Dự báo chuỗi thời gian đề cập đến quá trình dự đoán giá trị tương lai của dữ liệu chuỗi thời gian (dữ liệu được thu thập đều đặn theo thời gian). Các phương pháp đơn giản để dự báo chuỗi thời gian sử dụng các giá trị lịch sử của cùng một biến có giá trị tương lai cần được dự đoán, trong khi các phương pháp dựa trên máy học (ML) phức tạp hơn sử dụng thông tin bổ sung, chẳng hạn như dữ liệu chuỗi thời gian của các biến liên quan.
Dự báo Amazon là một dịch vụ dự báo chuỗi thời gian dựa trên ML bao gồm các thuật toán dựa trên hơn 20 năm kinh nghiệm dự báo được sử dụng bởi Amazon.com, mang đến công nghệ tương tự được sử dụng tại Amazon cho các nhà phát triển dưới dạng dịch vụ được quản lý hoàn toàn, loại bỏ nhu cầu quản lý tài nguyên. Dự báo sử dụng ML để tìm hiểu không chỉ thuật toán tốt nhất cho từng mục mà còn là nhóm thuật toán tốt nhất cho từng mục, tự động tạo mô hình tốt nhất cho dữ liệu của bạn.
Bài đăng này mô tả cách triển khai khối lượng công việc Dự báo định kỳ (khối lượng công việc dự báo chuỗi thời gian) mà không cần sử dụng mã Hình thành đám mây AWS, Chức năng bước AWSvà Người quản lý hệ thống AWS. Phương pháp được trình bày ở đây giúp bạn xây dựng quy trình bán hàng cho phép bạn sử dụng cùng một quy trình công việc bắt đầu từ ngày đầu tiên của thử nghiệm dự báo chuỗi thời gian thông qua việc triển khai mô hình vào sản xuất.
Dự báo chuỗi thời gian bằng Dự báo
Quy trình làm việc cho Dự báo bao gồm các khái niệm phổ biến sau:
- Nhập bộ dữ liệu – Trong Dự báo, một nhóm tập dữ liệu là tập hợp các bộ dữ liệu, lược đồ và kết quả dự báo đi cùng nhau. Mỗi nhóm tập dữ liệu có thể có tối đa ba tập dữ liệu, một trong mỗi nhóm tập dữ liệu loại: chuỗi thời gian mục tiêu (TTS), chuỗi thời gian liên quan (RTS) và siêu dữ liệu mục. Tập dữ liệu là tập hợp các tệp chứa dữ liệu có liên quan đến nhiệm vụ dự báo. Tập dữ liệu phải tuân theo lược đồ được xác định trong Dự báo. Để biết thêm chi tiết, hãy tham khảo Nhập tập dữ liệu.
- Dự đoán đào tạo - A người dự đoán là một mô hình được đào tạo về Dự báo được sử dụng để đưa ra dự báo dựa trên dữ liệu chuỗi thời gian. Trong quá trình đào tạo, Dự báo tính toán các chỉ số về độ chính xác mà bạn sử dụng để đánh giá công cụ dự đoán và quyết định xem có nên sử dụng công cụ dự đoán để tạo dự báo hay không. Để biết thêm thông tin, hãy tham khảo Huấn luyện dự đoán.
- Tạo dự đoán – Sau đó, bạn có thể sử dụng mô hình được đào tạo để tạo dự báo cho một khoảng thời gian trong tương lai, được gọi là chân trời dự báo. Dự báo cung cấp dự báo ở các lượng tử được chỉ định khác nhau. Ví dụ: dự báo ở phân vị 0.90 sẽ ước tính giá trị thấp hơn giá trị quan sát được trong 90% thời gian. Theo mặc định, Dự báo sử dụng các giá trị sau cho các loại dự báo của bộ dự báo: 0.1 (P10), 0.5 (P50) và 0.9 (P90). Dự báo ở các phân vị khác nhau thường được sử dụng để cung cấp khoảng thời gian dự đoán (giới hạn trên và dưới cho dự báo) để giải thích cho sự không chắc chắn của dự báo.
Bạn có thể triển khai quy trình công việc này trong Dự báo từ Bảng điều khiển quản lý AWS, Các Giao diện dòng lệnh AWS (AWS CLI), thông qua Lệnh gọi API sử dụng sổ ghi chép Pythonhoặc thông qua các giải pháp tự động hóa. Các giao diện điều khiển và AWSCLI các phương pháp phù hợp nhất để thử nghiệm nhanh nhằm kiểm tra tính khả thi của dự báo chuỗi thời gian bằng cách sử dụng dữ liệu của bạn. Phương pháp sổ ghi chép Python rất phù hợp cho các nhà khoa học dữ liệu đã quen thuộc với sổ ghi chép và viết mã Jupyter, đồng thời cung cấp khả năng kiểm soát và điều chỉnh tối đa. Tuy nhiên, phương pháp dựa trên sổ tay rất khó vận hành. Phương pháp tự động hóa của chúng tôi hỗ trợ thử nghiệm nhanh chóng, loại bỏ các tác vụ lặp đi lặp lại và cho phép chuyển đổi dễ dàng hơn giữa các môi trường khác nhau (phát triển, dàn dựng, sản xuất).
Trong bài đăng này, chúng tôi mô tả phương pháp tự động hóa để sử dụng Dự báo cho phép bạn sử dụng dữ liệu của riêng mình và cung cấp một quy trình công việc duy nhất mà bạn có thể sử dụng liền mạch trong suốt vòng đời phát triển giải pháp dự báo của mình, từ những ngày đầu thử nghiệm cho đến khi triển khai của giải pháp trong môi trường sản xuất của bạn.
Tổng quan về giải pháp
Trong các phần sau, chúng tôi mô tả quy trình công việc hoàn chỉnh từ đầu đến cuối đóng vai trò là mẫu để tuân theo để triển khai tự động các mô hình dự báo chuỗi thời gian bằng Dự báo. Quy trình công việc này tạo các điểm dữ liệu dự báo từ tập dữ liệu đầu vào nguồn mở; tuy nhiên, bạn có thể sử dụng quy trình làm việc tương tự cho dữ liệu của riêng mình, miễn là bạn có thể định dạng dữ liệu của mình theo các bước được nêu trong bài đăng này. Sau khi bạn tải dữ liệu lên, chúng tôi sẽ hướng dẫn bạn các bước để tạo nhóm tập dữ liệu Dự báo, nhập dữ liệu, đào tạo mô hình ML và tạo các điểm dữ liệu dự báo về các khoảng thời gian chưa biết trong tương lai từ dữ liệu thô. Tất cả điều này là có thể mà không cần phải viết hoặc biên dịch mã.
