ٹائم سیریز کی پیشن گوئی سے مراد ٹائم سیریز ڈیٹا (ڈیٹا جو وقت کے ساتھ باقاعدگی سے وقفوں پر جمع کیا جاتا ہے) کی مستقبل کی اقدار کی پیشن گوئی کرنے کا عمل ہے۔ ٹائم سیریز کی پیشن گوئی کے لیے آسان طریقے ایک ہی متغیر کی تاریخی اقدار کا استعمال کرتے ہیں جن کی مستقبل کی قدروں کی پیشین گوئی کی ضرورت ہوتی ہے، جب کہ زیادہ پیچیدہ، مشین لرننگ (ML) پر مبنی طریقے اضافی معلومات کا استعمال کرتے ہیں، جیسے متعلقہ متغیر کا ٹائم سیریز ڈیٹا۔
ایمیزون کی پیشن گوئی ایم ایل پر مبنی ٹائم سیریز کی پیشن گوئی کی خدمت ہے جس میں الگورتھم شامل ہیں جو 20 سال سے زیادہ کی پیشن گوئی کے تجربے پر مبنی ہیں Amazon.com، وسائل کا نظم کرنے کی ضرورت کو دور کرتے ہوئے، ایمیزون پر استعمال ہونے والی ٹیکنالوجی کو مکمل طور پر منظم سروس کے طور پر ڈویلپرز کے لیے لانا۔ Forecast ہر آئٹم کے لیے نہ صرف بہترین الگورتھم سیکھنے کے لیے ML کا استعمال کرتا ہے، بلکہ ہر آئٹم کے لیے الگورتھم کا بہترین جوڑ بھی، خود بخود آپ کے ڈیٹا کے لیے بہترین ماڈل بناتا ہے۔
یہ پوسٹ بیان کرتی ہے کہ بار بار چلنے والے پیشن گوئی کے کام کے بوجھ (ٹائم سیریز کی پیشن گوئی کرنے والے کام کے بوجھ) کو بغیر کوڈ کے استعمال کرنے کا طریقہ AWS کلاؤڈ فارمیشن, AWS اسٹیپ فنکشنز، اور AWS سسٹمز مینیجر. یہاں پیش کردہ طریقہ آپ کو ایک پائپ لائن بنانے میں مدد کرتا ہے جو آپ کو ماڈل کی پیداوار میں تعیناتی کے ذریعے اپنے ٹائم سیریز کی پیشن گوئی کے تجربات کے پہلے دن سے شروع ہونے والے اسی ورک فلو کو استعمال کرنے کی اجازت دیتا ہے۔
پیشن گوئی کا استعمال کرتے ہوئے ٹائم سیریز کی پیشن گوئی
پیشن گوئی کے لیے ورک فلو میں درج ذیل عام تصورات شامل ہیں:
- ڈیٹاسیٹ درآمد کرنا - پیشن گوئی میں، a ڈیٹا سیٹ گروپ ڈیٹاسیٹس، اسکیما، اور پیشین گوئی کے نتائج کا مجموعہ ہے جو ایک ساتھ چلتے ہیں۔ ہر ڈیٹاسیٹ گروپ میں تین ڈیٹا سیٹس ہو سکتے ہیں، ہر ایک میں سے ایک ڈیٹاسیٹ قسم: ٹارگٹ ٹائم سیریز (TTS)، متعلقہ ٹائم سیریز (RTS)، اور آئٹم میٹا ڈیٹا۔ ڈیٹاسیٹ فائلوں کا ایک مجموعہ ہے جس میں ڈیٹا ہوتا ہے جو پیشن گوئی کے کام سے متعلق ہوتا ہے۔ ایک ڈیٹاسیٹ کو پیشن گوئی کے اندر بیان کردہ اسکیما کے مطابق ہونا چاہیے۔ مزید تفصیلات کے لیے رجوع کریں۔ ڈیٹاسیٹس درآمد کرنا.
- پیشن گوئی کرنے والوں کی تربیت اے پیش گو ایک پیشن گوئی سے تربیت یافتہ ماڈل ہے جو ٹائم سیریز کے ڈیٹا کی بنیاد پر پیشن گوئی کرنے کے لیے استعمال ہوتا ہے۔ تربیت کے دوران، Forecast درستگی کے میٹرکس کا حساب لگاتا ہے جو آپ پیشین گوئی کرنے والے کا اندازہ لگانے کے لیے استعمال کرتے ہیں اور یہ فیصلہ کرتے ہیں کہ آیا پیشین گوئی کرنے والے کو پیشن گوئی پیدا کرنے کے لیے استعمال کرنا ہے۔ مزید معلومات کے لیے رجوع کریں۔ پیشین گوئی کرنے والوں کی تربیت.
- پیشن گوئی پیدا کرنا - اس کے بعد آپ مستقبل کے وقت کے افق کے لیے پیشن گوئی پیدا کرنے کے لیے تربیت یافتہ ماڈل استعمال کر سکتے ہیں، جسے پیشن گوئی افق. پیشن گوئی مختلف مخصوص مقداروں پر پیشن گوئی فراہم کرتی ہے۔ مثال کے طور پر، 0.90 کوانٹائل پر ایک پیشن گوئی اس قدر کا تخمینہ لگائے گی جو وقت کے 90% مشاہدہ شدہ قدر سے کم ہے۔ پہلے سے طے شدہ طور پر، پیشن گوئی پیشن گوئی کی قسموں کے لیے درج ذیل اقدار کا استعمال کرتی ہے: 0.1 (P10)، 0.5 (P50)، اور 0.9 (P90)۔ پیشین گوئی کے وقفہ (پیش گوئی کے لیے اوپری اور نچلی حد) فراہم کرنے کے لیے عام طور پر پیشین گوئی کی غیر یقینی صورتحال کے لیے مختلف مقداروں پر پیش گوئیاں استعمال کی جاتی ہیں۔
آپ پیشن گوئی میں اس ورک فلو کو یا تو سے لاگو کر سکتے ہیں۔ AWS مینجمنٹ کنسول، AWS کمانڈ لائن انٹرفیس (AWS CLI)، بذریعہ Python نوٹ بک کا استعمال کرتے ہوئے API کالز، یا آٹومیشن حل کے ذریعے۔ دی دلاسا اور AWS CLI آپ کے ڈیٹا کا استعمال کرتے ہوئے ٹائم سیریز کی پیشن گوئی کی فزیبلٹی کو جانچنے کے لیے فوری تجربات کے لیے طریقے بہترین ہیں۔ Python نوٹ بک کا طریقہ ڈیٹا سائنسدانوں کے لیے بہت اچھا ہے جو پہلے سے Jupyter نوٹ بک اور کوڈنگ سے واقف ہیں، اور زیادہ سے زیادہ کنٹرول اور ٹیوننگ فراہم کرتا ہے۔ تاہم، نوٹ بک پر مبنی طریقہ کار کو فعال کرنا مشکل ہے۔ ہمارا آٹومیشن اپروچ تیزی سے تجربہ کرنے میں سہولت فراہم کرتا ہے، دہرائے جانے والے کاموں کو ختم کرتا ہے، اور مختلف ماحول (ترقی، سٹیجنگ، پروڈکشن) کے درمیان آسان منتقلی کی اجازت دیتا ہے۔
اس پوسٹ میں، ہم پیشن گوئی کے استعمال کے لیے ایک آٹومیشن اپروچ کی وضاحت کرتے ہیں جو آپ کو اپنا ڈیٹا استعمال کرنے کی اجازت دیتا ہے اور ایک واحد ورک فلو فراہم کرتا ہے جسے آپ اپنے پیشن گوئی کے حل کی ترقی کے پورے لائف سائیکل میں بغیر کسی رکاوٹ کے استعمال کر سکتے ہیں، تعیناتی کے ذریعے تجربات کے پہلے دنوں سے۔ آپ کے پیداواری ماحول میں حل کا۔
حل جائزہ
مندرجہ ذیل حصوں میں، ہم ایک مکمل اینڈ ٹو اینڈ ورک فلو بیان کرتے ہیں جو پیشن گوئی کا استعمال کرتے ہوئے ٹائم سیریز کی پیشن گوئی کرنے والے ماڈلز کی خودکار تعیناتی کے لیے ایک ٹیمپلیٹ کے طور پر کام کرتا ہے۔ یہ ورک فلو اوپن سورس ان پٹ ڈیٹاسیٹ سے پیشن گوئی شدہ ڈیٹا پوائنٹس بناتا ہے۔ تاہم، آپ اپنے ڈیٹا کے لیے وہی ورک فلو استعمال کر سکتے ہیں، جب تک کہ آپ اس پوسٹ میں بیان کردہ مراحل کے مطابق اپنے ڈیٹا کو فارمیٹ کر سکتے ہیں۔ آپ کے ڈیٹا اپ لوڈ کرنے کے بعد، ہم آپ کو پیشن گوئی ڈیٹا سیٹ گروپس بنانے، ڈیٹا درآمد کرنے، ایم ایل ماڈلز کو تربیت دینے، اور خام ڈیٹا سے مستقبل کے ان دیکھے وقت کے افق پر پیشن گوئی شدہ ڈیٹا پوائنٹس تیار کرنے کے مراحل سے گزرتے ہیں۔ یہ سب کوڈ لکھنے یا مرتب کیے بغیر ممکن ہے۔
