümesi oluştur sayfasında, veri kümesi adını ve veri şemasını sağlayın.
- Veri kümesi içe aktarma ayrıntılarını sağlayın.
- Klinik Başlama.
Aşağıdaki ekran görüntüsü, örneğimiz için doldurulan bilgileri göstermektedir.
Bir öngörücü eğitin
Ardından, bir tahminci yetiştiriyoruz.
- Kontrol panelinde, seçin Tren tahmincisi.
- Üzerinde Tren tahmincisi sayfasında, tahminciniz için bir ad, gelecekte ne kadar süreyle ve hangi sıklıkta tahmin yapmak istediğinizi ve tahmin etmek istediğiniz niceliklerin sayısını girin.
- etkinleştirme Otomatik Tahmin. Bu, soğuk başlangıç tahmini için gereklidir.
- Klinik oluşturmak.
Aşağıdaki ekran görüntüsü, örneğimiz için doldurulan bilgileri göstermektedir.
Bir tahmin oluşturun
Tahmincimiz eğitildikten sonra (bu yaklaşık 2.5 saat sürebilir), yeni piyasaya sürülen ürün için bir tahmin oluşturuyoruz. Gördüğünüzde tahmincinizin eğitildiğini bileceksiniz. Tahminleri Görüntüle kontrol panelinizdeki düğmesine basın.
- Klinik Bir tahmin oluşturun kontrol panelinde.
- Üzerinde Bir tahmin oluşturun sayfasında bir tahmin adı girin, oluşturduğunuz tahminciyi seçin ve tahmin niceliklerini (isteğe bağlı) ve tahmin oluşturulacak öğeleri belirtin.
- Klinik Başlama.
Tahminlerinizi dışa aktarın
Tahmininiz oluşturulduktan sonra verileri CSV'ye aktarabilirsiniz. Durumun aktif olduğunu gördüğünüzde tahmininizin oluşturulduğunu bileceksiniz.
- Klinik Tahmini dışa aktarma oluştur.
- Dışa aktarma dosyası adını girin (bu gönderi için, my_cold_start_forecast_export).
- İçin İhracat yeri, belirtmek Amazon Basit Depolama Hizmeti (Amazon S3) konumu.
- Klinik Başlama.
- Dışa aktarmayı indirmek için konsoldan S3 dosya yolu konumuna gidin, ardından dosyayı seçin ve İndir.
Dışa aktarma dosyası, seçilen her bir dilim için zaman damgasını, öğe kimliğini, öğe meta verilerini ve tahminleri içerir.
tahminlerinizi görüntüleyin
Tahmininiz oluşturulduktan sonra konsol üzerinden yeni ürünlere ait tahminleri grafiksel olarak görüntüleyebilirsiniz.
- Klinik Sorgu tahmini kontrol panelinde.
- Önceki adımda oluşturulan tahminin adını seçin (örneğimizde my_cold_start_forecast).
- Tahmininizi görüntülemek istediğiniz başlangıç tarihini ve bitiş tarihini girin.
- Tahmin anahtarının öğe kimliği alanına, soğuk başlatma ürününüzün benzersiz kimliğini ekleyin.
- seçti tahmini al.
Şekilde, seçilen herhangi bir dilim için tahmini göreceksiniz.
Sonuç
Forecast ile, artık eskisinden %45'e varan oranda daha doğru olan, hiçbir geçmiş verisi olmayan soğuk başlangıçlı ürünler için aynı tahmin öngörülerini elde edebilirsiniz. Forecast ile soğuk başlangıç tahminleri oluşturmak için Forecast konsolunu açın ve bu gönderide belirtilen adımları izleyin veya şu bölümümüze bakın: GitHub not defteri API aracılığıyla işlevselliğe nasıl erişileceği hakkında. Daha fazla bilgi edinmek için bkz. Tahmin Oluşturma.
yazarlar hakkında
Brandon Nair Amazon Forecast Kıdemli Ürün Yöneticisidir. Profesyonel ilgisi, ölçeklenebilir makine öğrenimi hizmetleri ve uygulamaları oluşturmaktır. İş dışında milli parkları keşfederken, golf vuruşunu mükemmelleştirirken veya bir macera gezisi planlarken bulunabilir.
Manas Dadarkar Amazon Forecast hizmetinin mühendisliğine sahip bir Yazılım Geliştirme Yöneticisidir. Makine öğrenimi uygulamaları ve makine öğrenimi teknolojilerini herkesin benimsemesi ve üretime dağıtması için kolayca kullanılabilir hale getirme konusunda tutkulu. İş dışında seyahat etmek, okumak ve arkadaşları ve ailesiyle vakit geçirmek gibi birçok ilgi alanı vardır.
Bharat Nandamuri Amazon Forecast üzerinde çalışan Kıdemli Yazılım Mühendisidir. Makine öğrenimi sistemleri için Mühendislik odaklı yüksek ölçekli arka uç hizmetleri oluşturma konusunda tutkulu. İş dışında satranç oynamaktan, yürüyüş yapmaktan ve film izlemekten hoşlanıyor.
Gaurav Gupta AWS AI laboratuvarlarında ve Amazon Forecast'te Uygulamalı Bilim İnsanı. Araştırma ilgi alanları sıralı veriler için makine öğrenimi, kısmi diferansiyel denklemler için operatör öğrenimi ve dalgacıklardır. AWS'ye katılmadan önce Güney Kaliforniya Üniversitesi'nde doktorasını tamamladı.
- AI
- yapay zeka
- AI sanat üreteci
- yapay zeka robotu
- Amazon Tahmini
- yapay zeka
- yapay zeka sertifikası
- bankacılıkta yapay zeka
- yapay zeka robotu
- yapay zeka robotları
- yapay zeka yazılımı
- AWS Makine Öğrenimi
- blockchain
- blockchain konferans ai
- zeka
- konuşma yapay zekası
- kripto konferans ai
- dal-e
- derin öğrenme
- google ai
- makine öğrenme
- Platon
- plato yapay zekası
- Plato Veri Zekası
- Plato Oyunu
- PlatoVeri
- plato oyunu
- ölçek ai
- sözdizimi
- zefirnet