Sơ đồ sau đây minh họa quy trình dự báo.
Giải pháp được triển khai bằng hai mẫu CloudFormation: mẫu phụ thuộc và mẫu khối lượng công việc. CloudFormation cho phép bạn thực hiện triển khai cơ sở hạ tầng AWS nhiều lần và có thể đoán trước bằng cách sử dụng các mẫu mô tả các tài nguyên sẽ được triển khai. Một mẫu đã triển khai được gọi là một ngăn xếp. Chúng tôi đã quan tâm đến việc xác định cơ sở hạ tầng trong giải pháp cho bạn trong hai mẫu được cung cấp. Mẫu phần phụ thuộc xác định các tài nguyên tiên quyết được sử dụng bởi mẫu khối lượng công việc, chẳng hạn như một Dịch vụ lưu trữ đơn giản của Amazon (Amazon S3) bộ chứa để lưu trữ đối tượng và Quản lý truy cập và nhận dạng AWS (IAM) quyền đối với các hành động API AWS. Các tài nguyên được xác định trong mẫu phụ thuộc có thể được chia sẻ bởi nhiều mẫu khối lượng công việc. Mẫu khối lượng công việc xác định các tài nguyên được sử dụng để nhập dữ liệu, đào tạo công cụ dự đoán và tạo dự báo.
Triển khai mẫu phụ thuộc CloudFormation
Trước tiên, hãy triển khai mẫu phụ thuộc để tạo các tài nguyên tiên quyết của chúng tôi. Mẫu phụ thuộc triển khai một bộ chứa S3 tùy chọn, AWS Lambda chức năng và vai trò IAM. Amazon S3 là một dịch vụ lưu trữ đối tượng có chi phí thấp, khả dụng cao, linh hoạt. Chúng tôi sử dụng bộ chứa S3 trong giải pháp này để lưu trữ dữ liệu nguồn và kích hoạt quy trình làm việc, dẫn đến dự báo. Lambda là dịch vụ điện toán hướng sự kiện, không cần máy chủ, cho phép bạn chạy mã mà không cần cung cấp hoặc quản lý máy chủ. Mẫu phần phụ thuộc bao gồm các chức năng để thực hiện những việc như tạo nhóm tập dữ liệu trong Dự báo và lọc sạch các đối tượng trong bộ chứa S3 trước khi xóa bộ chứa. Vai trò IAM xác định quyền trong AWS cho người dùng và dịch vụ. Mẫu phần phụ thuộc triển khai một vai trò sẽ được Lambda sử dụng và một vai trò khác cho Step Functions, một dịch vụ quản lý quy trình công việc sẽ điều phối các nhiệm vụ nhập và xử lý dữ liệu, cũng như đào tạo và suy luận dự đoán bằng Dự báo.
Hoàn thành các bước sau để triển khai mẫu phụ thuộc:
- Trên bảng điều khiển, chọn mong muốn Khu vực được Dự báo hỗ trợ để triển khai giải pháp.
- Trên bảng điều khiển AWS CloudFormation, hãy chọn Stacks trong khung điều hướng.
- Chọn Tạo ngăn xếp Và chọn Với các tài nguyên mới (tiêu chuẩn).
- Trong Nguồn mẫu, lựa chọn URL Amazon S3.
- Nhập URL mẫu:
https://amazon-forecast-samples.s3.us-west-2.amazonaws.com/ml_ops/forecast-mlops-dependency.yaml
. - Chọn Sau.
- Trong Tên ngăn xếp, đi vào
forecast-mlops-dependency
. - Theo Thông số, chọn sử dụng bộ chứa S3 hiện có hoặc tạo một bộ chứa mới, sau đó cung cấp tên của bộ chứa.
- Chọn Sau.
- Chọn Sau để chấp nhận các tùy chọn ngăn xếp mặc định.
- Chọn hộp kiểm để xác nhận ngăn xếp tạo tài nguyên IAM, sau đó chọn Tạo ngăn xếp để triển khai mẫu.
Bạn sẽ thấy mẫu triển khai dưới dạng forecast-mlops-dependency
cây rơm. Khi trạng thái thay đổi thành CREATE_COMPLETE
, bạn có thể chuyển sang bước tiếp theo.
Triển khai mẫu CloudFormation khối lượng công việc
Tiếp theo, hãy triển khai mẫu khối lượng công việc để tạo các tài nguyên tiên quyết của chúng ta. Mẫu khối lượng công việc triển khai các máy trạng thái Step Function để quản lý quy trình làm việc, Cửa hàng thông số trình quản lý hệ thống AWS tham số để lưu trữ các giá trị tham số từ AWS CloudFormation và thông báo quy trình làm việc, một Dịch vụ thông báo đơn giản của Amazon (Amazon SNS) cho thông báo quy trình công việc và vai trò IAM đối với quyền dịch vụ quy trình công việc.
Giải pháp tạo ra năm máy trạng thái:
- TạoDatasetGroupStateMachine – Tạo một nhóm tập dữ liệu Dự báo cho dữ liệu được nhập vào.
- CreateImportDatasetStateMachine – Nhập dữ liệu nguồn từ Amazon S3 vào một nhóm bộ dữ liệu để đào tạo.
- TạoForecastStateMachine – Quản lý các nhiệm vụ cần thiết để đào tạo một công cụ dự đoán và tạo dự báo.
- AthenaConnectorNhà nướcMáy – Cho phép bạn viết các truy vấn SQL với amazon Athena trình kết nối với dữ liệu đất đai trong Amazon S3. Đây là quy trình tùy chọn để lấy dữ liệu lịch sử ở định dạng bắt buộc cho Dự báo bằng cách sử dụng Athena thay vì đặt tệp theo cách thủ công trong Amazon S3.
- BướcChức năngWorkflowStateMachine – Điều phối các cuộc gọi ra bốn máy trạng thái khác và quản lý toàn bộ quy trình làm việc.