مندرجہ ذیل خاکہ پیشن گوئی کے کام کے بہاؤ کی وضاحت کرتا ہے۔
حل کو دو CloudFormation ٹیمپلیٹس کا استعمال کرتے ہوئے تعینات کیا گیا ہے: انحصار ٹیمپلیٹ اور ورک لوڈ ٹیمپلیٹ۔ CloudFormation آپ کو AWS انفراسٹرکچر کی تعیناتیاں کرنے کے قابل بناتا ہے جو کہ تعینات کیے جانے والے وسائل کو بیان کرنے والے ٹیمپلیٹس کا استعمال کر کے پیشین گوئی کے ساتھ اور بار بار کر سکتے ہیں۔ ایک تعینات ٹیمپلیٹ کو کہا جاتا ہے a ڈھیر لگانا. ہم نے فراہم کردہ دو ٹیمپلیٹس میں آپ کے لیے حل میں بنیادی ڈھانچے کی وضاحت کا خیال رکھا ہے۔ انحصار ٹیمپلیٹ کام کے بوجھ کے سانچے کے ذریعہ استعمال ہونے والے ضروری وسائل کی وضاحت کرتا ہے، جیسے کہ ایمیزون سادہ اسٹوریج سروس (ایمیزون S3) آبجیکٹ اسٹوریج کے لیے بالٹی اور AWS شناخت اور رسائی کا انتظام AWS API کارروائیوں کے لیے (IAM) اجازتیں۔ انحصار کے سانچے میں بیان کردہ وسائل کو کام کے بوجھ کے متعدد ٹیمپلیٹس کے ذریعے اشتراک کیا جا سکتا ہے۔ کام کے بوجھ کی ٹیمپلیٹ ڈیٹا کو ہضم کرنے، پیشین گوئی کرنے والے کو تربیت دینے اور پیشن گوئی پیدا کرنے کے لیے استعمال ہونے والے وسائل کی وضاحت کرتا ہے۔
انحصار CloudFormation ٹیمپلیٹ کو متعین کریں۔
پہلے، آئیے اپنے ضروری وسائل بنانے کے لیے انحصار ٹیمپلیٹ کو متعین کریں۔ انحصار ٹیمپلیٹ ایک اختیاری S3 بالٹی تعینات کرتا ہے، او ڈبلیو ایس لامبڈا۔ افعال، اور IAM کردار۔ Amazon S3 ایک کم قیمت، انتہائی دستیاب، لچکدار، آبجیکٹ اسٹوریج سروس ہے۔ ہم سورس ڈیٹا کو ذخیرہ کرنے اور ورک فلو کو متحرک کرنے کے لیے اس حل میں ایک S3 بالٹی کا استعمال کرتے ہیں، جس کے نتیجے میں پیشن گوئی ہوتی ہے۔ لیمبڈا ایک سرور لیس، ایونٹ سے چلنے والی کمپیوٹ سروس ہے جو آپ کو سرورز کی فراہمی یا انتظام کیے بغیر کوڈ چلانے دیتی ہے۔ انحصار ٹیمپلیٹ میں ایسے کام کرنے کے فنکشنز شامل ہیں جیسے پیشن گوئی میں ڈیٹاسیٹ گروپ بنانا اور بالٹی کو حذف کرنے سے پہلے S3 بالٹی کے اندر اشیاء کو صاف کرنا۔ IAM کے کردار صارفین اور خدمات کے لیے AWS کے اندر اجازتوں کی وضاحت کرتے ہیں۔ انحصاری ٹیمپلیٹ لیمبڈا کے ذریعہ استعمال ہونے والا ایک کردار اور دوسرا اسٹیپ فنکشنز کے لیے متعین کرتا ہے، ایک ورک فلو مینجمنٹ سروس جو ڈیٹا کے ادخال اور پروسیسنگ کے کاموں کو مربوط کرے گی، نیز پیشن گوئی کی تربیت اور پیشن گوئی کا استعمال کرتے ہوئے اندازہ لگائے گی۔
انحصار ٹیمپلیٹ کو تعینات کرنے کے لیے درج ذیل مراحل کو مکمل کریں:
- کنسول پر، مطلوبہ کو منتخب کریں۔ پیشن گوئی کے ذریعہ تعاون یافتہ علاقہ حل کی تعیناتی کے لیے۔
- AWS CloudFormation کنسول پر، منتخب کریں۔ Stacks نیوی گیشن پین میں.
- میں سے انتخاب کریں اسٹیک بنائیں اور منتخب کریں نئے وسائل کے ساتھ (معیاری).
- کے لئے سانچہ ماخذمنتخب ایمیزون S3 URL.
- ٹیمپلیٹ URL درج کریں:
https://amazon-forecast-samples.s3.us-west-2.amazonaws.com/ml_ops/forecast-mlops-dependency.yaml
. - میں سے انتخاب کریں اگلے.
- کے لئے اسٹیک کا نام، داخل کریں
forecast-mlops-dependency
. - کے تحت پیرامیٹر، ایک موجودہ S3 بالٹی استعمال کرنے کا انتخاب کریں یا ایک نیا بنائیں، پھر بالٹی کا نام فراہم کریں۔
- میں سے انتخاب کریں اگلے.
- میں سے انتخاب کریں اگلے ڈیفالٹ اسٹیک اختیارات کو قبول کرنے کے لیے۔
- یہ تسلیم کرنے کے لیے چیک باکس کو منتخب کریں کہ اسٹیک IAM وسائل تخلیق کرتا ہے، پھر منتخب کریں۔ اسٹیک بنائیں ٹیمپلیٹ کو تعینات کرنے کے لئے.
آپ کو ٹیمپلیٹ کو بطور تعینات دیکھنا چاہئے۔ forecast-mlops-dependency
اسٹیک جب حیثیت بدل جاتی ہے۔ CREATE_COMPLETE
، آپ اگلے مرحلے پر جا سکتے ہیں۔
کام کا بوجھ CloudFormation ٹیمپلیٹ کو متعین کریں۔
اگلا، آئیے اپنے ضروری وسائل بنانے کے لیے ورک لوڈ ٹیمپلیٹ کو متعین کریں۔ ورک لوڈ ٹیمپلیٹ کام کے بہاؤ کے انتظام کے لیے سٹیپ فنکشنز سٹیٹ مشینیں تعینات کرتا ہے، AWS سسٹمز مینیجر پیرامیٹر اسٹور AWS CloudFormation سے پیرامیٹر ویلیوز کو اسٹور کرنے اور ورک فلو کو مطلع کرنے کے لیے پیرامیٹرز، ایک ایمیزون سادہ نوٹیفکیشن سروس (Amazon SNS) ورک فلو اطلاعات کے لیے موضوع، اور ورک فلو سروس کی اجازتوں کے لیے ایک IAM کردار۔
حل پانچ ریاستی مشینیں بناتا ہے:
- ڈیٹا سیٹ گروپ اسٹیٹ مشین بنائیں - ڈیٹا کو درآمد کرنے کے لیے پیشن گوئی ڈیٹاسیٹ گروپ بناتا ہے۔
- ImportDatasetStateMachine بنائیں - ایمیزون S3 سے ماخذ ڈیٹا کو تربیت کے لیے ڈیٹاسیٹ گروپ میں درآمد کرتا ہے۔
- ForecastStateMachine بنائیں - پیشن گوئی کرنے والے کو تربیت دینے اور پیشن گوئی پیدا کرنے کے لیے درکار کاموں کا انتظام کرتا ہے۔
- ایتھینا کنیکٹر اسٹیٹ مشین - آپ کو اس کے ساتھ ایس کیو ایل سوالات لکھنے کے قابل بناتا ہے۔ ایمیزون ایتینا Amazon S3 میں لینڈ ڈیٹا سے کنیکٹر۔ Amazon S3 میں فائلیں دستی طور پر رکھنے کے بجائے Athena کا استعمال کرکے پیشن گوئی کے لیے مطلوبہ فارمیٹ میں تاریخی ڈیٹا حاصل کرنے کا یہ ایک اختیاری عمل ہے۔
- StepFunctionWorkflowStateMachine - کوآرڈینیٹ دیگر چار ریاستی مشینوں کو کال کرتا ہے اور مجموعی ورک فلو کا انتظام کرتا ہے۔
پیرامیٹر سٹور، سسٹمز مینیجر کی ایک صلاحیت، محفوظ، درجہ بندی کا ذخیرہ فراہم کرتا ہے اور کنفیگریشن ڈیٹا مینجمنٹ اور رازوں کے انتظام کی پروگرامیٹک بازیافت فراہم کرتا ہے۔ پیرامیٹر اسٹور کا استعمال ورک لوڈ اسٹیک میں سیٹ کردہ پیرامیٹرز کے ساتھ ساتھ ورک فلو کے ذریعے استعمال ہونے والے دیگر پیرامیٹرز کو اسٹور کرنے کے لیے کیا جاتا ہے۔
کام کے بوجھ کی ٹیمپلیٹ کو تعینات کرنے کے لیے درج ذیل مراحل کو مکمل کریں:
- AWS CloudFormation کنسول پر، منتخب کریں۔ Stacks نیوی گیشن پین میں.
