اب کے ساتھ ایمیزون کی پیشن گوئی، آپ بغیر کسی تاریخی ڈیٹا کے پروڈکٹس کے لیے 45% تک زیادہ درست پیشین گوئیاں بنا سکتے ہیں۔ Forecast ایک منظم سروس ہے جو کسی ML تجربے کی ضرورت کے بغیر، درست مانگ کی پیشن گوئی پیدا کرنے کے لیے مشین لرننگ (ML) کا استعمال کرتی ہے۔ درست پیشن گوئی انوینٹری کی اصلاح، لاجسٹکس کی منصوبہ بندی، اور افرادی قوت کے انتظام کی بنیاد ہے اور یہ کاروباری اداروں کو اپنے صارفین کی خدمت کے لیے بہتر طور پر تیار ہونے کے قابل بناتی ہے۔ سردی شروع ہونے کی پیشن گوئی ایک عام چیلنج ہے جہاں ایک پیشن گوئی پیدا کرنے کی ضرورت ہے لیکن پروڈکٹ کے لیے کوئی تاریخی ڈیٹا نہیں ہے۔ ریٹیل، مینوفیکچرنگ، یا کنزیومر پیکڈ گڈز جیسی صنعتوں میں یہ عام ہے جہاں نئی تیار شدہ مصنوعات کو مارکیٹ میں لا کر، پہلی بار برانڈز یا کیٹلاگ کو آن بورڈ کر کے، یا نئے خطوں میں کراس سیلنگ مصنوعات کو تیزی سے متعارف کرایا جاتا ہے۔ اس لانچ کے ساتھ، ہم نے کولڈ سٹارٹ کی پیشن گوئی کے لیے اپنے موجودہ نقطہ نظر میں بہتری لائی ہے اور اب ایسی پیشین گوئیاں فراہم کرتے ہیں جو 45% تک زیادہ درست ہیں۔
کولڈ اسٹارٹ فورکاسٹنگ ماڈل تیار کرنا مشکل ہوسکتا ہے کیونکہ روایتی شماریاتی پیشین گوئی کے طریقے جیسے آٹوریگریسو انٹیگریٹڈ موونگ ایوریج (ARIMA) یا ایکسپونیشل اسموتھنگ اس تصور کو استعمال کرتے ہوئے بنائے گئے ہیں کہ کسی پروڈکٹ کے تاریخی ڈیٹا کو اس کی مستقبل کی اقدار کی پیشن گوئی کرنے کے لیے استعمال کیا جا سکتا ہے۔ لیکن، تاریخی ڈیٹا کے بغیر، ماڈل کے پیرامیٹرز کا حساب نہیں لگایا جا سکتا اور اس طرح ماڈل نہیں بنایا جا سکتا۔ پیشن گوئی میں پہلے سے ہی ملکیتی استعمال کرتے ہوئے کولڈ اسٹارٹ پروڈکٹس کے لیے پیشن گوئی پیدا کرنے کی صلاحیت موجود تھی۔ عصبی نیٹ ورک الگورتھم جیسے DeepAR+ اور CNN-QR۔ یہ ماڈل مصنوعات کے درمیان تعلقات کو سیکھتے ہیں اور بغیر کسی تاریخی ڈیٹا کے پروڈکٹس کے لیے پیشن گوئی پیدا کر سکتے ہیں۔ ان تعلقات کو قائم کرنے کے لیے آئٹم میٹا ڈیٹا کا استعمال مضمر تھا جس کا مطلب یہ تھا کہ نیٹ ورک کولڈ اسٹارٹ پروڈکٹس کے لیے رجحان کی خصوصیات کو مکمل طور پر اکٹھا کرنے کے قابل نہیں تھے۔