Lưu trữ tham số, một khả năng của Trình quản lý hệ thống, cung cấp khả năng lưu trữ an toàn, có thứ bậc và truy xuất theo chương trình để quản lý dữ liệu cấu hình và quản lý bí mật. Lưu trữ tham số được dùng để lưu trữ các tham số được đặt trong ngăn xếp khối lượng công việc cũng như các tham số khác được sử dụng bởi quy trình làm việc.
Hoàn thành các bước sau để triển khai mẫu khối lượng công việc:
- Trên bảng điều khiển AWS CloudFormation, hãy chọn Stacks trong khung điều hướng.
- Chọn Tạo ngăn xếp Và chọn Với các tài nguyên mới (tiêu chuẩn).
- Trong Nguồn mẫu, lựa chọn URL Amazon S3.
- Nhập URL mẫu:
https://amazon-forecast-samples.s3.us-west-2.amazonaws.com/ml_ops/forecast-mlops-solution-guidance.yaml
. - Chọn Sau.
- Trong Tên ngăn xếp, nhập tên.
- Chấp nhận các giá trị mặc định hoặc sửa đổi các tham số.
Đảm bảo nhập tên bộ chứa S3 từ ngăn xếp phụ thuộc cho Nhóm S3 và một địa chỉ email hợp lệ cho Điểm cuối SNSN ngay cả khi bạn chấp nhận các giá trị tham số mặc định.
Bảng sau đây mô tả từng tham số.
Tham số | Mô tả | Thông tin thêm |
DatasetGroupFrequencyRTS |
Tần suất thu thập dữ liệu cho bộ dữ liệu RTS. | . |
DatasetGroupFrequencyTTS |
Tần suất thu thập dữ liệu cho bộ dữ liệu TTS. | . |
DatasetGroupName |
Tên viết tắt của nhóm tập dữ liệu, một khối lượng công việc độc lập. | TạoBộ dữ liệuNhóm |
DatasetIncludeItem |
Chỉ định nếu bạn muốn cung cấp siêu dữ liệu mặt hàng cho trường hợp sử dụng này. | . |
DatasetIncludeRTS |
Chỉ định nếu bạn muốn cung cấp chuỗi thời gian liên quan cho trường hợp sử dụng này. | . |
ForecastForecastTypes |
Khi một công việc CreateForecast chạy, công việc này sẽ tuyên bố lượng phân vị nào sẽ tạo dự đoán. Bạn có thể chọn tối đa năm giá trị trong mảng này. Chỉnh sửa giá trị này để bao gồm các giá trị theo nhu cầu. | TạoDự báo |
PredictorAttributeConfigs |
Đối với biến mục tiêu trong TTS và từng trường số trong bộ dữ liệu RTS, một bản ghi phải được tạo cho từng khoảng thời gian cho từng mục. Cấu hình này giúp xác định cách điền vào các bản ghi bị thiếu: bằng 0, NaN hoặc cách khác. Chúng tôi khuyên bạn nên điền các khoảng trống trong TTS bằng NaN thay vì 0. Với 0, mô hình có thể học sai để đưa ra dự báo sai lệch về 0. NaN là cách phân phối hướng dẫn. Tham khảo Kiến trúc sư giải pháp AWS của bạn nếu có bất kỳ câu hỏi nào về vấn đề này. | TạoAutoPredictor |
PredictorExplainPredictor |
Các giá trị hợp lệ là TRUE hoặc FALSE. Những điều này xác định xem khả năng giải thích có được kích hoạt cho công cụ dự đoán của bạn hay không. Điều này có thể giúp bạn hiểu các giá trị trong RTS và siêu dữ liệu mặt hàng ảnh hưởng đến mô hình như thế nào. | Giải thích |
PredictorForecastDimensions |
Bạn có thể muốn dự báo hạt mịn hơn mặt hàng. Tại đây, bạn có thể chỉ định các tham số như vị trí, trung tâm chi phí hoặc bất kỳ nhu cầu nào của bạn. Điều này cần phải phù hợp với kích thước trong RTS và TTS của bạn. Lưu ý rằng nếu bạn không có thứ nguyên, tham số chính xác là null, bằng chính nó và tất cả đều là chữ thường. null là một từ dành riêng cho phép hệ thống biết không có tham số nào cho thứ nguyên. | TạoAutoPredictor |
PredictorForecastFrequency |
Xác định thang thời gian mà mô hình và dự đoán của bạn sẽ được tạo, chẳng hạn như hàng ngày, hàng tuần hoặc hàng tháng. Trình đơn thả xuống giúp bạn chọn các giá trị được phép. Điều này cần phù hợp với thang thời gian RTS của bạn nếu bạn đang sử dụng RTS. | TạoAutoPredictor |
PredictorForecastHorizon |
Số bước thời gian mà mô hình dự đoán. Đường chân trời dự báo còn được gọi là độ dài dự đoán. | TạoAutoPredictor |
PredictorForecastOptimizationMetric |
Xác định chỉ số độ chính xác được sử dụng để tối ưu hóa công cụ dự đoán. Trình đơn thả xuống sẽ giúp bạn chọn số dư tổn thất lượng tử có trọng số để dự báo thừa hoặc thiếu. RMSE liên quan đến các đơn vị và WAPE/MAPE liên quan đến lỗi phần trăm. | TạoAutoPredictor |
PredictorForecastTypes |
Khi một CreateAutoPredictor công việc chạy, điều này tuyên bố lượng tử nào được sử dụng để huấn luyện các điểm dự đoán. Bạn có thể chọn tối đa năm giá trị trong mảng này, cho phép bạn cân bằng giữa dự đoán quá mức và dự đoán dưới mức. Chỉnh sửa giá trị này để bao gồm các giá trị theo nhu cầu. |
TạoAutoPredictor |
S3Bucket |
Tên của bộ chứa S3 nơi dữ liệu đầu vào và dữ liệu đầu ra được ghi cho khối lượng công việc này. | . |
SNSEndpoint |
Một địa chỉ email hợp lệ để nhận thông báo khi các công việc dự đoán và Dự báo hoàn tất. | . |
SchemaITEM |
Điều này xác định thứ tự vật lý, tên cột và loại dữ liệu cho tập dữ liệu siêu dữ liệu mặt hàng của bạn. Đây là tệp tùy chọn được cung cấp trong ví dụ về giải pháp. | TạoBộ dữ liệu |
SchemaRTS |
Điều này xác định thứ tự vật lý, tên cột và loại dữ liệu cho tập dữ liệu RTS của bạn. Kích thước phải phù hợp với TTS của bạn. Loại thời gian của tệp này chi phối loại thời gian mà tại đó các dự đoán có thể được đưa ra. Đây là tệp tùy chọn được cung cấp trong ví dụ về giải pháp. | TạoBộ dữ liệu |
SchemaTTS |
Điều này xác định thứ tự vật lý, tên cột và loại dữ liệu cho tập dữ liệu TTS của bạn, tập dữ liệu bắt buộc duy nhất. Tệp phải chứa giá trị mục tiêu, dấu thời gian và mục ở mức tối thiểu. | TạoBộ dữ liệu |
TimestampFormatRTS |
Xác định định dạng dấu thời gian được cung cấp trong tệp RTS. | TạoDatasetImportJob |
TimestampFormatTTS |
Xác định định dạng dấu thời gian được cung cấp trong tệp TTS. | TạoDatasetImportJob |
- Chọn Sau để chấp nhận các tùy chọn ngăn xếp mặc định.