- میں سے انتخاب کریں اسٹیک بنائیں اور منتخب کریں نئے وسائل کے ساتھ (معیاری).
- کے لئے سانچہ ماخذمنتخب ایمیزون S3 URL.
- ٹیمپلیٹ URL درج کریں:
https://amazon-forecast-samples.s3.us-west-2.amazonaws.com/ml_ops/forecast-mlops-solution-guidance.yaml
. - میں سے انتخاب کریں اگلے.
- کے لئے اسٹیک کا نام، ایک نام درج کریں۔
- پہلے سے طے شدہ اقدار کو قبول کریں یا پیرامیٹرز میں ترمیم کریں۔
انحصار کے اسٹیک سے S3 بالٹی کا نام ضرور درج کریں۔ S3 بالٹی اور کے لیے ایک درست ای میل ایڈریس SNSEndpoint یہاں تک کہ اگر آپ پہلے سے طے شدہ پیرامیٹر اقدار کو قبول کرتے ہیں۔
مندرجہ ذیل جدول ہر پیرامیٹر کی وضاحت کرتا ہے۔
پیرامیٹر | Description | مزید معلومات |
DatasetGroupFrequencyRTS |
RTS ڈیٹاسیٹ کے لیے ڈیٹا اکٹھا کرنے کی فریکوئنسی۔ | . |
DatasetGroupFrequencyTTS |
TTS ڈیٹاسیٹ کے لیے ڈیٹا اکٹھا کرنے کی فریکوئنسی۔ | . |
DatasetGroupName |
ڈیٹا سیٹ گروپ کے لیے ایک مختصر نام، ایک خود ساختہ کام کا بوجھ۔ | ڈیٹا سیٹ گروپ بنائیں |
DatasetIncludeItem |
وضاحت کریں کہ آیا آپ اس استعمال کے کیس کے لیے آئٹم میٹا ڈیٹا فراہم کرنا چاہتے ہیں۔ | . |
DatasetIncludeRTS |
اس بات کی وضاحت کریں کہ کیا آپ اس استعمال کیس کے لیے متعلقہ ٹائم سیریز فراہم کرنا چاہتے ہیں۔ | . |
ForecastForecastTypes |
جب ایک CreateForecast جاب چلتا ہے، تو یہ اعلان کرتا ہے کہ کون سے کوانٹائلز کے لیے پیشین گوئیاں کرنی ہیں۔ آپ اس صف میں پانچ اقدار تک کا انتخاب کر سکتے ہیں۔ ضرورت کے مطابق اقدار کو شامل کرنے کے لیے اس قدر میں ترمیم کریں۔ | پیشن گوئی بنائیں |
PredictorAttributeConfigs |
TTS میں ہدف متغیر اور RTS ڈیٹاسیٹس میں ہر عددی فیلڈ کے لیے، ہر آئٹم کے لیے ہر وقت کے وقفے کے لیے ایک ریکارڈ بنانا ضروری ہے۔ یہ ترتیب اس بات کا تعین کرنے میں مدد کرتی ہے کہ گمشدہ ریکارڈز کیسے بھرے جاتے ہیں: 0، NaN، یا دوسری صورت میں۔ ہم TTS میں خلا کو 0 کے بجائے NaN کے ساتھ فائل کرنے کی تجویز کرتے ہیں۔ 0 کے ساتھ، ماڈل 0 کی طرف تعصب کی پیشن گوئی کو غلط طریقے سے سیکھ سکتا ہے۔ NaN یہ ہے کہ رہنمائی کیسے فراہم کی جاتی ہے۔ اس پر کسی بھی سوال کے لیے اپنے AWS سلوشنز آرکیٹیکٹ سے مشورہ کریں۔ | تخلیق آٹو پریڈیکٹر |
PredictorExplainPredictor |
درست اقدار TRUE یا FALSE ہیں۔ یہ اس بات کا تعین کرتے ہیں کہ آیا آپ کے پیش گو کے لیے وضاحت کی اہلیت فعال ہے۔ اس سے آپ کو یہ سمجھنے میں مدد مل سکتی ہے کہ RTS اور آئٹم میٹا ڈیٹا کی قدریں ماڈل کو کیسے متاثر کرتی ہیں۔ | وضاحت کی صلاحیت |
PredictorForecastDimensions |
ہو سکتا ہے کہ آپ شے سے زیادہ باریک دانے پر پیشن گوئی کرنا چاہیں۔ یہاں، آپ طول و عرض جیسے مقام، لاگت کا مرکز، یا جو بھی آپ کی ضرورتیں بیان کر سکتے ہیں۔ یہ آپ کے RTS اور TTS میں موجود جہتوں سے متفق ہونا ضروری ہے۔ نوٹ کریں کہ اگر آپ کے پاس کوئی طول و عرض نہیں ہے، تو درست پیرامیٹر خود بخود اور تمام چھوٹے حروف میں کالعدم ہے۔ null ایک محفوظ لفظ ہے جو سسٹم کو بتاتا ہے کہ ڈائمینشن کے لیے کوئی پیرامیٹر نہیں ہے۔ | تخلیق آٹو پریڈیکٹر |
PredictorForecastFrequency |
وقت کے پیمانے کی وضاحت کرتا ہے جس پر آپ کا ماڈل اور پیشین گوئیاں تیار کی جائیں گی، جیسے روزانہ، ہفتہ وار، یا ماہانہ۔ ڈراپ ڈاؤن مینو آپ کو اجازت شدہ اقدار کا انتخاب کرنے میں مدد کرتا ہے۔ اگر آپ RTS استعمال کر رہے ہیں تو یہ آپ کے RTS ٹائم سکیل سے متفق ہونا ضروری ہے۔ | تخلیق آٹو پریڈیکٹر |
PredictorForecastHorizon |
وقت کے اقدامات کی تعداد جس کی ماڈل پیش گوئی کرتا ہے۔ پیشن گوئی افق کو بھی کہا جاتا ہے۔ پیشن گوئی کی لمبائی. | تخلیق آٹو پریڈیکٹر |
PredictorForecastOptimizationMetric |
پیشن گوئی کرنے والے کو بہتر بنانے کے لیے استعمال ہونے والے درستگی کے میٹرک کی وضاحت کرتا ہے۔ ڈراپ ڈاؤن مینو آپ کو زیادہ یا کم پیشین گوئی کے لیے وزنی کوانٹائل نقصان کے توازن کو منتخب کرنے میں مدد کرے گا۔ RMSE کا تعلق یونٹس سے ہے، اور WAPE/MAPE کا تعلق فیصد کی غلطیوں سے ہے۔ | تخلیق آٹو پریڈیکٹر |
PredictorForecastTypes |
جب ایک CreateAutoPredictor کام چلتا ہے، یہ بتاتا ہے کہ کون سے مقداریں پیشین گوئی پوائنٹس کی تربیت کے لیے استعمال ہوتی ہیں۔ آپ اس صف میں پانچ اقدار تک کا انتخاب کر سکتے ہیں، جس سے آپ زیادہ اور کم پیشین گوئی میں توازن پیدا کر سکتے ہیں۔ ضرورت کے مطابق اقدار کو شامل کرنے کے لیے اس قدر میں ترمیم کریں۔ |
تخلیق آٹو پریڈیکٹر |
S3Bucket |
S3 بالٹی کا نام جہاں اس کام کے بوجھ کے لیے ان پٹ ڈیٹا اور آؤٹ پٹ ڈیٹا لکھا جاتا ہے۔ | . |
SNSEndpoint |
پیشن گوئی اور پیشن گوئی کی ملازمتیں مکمل ہونے پر اطلاعات موصول کرنے کے لیے ایک درست ای میل پتہ۔ | . |
SchemaITEM |
یہ آپ کے آئٹم میٹا ڈیٹا ڈیٹاسیٹ کے لیے فزیکل آرڈر، کالم کے نام اور ڈیٹا کی اقسام کی وضاحت کرتا ہے۔ یہ ایک اختیاری فائل ہے جو حل کی مثال میں فراہم کی گئی ہے۔ | ڈیٹا سیٹ بنائیں |
SchemaRTS |
یہ آپ کے RTS ڈیٹاسیٹ کے لیے فزیکل آرڈر، کالم کے نام اور ڈیٹا کی اقسام کی وضاحت کرتا ہے۔ طول و عرض کا آپ کے TTS سے متفق ہونا ضروری ہے۔ اس فائل کا ٹائم گرین اس ٹائم گرائن کو کنٹرول کرتا ہے جس پر پیشین گوئیاں کی جا سکتی ہیں۔ یہ ایک اختیاری فائل ہے جو حل کی مثال میں فراہم کی گئی ہے۔ | ڈیٹا سیٹ بنائیں |
SchemaTTS |
یہ آپ کے TTS ڈیٹاسیٹ کے لیے فزیکل آرڈر، کالم کے نام، اور ڈیٹا کی اقسام کی وضاحت کرتا ہے، صرف مطلوبہ ڈیٹا سیٹ۔ فائل میں کم از کم ہدف کی قدر، ٹائم اسٹیمپ اور آئٹم کا ہونا ضروری ہے۔ | ڈیٹا سیٹ بنائیں |
TimestampFormatRTS |
RTS فائل میں فراہم کردہ ٹائم اسٹیمپ فارمیٹ کی وضاحت کرتا ہے۔ | ڈیٹا سیٹ امپورٹ جاب بنائیں |
TimestampFormatTTS |
TTS فائل میں فراہم کردہ ٹائم اسٹیمپ فارمیٹ کی وضاحت کرتا ہے۔ | ڈیٹا سیٹ امپورٹ جاب بنائیں |
- میں سے انتخاب کریں اگلے ڈیفالٹ اسٹیک اختیارات کو قبول کرنے کے لیے۔
- یہ تسلیم کرنے کے لیے چیک باکس کو منتخب کریں کہ اسٹیک IAM وسائل تخلیق کرتا ہے، پھر منتخب کریں۔ اسٹیک بنائیں ٹیمپلیٹ کو تعینات کرنے کے لئے.
