Прискоріть прогнозування часових рядів до 50 відсотків за допомогою Amazon SageMaker Canvas UI та AutoML API | Веб-сервіси Amazon

Ми раді повідомити про це Canvas Amazon SageMaker тепер пропонує швидший і зручніший спосіб створення моделей машинного навчання для прогнозування часових рядів. SageMaker Canvas — це візуальний сервіс, який дозволяє бізнес-аналітикам створювати точні моделі машинного навчання (ML), не вимагаючи досвіду машинного навчання або написання одного рядка коду.

SageMaker Canvas підтримує низку варіантів використання, зокрема прогнозування часових рядів, що використовується для управління запасами в роздрібній торгівлі, планування попиту на виробництві, планування робочої сили та відвідувачів у подорожах і гостинному бізнесі, прогнозування доходів у фінансах та багато інших критично важливих для бізнесу рішень, де дуже важливо важливі точні прогнози. Наприклад, прогнозування часових рядів дозволяє роздрібним торговцям передбачити майбутній попит на продаж і спланувати рівень запасів, логістику та маркетингові кампанії. Моделі прогнозування часових рядів у SageMaker Canvas використовують передові технології для поєднання статистичних алгоритмів і алгоритмів машинного навчання та надання високоточних прогнозів.

У цьому дописі ми описуємо вдосконалення можливостей прогнозування SageMaker Canvas і допоможемо вам використовувати його інтерфейс користувача (UI) і AutoML Інтерфейси для прогнозування часових рядів. Хоча інтерфейс користувача SageMaker Canvas пропонує візуальний інтерфейс без коду, API дають змогу розробникам взаємодіяти з цими функціями програмним шляхом. Обидва доступні з Консоль SageMaker.

Покращення досвіду прогнозування

З сьогоднішнім запуском SageMaker Canvas оновив свої можливості прогнозування за допомогою AutoML, забезпечуючи до 50 відсотків швидшу продуктивність побудови моделі та до 45 відсотків швидші прогнози в середньому порівняно з попередніми версіями для різних контрольних наборів даних. Це зменшує середню тривалість навчання моделі зі 186 до 73 хвилин і середній час прогнозування з 33 до 18 хвилин для типового пакету з 750 часових рядів із розміром даних до 100 МБ. Тепер користувачі також можуть отримати програмний доступ до функцій побудови моделей і прогнозування за допомогою Amazon SageMaker Autopilot Інтерфейси, які постачаються зі звітами про пояснення моделі та продуктивністю.

Раніше впровадження додаткових даних вимагало перенавчання всієї моделі, що займало багато часу та спричиняло затримки в роботі. Тепер у SageMaker Canvas ви можете додавати останні дані для створення майбутніх прогнозів без повторного навчання всієї моделі. Просто введіть додаткові дані у свою модель, щоб використовувати останні статистичні дані для майбутніх прогнозів. Відмова від повторного навчання прискорює процес прогнозування, дозволяючи вам швидше застосовувати ці результати до ваших бізнес-процесів.

Завдяки тому, що SageMaker Canvas тепер використовує AutoML для прогнозування, ви можете використовувати функції побудови моделей і прогнозування через API SageMaker Autopilot, забезпечуючи узгодженість інтерфейсу користувача та API. Наприклад, ви можете почати зі створення моделей в інтерфейсі користувача, а потім перейти до використання API для створення прогнозів. Цей оновлений підхід до моделювання також покращує прозорість моделі кількома способами:

1. Користувачі можуть отримати доступ до звіту про пояснення, який пропонує більш чітке розуміння факторів, що впливають на прогнози. Це важливо для груп ризиків, відповідності та зовнішніх регуляторів. У звіті пояснюється, як атрибути набору даних впливають на прогнози конкретних часових рядів. Це працевлаштовує оцінки впливу щоб виміряти відносний ефект кожного атрибута, вказавши, чи посилюють вони чи зменшують прогнозовані значення.
2. Тепер ви можете отримати доступ до навчених моделей і розгорнути їх у SageMaker Inference або вашій бажаній інфраструктурі для прогнозів.
3. Доступний звіт про продуктивність, який дає більш глибоке розуміння оптимальних моделей, вибраних AutoML для певних часових рядів, і гіперпараметрів, які використовуються під час навчання.

Створюйте прогнози часових рядів за допомогою інтерфейсу користувача SageMaker Canvas

Інтерфейс користувача SageMaker Canvas дає змогу легко інтегрувати джерела даних із хмари чи локально, легко об’єднувати набори даних, тренувати точні моделі та робити прогнози з новими даними — і все це без програмування. Давайте дослідимо створення прогнозу часових рядів за допомогою цього інтерфейсу користувача.

По-перше, ви імпортуєте дані в SageMaker Canvas із різних джерел, у тому числі з локальних файлів із вашого комп’ютера, Служба простого зберігання Amazon (Amazon S3) відра, Амазонка Афіна, Сніжинка та понад 40 інших джерел даних. Після імпорту даних ви можете досліджувати та візуалізувати їх, щоб отримати додаткову статистику, наприклад, за допомогою діаграм розсіювання або гістограм. Коли ви будете готові створити модель, ви можете зробити це лише кількома клацаннями миші після налаштування необхідних параметрів, наприклад вибору цільового стовпця для прогнозування та вказівки на скільки днів у майбутньому ви хочете зробити прогноз. На наступних знімках екрана показано приклад візуалізації прогнозування попиту на продукт на основі історичних тижневих даних попиту на певні продукти в різних магазинах:

На наступному зображенні показано тижневі прогнози для певного продукту в різних магазинах:

Щоб отримати вичерпний посібник щодо використання інтерфейсу користувача SageMaker Canvas для прогнозування, перегляньте це блог.

