Прогнозування часових рядів стосується процесу прогнозування майбутніх значень даних часових рядів (дані, які збираються через рівні проміжки часу протягом певного часу). Прості методи прогнозування часових рядів використовують історичні значення тієї самої змінної, майбутні значення яких необхідно передбачити, тоді як більш складні методи, засновані на машинному навчанні (ML), використовують додаткову інформацію, таку як дані часових рядів пов’язаних змінних.
Прогноз Amazon це служба прогнозування часових рядів на основі машинного навчання, яка включає алгоритми, засновані на більш ніж 20-річному досвіді прогнозування, який використовує Amazon.com, надаючи розробникам ту саму технологію, що використовується в Amazon, як повністю керований сервіс, усуваючи потребу в керуванні ресурсами. Forecast використовує ML, щоб вивчати не лише найкращий алгоритм для кожного елемента, але й найкращий ансамбль алгоритмів для кожного елемента, автоматично створюючи найкращу модель для ваших даних.
У цьому дописі описано, як розгортати повторювані робочі навантаження Forecast (робочі навантаження прогнозування часових рядів) без використання коду AWS CloudFormation, Функції кроку AWS та Менеджер систем AWS. Представлений тут метод допоможе вам побудувати конвеєр, який дозволяє використовувати той самий робочий процес, починаючи з першого дня експерименту з прогнозуванням часових рядів і закінчуючи розгортанням моделі у виробництві.
Прогнозування часових рядів за допомогою Forecast
Робочий процес для Forecast включає такі загальні поняття:
- Імпорт наборів даних – У Прогноз, а група наборів даних це набір наборів даних, схем і результатів прогнозу, які йдуть разом. Кожна група набору даних може мати до трьох наборів даних, по одному з кожного набору даних тип: цільовий часовий ряд (TTS), пов’язаний часовий ряд (RTS) і метадані елемента. Набір даних — це набір файлів, що містять дані, які стосуються задачі прогнозування. Набір даних має відповідати схемі, визначеній у Forecast. Для отримання додаткової інформації див Імпорт наборів даних.
- Тренувальні предиктори - A провісник це модель, навчена прогнозу, яка використовується для створення прогнозів на основі даних часових рядів. Під час навчання Forecast обчислює показники точності, які ви використовуєте для оцінки предиктора та вирішуєте, чи використовувати предиктор для створення прогнозу. Для отримання додаткової інформації див Тренувальні прогнози.
- Формування прогнозів – Потім ви можете використовувати навчену модель для створення прогнозів на майбутній часовий горизонт, відомий як горизонт прогнозування. Прогноз надає прогнози для різних заданих квантилів. Наприклад, прогноз із квантилем 0.90 оцінюватиме значення, яке є нижчим за спостережуване значення в 90% випадків. За замовчуванням Прогноз використовує такі значення для типів прогнозів предиктора: 0.1 (P10), 0.5 (P50) і 0.9 (P90). Прогнози в різних квантилях зазвичай використовуються для забезпечення інтервалу прогнозування (верхньої та нижньої межі для прогнозів) для врахування невизначеності прогнозу.
Ви можете реалізувати цей робочий процес у Forecast або з Консоль управління AWS, Інтерфейс командного рядка AWS (AWS CLI), через Виклики API за допомогою блокнотів Python, або за допомогою рішень автоматизації. The втішити та CLI AWS Методи найкраще підходять для швидкого експериментування, щоб перевірити доцільність прогнозування часових рядів за вашими даними. Метод блокнота Python чудово підходить для дослідників даних, які вже знайомі з блокнотами та кодуванням Jupyter, і забезпечує максимальний контроль і налаштування. Однак метод, заснований на записній книжці, важко застосувати. Наш підхід до автоматизації сприяє швидкому експериментуванню, усуває повторювані завдання та полегшує перехід між різними середовищами (розробка, постановка, виробництво).
У цій публікації ми описуємо автоматизований підхід до використання Forecast, який дозволяє використовувати ваші власні дані та надає єдиний робочий процес, який можна безперебійно використовувати протягом життєвого циклу розробки вашого рішення для прогнозування, від перших днів експериментів до розгортання. рішення у вашому виробничому середовищі.
Огляд рішення
У наступних розділах ми описуємо повний наскрізний робочий процес, який служить шаблоном для автоматичного розгортання моделей прогнозування часових рядів за допомогою Forecast. Цей робочий процес створює прогнозовані точки даних із відкритого набору вхідних даних; однак ви можете використовувати той самий робочий процес для власних даних, якщо зможете відформатувати свої дані відповідно до кроків, описаних у цій публікації. Після того, як ви завантажите дані, ми проведемо вас через кроки для створення груп наборів даних прогнозу, імпорту даних, навчання моделей ML і створення точок прогнозованих даних на майбутніх невідомих часових горизонтах із вихідних даних. Все це можливо без необхідності писати або компілювати код.
Наступна діаграма ілюструє робочий процес прогнозування.