آج، ہم نے کولڈ سٹارٹ کی پیشن گوئی کے لیے ایک نیا طریقہ شروع کیا ہے جو پہلے کے مقابلے میں 45% زیادہ درست ہے۔ یہ نقطہ نظر آئٹم میٹا ڈیٹا کے ساتھ ہمارے علاج کو بہتر بناتا ہے جس کے ذریعے ہم آپ کے ڈیٹاسیٹ میں ایسی واضح مصنوعات کی نشاندہی کرتے ہیں جو کولڈ سٹارٹ پروڈکٹس سے ملتی جلتی خصوصیات رکھتی ہیں۔ اسی طرح کی مصنوعات کے اس ذیلی سیٹ پر توجہ مرکوز کرکے، ہم کولڈ اسٹارٹ پروڈکٹ کے لیے پیشن گوئی پیدا کرنے کے رجحانات کو بہتر طریقے سے سیکھنے کے قابل ہوتے ہیں۔ مثال کے طور پر، ایک نئی ٹی شرٹ لائن متعارف کرانے والا فیشن خوردہ فروش اسٹور کی انوینٹری کو بہتر بنانے کے لیے اس لائن کی مانگ کی پیش گوئی کرنا چاہے گا۔ آپ اپنے کیٹلاگ میں موجود دیگر پروڈکٹس جیسے موجودہ ٹی شرٹ لائنز، جیکٹس، ٹراؤزر اور جوتے کے ساتھ ساتھ نئے اور موجودہ دونوں کے لیے آئٹم میٹا ڈیٹا جیسے برانڈ کا نام، رنگ، سائز اور پروڈکٹ کیٹیگری کے ساتھ پیشن گوئی فراہم کر سکتے ہیں۔ مصنوعات. اس میٹا ڈیٹا کے ساتھ، Forecast خود بخود ان پروڈکٹس کا پتہ لگاتا ہے جو نئی ٹی شرٹ لائن سے سب سے زیادہ قریب سے متعلق ہیں اور ان کا استعمال ٹی شرٹ لائن کے لیے پیشن گوئی پیدا کرنے کے لیے کرتی ہے۔
یہ خصوصیت ان تمام خطوں میں دستیاب ہے جہاں پیشین گوئی عوامی طور پر کے ذریعے دستیاب ہے۔ AWS مینجمنٹ کنسول یا آٹو پریڈیکٹر API. علاقے کی دستیابی کے بارے میں مزید معلومات کے لیے، دیکھیں AWS علاقائی خدمات. کولڈ سٹارٹ کی پیشن گوئی کے لیے پیشن گوئی کا استعمال شروع کرنے کے لیے، رجوع کریں۔ پیشن گوئی پیدا کرنا یا GitHub نوٹ بک.
حل جائزہ
اس پوسٹ کے اقدامات یہ ظاہر کرتے ہیں کہ سرد آغاز کی پیشن گوئی کے لیے پیشن گوئی کو کیسے استعمال کیا جائے۔ AWS مینجمنٹ کنسول. ہم پیشن گوئی کے تین مراحل پر عمل کرتے ہوئے ایک خوردہ فروش کی ایک نئی پیش کردہ پروڈکٹ کے لیے انوینٹری کی طلب کی پیشن گوئی پیدا کرنے کی ایک مثال کے ذریعے چلتے ہیں: آپ کا ڈیٹا درآمد کرنا، پیشین گوئی کرنے والے کو تربیت دینا، اور پیشن گوئی بنانا۔ کولڈ سٹارٹ فورکاسٹنگ کے لیے براہ راست Forecast API استعمال کرنے کے لیے، ہماری نوٹ بک پر عمل کریں۔ GitHub repo، جو ایک مشابہ مظاہرہ فراہم کرتا ہے۔
اپنا تربیتی ڈیٹا درآمد کریں۔
نئے کولڈ سٹارٹ کی پیشن گوئی کا طریقہ استعمال کرنے کے لیے، آپ کو دو CSV فائلیں درآمد کرنی ہوں گی: ایک فائل جس میں ٹارگٹ ٹائم سیریز کا ڈیٹا ہے (پیش گوئی کا ہدف دکھا رہا ہے)، اور دوسری فائل جس میں آئٹم کا میٹا ڈیٹا ہے (پروڈکٹ کی خصوصیات جیسے سائز یا رنگ دکھا رہا ہے)۔ پیشن گوئی کولڈ اسٹارٹ پروڈکٹس کی شناخت ان پروڈکٹس کے طور پر کرتی ہے جو آئٹم میٹا ڈیٹا فائل میں موجود ہیں لیکن ٹارگٹ ٹائم سیریز فائل میں موجود نہیں ہیں۔