- Chọn hộp kiểm để xác nhận ngăn xếp tạo tài nguyên IAM, sau đó chọn Tạo ngăn xếp để triển khai mẫu.
Bạn sẽ thấy mẫu triển khai là tên ngăn xếp mà bạn đã chọn trước đó. Khi trạng thái thay đổi thành CREATE_COMPLETE
, bạn có thể chuyển sang bước tải dữ liệu lên.
Tải lên dữ liệu
Trong phần trước, bạn đã cung cấp tên ngăn xếp và bộ chứa S3. Phần này mô tả cách ký gửi bộ dữ liệu có sẵn công khai nhu cầu thực phẩm trong xô này. Nếu bạn đang sử dụng tập dữ liệu của riêng mình, hãy tham khảo Bộ dữ liệu để chuẩn bị tập dữ liệu của bạn theo định dạng mà quá trình triển khai đang mong đợi. Tập dữ liệu cần chứa ít nhất chuỗi thời gian mục tiêu và tùy chọn, chuỗi thời gian liên quan và siêu dữ liệu mặt hàng:
- TTS là dữ liệu chuỗi thời gian bao gồm trường mà bạn muốn tạo dự báo; trường này được gọi là Trường mục tiêu
- RTS là dữ liệu chuỗi thời gian không bao gồm trường đích nhưng bao gồm trường liên quan
- Tệp dữ liệu mặt hàng không phải là dữ liệu chuỗi thời gian nhưng bao gồm thông tin siêu dữ liệu về các mặt hàng trong bộ dữ liệu TTS hoặc RTS
Hoàn thành các bước sau:
- Nếu bạn đang sử dụng tập dữ liệu mẫu được cung cấp, hãy tải tập dữ liệu xuống nhu cầu thực phẩm vào máy tính của bạn và giải nén tệp, tệp này sẽ tạo ra ba tệp bên trong ba thư mục (
rts
,tts
,item
). - Trên bảng điều khiển Amazon S3, điều hướng đến bộ chứa mà bạn đã tạo trước đó.
- Chọn Tạo thư mục.
- Sử dụng cùng một chuỗi làm tên ngăn xếp khối lượng công việc của bạn cho tên thư mục.
- Chọn Tải lên.
- Chọn ba thư mục tập dữ liệu, sau đó chọn Tải lên.
Khi quá trình tải lên hoàn tất, bạn sẽ thấy một cái gì đó giống như ảnh chụp màn hình sau. Đối với ví dụ này, thư mục của chúng tôi là aiml42
.
Tạo nhóm tập dữ liệu Dự báo
Hoàn thành các bước trong phần này để tạo nhóm tập dữ liệu dưới dạng sự kiện một lần cho mỗi khối lượng công việc. Về sau, bạn nên lập kế hoạch chạy dữ liệu nhập, tạo công cụ dự đoán và tạo các bước dự báo khi thích hợp, dưới dạng một chuỗi, theo lịch trình của bạn, có thể là hàng ngày, hàng tuần hoặc theo cách khác.
- Trên bảng điều khiển Step Functions, định vị máy trạng thái chứa
Create-Dataset-Group
. - Trên trang chi tiết máy trạng thái, chọn Bắt đầu thực hiện.
- Chọn Bắt đầu thực hiện một lần nữa để xác nhận.
Máy trạng thái mất khoảng 1 phút để chạy. Khi nó hoàn thành, giá trị dưới Trạng thái thực thi nên thay đổi từ Chạy đến Kế nhiệm
Nhập dữ liệu vào Dự báo
Làm theo các bước trong phần này để nhập tập dữ liệu mà bạn đã tải lên bộ chứa S3 vào nhóm tập dữ liệu của mình:
- Trên bảng điều khiển Step Functions, định vị máy trạng thái chứa
Import-Dataset
. - Trên trang chi tiết máy trạng thái, chọn Bắt đầu thực hiện.
- Chọn Bắt đầu thực hiện một lần nữa để xác nhận.
Lượng thời gian mà máy trạng thái cần để chạy tùy thuộc vào tập dữ liệu đang được xử lý.
- Trong khi điều này đang chạy, trong trình duyệt của bạn, hãy mở một tab khác và điều hướng đến bảng điều khiển Dự báo.
- Trên bảng điều khiển Dự báo, chọn Xem các nhóm tập dữ liệu và điều hướng đến nhóm tập dữ liệu với tên được chỉ định cho
DataGroupName
từ ngăn xếp khối lượng công việc của bạn. - Chọn Xem bộ dữ liệu.
Bạn sẽ thấy quá trình nhập dữ liệu đang diễn ra.
Khi máy trạng thái cho Import-Dataset
hoàn tất, bạn có thể tiến hành bước tiếp theo để xây dựng mô hình dữ liệu chuỗi thời gian của mình.
