Створюйте прогнози холодного запуску для продуктів без історичних даних за допомогою Amazon Forecast, тепер на 45% точніший

Тепер з Прогноз Amazon, ви можете створювати на 45% точніші прогнози для продуктів без історичних даних. Forecast – це керована служба, яка використовує машинне навчання (ML) для створення точних прогнозів попиту, не вимагаючи досвіду ML. Точне прогнозування є основою для оптимізації запасів, планування логістики та управління робочою силою, а також дозволяє підприємствам бути краще підготовленими до обслуговування своїх клієнтів. Прогноз холодного старту є типовою проблемою, коли потрібно скласти прогноз, але немає історичних даних для продукту. Це типово для таких галузей, як роздрібна торгівля, виробництво або виробництво споживчих товарів, де відбувається швидке впровадження нових продуктів шляхом виведення на ринок нещодавно розроблених продуктів, вперше впровадження брендів або каталогів або перехресний продаж продуктів у нових регіонах. З цим запуском ми покращили наш існуючий підхід до прогнозування холодного старту і тепер надаємо прогнози, які на 45% точніші.

Розробити модель прогнозування «холодного старту» може бути складно, оскільки традиційні методи статистичного прогнозування, такі як авторегресійне інтегроване ковзне середнє (ARIMA) або експоненціальне згладжування, побудовані на основі концепції того, що історичні дані продукту можна використовувати для прогнозування його майбутніх значень. Але без історичних даних параметри моделі не можна обчислити, а отже, модель не можна побудувати. У Forecast вже була можливість генерувати прогнози для продуктів із холодним запуском за допомогою власного продукту алгоритми нейронної мережі наприклад DeepAR+ і CNN-QR. Ці моделі вивчають зв’язки між продуктами та можуть створювати прогнози для продуктів без історичних даних. Використання метаданих елементів для встановлення цих зв’язків було неявним, що означало, що мережі не змогли повністю екстраполювати характеристики тенденцій для продуктів холодного запуску.

Сьогодні ми запустили новий підхід для прогнозування холодного запуску, який на 45% точніший, ніж раніше. Цей підхід покращує нашу обробку метаданих елементів, за допомогою яких ми ідентифікуємо явні продукти у вашому наборі даних, які мають найбільш подібні характеристики до продуктів холодного запуску. Зосереджуючись на цій підгрупі схожих продуктів, ми можемо краще вивчати тенденції, щоб створити прогноз для продукту холодного запуску. Наприклад, роздрібний продавець одягу, який представляє нову лінію футболок, захоче спрогнозувати попит на цю лінію, щоб оптимізувати запаси в магазині. Ви можете надати Forecast історичні дані для інших продуктів у вашому каталозі, як-от наявні лінії футболок, піджаків, штанів і взуття, а також метадані товарів, такі як назва бренду, колір, розмір і категорія продукту як для нових, так і для наявних продуктів. За допомогою цих метаданих Forecast автоматично виявляє продукти, які найбільше пов’язані з новою лінійкою футболок, і використовує їх для створення прогнозів для лінійки футболок.

Ця функція доступна в усіх регіонах, де Forecast є загальнодоступним через Консоль управління AWS або API AutoPredictor. Щоб отримати додаткові відомості про доступність регіону, див Регіональні служби AWS. Щоб почати використовувати Forecast для прогнозування холодного запуску, див Створення прогнозів або Блокнот GitHub.

Огляд рішення

Кроки, наведені в цій публікації, демонструють, як використовувати Прогноз для прогнозування холодного запуску на Консоль управління AWS. Ми розглянемо приклад роздрібного продавця, який створює прогноз попиту на запаси для щойно випущеного продукту, виконавши три кроки в Прогноз: імпорт ваших даних, навчання предиктора та створення прогнозу. Щоб безпосередньо використовувати Forecast API для прогнозування холодного старту, дотримуйтесь інструкцій у нашому блокноті GitHub репо, який забезпечує аналогічну демонстрацію.

Імпортуйте свої тренувальні дані

Щоб використовувати новий метод прогнозування холодного запуску, необхідно імпортувати два файли CSV: один файл, що містить цільові дані часового ряду (показує ціль прогнозу), а інший файл містить метадані товару (показує характеристики продукту, такі як розмір або колір). Прогноз визначає продукти холодного запуску як продукти, які присутні у файлі метаданих елемента, але відсутні у файлі цільового часового ряду.

Щоб правильно ідентифікувати продукт холодного запуску, переконайтеся, що ідентифікатор елемента продукту холодного запуску введено як рядок у файлі метаданих продукту та не міститься у файлі цільового часового ряду. Для кількох продуктів холодного запуску введіть ідентифікатор кожного продукту як окремий рядок у файл метаданих товару. Якщо у вас ще немає ідентифікатора елемента для продукту холодного запуску, ви можете використати будь-яку буквено-цифрову комбінацію менше ніж 64 символи, яка ще не є репрезентативною для іншого продукту у вашому наборі даних.

У нашому прикладі файл цільового часового ряду містить ідентифікатор елемента продукту, мітку часу та попит (інвентар), а файл метаданих товару містить ідентифікатор продукту, колір, категорію продукту та місце розташування.

Щоб імпортувати дані, виконайте такі дії:

1. На консолі прогнозу виберіть Перегляд груп наборів даних.