Якщо вам потрібен автоматизований робочий процес або пряма інтеграція моделі ML у програми, наші функції прогнозування доступні через API. У наступному розділі ми надаємо зразок рішення, де докладно описано, як використовувати наш Інтерфейси для автоматизованого прогнозування.

Створення прогнозу часових рядів за допомогою API

Давайте зануримося в те, як використовувати API для навчання моделі та створення прогнозів. Для цієї демонстрації розглянемо ситуацію, коли компанії необхідно передбачити рівень запасів продукції в різних магазинах, щоб задовольнити попит клієнтів. На високому рівні взаємодія API розбивається на такі кроки:

1. Підготуйте набір даних.
2. Створіть завдання автопілота SageMaker.
3. Оцініть роботу автопілота:
   1. Досліджуйте показники точності моделі та результати тестування.
   2. Перегляньте звіт про пояснюваність моделі.
4. Згенеруйте прогнози з моделі:
   1. Використовувати висновок у реальному часі кінцева точка, створена як частина завдання автопілота; або
   2. Використовувати пакетне перетворення роботу.

Зразок блокнота Amazon SageMaker Studio, що демонструє прогнозування за допомогою API

Ми надали зразок блокнота SageMaker Studio на GitHub щоб пришвидшити час виходу на ринок, якщо ваш бізнес віддає перевагу організовувати прогнозування за допомогою програмних API. Ноутбук пропонує зразок синтетичного набору даних, доступний через загальнодоступне відро S3. Блокнот допоможе вам виконати всі кроки, описані на зображенні робочого процесу, згаданому вище. Хоча блокнот містить базову структуру, ви можете налаштувати зразок коду відповідно до конкретного випадку використання. Це включає зміну його відповідно до вашої унікальної схеми даних, тимчасової роздільної здатності, горизонту прогнозування та інших необхідних параметрів для досягнення бажаних результатів.

Висновок

SageMaker Canvas демократизує прогнозування часових рядів, пропонуючи зручний інтерфейс без програмного коду, який дає змогу бізнес-аналітикам створювати високоточні моделі машинного навчання. Завдяки сучасним оновленням AutoML він забезпечує до 50 відсотків швидше створення моделі, до 45 відсотків пришвидшення прогнозів і вводить доступ до API як для побудови моделі, так і для функцій прогнозування, підвищуючи прозорість і послідовність. Унікальна здатність SageMaker Canvas легко обробляти додаткові дані без перенавчання забезпечує швидку адаптацію до постійно мінливих вимог бізнесу.

Незалежно від того, чи віддаєте ви перевагу інтуїтивно зрозумілому інтерфейсу користувача чи універсальним API, SageMaker Canvas спрощує інтеграцію даних, навчання моделі та прогнозування, що робить його ключовим інструментом для прийняття рішень на основі даних та інновацій у різних галузях.

Щоб дізнатися більше, перегляньте документація, або ознайомтеся з ноутбук доступний у нашому репозиторії GitHub. Інформація про ціни для прогнозування часових рядів за допомогою SageMaker Canvas доступна на Ціни на полотно SageMaker сторінки, а для навчання SageMaker і визначення ціни під час використання SageMaker Autopilot API, див. Ціни SageMaker стр.

Ці можливості доступні в усіх регіонах AWS, де SageMaker Canvas і SageMaker Autopilot є загальнодоступними. Щоб отримати додаткові відомості про доступність регіону, див Сервіси AWS за регіонами.

---

Про авторів

Нірмал Кумар є старшим менеджером із продуктів служби Amazon SageMaker. Прагнучи розширити доступ до AI/ML, він керує розробкою безкодових і низькокодових рішень ML. Поза роботою він любить подорожувати та читати нон-фікшн.

Чарльз Лафлін є головним архітектором рішень зі штучного інтелекту та ML, який працює в групі обслуговування Amazon SageMaker в AWS. Він допомагає формувати дорожню карту надання послуг 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 докторську ступінь. в Data Science.

Рідхім Растогі Інженер із розробки програмного забезпечення, який працює в сервісній команді Amazon SageMaker в AWS. Він захоплений створенням масштабованих розподілених систем, зосереджених на вирішенні реальних проблем за допомогою AI/ML. У вільний час він любить розгадувати головоломки, читати художню літературу та досліджувати довкола.

Ахмед Раафат є головним архітектором рішень в AWS, має 20-річний досвід роботи та 5 років роботи в екосистемі AWS. Він спеціалізується на рішеннях AI/ML. Його великий досвід поширюється на різні галузеві вертикалі, що робить його надійним порадником для численних корпоративних клієнтів, полегшуючи їх безперебійну навігацію та прискорюючи їх подорож до хмари.

Джон Ошоді є старшим архітектором рішень у Amazon Web Services у Лондоні, Великобританія. Він спеціалізується на даних та аналітиці та виступає технічним радником для численних корпоративних клієнтів AWS, підтримуючи та прискорюючи їхню подорож до хмари. Поза роботою він любить подорожувати в нові місця та знайомитися з новою культурою зі своєю родиною.

• Розповсюдження контенту та PR на основі SEO. Отримайте посилення сьогодні.
• PlatoData.Network Vertical Generative Ai. Додайте собі сили. Доступ тут.
• PlatoAiStream. Web3 Intelligence. Розширення знань. Доступ тут.
• ПлатонЕСГ. вуглець, CleanTech, Енергія, Навколишнє середовище, Сонячна, Поводження з відходами. Доступ тут.
• PlatoHealth. Розвідка про біотехнології та клінічні випробування. Доступ тут.
• джерело: https://aws.amazon.com/blogs/machine-learning/speed-up-your-time-series-forecasting-by-up-to-50-percent-with-amazon-sagemaker-canvas-ui-and-automl-apis/