آپ کو ٹیمپلیٹ کو اسٹیک نام کے طور پر تعینات دیکھنا چاہئے جو آپ نے پہلے منتخب کیا تھا۔ جب حیثیت بدل جاتی ہے۔ CREATE_COMPLETE
، آپ ڈیٹا اپ لوڈ کے مرحلے پر جا سکتے ہیں۔
ڈیٹا اپ لوڈ کریں۔
پچھلے حصے میں، آپ نے اسٹیک کا نام اور ایک S3 بالٹی فراہم کی ہے۔ یہ سیکشن بیان کرتا ہے کہ عوامی طور پر دستیاب ڈیٹا سیٹ کو کیسے جمع کیا جائے۔ کھانے کی مانگ اس بالٹی میں. اگر آپ اپنا ڈیٹا سیٹ استعمال کر رہے ہیں، تو رجوع کریں۔ ڈیٹا سیٹ اپنے ڈیٹاسیٹ کو اس فارمیٹ میں تیار کرنے کے لیے جس کی تعیناتی متوقع ہے۔ ڈیٹاسیٹ میں کم از کم ٹارگٹ ٹائم سیریز، اور اختیاری طور پر متعلقہ ٹائم سیریز اور آئٹم میٹا ڈیٹا ہونا ضروری ہے:
- TTS ٹائم سیریز کا ڈیٹا ہے جس میں وہ فیلڈ شامل ہے جس کے لیے آپ پیشن گوئی پیدا کرنا چاہتے ہیں۔ اس فیلڈ کو کہا جاتا ہے۔ ہدف کا میدان
- RTS ٹائم سیریز کا ڈیٹا ہے جس میں ٹارگٹ فیلڈ شامل نہیں ہے، لیکن اس میں متعلقہ فیلڈ شامل ہے۔
- آئٹم ڈیٹا فائل ٹائم سیریز کا ڈیٹا نہیں ہے، لیکن اس میں TTS یا RTS ڈیٹا سیٹس میں موجود آئٹمز کے بارے میں میٹا ڈیٹا کی معلومات شامل ہیں
درج ذیل مراحل کو مکمل کریں:
- اگر آپ فراہم کردہ نمونہ ڈیٹاسیٹ استعمال کر رہے ہیں، تو ڈیٹاسیٹ ڈاؤن لوڈ کریں۔ کھانے کی مانگ اپنے کمپیوٹر پر اور فائل کو ان زپ کریں، جو تین ڈائریکٹریوں کے اندر تین فائلیں بناتی ہے (
rts
,tts
,item
). - Amazon S3 کنسول پر، اس بالٹی پر جائیں جسے آپ نے پہلے بنایا تھا۔
- میں سے انتخاب کریں فولڈر بنائیں.
- فولڈر کے نام کے لیے وہی سٹرنگ استعمال کریں جو آپ کے ورک لوڈ اسٹیک نام ہے۔
- میں سے انتخاب کریں اپ لوڈ کریں.
- تین ڈیٹاسیٹ فولڈرز کو منتخب کریں، پھر منتخب کریں۔ اپ لوڈ کریں.
اپ لوڈ مکمل ہونے پر، آپ کو مندرجہ ذیل اسکرین شاٹ جیسا کچھ نظر آنا چاہیے۔ اس مثال کے طور پر، ہمارا فولڈر ہے۔ aiml42
.
پیشن گوئی ڈیٹاسیٹ گروپ بنائیں
ہر کام کے بوجھ کے لیے ایک وقتی ایونٹ کے طور پر ڈیٹا سیٹ گروپ بنانے کے لیے اس سیکشن میں مراحل کو مکمل کریں۔ آگے بڑھتے ہوئے، آپ کو درآمدی ڈیٹا کو چلانے کا منصوبہ بنانا چاہیے، پیشین گوئی کرنے والا بنانا چاہیے، اور پیشین گوئی کے اقدامات مناسب طور پر، ایک سلسلہ کے طور پر، اپنے شیڈول کے مطابق، جو روزانہ، ہفتہ وار یا کسی اور طرح سے ہو سکتے ہیں۔
- سٹیپ فنکشنز کنسول پر، ریاستی مشین کا پتہ لگائیں جس میں ہو۔
Create-Dataset-Group
. - ریاستی مشین کی تفصیل کے صفحے پر، منتخب کریں۔ عمل درآمد شروع کریں۔.
- میں سے انتخاب کریں عمل درآمد شروع کریں۔ دوبارہ تصدیق کرنے کے لئے.
ریاستی مشین کو چلنے میں تقریباً 1 منٹ لگتا ہے۔ جب یہ مکمل ہو جائے تو نیچے کی قدر پھانسی کی حیثیت سے تبدیل ہونا چاہئے چل رہا ہے کرنے کے لئے کامیابی ہوئی
پیشن گوئی میں ڈیٹا درآمد کریں۔
ڈیٹا سیٹ کو درآمد کرنے کے لیے اس سیکشن میں درج مراحل پر عمل کریں جسے آپ نے اپنے S3 بالٹی پر اپ لوڈ کیا ہے اپنے ڈیٹاسیٹ گروپ میں:
- سٹیپ فنکشنز کنسول پر، ریاستی مشین کا پتہ لگائیں جس میں ہو۔
Import-Dataset
. - ریاستی مشین کی تفصیل کے صفحے پر، منتخب کریں۔ عمل درآمد شروع کریں۔.
- میں سے انتخاب کریں عمل درآمد شروع کریں۔ دوبارہ تصدیق کرنے کے لئے.
ریاستی مشین کو چلنے میں کتنا وقت لگتا ہے اس کا انحصار ڈیٹاسیٹ پر کارروائی کی جا رہی ہے۔
- جب یہ چل رہا ہو، اپنے براؤزر میں، دوسرا ٹیب کھولیں اور Forecast کنسول پر جائیں۔
- Forecast کنسول پر، منتخب کریں۔ ڈیٹا سیٹ گروپس دیکھیں اور ڈیٹاسیٹ گروپ کے لیے مخصوص کردہ نام کے ساتھ تشریف لے جائیں۔
DataGroupName
آپ کے کام کے بوجھ کے اسٹیک سے۔ - میں سے انتخاب کریں ڈیٹاسیٹس دیکھیں.
