Amazon Forecast ile zaman serisi tahmini ile başarılı yolculuğunuza başlayın

Her büyüklükteki kuruluş işlerini büyütmek, verimliliği artırmak ve müşterilerine her zamankinden daha iyi hizmet vermek için çabalıyor. Gelecek belirsiz olsa da, veriye dayalı, bilime dayalı bir yaklaşım, bir seçenekler denizinde başarılı bir şekilde gezinmek için ileride nelerin olduğunu tahmin etmeye yardımcı olabilir.

Her endüstri, aşağıdakiler dahil ancak bunlarla sınırlı olmamak üzere çeşitli planlama ihtiyaçlarını karşılamak için zaman serisi tahminini kullanır:

Bu gönderide, başlamak için en iyi beş uygulamayı özetliyoruz Amazon Tahminive işletmenize son derece hassas makine öğrenimi (ML) tahmininin gücünü uygulayın.

Neden Amazon Tahmini

AWS, makine öğrenimi uzmanlığı gerektirmeden sürekli otomatikleştirilmiş zaman serisi tahminleri oluşturmanıza ve sürdürmenize olanak tanıyan, Amazon Forecast adlı tam olarak yönetilen bir zaman serisi tahmin hizmeti sunar. Ayrıca kod yazmaya, makine öğrenimi modelleri oluşturmaya veya altyapıyı yönetmeye gerek kalmadan tekrarlanabilir tahmin işlemleri oluşturabilir ve dağıtabilirsiniz.

Forecast'in yetenekleri, analistlerden tedarik zinciri yöneticilerinden geliştiricilere ve makine öğrenimi uzmanlarına kadar çok çeşitli müşteri rollerine hizmet etmesine olanak tanır. Müşterilerin Tahmin'i tercih etmesinin birkaç nedeni vardır: yüksek doğruluk, tekrarlanabilir sonuçlar ve özel teknik kaynak mevcudiyetini beklemeden kendi kendine hizmet etme yeteneği sunar. Tahmin, veri bilimi uzmanları tarafından da seçilir, çünkü kendi kendine ayarlanan bir model grubuna dayalı olarak son derece doğru sonuçlar ve herhangi bir boyuttaki kümeleri dağıtmak veya yönetmek zorunda kalmadan hızlı bir şekilde deney yapma esnekliği sağlar. Makine öğrenimi modelleri ayrıca çok sayıda öğe için tahminleri desteklemeyi kolaylaştırır ve doğru sonuçlar verebilir. soğuk başlatma öğeleri için tahminler geçmişi olmayan

Forecast'i kullanmaya başlarken en iyi beş uygulama

Tahmin, geliştiriciler ve veri bilimcileri için yüksek doğruluk ve hızlı pazara sürüm süresi sağlar. Son derece doğru zaman serisi modelleri geliştirmek kolaylaşmış olsa da bu gönderi, işe alım sürecinizi ve değer elde etme sürenizi hızlandırmak için en iyi uygulamaları sağlar. Başarıya ulaşmak için biraz titizlik ve belki de birkaç deneme turu uygulanmalıdır. Başarılı bir tahmin yolculuğu, bazıları incelikli olmak üzere birçok faktöre bağlıdır.

Bunlar, Tahmin ile çalışmaya başlarken göz önünde bulundurmanız gereken bazı önemli öğelerdir.

Basit başlayın

Aşağıdaki volanda gösterildiği gibi, kullanılan basit bir modelle başlamayı düşünün. hedef zaman serisi İlk giriş verisi setinizi önerirken bir temel geliştirmek için veri seti. Sonraki deneyler diğerlerini ekleyebilir zamansal özellikler ve statik meta veri model doğruluğunu artırmak amacıyla. Her değişiklik yapıldığında, değişikliğin ne kadar yardımcı olduğunu ölçebilir ve öğrenebilirsiniz. Değerlendirmenize bağlı olarak, sağlanan yeni özellik grubunu korumaya veya özetleyip başka bir seçeneği denemeye karar verebilirsiniz.

Aykırı değerlere odaklanın

Tahmin ile tüm veri kümesi için doğruluk istatistikleri elde edebilirsiniz. Bu üst düzey istatistik ilginç olsa da, yalnızca yönsel olarak doğru olarak görülmesi gerektiğini kabul etmek önemlidir. Üst düzey istatistikler yerine madde düzeyinde doğruluk istatistiklerine odaklanmalısınız. Aşağıdaki dağılım grafiğini bir kılavuz olarak düşünün. Veri kümesindeki bazı öğelerin doğruluğu yüksek olacaktır; bunlar için herhangi bir işlem yapılması gerekmez.

Bir model oluştururken, “keşif zaman serisi” olarak etiketlenen bazı noktaları keşfetmelisiniz. Bu keşif amaçlı durumlarda, fiyat değişiklikleri, promosyon harcamaları, açık sezonluk özellikler ve yerel, pazar, küresel ve diğer gerçek dünya olayları ve koşullarının dahil edilmesi gibi daha fazla girdi verisini dahil ederek doğruluğun nasıl iyileştirileceğini belirleyin.