Рішення розгортається за допомогою двох шаблонів CloudFormation: шаблону залежностей і шаблону робочого навантаження. CloudFormation дозволяє передбачувано та неодноразово виконувати розгортання інфраструктури AWS за допомогою шаблонів, що описують ресурси, які потрібно розгорнути. Розгорнутий шаблон називається a стек. Ми подбали про визначення інфраструктури в рішенні для вас у двох наданих шаблонах. Шаблон залежностей визначає необхідні ресурси, які використовує шаблон робочого навантаження, наприклад Служба простого зберігання Amazon (Amazon S3) відро для зберігання предметів і Управління ідентифікацією та доступом AWS (IAM) дозволи для дій AWS API. Ресурси, визначені в шаблоні залежностей, можуть використовуватися кількома шаблонами робочого навантаження. Шаблон робочого навантаження визначає ресурси, які використовуються для прийому даних, навчання предиктора та створення прогнозу.
Розгорніть шаблон CloudFormation залежностей
Спочатку давайте розгорнемо шаблон залежностей, щоб створити наші необхідні ресурси. Шаблон залежностей розгортає додаткове відро S3, AWS Lambda функції та ролі IAM. Amazon S3 – це недорога, високодоступна, стійка служба зберігання об’єктів. Ми використовуємо сегмент S3 у цьому рішенні для зберігання вихідних даних і запуску робочого циклу, результатом якого є прогноз. Lambda — це безсерверна обчислювальна служба, керована подіями, яка дає змогу запускати код без підготовки та керування серверами. Шаблон залежностей містить такі функції, як створення групи набору даних у Forecast і очищення об’єктів у сегменті S3 перед видаленням сегмента. Ролі IAM визначають дозволи в AWS для користувачів і служб. Шаблон залежностей розгортає роль, яку використовуватиме Lambda, і іншу для Step Functions, служби керування робочим процесом, яка координуватиме завдання прийому та обробки даних, а також навчання предикторів і висновків за допомогою Forecast.
Виконайте такі кроки, щоб розгорнути шаблон залежностей:
- На консолі виберіть потрібний Регіон підтримується Forecast для розгортання рішення.
- На консолі AWS CloudFormation виберіть Стеки у навігаційній панелі.
- Вибирати Створити стек І вибирай З новими ресурсами (стандарт).
- для Джерело шаблонувиберіть URL-адреса Amazon S3.
- Введіть URL шаблону:
https://amazon-forecast-samples.s3.us-west-2.amazonaws.com/ml_ops/forecast-mlops-dependency.yaml
. - Вибирати МАЙБУТНІ.
- для Назва стека, введіть
forecast-mlops-dependency
. - під параметри, виберіть використання існуючого сегмента S3 або створіть новий, а потім введіть назву сегмента.
- Вибирати МАЙБУТНІ.
- Вибирати МАЙБУТНІ щоб прийняти параметри стека за замовчуванням.
- Установіть прапорець, щоб підтвердити, що стек створює ресурси IAM, а потім виберіть Створити стек щоб розгорнути шаблон.
Ви повинні побачити розгортання шаблону як forecast-mlops-dependency
стек. Коли статус змінюється на CREATE_COMPLETE
, ви можете переходити до наступного кроку.
Розгорніть робочий шаблон CloudFormation
Далі давайте розгорнемо шаблон робочого навантаження, щоб створити наші необхідні ресурси. Шаблон робочого навантаження розгортає автомати стану Step Functions для керування робочим процесом, Зберігання параметрів AWS Systems Manager параметри для зберігання значень параметрів з AWS CloudFormation та інформування робочого процесу, an Служба простих сповіщень Amazon Тема (Amazon SNS) для сповіщень робочого циклу та роль IAM для дозволів служби робочого циклу.
Рішення створює п’ять автоматів стану:
- CreateDatasetGroupStateMachine – Створює групу набору даних прогнозу для даних, які потрібно імпортувати.
- CreateImportDatasetStateMachine – Імпортує вихідні дані з Amazon S3 у групу набору даних для навчання.
- CreateForecastStateMachine – Керує завданнями, необхідними для навчання предиктора та створення прогнозу.
- AthenaConnectorStateMachine – Дозволяє писати запити SQL за допомогою Амазонка Афіна роз’єм для наземних даних в Amazon S3. Це необов’язковий процес для отримання історичних даних у необхідному форматі для Forecast за допомогою Athena замість розміщення файлів вручну в Amazon S3.
- StepFunctionWorkflowStateMachine – Координує зв’язок з іншими чотирма кінцевими автоматами та керує загальним робочим процесом.
Сховище параметрів, функція Systems Manager, забезпечує безпечне ієрархічне зберігання та програмне отримання керування даними конфігурації та управління секретами. Сховище параметрів використовується для зберігання параметрів, установлених у стеку робочого навантаження, а також інших параметрів, які використовуються робочим процесом.
Виконайте такі кроки, щоб розгорнути шаблон робочого навантаження:
- На консолі AWS CloudFormation виберіть Стеки у навігаційній панелі.
- Вибирати Створити стек І вибирай З новими ресурсами (стандарт).
- для Джерело шаблонувиберіть URL-адреса Amazon S3.