2. Вибирати Створити групу наборів даних.

3. для Назва групи набору даних, введіть назву набору даних (для цієї публікації my_company_shoe_inventory).
4. Для домену прогнозування виберіть домен прогнозування (для цієї публікації Роздрібна торгівля).
5. Виберіть Далі.

6. На сторінці Створити набір даних цільового часового ряду введіть назву набору даних, частоту даних і схему даних.
7. Надайте деталі імпорту набору даних.
8. Виберіть Пуск.

На наступному знімку екрана показано інформацію для сторінки цільового часового ряду, заповнену для нашого прикладу.

Вас буде перенаправлено на інформаційну панель, за допомогою якої можна відстежувати прогрес.

1. Щоб імпортувати файл метаданих елемента, виберіть на інформаційній панелі Імпортувати.

2. на Створити набір метаданих елемента сторінки, введіть назву набору даних і схему даних.
3. Надайте деталі імпорту набору даних.
4. Вибирати Start.

На наступному знімку екрана показано інформацію, заповнену для нашого прикладу.

Тренувати провісника

Далі тренуємо провісника.

1. На інформаційній панелі виберіть Провісник поїздів.

2. на Провісник поїздів введіть назву свого предиктора, скільки часу в майбутньому ви хочете зробити прогноз і з якою частотою, а також кількість квантилів, для яких ви хочете зробити прогноз.
3. включити AutoPredictor. Це необхідно для прогнозування холодного запуску.
4. Вибирати Створювати.

На наступному знімку екрана показано інформацію, заповнену для нашого прикладу.

Створіть прогноз

Після навчання нашого предиктора (це може зайняти приблизно 2.5 години) ми створюємо прогноз для щойно запущеного продукту. Ви дізнаєтеся, що ваш провісник навчений, коли побачите Переглянути прогнози кнопку на панелі керування.

1. Вибирати Створіть прогноз на приладовій панелі.

2. на Створіть прогноз введіть назву прогнозу, виберіть створений вами предиктор і вкажіть квантилі прогнозу (необов’язково) та елементи, для яких потрібно створити прогноз.
3. Вибирати Start.

Експортуйте свої прогнози

Після створення прогнозу ви можете експортувати дані у формат CSV. Ви дізнаєтесь, що ваш прогноз створено, коли побачите, що статус активний.

1. Вибирати Створити експорт прогнозу.

2. Введіть назву файлу експорту (для цієї публікації my_cold_start_forecast_export).
3. для Місце експорту, вкажіть Служба простого зберігання Amazon (Amazon S3) розташування.
4. Вибирати Start.

5. Щоб завантажити експортований файл, перейдіть на консолі до місця розташування файлу S3, виберіть файл і виберіть Завантажити.

Файл експорту містить мітку часу, ідентифікатор елемента, метадані елемента та прогнози для кожного вибраного квантиля.

Перегляньте свої прогнози

Після створення прогнозу ви можете переглянути прогнози для нових продуктів у графічному вигляді на консолі.

1. Вибирати Прогноз запиту на приладовій панелі.

2. Виберіть назву прогнозу, створеного на попередньому кроці (my_cold_start_forecast у нашому прикладі).
3. Введіть дату початку та дату завершення, на які ви хочете переглянути свій прогноз.
4. У полі ідентифікатора елемента для ключа прогнозу додайте унікальний ідентифікатор продукту холодного запуску.
5. Вибрали Отримати прогноз.

На малюнку ви побачите прогноз для будь-якого вибраного квантиля.

Висновок

За допомогою Forecast ви можете отримати ту саму статистику прогнозування для продуктів із холодним пуском без історичних даних, тепер на 45% точніше, ніж раніше. Щоб створити прогнози холодного запуску за допомогою Forecast, відкрийте консоль прогнозу та виконайте кроки, описані в цій публікації, або зверніться до нашого Блокнот GitHub про те, як отримати доступ до функцій через API. Щоб дізнатися більше, зверніться до Створення прогнозів.

---

Про авторів

Брендон Нейр є старшим менеджером із продуктів Amazon Forecast. Його професійний інтерес полягає в створенні масштабованих сервісів і програм машинного навчання. Поза роботою його можна зустріти досліджуючи національні парки, вдосконалюючи свій удар у гольф або плануючи пригодницьку подорож.

Манас Дадаркар є менеджером з розробки програмного забезпечення, який розробляє сервіс Amazon Forecast. Він захоплюється застосуванням машинного навчання та робить технології ML легко доступними для всіх, щоб їх можна було прийняти та розгорнути у виробництві. Поза роботою він має багато інтересів, включаючи подорожі, читання та проведення часу з друзями та родиною.

Бхарат Нандамурі є старшим інженером-програмістом, який працює над Amazon Forecast. Він захоплений створенням високомасштабних серверних служб, зосереджуючись на розробці систем машинного навчання. Поза роботою він захоплюється грою в шахи, пішим туризмом і переглядом фільмів.

Gaurav Gupta є прикладним науковцем у AWS AI labs і Amazon Forecast. Його дослідницькі інтереси полягають у машинному навчанні послідовних даних, операторському навчанні рівнянь у частинних похідних, вейвлетах. Перш ніж приєднатися до AWS, він отримав ступінь доктора філософії в Університеті Південної Каліфорнії.