Tahmin oluşturmadan önce öngörücü doğruluğunu gözden geçirin

Geriye dönük test döneminde tahmin doğruluğunu gözden geçirmeden Forecast ile ileri tarihli tahminler oluşturmayın. Önceki dağılım grafiği, zaman serisi seviyesindeki doğruluğu gösterir; bu, diğer her şey aynı olduğu sürece, gelecekteki tarihli tahminlerin nasıl görüneceğine dair en iyi göstergenizdir. Bu süre, gerekli doğruluk düzeyinizi sağlamıyorsa, verimsiz harcamaya yol açabileceğinden ileri tarihli tahmin işlemine devam etmeyin. Bunun yerine, girdi verilerinizi artırmaya ve daha önce tartışıldığı gibi yenilik çarkında bir tur daha denemeye odaklanın.

Eğitim süresini azaltın

Eğitim süresini iki mekanizma ile azaltabilirsiniz. İlk olarak, Tahmini kullanın yeniden eğitme işlevi transfer öğrenimi yoluyla eğitim süresini azaltmaya yardımcı olmak için. İkincisi, model kaymasını önleyin öngörücü izleme sadece gerektiğinde eğitim alarak.

Tekrarlanabilir süreçler oluşturun

aracılığıyla Tahmin iş akışları oluşturmamanızı öneririz. AWS Yönetim Konsolu veya en azından bizimkini değerlendirene kadar API'leri sıfırdan kullanmak AWS örnekleri GitHub deposu. GitHub örnekleriyle ilgili misyonumuz, önceden özenle tasarlanmış tekrarlanabilir iş akışlarıyla sürtünmeyi ortadan kaldırmaya ve pazara sunma sürenizi hızlandırmaya yardımcı olmaktır. Bu iş akışları sunucusuzdur ve düzenli bir zamanlamaya göre çalışacak şekilde planlanabilir.

Sağlanan adımları izleyerek çözüm kılavuzumuzu hızlı bir şekilde dağıtabileceğiniz resmi GitHub depomuzu ziyaret edin. Aşağıdaki şekilde gösterildiği gibi iş akışı, kod yazmaya gerek kalmadan geçmiş verileri alabilen, içe aktarabilen, modeller oluşturabilen ve modellere karşı çıkarımlar üretebilen eksiksiz bir uçtan uca işlem hattı sağlar.

Aşağıdaki şekil, tarafından desteklenen sayısız veritabanı kaynağından model eğitimi için geçmiş verileri toplayabilen tek bir modüle daha derin bir bakış sunar. Amazon Athena Birleşik Sorgu.

Bu gün başlayacağım

Tam otomatik bir üretim iş akışını, özellikle mağazamızda bulunan iş akışı düzenleme boru hattımızla eşleştirildiğinde, günler ila haftalar içinde uygulayabilirsiniz. GitHub örnek deposu.

Bu re:Invent videosu, bu GitHub modelini kullanarak iş akışını otomatikleştiren bir müşterinin kullanım durumunu vurgulamaktadır:

Tahmin, son derece doğru makine öğrenimi tabanlı tahmin yoluyla iş hedeflerinize ulaşmanıza yardımcı olacak birçok yerleşik yeteneğe sahiptir. Herhangi bir sorunuz varsa AWS hesap ekibinizle iletişime geçmenizi ve rehberlik ve yönlendirme sağlamak için bir zaman serisi uzmanıyla konuşmak istediğinizi bildirmenizi öneririz. Tahmini kullanmayı öğrenmenize yardımcı olacak atölye çalışmaları da sunabiliriz.

Siz şirketinizde talep tahminini otomatikleştirmeye ve iyileştirmeye çalışırken sizi ve kuruluşunuzu desteklemek için buradayız. Daha doğru bir tahmin, daha yüksek satışlar, israfta önemli bir azalma, atıl envanterde bir azalma ve nihayetinde daha yüksek müşteri hizmetleri seviyeleri ile sonuçlanabilir.

Bugün harekete geçin; Daha iyi bir yarın yaratmaya başlamak için şimdiden daha iyi bir zaman yoktur.

---

Yazar Hakkında

Charles Laughlin Baş AI/ML Uzmanı Çözüm Mimarıdır ve AWS'de Time Series ML ekibinde çalışır. Amazon Forecast hizmeti yol haritasının şekillendirilmesine yardımcı olur ve en son AWS teknolojilerini ve düşünce liderliğini kullanarak işlerini dönüştürmelerine yardımcı olmak için çeşitli AWS müşterileriyle günlük olarak iş birliği yapar. Charles, Tedarik Zinciri Yönetimi alanında yüksek lisans derecesine sahiptir ve son on yılını ambalajlı tüketim malları endüstrisinde çalışarak geçirmiştir.

Dan Sinnreich Amazon Tahmini için Kıdemli Ürün Yöneticisidir. Düşük kodlu/kodsuz makine öğrenimini demokratikleştirmeye ve bunu iş sonuçlarını iyileştirmek için uygulamaya odaklanmıştır. İş dışında, hokey oynarken, tenis servisini geliştirmeye çalışırken, tüplü dalış yaparken ve bilim kurgu okurken bulunabilir.