Почніть свій успішний шлях із прогнозування часових рядів за допомогою Amazon Forecast

Організації будь-якого розміру прагнуть розвивати свій бізнес, підвищувати ефективність і обслуговувати своїх клієнтів краще, ніж будь-коли раніше. Незважаючи на те, що майбутнє невизначене, науково обґрунтований підхід, який базується на даних, може допомогти передбачити, що чекає попереду, щоб успішно орієнтуватися в морі вибору.

Кожна галузь використовує прогнозування часових рядів для задоволення різноманітних потреб у плануванні, включаючи, але не обмежуючись:

У цьому дописі ми наведемо п’ять найкращих порад для початку Прогноз Amazonі застосуйте потужність високоточного прогнозування машинного навчання (ML) до свого бізнесу.

Чому прогноз Amazon

AWS пропонує повністю керовану службу прогнозування часових рядів під назвою Amazon Forecast, яка дозволяє створювати та підтримувати поточні автоматизовані прогнози часових рядів, не потребуючи досвіду ML. Крім того, ви можете будувати та розгортати повторювані операції прогнозування без необхідності писати код, будувати моделі ML або керувати інфраструктурою.

Можливості Forecast дозволяють обслуговувати широкий спектр ролей клієнтів, від аналітиків і менеджерів ланцюгів постачання до розробників і експертів з машинного навчання. Є кілька причин, чому клієнти віддають перевагу Forecast: він пропонує високу точність, повторювані результати та можливість самообслуговування, не чекаючи на наявність спеціалізованих технічних ресурсів. Прогноз також вибирають експерти з науки про дані, оскільки він забезпечує високоточні результати на основі сукупності самонастроюваних моделей і гнучкість для швидкого експериментування без необхідності розгортання чи керування кластерами будь-якого конкретного розміру. Його моделі ML також спрощують підтримку прогнозів для великої кількості елементів і можуть створювати точні прогнози для предметів холодного запуску без історії.

П’ять найкращих порад щодо початку роботи з Forecast

Прогноз забезпечує високу точність і швидкий вихід на ринок для розробників і спеціалістів із обробки даних. Незважаючи на те, що розробка високоточних моделей часових рядів стала легкою, у цьому дописі наведено найкращі практики, які допоможуть пришвидшити процес адаптації та оцінити час. Щоб досягти успіху, необхідно застосувати трохи ретельності та, можливо, кілька раундів експериментів. Успішна подорож до прогнозування залежить від багатьох факторів, деякі з яких непомітні.

Це деякі ключові пункти, які слід враховувати, починаючи працювати з Forecast.

Почати просто

Як показано на наступному маховику, почніть із простої моделі, яка використовує a цільовий часовий ряд набір даних для розробки базової лінії, коли ви пропонуєте свій перший набір вхідних даних. Подальші експерименти можуть додати інші скроневі особливості та статичні метадані з метою підвищення точності моделі. Щоразу, коли вноситься зміна, ви можете виміряти та дізнатися, наскільки ця зміна допомогла, якщо взагалі допомогла. Залежно від вашої оцінки ви можете вирішити залишити новий набір наданих функцій або змінити й спробувати інший варіант.

Зосередьтеся на викидах

За допомогою Forecast ви можете отримати статистику точності для всього набору даних. Важливо визнати, що, незважаючи на те, що ця статистика найвищого рівня цікава, її слід розглядати лише як правильну напрямок. Вам слід зосередитися на статистиці точності на рівні елементів, а не на статистиці верхнього рівня. Розгляньте наступну діаграму розсіювання як орієнтир. Деякі елементи в наборі даних матимуть високу точність; для них не потрібно жодних дій.

Під час побудови моделі вам слід вивчити деякі моменти, позначені як «дослідницькі часові ряди». У цих дослідницьких випадках визначте, як підвищити точність, включивши більше вхідних даних, таких як варіації цін, рекламні витрати, чіткі сезонні особливості та включення місцевих, ринкових, глобальних та інших реальних подій і умов.

