Tăng tốc độ dự báo chuỗi thời gian của bạn lên tới 50 phần trăm với giao diện người dùng Amazon SageMaker Canvas và API AutoML | Dịch vụ web của Amazon

Chúng tôi vui mừng thông báo rằng Canvas SageMaker của Amazon hiện cung cấp một cách nhanh hơn và thân thiện hơn với người dùng để tạo các mô hình học máy để dự báo chuỗi thời gian. SageMaker Canvas là dịch vụ trỏ và nhấp trực quan cho phép các nhà phân tích kinh doanh tạo ra các mô hình học máy (ML) chính xác mà không yêu cầu bất kỳ trải nghiệm học máy nào hoặc phải viết một dòng mã.

SageMaker Canvas hỗ trợ một số trường hợp sử dụng, bao gồm dự báo chuỗi thời gian dùng để quản lý hàng tồn kho trong bán lẻ, lập kế hoạch nhu cầu trong sản xuất, lập kế hoạch lực lượng lao động và khách hàng trong ngành du lịch và khách sạn, dự đoán doanh thu trong tài chính và nhiều quyết định quan trọng khác trong kinh doanh khi có tính chất quan trọng cao dự báo chính xác là rất quan trọng. Ví dụ: dự báo chuỗi thời gian cho phép các nhà bán lẻ dự đoán nhu cầu bán hàng trong tương lai và lập kế hoạch cho mức tồn kho, hậu cần và chiến dịch tiếp thị. Các mô hình dự báo chuỗi thời gian trong SageMaker Canvas sử dụng các công nghệ tiên tiến để kết hợp thuật toán thống kê và học máy, đồng thời đưa ra dự báo có độ chính xác cao.

Trong bài đăng này, chúng tôi mô tả các cải tiến đối với khả năng dự báo của SageMaker Canvas và hướng dẫn bạn cách sử dụng giao diện người dùng (UI) và AutoML của nó API cho việc dự báo chuỗi thời gian. Mặc dù giao diện người dùng SageMaker Canvas cung cấp giao diện trực quan không cần mã, nhưng các API trao quyền cho nhà phát triển tương tác với các tính năng này theo chương trình. Cả hai đều có thể được truy cập từ Bảng điều khiển SageMaker.

Những cải tiến trong trải nghiệm dự báo

Với sự ra mắt ngày hôm nay, SageMaker Canvas đã nâng cấp khả năng dự báo bằng AutoML, mang lại hiệu suất xây dựng mô hình nhanh hơn tới 50% và dự đoán trung bình nhanh hơn tới 45% so với các phiên bản trước trên nhiều tập dữ liệu điểm chuẩn khác nhau. Điều này giúp giảm thời gian đào tạo mô hình trung bình từ 186 xuống 73 phút và thời gian dự đoán trung bình từ 33 xuống 18 phút cho một chuỗi thời gian 750 điển hình với kích thước dữ liệu lên tới 100 MB. Giờ đây, người dùng cũng có thể truy cập các chức năng dự đoán và xây dựng mô hình theo chương trình thông qua Amazon SageMaker Autopilot API, đi kèm với khả năng giải thích mô hình và báo cáo hiệu suất.

Trước đây, việc giới thiệu dữ liệu gia tăng yêu cầu phải đào tạo lại toàn bộ mô hình, việc này tốn thời gian và gây ra sự chậm trễ trong vận hành. Giờ đây, trong SageMaker Canvas, bạn có thể thêm dữ liệu gần đây để tạo dự báo trong tương lai mà không cần đào tạo lại toàn bộ mô hình. Chỉ cần nhập dữ liệu gia tăng vào mô hình của bạn để sử dụng thông tin chi tiết mới nhất cho các dự báo sắp tới. Việc loại bỏ việc đào tạo lại sẽ đẩy nhanh quá trình dự báo, cho phép bạn áp dụng những kết quả đó vào quy trình kinh doanh của mình nhanh hơn.

Với SageMaker Canvas hiện đang sử dụng AutoML để dự báo, bạn có thể khai thác các chức năng dự đoán và xây dựng mô hình thông qua API SageMaker Autopilot, đảm bảo tính nhất quán trên giao diện người dùng và API. Ví dụ: bạn có thể bắt đầu bằng việc xây dựng mô hình trong giao diện người dùng, sau đó chuyển sang sử dụng API để tạo dự đoán. Cách tiếp cận mô hình cập nhật này cũng tăng cường tính minh bạch của mô hình theo một số cách:

1. Người dùng có thể truy cập báo cáo có thể giải thích để cung cấp thông tin chi tiết rõ ràng hơn về các yếu tố ảnh hưởng đến dự đoán. Điều này có giá trị đối với các nhóm quản lý rủi ro, tuân thủ và cơ quan quản lý bên ngoài. Báo cáo làm sáng tỏ mức độ ảnh hưởng của các thuộc tính tập dữ liệu đến dự báo chuỗi thời gian cụ thể. Nó sử dụng điểm tác động để đo lường tác động tương đối của từng thuộc tính, cho biết chúng tăng hay giảm giá trị dự báo.
2. Giờ đây, bạn có thể truy cập các mô hình đã đào tạo và triển khai chúng vào SageMaker Inference hoặc cơ sở hạ tầng ưa thích của bạn để dự đoán.
3. Báo cáo hiệu suất có sẵn, cung cấp thông tin chuyên sâu hơn về các mô hình tối ưu được AutoML chọn cho chuỗi thời gian cụ thể và các siêu tham số được sử dụng trong quá trình đào tạo.