- Введіть URL шаблону:
https://amazon-forecast-samples.s3.us-west-2.amazonaws.com/ml_ops/forecast-mlops-solution-guidance.yaml
. - Вибирати МАЙБУТНІ.
- для Назва стека, введіть ім'я.
- Прийміть значення за замовчуванням або змініть параметри.
Обов’язково введіть назву сегмента S3 зі стеку залежностей для S3 Ківш і дійсну електронну адресу для SNSEndpoint навіть якщо прийняти значення параметрів за замовчуванням.
У наведеній нижче таблиці описано кожен параметр.
Параметр | Опис | Додаткова інформація |
DatasetGroupFrequencyRTS |
Частота збору даних для набору даних RTS. | . |
DatasetGroupFrequencyTTS |
Частота збору даних для набору даних TTS. | . |
DatasetGroupName |
Коротка назва для групи набору даних, самодостатнє робоче навантаження. | CreateDatasetGroup |
DatasetIncludeItem |
Укажіть, чи потрібно надавати метадані елемента для цього випадку використання. | . |
DatasetIncludeRTS |
Укажіть, чи потрібно надати пов’язаний часовий ряд для цього випадку використання. | . |
ForecastForecastTypes |
Коли виконується завдання CreateForecast, це оголошує, для яких квантилів створювати прогнози. У цьому масиві можна вибрати до п’яти значень. Відредагуйте це значення, щоб включити значення відповідно до потреб. | CreateForecast |
PredictorAttributeConfigs |
Для цільової змінної в TTS і кожного числового поля в наборах даних RTS необхідно створити запис для кожного інтервалу часу для кожного елемента. Ця конфігурація допомагає визначити, як заповнюються відсутні записи: 0, NaN чи іншим чином. Ми рекомендуємо заповнювати прогалини в TTS за допомогою NaN замість 0. З 0 модель може помилково навчитися зміщувати прогнози в бік 0. NaN – це те, як надається керівництво. З будь-якими запитаннями щодо цього зверніться до свого архітектора рішень AWS. | Створити AutoPredictor |
PredictorExplainPredictor |
Дійсні значення TRUE або FALSE. Вони визначають, чи ввімкнено пояснення для вашого предиктора. Це може допомогти вам зрозуміти, як значення в RTS і метаданих елементів впливають на модель. | Пояснюваність |
PredictorForecastDimensions |
Ви можете спрогнозувати більш дрібне зерно, ніж предмет. Тут ви можете вказати такі параметри, як розташування, центр витрат або будь-які інші ваші потреби. Це має відповідати розмірам у ваших RTS і TTS. Зауважте, що якщо у вас немає розмірності, правильний параметр буде нульовим, сам по собі і в нижньому регістрі. null — це зарезервоване слово, яке повідомляє системі про відсутність параметра для розміру. | Створити AutoPredictor |
PredictorForecastFrequency |
Визначає часовий масштаб, у якому створюватимуться ваша модель і прогнози, наприклад щодня, щотижня чи щомісяця. Випадаюче меню допоможе вибрати дозволені значення. Це має узгоджуватися з вашою шкалою часу RTS, якщо ви використовуєте RTS. | Створити AutoPredictor |
PredictorForecastHorizon |
Кількість часових кроків, які передбачає модель. Прогнозний горизонт також називають довжина передбачення. | Створити AutoPredictor |
PredictorForecastOptimizationMetric |
Визначає показник точності, який використовується для оптимізації предиктора. Випадаюче меню допоможе вам вибрати зважені квантильні баланси втрат для завищення або заниження прогнозу. RMSE стосується одиниць, а WAPE/MAPE — відсоткових помилок. | Створити AutoPredictor |
PredictorForecastTypes |
Коли CreateAutoPredictor виконання завдань, це оголошує, які квантилі використовуються для навчання точок передбачення. Ви можете вибрати до п’яти значень у цьому масиві, дозволяючи збалансувати завищене та занижене прогнозування. Відредагуйте це значення, щоб включити значення відповідно до потреб. |
Створити AutoPredictor |
S3Bucket |
Назва сегмента S3, де записуються вхідні та вихідні дані для цього робочого навантаження. | . |
SNSEndpoint |
Дійсна адреса електронної пошти для отримання сповіщень про завершення завдань прогнозування та прогнозування. | . |
SchemaITEM |
Це визначає фізичний порядок, назви стовпців і типи даних для вашого набору метаданих елемента. Це додатковий файл, наданий у прикладі рішення. | CreateDataset |
SchemaRTS |
Це визначає фізичний порядок, назви стовпців і типи даних для вашого набору даних RTS. Розміри повинні відповідати вашому TTS. Зернистість часу цього файлу визначає зернистість часу, за який можна робити прогнози. Це додатковий файл, наданий у прикладі рішення. | CreateDataset |
SchemaTTS |
Це визначає фізичний порядок, назви стовпців і типи даних для вашого набору даних TTS, єдиного необхідного набору даних. Файл має містити щонайменше цільове значення, мітку часу та елемент. | CreateDataset |
TimestampFormatRTS |
Визначає формат позначки часу, наданий у файлі RTS. | CreateDatasetImportJob |
TimestampFormatTTS |
Визначає формат позначки часу, наданий у файлі TTS. | CreateDatasetImportJob |
- Вибирати МАЙБУТНІ щоб прийняти параметри стека за замовчуванням.