Перед створенням прогнозів перевірте точність прогнозу

Не створюйте датовані майбутні прогнози за допомогою Forecast, доки не перевірите точність прогнозу протягом періоду ретестування. Попередня діаграма розсіювання ілюструє точність рівня часового ряду, що є вашим найкращим показником того, як виглядатимуть майбутні датовані прогнози, якщо всі інші умови залишаться незмінними. Якщо цей період не забезпечує необхідного рівня точності, не продовжуйте операцію прогнозу з датою в майбутньому, оскільки це може призвести до неефективних витрат. Натомість зосередьтеся на збільшенні вхідних даних і спробуйте ще один раунд інноваційного маховика, як обговорювалося раніше.

Скоротити час тренувань

Скоротити час навчання можна за допомогою двох механізмів. По-перше, використовуйте Forecast's функція перенавчання щоб допомогти скоротити час навчання через перехідне навчання. По-друге, запобігти дрейфу моделі за допомогою моніторинг предикторів навчаючись лише за необхідності.

Створення повторюваних процесів

Ми рекомендуємо вам не створювати робочі процеси Forecast через Консоль управління AWS або використання API з нуля, доки ви принаймні не оціните наші AWS зразки репо GitHub. Наша місія із зразками GitHub полягає в тому, щоб допомогти усунути тертя та прискорити ваш час виходу на ринок за допомогою повторюваних робочих процесів, які вже були ретельно розроблені. Ці робочі процеси є безсерверними, і їх можна запланувати для регулярного виконання.

Відвідайте наше офіційне сховище GitHub, де ви можете швидко розгорнути наше керівництво щодо рішення, дотримуючись наведених кроків. Як показано на наведеному нижче малюнку, робочий процес забезпечує повний наскрізний конвеєр, який може отримувати історичні дані, імпортувати їх, створювати моделі та робити висновок на основі моделей — і все це без необхідності писати код.

Наступний малюнок пропонує глибше уявлення лише про один модуль, який може збирати історичні дані для навчання моделі з безлічі джерел бази даних, які підтримуються Федеральний запит Amazon Athena.

Почніть сьогодні

Ви можете реалізувати повністю автоматизований робочий процес протягом кількох днів або тижнів, особливо в поєднанні з нашим конвеєром оркестровки робочого процесу, доступним на нашому Репозиторій зразків GitHub.

Це відео re:Invent висвітлює приклад використання клієнта, який автоматизував свій робочий процес за допомогою цієї моделі GitHub:

У Forecast є багато вбудованих можливостей, які допоможуть вам досягти бізнес-цілей за допомогою високоточного прогнозування на основі ML. Радимо вам зв’язатися зі своєю командою облікових записів AWS, якщо у вас виникнуть запитання, і повідомити їм, що ви хотіли б поговорити зі спеціалістом із часових рядів, щоб надати вказівки та вказівки. Ми також можемо запропонувати семінари, щоб допомогти вам навчитися використовувати Forecast.

Ми тут, щоб підтримати вас і вашу організацію, коли ви намагаєтеся автоматизувати й покращити прогнозування попиту у своїй компанії. Точніший прогноз може призвести до збільшення продажів, значного скорочення відходів, скорочення незадіяних запасів і, зрештою, підвищення рівня обслуговування клієнтів.

Дійте сьогодні; немає кращого часу, ніж теперішній, щоб почати створювати краще завтра.

---

Про автора

Чарльз Лафлін є головним архітектором рішень зі штучного інтелекту/ML і працює в команді Time Series ML в AWS. Він допомагає формувати дорожню карту сервісу Amazon Forecast і щодня співпрацює з різноманітними клієнтами AWS, щоб допомогти трансформувати їхній бізнес за допомогою передових технологій AWS і інтелектуального лідерства. Чарльз має ступінь магістра з управління ланцюгами поставок і провів останнє десятиліття, працюючи в галузі споживчих упакованих товарів.

Ден Зінрайх є старшим менеджером з продуктів Amazon Forecast. Він зосереджений на демократизації машинного навчання з низьким кодом/без коду та його застосуванні для покращення результатів бізнесу. Поза роботою він грає в хокей, намагається покращити свою тенісну подачу, займається підводним плаванням і читає наукову фантастику.