Tạo AutoPredictor (đào tạo mô hình chuỗi thời gian)
Phần này mô tả cách đào tạo một công cụ dự đoán ban đầu với Dự báo. Bạn có thể chọn tạo một công cụ dự đoán mới (công cụ dự đoán cơ sở đầu tiên của bạn) hoặc đào tạo lại một công cụ dự đoán trong mỗi chu kỳ sản xuất, có thể là hàng ngày, hàng tuần hoặc theo cách khác. Bạn cũng có thể chọn không tạo công cụ dự đoán mỗi chu kỳ và dựa vào giám sát công cụ dự đoán để hướng dẫn bạn khi nào nên tạo công cụ dự đoán. Hình dưới đây trực quan hóa quá trình tạo công cụ dự đoán Dự báo sẵn sàng sản xuất.
Để tạo một công cụ dự đoán mới, hãy hoàn thành các bước sau:
- Trên bảng điều khiển Step Functions, định vị máy trạng thái chứa
Create-Predictor
. - Trên trang chi tiết máy trạng thái, chọn Bắt đầu thực hiện.
- Chọn Bắt đầu thực hiện một lần nữa để xác nhận.
Lượng thời gian chạy có thể phụ thuộc vào tập dữ liệu đang được xử lý. Điều này có thể mất đến một giờ hoặc hơn để hoàn thành. - Trong khi điều này đang chạy, trong trình duyệt của bạn, hãy mở một tab khác và điều hướng đến bảng điều khiển Dự báo.
- Trên bảng điều khiển Dự báo, chọn Xem các nhóm tập dữ liệu và điều hướng đến nhóm tập dữ liệu với tên được chỉ định cho
DataGroupName
từ ngăn xếp khối lượng công việc của bạn. - Chọn Xem dự đoán.
Bạn sẽ thấy quá trình đào tạo bộ dự đoán đang diễn ra (Trạng thái đào tạo hiển thị “Đang tạo…”).
Khi máy trạng thái cho Create-Predictor
hoàn tất, bạn có thể đánh giá hiệu suất của nó.
Là một phần của máy trạng thái, hệ thống tạo một bộ dự đoán và cũng chạy một BacktestExport
công việc viết ra các chỉ số dự báo cấp độ chuỗi thời gian cho Amazon S3. Đây là những tệp nằm trong hai thư mục S3 bên dưới backtest-export
thư mục:
- độ chính xác-số liệu-giá trị – Cung cấp tính toán chỉ số chính xác ở cấp độ mục để bạn có thể hiểu hiệu suất của một chuỗi thời gian duy nhất. Điều này cho phép bạn điều tra sự lây lan thay vì chỉ tập trung vào các chỉ số toàn cầu.
- giá trị dự báo – Cung cấp dự đoán cấp độ từng bước cho từng chuỗi thời gian trong cửa sổ kiểm tra lại. Điều này cho phép bạn so sánh giá trị mục tiêu thực tế từ bộ kiểm tra loại trừ với các giá trị lượng tử được dự đoán. Việc xem xét điều này giúp hình thành ý tưởng về cách cung cấp các tính năng dữ liệu bổ sung trong RTS hoặc siêu dữ liệu mặt hàng để giúp ước tính tốt hơn các giá trị trong tương lai, đồng thời giảm tổn thất hơn nữa. bạn có thể tải xuống
backtest-export
các tệp từ Amazon S3 hoặc truy vấn chúng tại chỗ bằng Athena.
Với dữ liệu của riêng bạn, bạn cần kiểm tra chặt chẽ các kết quả của công cụ dự đoán và đảm bảo các chỉ số đáp ứng kết quả mong đợi của bạn bằng cách sử dụng dữ liệu xuất kiểm tra ngược. Khi hài lòng, bạn có thể bắt đầu tạo các dự đoán trong tương lai như được mô tả trong phần tiếp theo.
Tạo dự báo (suy luận về thời gian trong tương lai)
Phần này mô tả cách tạo điểm dữ liệu dự báo với Dự báo. Về sau, bạn nên thu thập dữ liệu mới từ hệ thống nguồn, nhập dữ liệu vào Dự báo, sau đó tạo các điểm dữ liệu dự báo. Theo tùy chọn, bạn cũng có thể chèn một công cụ tạo dự báo mới sau khi nhập và trước khi dự báo. Hình dưới đây trực quan hóa quá trình tạo dự báo chuỗi thời gian sản xuất bằng Dự báo.
Hoàn thành các bước sau:
- Trên bảng điều khiển Step Functions, định vị máy trạng thái chứa
Create-Forecast
. - Trên trang chi tiết máy trạng thái, chọn Bắt đầu thực hiện.
- Chọn Bắt đầu thực hiện một lần nữa để xác nhận.
Máy trạng thái này kết thúc rất nhanh vì hệ thống không được định cấu hình để tạo dự báo. Nó không biết bạn đã phê duyệt mô hình dự đoán nào để suy luận.
Hãy định cấu hình hệ thống để sử dụng công cụ dự đoán đã được đào tạo của bạn. - Trên bảng điều khiển Dự báo, tìm ARN cho công cụ dự đoán của bạn.
- Sao chép ARN để sử dụng trong bước sau.
- Trong trình duyệt của bạn, hãy mở một tab khác và điều hướng đến bảng điều khiển Trình quản lý hệ thống.
- Trên bảng điều khiển Trình quản lý hệ thống, chọn Cửa hàng thông số trong khung điều hướng.
- Xác định vị trí tham số liên quan đến ngăn xếp của bạn (
/forecast/<StackName>/Forecast/PredictorArn
). - Nhập ARN bạn đã sao chép cho công cụ dự đoán của mình.
Đây là cách bạn liên kết một công cụ dự đoán đã được đào tạo với chức năng suy luận của Dự báo. - Định vị tham số
/forecast/<StackName>/Forecast/Generate
và chỉnh sửa giá trị, thay thếFALSE
vớiTRUE
.
Bây giờ, bạn đã sẵn sàng chạy công việc dự báo cho nhóm tập dữ liệu này. - Trên bảng điều khiển Step Functions, hãy chạy lệnh
Create-Forecast
máy trạng thái.