- Установіть прапорець, щоб підтвердити, що стек створює ресурси IAM, а потім виберіть Створити стек щоб розгорнути шаблон.
Ви повинні побачити шаблон розгортання як назву стека, яку ви вибрали раніше. Коли статус змінюється на CREATE_COMPLETE
, ви можете перейти до етапу завантаження даних.
Завантажте дані
У попередньому розділі ви вказали назву стека та сегмент S3. У цьому розділі описано, як зберігати загальнодоступний набір даних Попит на їжу в цьому відрі. Якщо ви використовуєте власний набір даних, зверніться до Набори даних щоб підготувати ваш набір даних у форматі, який очікує розгортання. Набір даних має містити принаймні цільовий часовий ряд і, за бажанням, відповідний часовий ряд і метадані елемента:
- TTS – це дані часового ряду, які включають поле, для якого потрібно створити прогноз; це поле називається цільове поле
- RTS – це дані часових рядів, які не включають цільове поле, але містять пов’язане поле
- Файл даних елемента не є даними часових рядів, але містить інформацію метаданих про елементи в наборах даних TTS або RTS
Виконайте такі дії:
- Якщо ви використовуєте наданий зразок набору даних, завантажте його Попит на їжу на комп’ютер і розархівуйте файл, у результаті чого буде створено три файли в трьох каталогах (
rts
,tts
,item
). - На консолі Amazon S3 перейдіть до сегмента, який ви створили раніше.
- Вибирати Створити папку.
- Для назви папки використовуйте той самий рядок, що й ім’я стека робочого навантаження.
- Вибирати Завантажувати.
- Виберіть три папки набору даних, а потім виберіть Завантажувати.
Після завершення завантаження ви повинні побачити щось на зразок наведеного нижче знімка екрана. Для цього прикладу наша папка aiml42
.
Створіть групу набору даних прогнозу
Виконайте кроки в цьому розділі, щоб створити групу набору даних як одноразову подію для кожного робочого навантаження. Надалі вам слід запланувати запуск даних імпорту, створення прогнозу та кроки прогнозу відповідно до серії відповідно до вашого розкладу, який може бути щоденним, щотижневим чи іншим.
- На консолі Step Functions знайдіть кінцевий автомат, що містить
Create-Dataset-Group
. - Виберіть на сторінці кінцевого автомата Почати виконання.
- Вибирати Почати виконання знову підтвердити.
Для роботи кінцевого автомата потрібно приблизно 1 хвилина. Після завершення значення під Статус виконання має змінитися з Робота до Наступник
Імпорт даних у Forecast
Виконайте кроки в цьому розділі, щоб імпортувати набір даних, який ви завантажили в сегмент S3, у свою групу набору даних:
- На консолі Step Functions знайдіть кінцевий автомат, що містить
Import-Dataset
. - Виберіть на сторінці кінцевого автомата Почати виконання.
- Вибирати Почати виконання знову підтвердити.
Час роботи кінцевого автомата залежить від набору даних, що обробляється.
- Поки це працює, у вашому браузері відкрийте іншу вкладку та перейдіть до консолі прогнозу.
- На консолі прогнозу виберіть Перегляд груп наборів даних і перейдіть до групи набору даних із вказаною назвою
DataGroupName
зі стека робочого навантаження. - Вибирати Перегляд наборів даних.
Ви маєте побачити, як виконується імпорт даних.
Коли державна машина для Import-Dataset
завершено, ви можете переходити до наступного кроку для створення моделі даних часового ряду.
Створення AutoPredictor (навчання моделі часового ряду)
У цьому розділі описано, як навчити початковий предиктор за допомогою Forecast. Ви можете створити новий предиктор (ваш перший базовий предиктор) або перенавчити предиктор під час кожного виробничого циклу, який може бути щоденним, щотижневим або іншим. Ви також можете вибрати не створювати предиктор кожного циклу та покладатися на моніторинг предиктора, щоб підказати вам, коли його створити. На наступному малюнку наочно показано процес створення готового до виробництва предиктора прогнозу.
Щоб створити новий предиктор, виконайте такі дії:
- На консолі Step Functions знайдіть кінцевий автомат, що містить
Create-Predictor
. - Виберіть на сторінці кінцевого автомата Почати виконання.
- Вибирати Почати виконання знову підтвердити.
Тривалість виконання може залежати від набору даних, що обробляється. Це може зайняти до години або більше. - Поки це працює, у вашому браузері відкрийте іншу вкладку та перейдіть до консолі прогнозу.
- На консолі прогнозу виберіть Перегляд груп наборів даних і перейдіть до групи набору даних із вказаною назвою
DataGroupName
зі стека робочого навантаження. - Вибирати Переглянути предиктори.