آپ کو ڈیٹا کی درآمد کو جاری دیکھنا چاہیے۔
جب ریاستی مشین کے لیے Import-Dataset
مکمل ہو گیا ہے، آپ اپنا ٹائم سیریز ڈیٹا ماڈل بنانے کے لیے اگلے مرحلے پر جا سکتے ہیں۔
آٹو پریڈیکٹر بنائیں (ایک ٹائم سیریز ماڈل کو تربیت دیں)
یہ سیکشن بیان کرتا ہے کہ کس طرح پیشین گوئی کے ساتھ ابتدائی پیشن گو کو تربیت دی جائے۔ آپ ایک نیا پیشن گو بنانے کا انتخاب کر سکتے ہیں (آپ کا پہلا، بنیادی پیشین گوئی کرنے والا) یا ہر پروڈکشن سائیکل کے دوران ایک پیشین گوئی کرنے والے کو دوبارہ تربیت دے سکتے ہیں، جو روزانہ، ہفتہ وار یا دوسری صورت میں ہو سکتا ہے۔ آپ یہ بھی منتخب کر سکتے ہیں کہ ہر دور میں پیشین گوئی کرنے والا نہ بنائیں اور پیشین گوئی کرنے والے کی نگرانی پر بھروسہ کریں تاکہ آپ کو کب تخلیق کرنا ہے۔ مندرجہ ذیل اعداد و شمار پروڈکشن کے لیے تیار پیشن گوئی کرنے والے بنانے کے عمل کو تصور کرتا ہے۔
ایک نیا پیش گو بنانے کے لیے، درج ذیل مراحل کو مکمل کریں:
- سٹیپ فنکشنز کنسول پر، ریاستی مشین کا پتہ لگائیں جس میں ہو۔
Create-Predictor
. - ریاستی مشین کی تفصیل کے صفحے پر، منتخب کریں۔ عمل درآمد شروع کریں۔.
- میں سے انتخاب کریں عمل درآمد شروع کریں۔ دوبارہ تصدیق کرنے کے لئے.
رن ٹائم کی مقدار کا انحصار ڈیٹاسیٹ پر کارروائی کی جا رہی ہے۔ اسے مکمل ہونے میں ایک گھنٹہ یا اس سے زیادہ وقت لگ سکتا ہے۔ - جب یہ چل رہا ہو، اپنے براؤزر میں، دوسرا ٹیب کھولیں اور Forecast کنسول پر جائیں۔
- Forecast کنسول پر، منتخب کریں۔ ڈیٹا سیٹ گروپس دیکھیں اور ڈیٹاسیٹ گروپ کے لیے مخصوص کردہ نام کے ساتھ تشریف لے جائیں۔
DataGroupName
آپ کے کام کے بوجھ کے اسٹیک سے۔ - میں سے انتخاب کریں پیش گوئی کرنے والے دیکھیں.
آپ کو پیشن گوئی کرنے والے کی تربیت جاری نظر آنی چاہئے (تربیت کی حیثیت ظاہر کرتی ہے کہ "ترقی جاری ہے…")۔
جب ریاستی مشین کے لیے Create-Predictor
مکمل ہے، آپ اس کی کارکردگی کا اندازہ لگا سکتے ہیں۔
ریاستی مشین کے ایک حصے کے طور پر، نظام ایک پیشن گوئی پیدا کرتا ہے اور ایک چلاتا ہے۔ BacktestExport
ملازمت جو ایمیزون S3 پر ٹائم سیریز لیول پریڈیکٹر میٹرکس لکھتی ہے۔ یہ فائلیں ہیں جو کے تحت دو S3 فولڈرز میں واقع ہیں۔ backtest-export
فولڈر:
- درستگی-میٹرکس- اقدار - آئٹم کی سطح کی درستگی میٹرک کمپیوٹیشن فراہم کرتا ہے تاکہ آپ سنگل ٹائم سیریز کی کارکردگی کو سمجھ سکیں۔ یہ آپ کو صرف عالمی میٹرکس پر توجہ مرکوز کرنے کے بجائے پھیلاؤ کی تحقیقات کرنے کی اجازت دیتا ہے۔
- پیشن گوئی کی قدریں - بیک ٹیسٹ ونڈو میں ہر بار سیریز کے لیے مرحلہ وار پیشین گوئیاں فراہم کرتا ہے۔ یہ آپ کو ہولڈ آؤٹ ٹیسٹ سیٹ سے اصل ہدف کی قیمت کا موازنہ کرنے کے قابل بناتا ہے۔ اس کا جائزہ لینے سے آر ٹی ایس یا آئٹم میٹا ڈیٹا میں اضافی ڈیٹا فیچرز فراہم کرنے کے بارے میں آئیڈیاز تیار کرنے میں مدد ملتی ہے تاکہ مستقبل کی قدروں کا بہتر اندازہ لگایا جا سکے اور نقصان کو مزید کم کیا جا سکے۔ آپ ڈاؤن لوڈ کر سکتے ہیں۔
backtest-export
ایمیزون S3 سے فائلیں یا ایتھینا کے ساتھ جگہ پر ان سے استفسار کریں۔
آپ کے اپنے ڈیٹا کے ساتھ، آپ کو پیشین گوئی کرنے والے نتائج کا باریک بینی سے معائنہ کرنے کی ضرورت ہے اور بیک ٹیسٹ ایکسپورٹ ڈیٹا کا استعمال کرکے میٹرکس آپ کے متوقع نتائج پر پورا اترتے ہیں۔ مطمئن ہونے پر، آپ مستقبل کی تاریخ کی پیشین گوئیاں بنانا شروع کر سکتے ہیں جیسا کہ اگلے حصے میں بیان کیا گیا ہے۔
ایک پیشن گوئی پیدا کریں (مستقبل کے وقت کے افق کے بارے میں اندازہ)
یہ سیکشن بیان کرتا ہے کہ پیشن گوئی کے ساتھ پیشن گوئی کے ڈیٹا پوائنٹس کیسے بنائے جائیں۔ آگے بڑھتے ہوئے، آپ کو سورس سسٹم سے نیا ڈیٹا حاصل کرنا چاہیے، ڈیٹا کو Forecast میں درآمد کرنا چاہیے، اور پھر forecast ڈیٹا پوائنٹس بنانا چاہیے۔ اختیاری طور پر، آپ درآمد کے بعد اور پیشین گوئی سے پہلے ایک نئی پیشن گوئی کی تخلیق بھی داخل کر سکتے ہیں۔ مندرجہ ذیل اعداد و شمار پیشن گوئی کا استعمال کرتے ہوئے پروڈکشن ٹائم سیریز کی پیشن گوئی بنانے کے عمل کو تصور کرتا ہے۔
درج ذیل مراحل کو مکمل کریں:
- سٹیپ فنکشنز کنسول پر، ریاستی مشین کا پتہ لگائیں جس میں ہو۔
Create-Forecast
. - ریاستی مشین کی تفصیل کے صفحے پر، منتخب کریں۔ عمل درآمد شروع کریں۔.
- میں سے انتخاب کریں عمل درآمد شروع کریں۔ دوبارہ تصدیق کرنے کے لئے.
یہ ریاستی مشین بہت تیزی سے ختم ہو جاتی ہے کیونکہ سسٹم کو پیشن گوئی پیدا کرنے کے لیے ترتیب نہیں دیا گیا ہے۔ یہ نہیں جانتا کہ آپ نے کس پیشن گوئی کے ماڈل کو تخمینہ کے لیے منظور کیا ہے۔
آئیے آپ کے تربیت یافتہ پیش گو کو استعمال کرنے کے لیے سسٹم کو ترتیب دیں۔ - Forecast کنسول پر، اپنے پیش گو کے لیے ARN تلاش کریں۔
- بعد کے مرحلے میں استعمال کرنے کے لیے ARN کو کاپی کریں۔
- اپنے براؤزر میں، دوسرا ٹیب کھولیں اور سسٹم مینیجر کنسول پر جائیں۔
- سسٹمز مینیجر کنسول پر، منتخب کریں۔ پیرامیٹر اسٹور نیوی گیشن پین میں.
- اپنے اسٹیک سے متعلق پیرامیٹر کا پتہ لگائیں (
/forecast/<StackName>/Forecast/PredictorArn
). - وہ ARN درج کریں جسے آپ نے اپنے پیش گو کے لیے کاپی کیا ہے۔
اس طرح آپ ایک تربیت یافتہ پیشن گو کو پیشن گوئی کے انفرنس فنکشن کے ساتھ جوڑتے ہیں۔ - پیرامیٹر تلاش کریں۔
/forecast/<StackName>/Forecast/Generate
اور قیمت میں ترمیم کریں، تبدیل کریں۔FALSE
ساتھTRUE
.
اب آپ اس ڈیٹاسیٹ گروپ کے لیے پیشن گوئی کا کام چلانے کے لیے تیار ہیں۔ - اسٹیپ فنکشنز کنسول پر، چلائیں۔
Create-Forecast
ریاستی مشین.