اپنے کولڈ اسٹارٹ پروڈکٹ کی صحیح شناخت کرنے کے لیے، اس بات کو یقینی بنائیں کہ آپ کے کولڈ اسٹارٹ پروڈکٹ کی آئٹم آئی ڈی آپ کی آئٹم میٹا ڈیٹا فائل میں ایک قطار کے طور پر درج کی گئی ہے اور یہ کہ ٹارگٹ ٹائم سیریز فائل میں شامل نہیں ہے۔ متعدد کولڈ اسٹارٹ پروڈکٹس کے لیے، ہر پروڈکٹ آئٹم ID کو آئٹم میٹا ڈیٹا فائل میں الگ قطار کے طور پر درج کریں۔ اگر آپ کے پاس ابھی تک اپنے کولڈ اسٹارٹ پروڈکٹ کے لیے آئٹم آئی ڈی نہیں ہے، تو آپ 64 حروف سے کم کوئی بھی حروف عددی مجموعہ استعمال کر سکتے ہیں جو پہلے سے ہی آپ کے ڈیٹا سیٹ میں کسی دوسرے پروڈکٹ کا نمائندہ نہیں ہے۔
ہماری مثال میں، ٹارگٹ ٹائم سیریز فائل میں پروڈکٹ آئٹم ID، ٹائم اسٹیمپ، اور ڈیمانڈ (انوینٹری) ہوتی ہے، اور آئٹم میٹا ڈیٹا فائل میں پروڈکٹ آئٹم ID، رنگ، پروڈکٹ کیٹیگری اور مقام شامل ہوتا ہے۔
اپنا ڈیٹا درآمد کرنے کے لیے، درج ذیل مراحل کو مکمل کریں:
- Forecast کنسول پر، منتخب کریں۔ ڈیٹا سیٹ گروپس دیکھیں.
-
- میں سے انتخاب کریں ڈیٹاسیٹ گروپ بنائیں.
- کے لئے ڈیٹا سیٹ گروپ کا نام، ڈیٹا سیٹ کا نام درج کریں (اس پوسٹ کے لیے، my_company_shoe_inventory)۔
- پیشن گوئی کے ڈومین کے لیے، ایک پیشن گوئی کا ڈومین منتخب کریں (اس پوسٹ کے لیے، خوردہ)۔
- اگلا منتخب کریں۔
- ٹارگٹ ٹائم سیریز ڈیٹاسیٹ کے صفحہ پر، ڈیٹاسیٹ کا نام، اپنے ڈیٹا کی فریکوئنسی، اور ڈیٹا سکیما فراہم کریں۔
- ڈیٹا سیٹ کی درآمد کی تفصیلات فراہم کریں۔
- شروع کا انتخاب کریں۔
مندرجہ ذیل اسکرین شاٹ ہماری مثال کے لیے پُر کیے گئے ٹارگٹ ٹائم سیریز کے صفحے کی معلومات دکھاتا ہے۔
آپ کو ڈیش بورڈ پر ری ڈائریکٹ کیا جاتا ہے جسے آپ ترقی کو ٹریک کرنے کے لیے استعمال کر سکتے ہیں۔
- آئٹم میٹا ڈیٹا فائل درآمد کرنے کے لیے، ڈیش بورڈ پر، منتخب کریں۔ درآمد کریں.
- پر آئٹم میٹا ڈیٹا ڈیٹاسیٹ بنائیں صفحہ، ڈیٹاسیٹ کا نام اور ڈیٹا سکیما فراہم کریں۔
- ڈیٹا سیٹ کی درآمد کی تفصیلات فراہم کریں۔
- میں سے انتخاب کریں آغاز.
درج ذیل اسکرین شاٹ ہماری مثال کے لیے بھری ہوئی معلومات کو ظاہر کرتا ہے۔
پیشن گوئی کرنے والے کو تربیت دیں۔
اگلا، ہم ایک پیش گو کو تربیت دیتے ہیں۔
- ڈیش بورڈ پر، منتخب کریں۔ ٹرین کی پیشن گوئی کرنے والا.