Ви маєте побачити, що триває навчання предиктора (статус навчання показує «Триває створення…»).
Коли державна машина для Create-Predictor
завершено, ви можете оцінити його продуктивність.
Як частина кінцевого автомата система створює предиктор, а також запускає a BacktestExport
завдання, яке записує прогнозні показники на рівні часових рядів до Amazon S3. Це файли, розташовані у двох папках S3 у папці backtest-export
папка:
- точність-метрики-значення – Забезпечує обчислення показників точності на рівні елементів, щоб ви могли зрозуміти продуктивність окремого часового ряду. Це дозволяє вам досліджувати поширення, а не зосереджуватися лише на глобальних показниках.
- прогнозовані значення – Надає прогнози на рівні кроків для кожного часового ряду у вікні тестування. Це дає вам змогу порівняти фактичне цільове значення з набору тестів утримування з прогнозованими значеннями квантилів. Перегляд цього допомагає сформулювати ідеї щодо надання додаткових функцій даних у RTS або метаданих елементів, щоб допомогти краще оцінити майбутні значення, ще більше зменшуючи втрати. Ви можете завантажити
backtest-export
файли з Amazon S3 або запитайте їх на місці за допомогою Athena.
Маючи власні дані, вам потрібно ретельно перевірити результати прогнозів і переконатися, що показники відповідають вашим очікуваним результатам, використовуючи дані експорту ретроспективних даних. Коли ви задоволені, ви можете почати генерувати прогнози на майбутнє, як описано в наступному розділі.
Створення прогнозу (висновок про майбутні часові горизонти)
У цьому розділі описано, як генерувати точки даних прогнозу за допомогою програми Forecast. У майбутньому вам слід зібрати нові дані з вихідної системи, імпортувати їх у програму Forecast, а потім створити точки даних прогнозу. За бажанням ви також можете вставити нове створення предиктора після імпорту та перед прогнозом. На наступному малюнку наочно показано процес створення прогнозів часових рядів виробництва за допомогою програми Forecast.
Виконайте такі дії:
- На консолі Step Functions знайдіть кінцевий автомат, що містить
Create-Forecast
. - Виберіть на сторінці кінцевого автомата Почати виконання.
- Вибирати Почати виконання знову підтвердити.
Цей автомат закінчується дуже швидко, оскільки система не налаштована на створення прогнозу. Він не знає, яку модель предиктора ви схвалили для висновку.
Давайте налаштуємо систему на використання вашого навченого предиктора. - На консолі прогнозу знайдіть ARN для вашого предиктора.
- Скопіюйте ARN для використання на наступному кроці.
- У браузері відкрийте іншу вкладку та перейдіть до консолі System Manager.
- На консолі диспетчера систем виберіть Зберігання параметрів у навігаційній панелі.
- Знайдіть параметр, пов’язаний із вашим стеком (
/forecast/<StackName>/Forecast/PredictorArn
). - Введіть ARN, який ви скопіювали для свого предиктора.
Ось як ви пов’язуєте навченого предиктора з функцією висновку Forecast. - Знайдіть параметр
/forecast/<StackName>/Forecast/Generate
і відредагуйте значення, замінившиFALSE
зTRUE
.
Тепер ви готові запустити завдання прогнозу для цієї групи набору даних. - На консолі Step Functions запустіть
Create-Forecast
державна машина.
Цього разу робота виконується належним чином. Як частина кінцевої машини система створює прогноз і a ForecastExport
завдання, яке записує прогнози часових рядів на Amazon S3. Ці файли знаходяться в forecast
папка
Усередині forecast
папку, ви знайдете передбачення для своїх елементів, розташованих у багатьох файлах CSV або Parquet, залежно від вашого вибору. Прогнози для кожного часового кроку та вибраного часового ряду існують із усіма вибраними значеннями квантилів на запис. Ви можете завантажити ці файли з Amazon S3, запитати їх на місці за допомогою Athena або вибрати іншу стратегію використання даних.
Це завершує весь робочий процес. Тепер ви можете візуалізувати свій результат за допомогою будь-якого вибраного інструменту візуалізації, наприклад Amazon QuickSight. Крім того, дослідники даних можуть використовувати панд для створення власних графіків. Якщо ви вирішите використовувати QuickSight, ви можете підключіть результати прогнозу до QuickSight для виконання перетворень даних, створення одного або кількох аналізів даних та створювати візуалізації.
Цей процес надає шаблон для наслідування. Вам потрібно буде адаптувати зразок до вашої схеми, встановити горизонт прогнозу, часову роздільну здатність і так далі відповідно до вашого варіанту використання. Вам також потрібно буде встановити регулярний розклад, за яким дані збираються з вихідної системи, імпортувати дані та створювати прогнози. Якщо потрібно, ви можете вставити завдання прогнозування між кроками імпорту та прогнозу.