اس بار، کام توقع کے مطابق چلتا ہے. ریاستی مشین کے حصے کے طور پر، نظام ایک پیشن گوئی اور ایک تخلیق کرتا ہے ForecastExport
نوکری، جو ایمیزون S3 پر ٹائم سیریز کی پیشن گوئیاں لکھتی ہے۔ یہ فائلیں میں واقع ہیں۔ forecast
فولڈر
کے اندر forecast
فولڈر میں، آپ کو اپنے آئٹمز کی پیشین گوئیاں ملیں گی، جو آپ کے انتخاب کے لحاظ سے بہت سی CSV یا Parquet فائلوں میں موجود ہیں۔ ہر بار قدم اور منتخب ٹائم سیریز کے لیے پیشین گوئیاں فی ریکارڈ آپ کی تمام منتخب کوانٹائل اقدار کے ساتھ موجود ہیں۔ آپ ان فائلوں کو Amazon S3 سے ڈاؤن لوڈ کر سکتے ہیں، ایتھینا کے ساتھ ان سے استفسار کر سکتے ہیں، یا ڈیٹا استعمال کرنے کے لیے کوئی اور حکمت عملی منتخب کر سکتے ہیں۔
یہ پورے ورک فلو کو سمیٹتا ہے۔ اب آپ اپنی پسند کے کسی بھی ویژولائزیشن ٹول کا استعمال کرتے ہوئے اپنے آؤٹ پٹ کو تصور کر سکتے ہیں، جیسے ایمیزون کوئیک سائٹ. متبادل طور پر، ڈیٹا سائنسدان پانڈا کو اپنے پلاٹ بنانے کے لیے استعمال کر سکتے ہیں۔ اگر آپ QuickSight استعمال کرنے کا انتخاب کرتے ہیں، تو آپ کر سکتے ہیں۔ اپنے پیشن گوئی کے نتائج کو QuickSight سے مربوط کریں۔ ڈیٹا کی تبدیلیوں کو انجام دینے کے لیے، ایک یا زیادہ ڈیٹا کے تجزیے بنائیں، اور تصورات بنائیں.
یہ عمل پیروی کرنے کے لیے ایک ٹیمپلیٹ فراہم کرتا ہے۔ آپ کو اپنے استعمال کے معاملے کے مطابق نمونے کو اپنے اسکیما کے مطابق ڈھالنے، پیشن گوئی افق، وقت کی ریزولیوشن، اور اسی طرح آگے سیٹ کرنے کی ضرورت ہوگی۔ آپ کو ایک بار بار چلنے والا شیڈول ترتیب دینے کی بھی ضرورت ہوگی جہاں سورس سسٹم سے ڈیٹا حاصل کیا جائے، ڈیٹا درآمد کیا جائے، اور پیشین گوئیاں تیار کی جائیں۔ اگر آپ چاہیں تو، آپ درآمد اور پیشین گوئی کے مراحل کے درمیان ایک پیشن گوئی کا کام داخل کر سکتے ہیں۔
پیش گوئی کرنے والے کو دوبارہ تربیت دیں۔
ہم ایک نئے پیش گو کی تربیت کے عمل سے گزر چکے ہیں، لیکن پیشین گوئی کرنے والے کو دوبارہ تربیت دینے کا کیا ہوگا؟ پیشن گوئی کرنے والے کو دوبارہ تربیت دینا تازہ ترین دستیاب ڈیٹا پر پیشین گوئی کرنے والے کی تربیت کے ساتھ لاگت اور وقت کو کم کرنے کا ایک طریقہ ہے۔ ایک نیا پیش گوئی کرنے والا بنانے اور اسے پورے ڈیٹاسیٹ پر تربیت دینے کے بجائے، ہم پیشین گوئی کرنے والے کو آخری مرتبہ تربیت دینے کے بعد سے دستیاب صرف نئے اضافی ڈیٹا فراہم کر کے موجودہ پیش گو کو دوبارہ تربیت دے سکتے ہیں۔ آئیے اس پر چلتے ہیں کہ آٹومیشن حل کا استعمال کرتے ہوئے پیش گو کو دوبارہ کیسے تربیت دی جائے:
- Forecast کنسول پر، منتخب کریں۔ ڈیٹا سیٹ گروپس دیکھیں.
- اس پیش گو کے ساتھ وابستہ ڈیٹاسیٹ گروپ کا انتخاب کریں جسے آپ دوبارہ تربیت دینا چاہتے ہیں۔
- میں سے انتخاب کریں پیش گوئی کرنے والے دیکھیں، پھر اس پیش گو کا انتخاب کریں جس کی آپ دوبارہ تربیت کرنا چاہتے ہیں۔
- پر ترتیبات ٹیب، پیشن گوئی کرنے والے اے آر این کو کاپی کریں۔
ہمیں ایک پیرامیٹر کو اپ ڈیٹ کرنے کی ضرورت ہے جو ورک فلو کے ذریعہ استعمال کیا جاتا ہے تاکہ پیشن گوئی کرنے والے کی دوبارہ تربیت کی جاسکے۔ - سسٹمز مینیجر کنسول پر، منتخب کریں۔ پیرامیٹر اسٹور نیوی گیشن پین میں.
- پیرامیٹر تلاش کریں۔
/forecast/<STACKNAME>/Forecast/Predictor/ReferenceArn
. - پیرامیٹر کی تفصیل کے صفحے پر، منتخب کریں۔ ترمیم کریں.
- کے لئے قدر، پیشن گوئی کرنے والا اے آر این درج کریں۔
یہ ورک فلو کو دوبارہ تربیت دینے کے لیے درست پیش گو کی شناخت کرتا ہے۔ اگلا، ہمیں تربیتی حکمت عملی کو تبدیل کرنے کے لیے ورک فلو کے ذریعے استعمال ہونے والے پیرامیٹر کو اپ ڈیٹ کرنے کی ضرورت ہے۔ - پیرامیٹر تلاش کریں۔
/forecast/<STACKNAME>/Forecast/Predictor/Strategy
. - پیرامیٹر کے تفصیل والے صفحہ پر، ترمیم کو منتخب کریں۔
- قدر کے لیے، درج کریں۔
RETRAIN
.
ایک نئے پیش گو کو تربیت دینے کے لیے ورک فلو ڈیفالٹ ہے۔ تاہم، ہم موجودہ پیش گو کو دوبارہ تربیت دینے کے لیے اس طرز عمل میں ترمیم کر سکتے ہیں یا اس قدر کو ترتیب دے کر دوبارہ تربیت کیے بغیر کسی موجودہ پیش گو کو دوبارہ استعمال کر سکتے ہیں۔NONE
. اگر آپ کا ڈیٹا نسبتاً مستحکم ہے یا آپ استعمال کر رہے ہیں تو آپ تربیت ترک کرنا چاہیں گے۔ خودکار پیشن گوئی کی نگرانی یہ فیصلہ کرنا کہ کب دوبارہ تربیت ضروری ہے۔ - S3 بالٹی میں اضافی تربیتی ڈیٹا اپ لوڈ کریں۔
- اسٹیپ فنکشنز کنسول پر، اسٹیٹ مشین کا پتہ لگائیں۔
<STACKNAME>-Create-Predictor
. - ریاستی مشین کی تفصیل کے صفحے پر، منتخب کریں۔ عمل درآمد شروع کریں۔ دوبارہ تربیت شروع کرنے کے لیے۔
دوبارہ تربیت مکمل ہونے پر، ورک فلو ختم ہو جائے گا اور آپ کو ورک لوڈ ٹیمپلیٹ پیرامیٹرز میں فراہم کردہ ای میل ایڈریس پر ایک SNS ای میل اطلاع موصول ہوگی۔
صاف کرو
جب آپ اس حل کے ساتھ کام کر لیں، تو متعلقہ وسائل کو حذف کرنے کے لیے اس سیکشن میں درج مراحل پر عمل کریں۔
S3 بالٹی کو حذف کریں۔
- ایمیزون S3 کنسول پر، منتخب کریں۔ بالٹیاں۔ نیوی گیشن پین میں.
- وہ بالٹی منتخب کریں جہاں ڈیٹا اپ لوڈ کیا گیا تھا اور منتخب کریں۔ خالی حل سے وابستہ تمام ڈیٹا کو حذف کرنے کے لیے، بشمول سورس ڈیٹا۔
- درج
permanently delete
بالٹی کے مواد کو مستقل طور پر حذف کرنے کے لیے۔ - پر بالٹیاں۔ صفحہ، بالٹی کو منتخب کریں اور منتخب کریں خارج کر دیں.
- حذف کرنے کی تصدیق کرنے کے لیے بالٹی کا نام درج کریں اور منتخب کریں۔ بالٹی کو حذف کریں۔.
پیش گوئی کے وسائل کو حذف کریں۔
- Forecast کنسول پر، منتخب کریں۔ ڈیٹا سیٹ گروپس دیکھیں.