Tạo dự báo chuỗi thời gian bằng giao diện người dùng SageMaker Canvas

Giao diện người dùng SageMaker Canvas cho phép bạn tích hợp liền mạch các nguồn dữ liệu từ đám mây hoặc tại chỗ, hợp nhất các tập dữ liệu một cách dễ dàng, đào tạo các mô hình chính xác và đưa ra dự đoán với dữ liệu mới nổi—tất cả đều không cần mã hóa. Hãy cùng khám phá việc tạo dự báo chuỗi thời gian bằng giao diện người dùng này.

Trước tiên, bạn nhập dữ liệu vào SageMaker Canvas từ nhiều nguồn khác nhau, bao gồm từ các tệp cục bộ từ máy tính của bạn, Dịch vụ lưu trữ đơn giản của Amazon (Amazon S3) xô, amazon Athena, Snowflakevà hơn 40 nguồn dữ liệu khác. Sau khi nhập dữ liệu, bạn có thể khám phá và trực quan hóa dữ liệu đó để có thêm thông tin chi tiết, chẳng hạn như với biểu đồ phân tán hoặc biểu đồ thanh. Sau khi sẵn sàng tạo mô hình, bạn có thể thực hiện việc đó chỉ bằng vài cú nhấp chuột sau khi định cấu hình các tham số cần thiết, chẳng hạn như chọn cột mục tiêu để dự báo và chỉ định số ngày trong tương lai mà bạn muốn dự báo. Các ảnh chụp màn hình sau đây minh họa ví dụ về dự đoán nhu cầu sản phẩm dựa trên dữ liệu lịch sử về nhu cầu hàng tuần đối với các sản phẩm cụ thể ở các vị trí cửa hàng khác nhau:

Hình ảnh sau đây hiển thị dự báo hàng tuần cho một sản phẩm cụ thể ở các vị trí cửa hàng khác nhau:

Để có hướng dẫn toàn diện về cách sử dụng giao diện người dùng SageMaker Canvas cho dự báo, hãy xem phần này blog đăng bài.

Nếu bạn cần quy trình làm việc tự động hoặc tích hợp mô hình ML trực tiếp vào ứng dụng, bạn có thể truy cập các chức năng dự báo của chúng tôi thông qua API. Trong phần sau, chúng tôi cung cấp một giải pháp mẫu nêu chi tiết cách sử dụng API để dự báo tự động.

Tạo dự báo chuỗi thời gian bằng API

Hãy cùng tìm hiểu cách sử dụng API để huấn luyện mô hình và tạo dự đoán. Để minh họa điều này, hãy xem xét tình huống trong đó một công ty cần dự đoán mức tồn kho sản phẩm tại các cửa hàng khác nhau để đáp ứng nhu cầu của khách hàng. Ở cấp độ cao, các tương tác API được chia thành các bước sau:

1. Chuẩn bị tập dữ liệu.
2. Tạo công việc SageMaker Autopilot.
3. Đánh giá công việc Autopilot:
   1. Khám phá các số liệu về độ chính xác của mô hình và kết quả kiểm tra ngược.
   2. Khám phá báo cáo khả năng giải thích mô hình.
4. Tạo dự đoán từ mô hình:
   1. Sử dụng suy luận thời gian thực điểm cuối được tạo như một phần của công việc Autopilot; hoặc
   2. Sử dụng biến đổi hàng loạt công việc.

Sổ ghi chép mẫu của Amazon SageMaker Studio trình bày dự báo bằng API

Chúng tôi đã cung cấp sổ ghi chép SageMaker Studio mẫu trên GitHub để giúp đẩy nhanh thời gian tiếp thị khi doanh nghiệp của bạn muốn sắp xếp dự báo thông qua các API có lập trình. Sổ ghi chép này cung cấp một tập dữ liệu tổng hợp mẫu có sẵn thông qua bộ chứa S3 công khai. Sổ tay sẽ hướng dẫn bạn tất cả các bước được nêu trong hình ảnh quy trình làm việc được đề cập ở trên. Mặc dù sổ ghi chép cung cấp khung cơ bản nhưng bạn có thể điều chỉnh mẫu mã để phù hợp với trường hợp sử dụng cụ thể của mình. Điều này bao gồm sửa đổi nó để phù hợp với lược đồ dữ liệu duy nhất, độ phân giải thời gian, khoảng thời gian dự báo và các thông số cần thiết khác để đạt được kết quả mong muốn của bạn.