Перенавчіть провісника
Ми пройшли через процес навчання нового предиктора, але як щодо перенавчання предиктора? Перенавчання предиктора є одним із способів скоротити витрати та час, пов’язані з навчанням предиктора на останніх доступних даних. Замість того, щоб створювати новий предиктор і навчати його на всьому наборі даних, ми можемо перенавчити наявний предиктор, надавши лише нові додаткові дані, які стали доступними після останнього навчання предиктора. Давайте розглянемо, як перенавчити предиктор за допомогою рішення автоматизації:
- На консолі прогнозу виберіть Перегляд груп наборів даних.
- Виберіть групу набору даних, пов’язану з предиктором, який потрібно перенавчати.
- Вибирати Переглянути предиктори, а потім виберіть предиктор, який потрібно перенавчати.
- на Налаштування скопіюйте предиктор ARN.
Нам потрібно оновити параметр, який використовується робочим процесом, щоб визначити предиктор для повторного навчання. - На консолі диспетчера систем виберіть Зберігання параметрів у навігаційній панелі.
- Знайдіть параметр
/forecast/<STACKNAME>/Forecast/Predictor/ReferenceArn
. - На сторінці параметрів виберіть Редагувати.
- для значення, введіть предиктор ARN.
Це визначає правильний предиктор робочого циклу для повторного навчання. Далі нам потрібно оновити параметр, який використовується робочим процесом, щоб змінити стратегію навчання. - Знайдіть параметр
/forecast/<STACKNAME>/Forecast/Predictor/Strategy
. - На сторінці параметрів виберіть «Редагувати».
- Для значення введіть
RETRAIN
.
Робочий процес за умовчанням навчає новий предиктор; однак ми можемо змінити цю поведінку, щоб повторно навчити існуючий предиктор або просто повторно використовувати існуючий предиктор без повторного навчання, встановивши це значення якNONE
. Ви можете відмовитися від навчання, якщо ваші дані відносно стабільні або ви використовуєте автоматизований предикторний моніторинг вирішити, коли потрібна перепідготовка. - Завантажте дані додаткового навчання в сегмент S3.
- На консолі Step Functions знайдіть кінцевий автомат
<STACKNAME>-Create-Predictor
. - Виберіть на сторінці кінцевого автомата Почати виконання почати перепідготовку.
Після завершення повторного навчання робочий процес завершиться, і ви отримаєте сповіщення електронною поштою SNS на адресу електронної пошти, указану в параметрах шаблону робочого навантаження.
Прибирати
Коли ви завершите роботу з цим рішенням, виконайте дії, наведені в цьому розділі, щоб видалити пов’язані ресурси.
Видаліть сегмент S3
- На консолі Amazon S3 виберіть Відра у навігаційній панелі.
- Виберіть сегмент, куди було завантажено дані, і виберіть порожній щоб видалити всі дані, пов’язані з рішенням, включаючи вихідні дані.
-
Що натомість? Створіть віртуальну версію себе у
permanently delete
щоб остаточно видалити вміст відра. - на Відра виберіть відро та виберіть видаляти.
- Введіть назву сегмента, щоб підтвердити видалення, і виберіть Видалити відро.
Видалити ресурси прогнозу
- На консолі прогнозу виберіть Перегляд груп наборів даних.
- Виберіть назву групи набору даних, пов’язану з рішенням, а потім виберіть видаляти.
-
Що натомість? Створіть віртуальну версію себе у
delete
щоб видалити групу набору даних і пов’язані предиктори, завдання експорту попередніх тестів прогнозів, прогнози та завдання експорту прогнозів. - Вибирати видаляти підтвердити.
Видаліть стеки CloudFormation
- На консолі AWS CloudFormation виберіть Стеки у навігаційній панелі.
- Виберіть стек робочого навантаження та виберіть видаляти.
- Вибирати Видалити стек щоб підтвердити видалення стеку та всіх пов’язаних ресурсів.
- Після завершення видалення виберіть стек залежностей і виберіть видаляти.
- Вибирати видаляти підтвердити.
Висновок
У цьому дописі ми обговорили кілька різних способів почати використовувати Forecast. Ми ознайомилися з автоматизованим рішенням для прогнозування на основі AWS CloudFormation для швидкого повторюваного розгортання конвеєра Forecast від прийому даних до висновків, не потребуючи невеликих знань інфраструктури. Нарешті ми побачили, як можна використовувати Lambda для автоматизації повторного навчання моделі, скорочуючи витрати та час навчання.
Немає кращого часу, ніж теперішній, щоб почати прогнозувати за допомогою Forecast. Щоб розпочати створення та розгортання автоматизованого робочого процесу, відвідайте сайт Ресурси Amazon Forecast. Гарного прогнозування!
Про авторів
Аарон Фаган є головним архітектором спеціалізованих рішень в AWS у Нью-Йорку. Він спеціалізується на допомозі клієнтам створювати рішення в області машинного навчання та хмарної безпеки.
Раджу Патіл є спеціалістом із обробки даних у AWS Professional Services. Він створює та розгортає рішення AI/ML, щоб допомогти клієнтам AWS подолати їхні бізнес-проблеми. Його робота з AWS охоплювала широкий спектр випадків використання AI/ML, таких як комп’ютерне бачення, прогнозування часових рядів, прогнозна аналітика тощо, у багатьох галузях, включаючи фінансові послуги, телекомунікації, охорону здоров’я тощо. До цього він очолював групи Data Science у сфері рекламних технологій і зробив значний внесок у численні дослідницькі ініціативи в галузі комп’ютерного зору та робототехніки. Поза роботою він захоплюється фотографією, походами, подорожами та кулінарними дослідженнями.