- حل سے وابستہ ڈیٹاسیٹ گروپ کا نام منتخب کریں، پھر منتخب کریں۔ خارج کر دیں.
- درج
delete
ڈیٹا سیٹ گروپ اور اس سے وابستہ پیشن گوئوں کو حذف کرنے کے لیے، پیشن گوئی کرنے والے بیک ٹیسٹ ایکسپورٹ جابز، پیشن گوئی، اور ایکسپورٹ جابز کی پیشن گوئی۔ - میں سے انتخاب کریں خارج کر دیں تصدیق کے لئے.
کلاؤڈ فارمیشن اسٹیک کو حذف کریں۔
- AWS CloudFormation کنسول پر، منتخب کریں۔ Stacks نیوی گیشن پین میں.
- کام کا بوجھ اسٹیک منتخب کریں اور منتخب کریں۔ خارج کر دیں.
- میں سے انتخاب کریں اسٹیک کو حذف کریں۔ اسٹیک اور تمام متعلقہ وسائل کے حذف ہونے کی تصدیق کرنے کے لیے۔
- جب حذف کرنا مکمل ہو جائے تو، انحصار اسٹیک کو منتخب کریں اور منتخب کریں۔ خارج کر دیں.
- میں سے انتخاب کریں خارج کر دیں تصدیق کے لئے.
نتیجہ
اس پوسٹ میں، ہم نے پیشن گوئی کا استعمال شروع کرنے کے کچھ مختلف طریقوں پر تبادلہ خیال کیا۔ ہم نے AWS CloudFormation پر مبنی ایک خودکار پیشن گوئی کے حل سے گزرے جس کے لیے بنیادی ڈھانچے کے بارے میں بہت کم معلومات کی ضرورت کے ساتھ، ڈیٹا کے ادخال سے لے کر تخمینہ تک پیشن گوئی پائپ لائن کے تیز رفتار، دوبارہ قابل حل تعیناتی کے لیے۔ آخر میں، ہم نے دیکھا کہ ہم ماڈل ری ٹریننگ کو خودکار بنانے، لاگت اور تربیت کے وقت کو کم کرنے کے لیے کس طرح Lambda کا استعمال کر سکتے ہیں۔
پیشن گوئی کے ساتھ پیشن گوئی شروع کرنے کے لیے موجودہ وقت سے بہتر کوئی وقت نہیں ہے۔ خودکار ورک فلو کی تعمیر اور تعیناتی شروع کرنے کے لیے، ملاحظہ کریں۔ ایمیزون کی پیشن گوئی کے وسائل. مبارک پیشین گوئی!
مصنفین کے بارے میں
ہارون فیگن نیو یارک میں مقیم AWS میں پرنسپل اسپیشلسٹ سولیوشن آرکیٹیکٹ ہیں۔ وہ صارفین کو مشین لرننگ اور کلاؤڈ سیکیورٹی میں آرکیٹیکٹ حل کی مدد کرنے میں مہارت رکھتا ہے۔
راجو پاٹل AWS پروفیشنل سروسز میں ڈیٹا سائنٹسٹ ہے۔ وہ AWS صارفین کو ان کے کاروباری چیلنجوں پر قابو پانے میں مدد کرنے کے لیے AI/ML سلوشنز بناتا اور تعینات کرتا ہے۔ اس کی AWS مصروفیات نے متعدد صنعتوں بشمول مالیاتی خدمات، ٹیلی کام، صحت کی دیکھ بھال، اور بہت کچھ میں AI/ML استعمال کے کیسز جیسے کمپیوٹر وژن، ٹائم سیریز کی پیشن گوئی، اور پیشین گوئی کے تجزیات وغیرہ کا احاطہ کیا ہے۔ اس سے پہلے، وہ ایڈورٹائزنگ ٹیکنالوجی میں ڈیٹا سائنس ٹیموں کی قیادت کر چکے ہیں، اور کمپیوٹر ویژن اور روبوٹکس میں متعدد تحقیق اور ترقی کے اقدامات میں اہم شراکتیں کی ہیں۔ کام سے باہر، وہ فوٹو گرافی، پیدل سفر، سفر، اور کھانا پکانے سے لطف اندوز ہوتا ہے۔
- SEO سے چلنے والا مواد اور PR کی تقسیم۔ آج ہی بڑھا دیں۔
- پلیٹوآئ اسٹریم۔ ویب 3 ڈیٹا انٹیلی جنس۔ علم میں اضافہ۔ یہاں تک رسائی حاصل کریں۔
- ایڈریین ایشلے کے ساتھ مستقبل کا نقشہ بنانا۔ یہاں تک رسائی حاصل کریں۔
- PREIPO® کے ساتھ PRE-IPO کمپنیوں میں حصص خریدیں اور بیچیں۔ یہاں تک رسائی حاصل کریں۔
- ماخذ: https://aws.amazon.com/blogs/machine-learning/automate-the-deployment-of-an-amazon-forecast-time-series-forecasting-model/
- : ہے
- : ہے
- : نہیں
- :کہاں
- $UP
- 1
- 10
- 100
- 11
- 20
- 20 سال
- 2022
- 7
- 8
- 9
- a
- ہمارے بارے میں
- قبول کریں
- تک رسائی حاصل
- کے مطابق
- اکاؤنٹ
- درستگی
- تسلیم کرتے ہیں
- کے پار
- اعمال
- اپنانے
- ایڈیشنل
- اضافی معلومات
- پتہ
- اشتہار.
- کے بعد
- پھر
- AI / ML
- یلگورتم
- یلگوردمز
- تمام
- اجازت دے رہا ہے
- کی اجازت دیتا ہے
- اکیلے
- پہلے ہی
- بھی
- ایمیزون
- ایمیزون کی پیشن گوئی
- رقم
- an
- تجزیہ
- تجزیاتی
- اور
- ایک اور
- کوئی بھی
- اے پی آئی
- نقطہ نظر
- مناسب
- کی منظوری دے دی
- کیا
- لڑی
- AS
- مدد
- ایسوسی ایٹ
- منسلک
- At
- خود کار طریقے سے
- آٹومیٹڈ
- خود کار طریقے سے
- میشن
- دستیاب
- AWS
- AWS کلاؤڈ فارمیشن
- AWS پروفیشنل سروسز
- Backtest
- متوازن
- توازن
- کی بنیاد پر
- بیس لائن
- BE
- کیونکہ
- اس سے پہلے
- شروع کریں
- کیا جا رہا ہے
- BEST
- بہتر
- کے درمیان
- تعصب
- بنقی
- باکس
- آ رہا ہے
- براؤزر
- تعمیر
- عمارت
- بناتا ہے
- کاروبار
- لیکن
- by
- حساب کرتا ہے
- کہا جاتا ہے
- کالز
- کر سکتے ہیں
- پرواہ
- کیس
- مقدمات
- سینٹر
- چیلنجوں
- تبدیل
- تبدیلیاں
- چیک کریں
- انتخاب
- میں سے انتخاب کریں
- کا انتخاب کیا
- منتخب کیا
- قریب سے
- بادل
- کلاؤڈ سیکورٹی
- کوڈ
- کوڈنگ
- مجموعہ
- کالم
- COM
- کامن
- موازنہ
- مکمل
- پیچیدہ
- گنتی
- کمپیوٹنگ
- کمپیوٹر
- کمپیوٹر ویژن
- تصورات
- متعلقہ
- ترتیب
- کی توثیق
- کنسول
- پر مشتمل ہے
- مندرجات
- شراکت دار
- کنٹرول
- محدد
- درست
- قیمت
- سکتا ہے
- احاطہ کرتا ہے
- تخلیق
- بنائی
- پیدا
- تخلیق
- مخلوق
- گاہکوں
- سائیکل
- چکرو
- روزانہ
- اعداد و شمار
- ڈیٹا مینجمنٹ
- ڈیٹا پوائنٹس
- ڈیٹا سائنس
- ڈیٹا سائنسدان
- ڈیٹا سیٹ
- ڈیٹاسیٹس
- دن
- دن
- فیصلہ کرنا
- اعلان کرتا ہے
- پہلے سے طے شدہ
- غلطی
- کی وضاحت
- وضاحت کرتا ہے
- وضاحت
- ڈیلیور
- منحصر ہے
- انحصار کرتا ہے
- تعیناتی
- تعینات
- تعینات
- تعیناتی
- تعینات
- تعینات کرتا ہے
- ۱۰۰۰۰ ڈالر ڈیپازٹ
- بیان
- بیان کیا
- مطلوبہ
- تفصیل
- تفصیلات
- اس بات کا تعین
- ڈویلپرز
- ترقی
- مختلف
- مشکل
- طول و عرض
- طول و عرض
- ڈائریکٹریز