Lần này, công việc diễn ra như mong đợi. Là một phần của bộ máy trạng thái, hệ thống tạo ra một dự báo và ForecastExport
công việc viết ra các dự đoán chuỗi thời gian cho Amazon S3. Các tập tin này được đặt trong forecast
thư mục
Bên trong forecast
thư mục, bạn sẽ tìm thấy dự đoán cho các mặt hàng của mình, nằm trong nhiều tệp CSV hoặc Parquet, tùy thuộc vào lựa chọn của bạn. Các dự đoán cho từng bước thời gian và chuỗi thời gian đã chọn tồn tại với tất cả các giá trị lượng tử đã chọn của bạn trên mỗi bản ghi. Bạn có thể tải xuống các tệp này từ Amazon S3, truy vấn chúng tại chỗ bằng Athena hoặc chọn một chiến lược khác để sử dụng dữ liệu.
Điều này kết thúc toàn bộ quy trình làm việc. Giờ đây, bạn có thể trực quan hóa đầu ra của mình bằng bất kỳ công cụ trực quan nào bạn chọn, chẳng hạn như Amazon QuickSight. Ngoài ra, các nhà khoa học dữ liệu có thể sử dụng gấu trúc để tạo các ô của riêng họ. Nếu chọn sử dụng QuickSight, bạn có thể kết nối kết quả dự báo của bạn với QuickSight để thực hiện chuyển đổi dữ liệu, tạo một hoặc nhiều phân tích dữ liệu và tạo trực quan hóa.
Quá trình này cung cấp một khuôn mẫu để làm theo. Bạn sẽ cần điều chỉnh mẫu cho phù hợp với giản đồ của mình, đặt khoảng thời gian dự báo, độ phân giải thời gian, v.v. tùy theo trường hợp sử dụng của bạn. Bạn cũng sẽ cần đặt lịch định kỳ trong đó dữ liệu được thu thập từ hệ thống nguồn, nhập dữ liệu và tạo dự báo. Nếu muốn, bạn có thể chèn một tác vụ dự đoán giữa các bước nhập và dự đoán.
Đào tạo lại người dự đoán
Chúng tôi đã trải qua quá trình đào tạo một người dự đoán mới, nhưng còn việc đào tạo lại một người dự đoán thì sao? Đào tạo lại một người dự đoán là một cách để giảm chi phí và thời gian liên quan đến việc đào tạo một người dự đoán về dữ liệu mới nhất hiện có. Thay vì tạo một công cụ dự đoán mới và huấn luyện nó trên toàn bộ tập dữ liệu, chúng tôi có thể đào tạo lại công cụ dự đoán hiện có bằng cách chỉ cung cấp dữ liệu gia tăng mới có sẵn kể từ khi công cụ dự đoán được đào tạo lần cuối. Hãy cùng tìm hiểu cách đào tạo lại công cụ dự đoán bằng giải pháp tự động hóa:
- Trên bảng điều khiển Dự báo, chọn Xem các nhóm tập dữ liệu.
- Chọn nhóm tập dữ liệu được liên kết với công cụ dự đoán mà bạn muốn đào tạo lại.
- Chọn Xem dự đoán, sau đó chọn công cụ dự đoán mà bạn muốn đào tạo lại.
- trên Cài đặt tab, sao chép ARN dự đoán.
Chúng tôi cần cập nhật một tham số được sử dụng bởi quy trình làm việc để xác định yếu tố dự đoán cần đào tạo lại. - Trên bảng điều khiển Trình quản lý hệ thống, chọn Cửa hàng thông số trong khung điều hướng.
- Định vị tham số
/forecast/<STACKNAME>/Forecast/Predictor/ReferenceArn
. - Trên trang chi tiết tham số, chọn Chỉnh sửa.
- Trong Giá trị, nhập ARN dự đoán.
Điều này xác định công cụ dự đoán chính xác để đào tạo lại quy trình công việc. Tiếp theo, chúng ta cần cập nhật một tham số được quy trình làm việc sử dụng để thay đổi chiến lược đào tạo. - Định vị tham số
/forecast/<STACKNAME>/Forecast/Predictor/Strategy
. - Trên trang chi tiết tham số, chọn Chỉnh sửa.
- Đối với Giá trị, hãy nhập
RETRAIN
.
Quy trình làm việc mặc định để đào tạo một công cụ dự đoán mới; tuy nhiên, chúng tôi có thể sửa đổi hành vi đó để đào tạo lại một công cụ dự đoán hiện có hoặc chỉ cần sử dụng lại một công cụ dự đoán hiện có mà không cần đào tạo lại bằng cách đặt giá trị này thànhNONE
. Bạn có thể muốn bỏ qua đào tạo nếu dữ liệu của bạn tương đối ổn định hoặc bạn đang sử dụng giám sát dự đoán tự động để quyết định khi nào cần đào tạo lại. - Tải dữ liệu đào tạo gia tăng lên bộ chứa S3.
- Trên bảng điều khiển Step Functions, định vị máy trạng thái
<STACKNAME>-Create-Predictor
. - Trên trang chi tiết máy trạng thái, chọn Bắt đầu thực hiện để bắt đầu đào tạo lại.
Khi quá trình đào tạo lại hoàn tất, quy trình công việc sẽ kết thúc và bạn sẽ nhận được thông báo qua email SNS đến địa chỉ email được cung cấp trong tham số mẫu khối lượng công việc.
Làm sạch
Khi bạn hoàn thành giải pháp này, hãy làm theo các bước trong phần này để xóa các tài nguyên liên quan.
Xóa bộ chứa S3
- Trên bảng điều khiển Amazon S3, chọn xô trong khung điều hướng.
- Chọn nhóm nơi dữ liệu được tải lên và chọn Trống để xóa tất cả dữ liệu được liên kết với giải pháp, bao gồm cả dữ liệu nguồn.
- đăng ký hạng mục thi
permanently delete
để xóa nội dung nhóm vĩnh viễn. - trên xô trang, chọn nhóm và chọn Xóa bỏ.
- Nhập tên của bộ chứa để xác nhận việc xóa và chọn Xóa nhóm.
Xóa tài nguyên Dự báo
- Trên bảng điều khiển Dự báo, chọn Xem các nhóm tập dữ liệu.
- Chọn tên nhóm tập dữ liệu được liên kết với giải pháp, sau đó chọn Xóa bỏ.