- Розповсюдження контенту та PR на основі SEO. Отримайте посилення сьогодні.
- PlatoAiStream. Web3 Data Intelligence. Розширення знань. Доступ тут.
- Карбування майбутнього з Адріенн Ешлі. Доступ тут.
- Купуйте та продавайте акції компаній, які вийшли на IPO, за допомогою PREIPO®. Доступ тут.
- джерело: https://aws.amazon.com/blogs/machine-learning/automate-the-deployment-of-an-amazon-forecast-time-series-forecasting-model/
- : має
- :є
- : ні
- :де
- $UP
- 1
- 10
- 100
- 11
- 20
- 20 роки
- 2022
- 7
- 8
- 9
- a
- МЕНЮ
- Прийняти
- доступ
- За
- рахунки
- точність
- визнавати
- через
- дії
- пристосовувати
- Додатковий
- Додаткова інформація
- адреса
- реклама
- після
- знову
- AI / ML
- алгоритм
- алгоритми
- ВСІ
- Дозволити
- дозволяє
- тільки
- вже
- Також
- Amazon
- Прогноз Amazon
- кількість
- an
- Аналіз
- аналітика
- та
- Інший
- будь-який
- API
- підхід
- відповідний
- затверджений
- ЕСТЬ
- масив
- AS
- допомогу
- Юрист
- асоційований
- At
- автоматизувати
- Автоматизований
- автоматично
- Автоматизація
- доступний
- AWS
- AWS CloudFormation
- Професійні послуги AWS
- Backtest
- Balance
- баланси
- заснований
- Базова лінія
- BE
- оскільки
- перед тим
- починати
- буття
- КРАЩЕ
- Краще
- між
- зміщення
- Кордон
- Box
- Приведення
- браузер
- будувати
- Створюємо
- Будує
- бізнес
- але
- by
- обчислює
- званий
- Виклики
- CAN
- який
- випадок
- випадків
- Центр
- проблеми
- зміна
- Зміни
- перевірка
- вибір
- Вибирати
- вибрав
- вибраний
- тісно
- хмара
- Хмара безпеки
- код
- Кодування
- збір
- Колонка
- COM
- загальний
- порівняти
- повний
- комплекс
- обчислення
- обчислення
- комп'ютер
- Комп'ютерне бачення
- поняття
- стурбований
- конфігурація
- підтвердити
- Консоль
- містити
- зміст
- внески
- контроль
- координувати
- виправити
- Коштувати
- може
- покритий
- створювати
- створений
- створює
- створення
- створення
- Клієнти
- цикл
- Циклічний
- щодня
- дані
- управління даними
- точки даних
- наука про дані
- вчений даних
- набір даних
- набори даних
- день
- Днів
- вирішувати
- заявляє
- дефолт
- за замовчуванням
- певний
- Визначає
- визначаючи
- поставляється
- Залежно
- залежить
- розгортання
- розгорнути
- розгортання
- розгортання
- розгортання
- розгортає
- депозит
- описувати
- описаний
- бажаний
- деталь
- деталі
- Визначати
- розробників
- розробка
- різний
- важкий
- Розмір
- розміри
- каталоги
- обговорювалися
- do
- Ні
- зроблений
- скачати
- під час
- кожен
- Раніше
- легше
- або
- Усуває
- включений
- дозволяє
- кінець
- кінець в кінець
- забезпечувати
- Що натомість? Створіть віртуальну версію себе у
- Весь
- Навколишнє середовище
- середовищах
- помилки
- оцінити
- і т.д.
- оцінювати
- Навіть
- Event
- приклад
- виконання
- існувати
- існуючий
- очікуваний
- очікував
- досвід
- експорт
- полегшує
- false
- знайомий
- риси
- поле
- Рисунок
- філе
- Файли
- Подача
- заповнений
- в кінці кінців
- фінансовий
- фінансові послуги
- знайти
- Перший
- фокусування
- стежити
- після
- для
- Прогноз
- Прогнози
- формат
- вперед
- Вперед
- чотири
- частота
- від
- повністю
- функція
- Функції
- далі
- майбутнє
- породжувати
- генерується
- породжує
- отримати
- Глобальний
- Go
- буде
- керує
- графік
- великий
- Group
- Групи
- керівництво
- керівництво
- щасливий
- урожай
- Мати
- має
- he
- здоров'я
- Охорона здоров'я
- допомога
- допомогу
- допомагає
- тут
- дуже
- його
- історичний
- горизонт
- Горизонти
- годину
- Як
- How To
- Однак
- HTML
- HTTP
- HTTPS
- ідеї
- ідентифікує
- ідентифікувати
- Особистість
- if
- ілюструє
- здійснювати
- імпорт
- імпорт
- in
- включати
- includes
- У тому числі
- промисловості
- вплив
- повідомити
- інформація
- Інфраструктура
- початковий
- ініціативи
- вхід
- замість
- в
- дослідити
- залучений
- IT
- пунктів
- ЙОГО
- сам
- робота
- Джобс
- JPG
- Знати
- знання
- відомий
- земля
- останній
- пізніше
- останній
- УЧИТЬСЯ
- вивчення
- найменш
- Led
- Світлодіодні дані
- дозволяє
- Життєвий цикл
- як
- Лінія
- трохи
- розташований
- розташування
- Довго
- від
- недорогий
- знизити
- машина
- навчання за допомогою машини
- Машинки для перманенту
- made
- Робить
- управляти
- вдалося
- управління
- менеджер
- управляє
- управління
- вручну
- багато
- максимальний
- Може..