- پر ٹرین کی پیشن گوئی کرنے والا صفحہ، اپنے پیش گو کے لیے ایک نام درج کریں، مستقبل میں آپ کتنی دیر تک اور کس فریکوئنسی پر پیشن گوئی کرنا چاہتے ہیں، اور کوانٹائل کی تعداد جس کے لیے آپ پیشن گوئی کرنا چاہتے ہیں۔
- فعال کریں آٹو پیشن گوئی کرنے والا. سرد آغاز کی پیشن گوئی کے لیے یہ ضروری ہے۔
- میں سے انتخاب کریں تخلیق کریں.
درج ذیل اسکرین شاٹ ہماری مثال کے لیے بھری ہوئی معلومات کو ظاہر کرتا ہے۔
ایک پیشن گوئی تخلیق کریں
ہمارے پیشن گوئی کے تربیت یافتہ ہونے کے بعد (اس میں تقریباً 2.5 گھنٹے لگ سکتے ہیں)، ہم نئی لانچ کی گئی پروڈکٹ کے لیے پیشن گوئی بناتے ہیں۔ آپ کو پتہ چل جائے گا کہ جب آپ دیکھیں گے کہ آپ کا پیشن گوئی کرنے والا تربیت یافتہ ہے۔ پیش گوئی کرنے والے دیکھیں اپنے ڈیش بورڈ پر بٹن۔
- میں سے انتخاب کریں ایک پیشن گوئی تخلیق کریں ڈیش بورڈ پر
- پر ایک پیشن گوئی تخلیق کریں صفحہ، پیشن گوئی کا نام درج کریں، پیشین گوئی کرنے والے کا انتخاب کریں جو آپ نے بنایا ہے، اور پیشین گوئی کی مقدار (اختیاری) اور آئٹمز کی وضاحت کریں جن کے لیے پیشن گوئی پیدا کی جائے۔
- میں سے انتخاب کریں آغاز.
اپنی پیشن گوئیاں برآمد کریں۔
آپ کی پیشن گوئی بننے کے بعد، آپ ڈیٹا کو CSV میں ایکسپورٹ کر سکتے ہیں۔ آپ کو معلوم ہوگا کہ آپ کی پیشن گوئی اس وقت بنتی ہے جب آپ دیکھیں گے کہ اسٹیٹس ایکٹیو ہے۔
- میں سے انتخاب کریں پیشن گوئی برآمد بنائیں.
- ایکسپورٹ فائل کا نام درج کریں (اس پوسٹ کے لیے، my_cold_start_forecast_export)۔
- کے لئے ایکسپورٹ مقام، کی وضاحت کریں ایمیزون سادہ اسٹوریج سروس (ایمیزون S3) مقام۔
- میں سے انتخاب کریں آغاز.
- ایکسپورٹ ڈاؤن لوڈ کرنے کے لیے، کنسول سے S3 فائل پاتھ لوکیشن پر جائیں، پھر فائل کو منتخب کریں اور منتخب کریں۔ لوڈ.
ایکسپورٹ فائل میں ٹائم اسٹیمپ، آئٹم ID، آئٹم میٹا ڈیٹا اور ہر منتخب کردہ کوانٹائل کی پیشین گوئیاں شامل ہیں۔
اپنی پیشن گوئیاں دیکھیں
آپ کی پیشن گوئی بننے کے بعد، آپ کنسول پر گرافک طور پر نئی مصنوعات کے لیے پیشین گوئیاں دیکھ سکتے ہیں۔
- میں سے انتخاب کریں استفسار کی پیشن گوئی ڈیش بورڈ پر
- پچھلے مرحلے میں بنائی گئی پیشن گوئی کا نام منتخب کریں (ہماری مثال میں my_cold_start_forecast)۔
- شروع کی تاریخ اور اختتامی تاریخ درج کریں جس پر آپ اپنی پیشن گوئی دیکھنا چاہتے ہیں۔
- پیشن گوئی کی کلید کے لیے آئٹم ID فیلڈ میں، اپنے کولڈ اسٹارٹ پروڈکٹ کی منفرد ID شامل کریں۔
- انتخاب کیا۔ پیشن گوئی حاصل کریں۔.