- بات چیت
- do
- نہیں کرتا
- کیا
- ڈاؤن لوڈ، اتارنا
- کے دوران
- ہر ایک
- اس سے قبل
- آسان
- یا تو
- ختم
- ای میل
- چالو حالت میں
- کے قابل بناتا ہے
- آخر
- آخر سے آخر تک
- کو یقینی بنانے کے
- درج
- پوری
- ماحولیات
- ماحول
- نقائص
- تخمینہ
- وغیرہ
- اندازہ
- بھی
- واقعہ
- مثال کے طور پر
- پھانسی
- وجود
- موجودہ
- توقع
- توقع
- تجربہ
- برآمد
- سہولت
- جھوٹی
- واقف
- خصوصیات
- میدان
- اعداد و شمار
- فائل
- فائلوں
- فائلنگ
- بھرے
- آخر
- مالی
- مالیاتی خدمات
- مل
- پہلا
- توجہ مرکوز
- پر عمل کریں
- کے بعد
- کے لئے
- پیشن گوئی
- پیشن گوئی
- فارمیٹ
- آگے
- آگے
- چار
- فرکوےنسی
- سے
- مکمل طور پر
- تقریب
- افعال
- مزید
- مستقبل
- پیدا
- پیدا
- پیدا کرنے والے
- حاصل
- گلوبل
- Go
- جا
- حکومت کرتا ہے۔
- گراف
- عظیم
- گروپ
- گروپ کا
- رہنمائی
- رہنمائی
- خوش
- فصل
- ہے
- ہونے
- he
- صحت
- حفظان صحت
- مدد
- مدد
- مدد کرتا ہے
- یہاں
- انتہائی
- ان
- تاریخی
- افق
- افق
- گھنٹہ
- کس طرح
- کیسے
- تاہم
- HTML
- HTTP
- HTTPS
- خیالات
- شناخت
- شناخت
- شناختی
- if
- وضاحت کرتا ہے
- پر عملدرآمد
- درآمد
- درآمدات
- in
- شامل
- شامل ہیں
- سمیت
- صنعتوں
- اثر و رسوخ
- مطلع
- معلومات
- انفراسٹرکچر
- ابتدائی
- اقدامات
- ان پٹ
- کے بجائے
- میں
- کی تحقیقات
- ملوث
- IT
- اشیاء
- میں
- خود
- ایوب
- نوکریاں
- فوٹو
- جان
- علم
- جانا جاتا ہے
- لینڈ
- آخری
- بعد
- تازہ ترین
- جانیں
- سیکھنے
- کم سے کم
- قیادت
- لیڈ ڈیٹا
- آو ہم
- زندگی کا دورانیہ
- کی طرح
- لائن
- تھوڑا
- واقع ہے
- محل وقوع
- لانگ
- بند
- کم قیمت
- کم
- مشین
- مشین لرننگ
- مشینیں
- بنا
- بنانا
- انتظام
- میں کامیاب
- انتظام
- مینیجر
- انتظام کرتا ہے
- مینیجنگ
- دستی طور پر
- بہت سے
- زیادہ سے زیادہ
- مئی..
- سے ملو
- مینو
- میٹا ڈیٹا
- طریقہ
- طریقوں
- میٹرک۔
- پیمائش کا معیار
- شاید
- کم سے کم
- منٹ
- لاپتہ
- ML
- ماڈل
- ماڈل
- نظر ثانی کرنے
- نگرانی
- ماہانہ
- زیادہ
- منتقل
- ایک سے زیادہ
- ضروری
- نام
- نام
- تشریف لے جائیں
- سمت شناسی
- ضروری
- ضرورت ہے
- ضروریات
- نئی
- NY
- اگلے
- نہیں
- نوٹ بک
- نوٹیفیکیشن
- اطلاعات
- اب
- تعداد
- متعدد
- اعتراض
- اشیاء
- حاصل
- of
- on
- ایک
- صرف
- کھول
- اوپن سورس
- کی اصلاح کریں
- آپشنز کے بھی
- or
- حکم
- دیگر
- دوسری صورت میں
- ہمارے
- باہر
- نتائج
- بیان کیا
- پیداوار
- باہر
- پر
- مجموعی طور پر
- خود
- صفحہ
- pandas
- پین
- پیرامیٹر
- پیرامیٹرز
- حصہ
- فیصد
- انجام دیں
- کارکردگی
- مستقل طور پر
- اجازتیں
- فوٹو گرافی
- جسمانی
- پائپ لائن
- مقام
- رکھ
- منصوبہ
- پلاٹا
- افلاطون ڈیٹا انٹیلی جنس
- پلیٹو ڈیٹا
- پوائنٹس
- ممکن
- پوسٹ
- پیش گوئی
- پیش گوئی
- کی پیشن گوئی
- پیشن گوئی
- پیش گوئی کے تجزیات
- پیش گو
- پیش گوئیاں
- تیار
- حال (-)
- پیش
- پچھلا
- پرنسپل
- پہلے
- عمل
- عملدرآمد
- پروسیسنگ
- پیدا
- پیداوار
- پیشہ ورانہ
- پروگراماتی۔
- پیش رفت
- فراہم
- فراہم
- فراہم کرتا ہے
- فراہم کرنے
- عوامی طور پر
- ازگر
- سوالات
- سوالات
- فوری
- جلدی سے
- رینج
- تیزی سے
- بلکہ
- خام
- تیار
- وصول
- سفارش
- ریکارڈ
- ریکارڈ
- بار بار چلنے والی
- کو کم
- کو کم کرنے
- کہا جاتا ہے
- مراد
- باقاعدہ
- متعلقہ
- نسبتا
- متعلقہ
- انحصار کرو
- کو ہٹانے کے
- بار بار قابل
- بار بار
- بار بار
- ضرورت
- تحقیق
- تحقیق اور ترقی
- محفوظ
- لچکدار
- قرارداد
- وسائل
- نتیجے
- نتائج کی نمائش
- دوبارہ استعمال
- جائزہ لیں
- روبوٹکس
- کردار
- کردار
- رن
- چل رہا ہے
- اسی
- نمونہ ڈیٹاسیٹ
- مطمئن
- پیمانے
- شیڈول
- سائنس
- سائنسدان
- سائنسدانوں
- بغیر کسی رکاوٹ کے
- سیکشن
- سیکشنز
- محفوظ بنانے
- سیکورٹی
- دیکھنا
- منتخب
- انتخاب
- سیریز
- بے سرور
- سرورز
- کام کرتا ہے
- سروس
- سروسز
- مقرر
- قائم کرنے
- مشترکہ
- مختصر
- ہونا چاہئے
- شوز
- اہم
- سادہ
- صرف
- بعد
- ایک
- So
- حل
- حل
- کچھ
- کچھ
- ماخذ
- ماہر
- مہارت دیتا ہے
- مخصوص
- پھیلانے
- مستحکم
- ڈھیر لگانا
- کھینچنا
- معیار
- شروع کریں
- شروع
- شروع
- حالت
- درجہ
- مرحلہ
- مراحل
- ذخیرہ
- ذخیرہ
- حکمت عملی
- سلک
- ساخت
- اس طرح
- تائید
- کے نظام
- سسٹمز
- ٹیبل
- لے لو
- لیتا ہے
- ہدف
- ٹاسک
- کاموں
- ٹیموں
- ٹیکنالوجی
- ٹیلی کام
- سانچے
- سانچے
- ٹیسٹ
- سے
- کہ
- ۔
- ماخذ
- ریاست
- ان
- ان
- تو
- وہاں.
- یہ
- چیزیں
- اس
- تین
- کے ذریعے
- بھر میں
- وقت
- وقت کا سلسلہ
- ٹائمسٹیمپ
- کرنے کے لئے
- مل کر
- کے آلے
- موضوع
- کی طرف
- ٹرین
- تربیت یافتہ
- ٹریننگ
- تبدیلی
- منتقلی
- سفر
- ٹرگر
- سچ
- دو
- قسم
- اقسام
- عام طور پر
- غیر یقینی صورتحال
- کے تحت
- سمجھ
- یونٹس
- اپ ڈیٹ کریں
- اپ لوڈ کردہ
- URL
- استعمال کی شرائط
- استعمال کیس
- استعمال کیا جاتا ہے
- صارفین
- کا استعمال کرتے ہوئے
- قیمت
- اقدار
- مختلف
- بہت
- کی طرف سے
- نقطہ نظر
- دورہ
- تصور
- چلا گیا
- چاہتے ہیں
- تھا
- راستہ..
- طریقوں
- we
- ہفتہ وار
- اچھا ہے
- کیا
- جب
- چاہے
- جس
- وسیع
- وسیع رینج
- گے
- ساتھ
- کے اندر
- بغیر
- لفظ
- کام
- لکھنا
- لکھا
- سال
- یارک
- تم
- اور
- زیفیرنیٹ
- زپ