- đăng ký hạng mục thi
delete
để xóa nhóm tập dữ liệu và các công cụ dự đoán có liên quan, công việc xuất dự báo kiểm tra lại dự đoán, dự báo và công việc xuất dự báo. - Chọn Xóa bỏ xác nhận.
Xóa ngăn xếp CloudFormation
- Trên bảng điều khiển AWS CloudFormation, hãy chọn Stacks trong khung điều hướng.
- Chọn ngăn xếp khối lượng công việc và chọn Xóa bỏ.
- Chọn Xóa ngăn xếp để xác nhận xóa ngăn xếp và tất cả các tài nguyên liên quan.
- Khi quá trình xóa hoàn tất, hãy chọn ngăn xếp phụ thuộc và chọn Xóa bỏ.
- Chọn Xóa bỏ xác nhận.
Kết luận
Trong bài đăng này, chúng tôi đã thảo luận về một số cách khác nhau để bắt đầu sử dụng Dự báo. Chúng tôi đã tìm hiểu về một giải pháp dự báo tự động dựa trên AWS CloudFormation để triển khai giải pháp nhanh chóng, có thể lặp lại cho quy trình Dự báo từ khi nhập dữ liệu đến khi suy luận mà chỉ cần ít kiến thức về cơ sở hạ tầng. Cuối cùng, chúng tôi đã thấy cách chúng tôi có thể sử dụng Lambda để tự động đào tạo lại mô hình, giảm chi phí và thời gian đào tạo.
Không có thời điểm nào tốt hơn hiện tại để bắt đầu dự báo với Dự báo. Để bắt đầu xây dựng và triển khai quy trình làm việc tự động, hãy truy cập Tài nguyên dự báo của Amazon. Dự đoán vui vẻ!
Về các tác giả
Aaron Fagan là Chuyên gia chính về Kiến trúc sư Giải pháp tại AWS có trụ sở tại New York. Anh ấy chuyên giúp khách hàng xây dựng các giải pháp về máy học và bảo mật đám mây.
Raju Patil là Nhà khoa học dữ liệu trong AWS Professional Services. Anh ấy xây dựng và triển khai các giải pháp AI/ML để hỗ trợ khách hàng AWS vượt qua các thách thức kinh doanh của họ. Các cam kết AWS của anh ấy bao gồm nhiều trường hợp sử dụng AI/ML như thị giác máy tính, dự báo chuỗi thời gian và phân tích dự báo, v.v., trong nhiều ngành, bao gồm dịch vụ tài chính, viễn thông, chăm sóc sức khỏe, v.v. Trước đó, ông đã lãnh đạo các nhóm Khoa học dữ liệu trong Công nghệ quảng cáo và có những đóng góp đáng kể cho nhiều sáng kiến nghiên cứu và phát triển về thị giác máy tính và người máy. Ngoài công việc, anh ấy thích chụp ảnh, đi bộ đường dài, du lịch và khám phá ẩm thực.
- Phân phối nội dung và PR được hỗ trợ bởi SEO. Được khuếch đại ngay hôm nay.
- PlatoAiStream. Thông minh dữ liệu Web3. Kiến thức khuếch đại. Truy cập Tại đây.
- Đúc kết tương lai với Adryenn Ashley. Truy cập Tại đây.
- Mua và bán cổ phần trong các công ty PRE-IPO với PREIPO®. Truy cập Tại đây.
- nguồn: https://aws.amazon.com/blogs/machine-learning/automate-the-deployment-of-an-amazon-forecast-time-series-forecasting-model/
- : có
- :là
- :không phải
- :Ở đâu
- $ LÊN
- 1
- 10
- 100
- 11
- 20
- 20 năm
- 2022
- 7
- 8
- 9
- a
- Giới thiệu
- Chấp nhận
- truy cập
- Theo
- Tài khoản
- chính xác
- công nhận
- ngang qua
- hành động
- thích ứng
- thêm vào
- thông tin bổ sung
- địa chỉ
- Quảng cáo
- Sau
- một lần nữa
- AI / ML
- thuật toán
- thuật toán
- Tất cả
- Cho phép
- cho phép
- cô đơn
- Đã
- Ngoài ra
- đàn bà gan dạ
- Dự báo Amazon
- số lượng
- an
- phân tích
- phân tích
- và
- Một
- bất kì
- api
- phương pháp tiếp cận
- thích hợp
- phê duyệt
- LÀ
- Mảng
- AS
- hỗ trợ
- Liên kết
- liên kết
- At
- tự động hóa
- Tự động
- tự động
- Tự động hóa
- có sẵn
- AWS
- Hình thành đám mây AWS
- Dịch vụ chuyên nghiệp của AWS
- Kiểm tra ngược
- Cân đối
- số dư
- dựa
- Baseline
- BE
- bởi vì
- trước
- bắt đầu
- được
- BEST
- Hơn
- giữa
- thiên vị
- Giới hạn
- Hộp
- Đưa
- trình duyệt
- xây dựng
- Xây dựng
- xây dựng
- kinh doanh
- nhưng
- by
- tính toán
- gọi là
- Cuộc gọi
- CAN
- mà
- trường hợp
- trường hợp
- Trung tâm
- thách thức
- thay đổi
- Những thay đổi
- kiểm tra
- sự lựa chọn
- Chọn
- chọn
- lựa chọn
- chặt chẽ
- đám mây
- Bảo mật đám mây
- mã
- Lập trình
- bộ sưu tập
- Cột
- COM
- Chung
- so sánh
- hoàn thành
- phức tạp
- tính toán
- Tính
- máy tính
- Tầm nhìn máy tính
- khái niệm
- quan tâm
- Cấu hình
- Xác nhận
- An ủi
- chứa
- nội dung
- đóng góp
- điều khiển
- phối hợp
- sửa chữa
- Phí Tổn
- có thể
- phủ
- tạo
- tạo ra
- tạo ra
- Tạo
- tạo
- khách hàng
- chu kỳ
- Chu kỳ
- tiền thưởng
- dữ liệu