تصویر میں، آپ کو منتخب کردہ کسی بھی مقدار کے لیے پیشن گوئی نظر آئے گی۔
نتیجہ
پیشن گوئی کے ساتھ، آپ کولڈ سٹارٹ پروڈکٹس کے لیے وہی پیشین گوئی بصیرت حاصل کر سکتے ہیں جس میں کوئی تاریخی ڈیٹا نہیں ہے، جو اب پہلے کی نسبت 45% زیادہ درست ہے۔ پیشن گوئی کے ساتھ کولڈ سٹارٹ کی پیشن گوئی پیدا کرنے کے لیے، Forecast کنسول کھولیں اور اس پوسٹ میں بیان کردہ مراحل پر عمل کریں، یا ہمارے GitHub نوٹ بک API کے ذریعے فعالیت تک کیسے رسائی حاصل کی جائے۔ مزید جاننے کے لیے رجوع کریں۔ پیشن گوئی پیدا کرنا.
مصنفین کے بارے میں
برینڈن نائر Amazon Forecast کے لیے ایک سینئر پروڈکٹ مینیجر ہے۔ اس کی پیشہ ورانہ دلچسپی قابل توسیع مشین لرننگ سروسز اور ایپلی کیشنز بنانے میں ہے۔ کام سے باہر وہ قومی پارکوں کی تلاش، گولف سوئنگ کو مکمل کرتے ہوئے یا ایڈونچر ٹرپ کی منصوبہ بندی کرتے ہوئے پایا جا سکتا ہے۔
مانس دادرکر ایک سافٹ ویئر ڈویلپمنٹ مینیجر ہے جو Amazon Forecast سروس کی انجینئرنگ کا مالک ہے۔ وہ مشین لرننگ کی ایپلی کیشنز اور ایم ایل ٹیکنالوجیز کو ہر ایک کے لیے اپنانے اور پروڈکشن کے لیے آسانی سے دستیاب بنانے کے بارے میں پرجوش ہے۔ کام سے باہر، اس کی متعدد دلچسپیاں ہیں جن میں سفر کرنا، پڑھنا اور دوستوں اور کنبہ کے ساتھ وقت گزارنا شامل ہے۔
بھرت ننداموری Amazon Forecast پر کام کرنے والا ایک Sr Software Engineer ہے۔ وہ ایم ایل سسٹمز کے لیے انجینئرنگ پر فوکس کرتے ہوئے اعلیٰ پیمانے پر بیک اینڈ سروسز بنانے کا شوق رکھتے ہیں۔ کام سے باہر، وہ شطرنج کھیلنا، پیدل سفر کرنا اور فلمیں دیکھنا پسند کرتا ہے۔
گوراو گپتا AWS AI لیبز اور Amazon Forecast میں ایک اپلائیڈ سائنٹسٹ ہے۔ اس کی تحقیقی دلچسپیاں ترتیب وار ڈیٹا کے لیے مشین لرننگ، جزوی تفریق مساوات کے لیے آپریٹر لرننگ، ویولیٹس میں ہیں۔ انہوں نے AWS میں شمولیت سے قبل یونیورسٹی آف سدرن کیلیفورنیا سے پی ایچ ڈی مکمل کی۔
- AI
- ai آرٹ
- AI آرٹ جنریٹر
- عی روبوٹ
- ایمیزون کی پیشن گوئی
- مصنوعی ذہانت
- مصنوعی ذہانت کا سرٹیفیکیشن
- بینکنگ میں مصنوعی ذہانت
- مصنوعی ذہانت والا روبوٹ
- مصنوعی ذہانت والے روبوٹ
- مصنوعی ذہانت سافٹ ویئر
- AWS مشین لرننگ
- blockchain
- بلاکچین کانفرنس
- coingenius
- بات چیت مصنوعی ذہانت
- crypto کانفرنس ai
- dall-e
- گہری سیکھنے
- گوگل عی
- مشین لرننگ
- پلاٹا
- افلاطون اے
- افلاطون ڈیٹا انٹیلی جنس
- افلاطون گیم
- پلیٹو ڈیٹا
- پلیٹو گیمنگ
- پیمانہ ai
- نحو
- زیفیرنیٹ