Kết luận

SageMaker Canvas dân chủ hóa việc dự báo chuỗi thời gian bằng cách cung cấp trải nghiệm thân thiện với người dùng, không cần mã, giúp các nhà phân tích kinh doanh tạo ra các mô hình học máy có độ chính xác cao. Với các bản nâng cấp AutoML ngày nay, nó mang lại khả năng xây dựng mô hình nhanh hơn tới 50%, dự đoán nhanh hơn tới 45% và cung cấp quyền truy cập API cho cả chức năng dự đoán và xây dựng mô hình, nâng cao tính minh bạch và nhất quán của mô hình. Khả năng độc đáo của SageMaker Canvas để xử lý liền mạch dữ liệu gia tăng mà không cần đào tạo lại, đảm bảo khả năng thích ứng nhanh chóng với nhu cầu kinh doanh luôn thay đổi.

Cho dù bạn thích giao diện người dùng trực quan hay API linh hoạt, SageMaker Canvas đều đơn giản hóa việc tích hợp dữ liệu, đào tạo mô hình và dự đoán, biến nó thành công cụ then chốt để ra quyết định và đổi mới dựa trên dữ liệu trong các ngành.

Để tìm hiểu thêm, hãy xem lại tài liệu hướng dẫnhoặc khám phá máy tính xách tay có sẵn trong kho GitHub của chúng tôi. Thông tin về giá để dự báo chuỗi thời gian bằng SageMaker Canvas có sẵn trên Giá canvas SageMaker trang và để biết thông tin về đào tạo và suy luận của SageMaker khi sử dụng API SageMaker Autopilot, vui lòng xem Giá SageMaker .

Những khả năng này có sẵn ở tất cả các Khu vực AWS nơi SageMaker Canvas và SageMaker Autopilot có thể truy cập công khai. Để biết thêm thông tin về tính khả dụng của Khu vực, hãy xem Dịch vụ AWS theo khu vực.

---

Về các tác giả

Nirmal Kumar là Giám đốc sản phẩm cấp cao của dịch vụ Amazon SageMaker. Cam kết mở rộng quyền truy cập vào AI/ML, ông chỉ đạo phát triển các giải pháp ML không mã và mã thấp. Ngoài công việc, anh ấy thích đi du lịch và đọc sách phi hư cấu.

Charles Laughlin là Kiến trúc sư giải pháp chuyên gia AI/ML chính, người làm việc trong nhóm dịch vụ Amazon SageMaker tại AWS. Anh giúp định hình lộ trình dịch vụ và cộng tác hàng ngày với nhiều khách hàng AWS khác nhau để giúp chuyển đổi hoạt động kinh doanh của họ bằng cách sử dụng các công nghệ AWS tiên tiến và tư duy lãnh đạo. Charles có bằng Thạc sĩ Quản lý Chuỗi Cung ứng và bằng Tiến sĩ. trong Khoa học dữ liệu.

Ridhim Rastogi một Kỹ sư phát triển phần mềm làm việc trong nhóm dịch vụ Amazon SageMaker tại AWS. Anh ấy đam mê xây dựng các hệ thống phân tán có thể mở rộng với trọng tâm là giải quyết các vấn đề trong thế giới thực thông qua AI/ML. Khi rảnh rỗi, anh ấy thích giải câu đố, đọc tiểu thuyết và khám phá môi trường xung quanh.

Ahmed Raafat là Kiến trúc sư giải pháp chính tại AWS, với 20 năm kinh nghiệm thực tế và chuyên tâm trong 5 năm trong hệ sinh thái AWS. Anh ấy chuyên về các giải pháp AI/ML. Kinh nghiệm sâu rộng của anh trải rộng trên nhiều ngành dọc khác nhau, giúp anh trở thành cố vấn đáng tin cậy cho nhiều khách hàng doanh nghiệp, tạo điều kiện thuận lợi cho việc điều hướng liền mạch và tăng tốc hành trình đám mây của họ.

John Oshodi là Kiến trúc sư giải pháp cấp cao tại Amazon Web Services có trụ sở tại London, Vương quốc Anh. Ông chuyên về dữ liệu và phân tích, đồng thời đóng vai trò cố vấn kỹ thuật cho nhiều khách hàng doanh nghiệp AWS, hỗ trợ và đẩy nhanh hành trình đám mây của họ. Ngoài công việc, anh thích đi du lịch đến những địa điểm mới và trải nghiệm những nền văn hóa mới cùng gia đình.

• Phân phối nội dung và PR được hỗ trợ bởi SEO. Được khuếch đại ngay hôm nay.
• PlatoData.Network Vertical Generative Ai. Trao quyền cho chính mình. Truy cập Tại đây.
• PlatoAiStream. Thông minh Web3. Kiến thức khuếch đại. Truy cập Tại đây.
• Trung tâmESG. Than đá, công nghệ sạch, Năng lượng, Môi trường Hệ mặt trời, Quản lý chất thải. Truy cập Tại đây.
• PlatoSức khỏe. Tình báo thử nghiệm lâm sàng và công nghệ sinh học. Truy cập Tại đây.
• nguồn: https://aws.amazon.com/blogs/machine-learning/speed-up-your-time-series-forecasting-by-up-to-50-percent-with-amazon-sagemaker-canvas-ui-and-automl-apis/