- Зустрічатися
- Меню
- метадані
- метод
- методика
- метрика
- Метрика
- може бути
- мінімальний
- хвилин
- відсутній
- ML
- модель
- Моделі
- змінювати
- моніторинг
- щомісячно
- більше
- рухатися
- множинний
- повинен
- ім'я
- Імена
- Переміщення
- навігація
- необхідно
- Необхідність
- потреби
- Нові
- Нью-Йорк
- наступний
- немає
- ноутбук
- сповіщення
- Повідомлення
- зараз
- номер
- численний
- об'єкт
- об'єкти
- отримувати
- of
- on
- ONE
- тільки
- відкрити
- з відкритим вихідним кодом
- Оптимізувати
- Опції
- or
- порядок
- Інше
- інакше
- наші
- з
- Результати
- викладені
- вихід
- поза
- над
- загальний
- власний
- сторінка
- панди
- pane
- параметр
- параметри
- частина
- відсотків
- Виконувати
- продуктивність
- постійно
- Дозволи
- малюнок
- фізичний
- трубопровід
- місце
- розміщення
- план
- plato
- Інформація про дані Платона
- PlatoData
- точок
- це можливо
- пошта
- передвіщений
- прогнозування
- прогноз
- Прогнози
- Прогностична аналітика
- Прогноз
- Прогнози
- Готувати
- представити
- представлений
- попередній
- Головний
- попередній
- процес
- Оброблено
- обробка
- виробляти
- Production
- професійний
- програмний
- прогрес
- забезпечувати
- за умови
- забезпечує
- забезпечення
- публічно
- Python
- запити
- питань
- Швидко
- швидко
- діапазон
- швидко
- швидше
- Сировина
- готовий
- отримати
- рекомендувати
- запис
- облік
- повторювані
- зменшити
- зниження
- називають
- відноситься
- регулярний
- пов'язаний
- щодо
- доречний
- покладатися
- видалення
- повторюваний
- ПОВТОРНО
- повторювані
- вимагається
- дослідження
- дослідження і розробка
- захищені
- пружний
- дозвіл
- ресурси
- в результаті
- результати
- знову використовувати
- рецензування
- робототехніка
- Роль
- ролі
- прогін
- біг
- то ж
- Зразок набору даних
- Незадоволений
- шкала
- розклад
- наука
- вчений
- Вчені
- плавно
- розділ
- розділам
- безпечний
- безпеку
- побачити
- обраний
- вибір
- Серія
- Без сервера
- Сервери
- служить
- обслуговування
- Послуги
- комплект
- установка
- загальні
- Короткий
- Повинен
- Шоу
- значний
- простий
- просто
- з
- один
- So
- рішення
- Рішення
- деякі
- що в сім'ї щось
- Source
- спеціаліст
- спеціалізується
- зазначений
- поширення
- стабільний
- стек
- інсценування
- standard
- старт
- почалася
- Починаючи
- стан
- Статус
- Крок
- заходи
- зберігання
- зберігати
- Стратегія
- рядок
- структура
- такі
- Підтриманий
- система
- Systems
- таблиця
- Приймати
- приймає
- Мета
- Завдання
- завдання
- команди
- Технологія
- телеком
- шаблон
- Шаблони
- тест
- ніж
- Що
- Команда
- Джерело
- Держава
- їх
- Їх
- потім
- Там.
- Ці
- речі
- це
- три
- через
- по всьому
- час
- Часовий ряд
- відмітка часу
- до
- разом
- інструмент
- тема
- до
- поїзд
- навчений
- Навчання
- перетворень
- перехід
- подорожувати
- викликати
- правда
- два
- тип
- Типи
- типово
- Невизначеність
- при
- розуміти
- одиниць
- Оновити
- завантажено
- URL
- використання
- використання випадку
- використовуваний
- користувачі
- використання
- значення
- Цінності
- різний
- дуже
- через
- бачення
- візит
- візуалізації
- пішов
- хотіти
- було
- шлях..
- способи
- we
- тижні
- ДОБРЕ
- Що
- коли
- Чи
- який
- широкий
- Широкий діапазон
- волі
- з
- в
- без
- слово
- Work
- запис
- письмовий
- років
- йорк
- Ти
- вашу
- зефірнет
- Zip