- quản lý dữ liệu
- điểm dữ liệu
- khoa học dữ liệu
- nhà khoa học dữ liệu
- tập dữ liệu
- bộ dữ liệu
- ngày
- Ngày
- quyết định
- tuyên bố
- Mặc định
- mặc định
- xác định
- Xác định
- xác định
- giao
- Tùy
- phụ thuộc
- triển khai
- triển khai
- triển khai
- triển khai
- triển khai
- triển khai
- nạp tiền
- mô tả
- mô tả
- mong muốn
- chi tiết
- chi tiết
- Xác định
- phát triển
- Phát triển
- khác nhau
- khó khăn
- kích thước
- kích thước
- thư mục
- thảo luận
- do
- Không
- thực hiện
- tải về
- suốt trong
- mỗi
- Sớm hơn
- dễ dàng hơn
- hay
- loại trừ hết
- kích hoạt
- cho phép
- cuối
- Cuối cùng đến cuối
- đảm bảo
- đăng ký hạng mục thi
- Toàn bộ
- Môi trường
- môi trường
- lỗi
- ước tính
- vv
- đánh giá
- Ngay cả
- Sự kiện
- ví dụ
- thực hiện
- tồn tại
- hiện tại
- dự kiến
- mong đợi
- kinh nghiệm
- xuất khẩu
- tạo điều kiện
- sai
- quen
- Tính năng
- lĩnh vực
- Hình
- Tập tin
- Các tập tin
- Nộp hồ sơ
- đầy
- Cuối cùng
- tài chính
- dịch vụ tài chính
- Tìm kiếm
- Tên
- tập trung
- theo
- tiếp theo
- Trong
- Dự báo
- dự báo
- định dạng
- Ra
- Forward
- 4
- tần số
- từ
- đầy đủ
- chức năng
- chức năng
- xa hơn
- tương lai
- tạo ra
- tạo ra
- tạo ra
- được
- Toàn cầu
- Go
- đi
- cai quản
- đồ thị
- tuyệt vời
- Nhóm
- Các nhóm
- hướng dẫn
- hướng dẫn
- vui mừng
- thu hoạch
- Có
- có
- he
- cho sức khoẻ
- Chăm sóc sức khỏe
- giúp đỡ
- giúp đỡ
- giúp
- tại đây
- cao
- của mình
- lịch sử
- chân trời
- Horizons
- giờ
- Độ đáng tin của
- Hướng dẫn
- Tuy nhiên
- HTML
- http
- HTTPS
- ý tưởng
- xác định
- xác định
- Bản sắc
- if
- minh họa
- thực hiện
- nhập khẩu
- nhập khẩu
- in
- bao gồm
- bao gồm
- Bao gồm
- các ngành công nghiệp
- ảnh hưởng
- báo
- thông tin
- Cơ sở hạ tầng
- ban đầu
- khả năng phán đoán
- đầu vào
- thay vì
- trong
- điều tra
- tham gia
- IT
- mặt hàng
- ITS
- chính nó
- Việc làm
- việc làm
- jpg
- Biết
- kiến thức
- nổi tiếng
- Quốc gia
- Họ
- một lát sau
- mới nhất
- LEARN
- học tập
- ít nhất
- Led
- Dữ liệu dẫn
- cho phép
- vòng đời
- Lượt thích
- Dòng
- ít
- nằm
- địa điểm thư viện nào
- dài
- sự mất
- chi phí thấp
- thấp hơn
- máy
- học máy
- Máy móc
- thực hiện
- Làm
- quản lý
- quản lý
- quản lý
- giám đốc
- quản lý
- quản lý
- thủ công
- nhiều
- tối đa
- Có thể..
- Gặp gỡ
- Menu
- Siêu dữ liệu
- phương pháp
- phương pháp
- số liệu
- Metrics
- Might
- tối thiểu
- phút
- mất tích
- ML
- kiểu mẫu
- mô hình
- sửa đổi
- giám sát
- hàng tháng
- chi tiết
- di chuyển
- nhiều
- phải
- tên
- tên
- Điều hướng
- THÔNG TIN
- cần thiết
- Cần
- nhu cầu
- Mới
- Newyork
- tiếp theo
- Không
- máy tính xách tay
- thông báo
- thông báo
- tại
- con số
- nhiều
- vật
- đối tượng
- được
- of
- on
- ONE
- có thể
- mở
- mã nguồn mở
- Tối ưu hóa
- Các lựa chọn
- or
- gọi món
- Nền tảng khác
- nếu không thì
- vfoXNUMXfipXNUMXhfpiXNUMXufhpiXNUMXuf
- ra
- kết quả
- nêu
- đầu ra
- bên ngoài
- kết thúc
- tổng thể
- riêng
- trang
- gấu trúc
- cửa sổ
- tham số
- thông số
- một phần
- phần trăm
- Thực hiện
- hiệu suất
- vĩnh viễn
- quyền
- nhiếp ảnh
- vật lý
- đường ống dẫn
- Nơi
- đặt
- kế hoạch
- plato
- Thông tin dữ liệu Plato
- PlatoDữ liệu
- điểm
- có thể
- Bài đăng
- dự đoán
- dự đoán
- dự đoán
- Dự đoán
- Đoán trước Analytics
- Predictor
- Dự đoán
- Chuẩn bị
- trình bày
- trình bày
- trước
- Hiệu trưởng
- Trước khi
- quá trình
- Xử lý
- xử lý
- sản xuất
- Sản lượng
- chuyên nghiệp
- lập trình
- Tiến độ
- cho
- cung cấp
- cung cấp
- cung cấp
- công khai
- Python
- truy vấn
- Câu hỏi
- Nhanh chóng
- Mau
- phạm vi
- nhanh
- hơn
- Nguyên
- sẵn sàng
- nhận
- giới thiệu
- ghi
- hồ sơ
- định kỳ
- giảm
- giảm
- gọi
- đề cập
- đều đặn
- liên quan
- tương đối
- có liên quan
- dựa
- loại bỏ
- có thể lặp lại
- NHIỀU LẦN
- lặp đi lặp lại
- cần phải
- nghiên cứu
- nghiên cứu và phát triển
- Ltd
- đàn hồi
- Độ phân giải
- Thông tin
- kết quả
- Kết quả
- tái sử dụng
- xem xét
- robotics
- Vai trò
- vai trò
- chạy
- chạy
- tương tự
- Tập dữ liệu mẫu
- hài lòng
- Quy mô
- lịch trình
- Khoa học
- Nhà khoa học
- các nhà khoa học
- liền mạch
- Phần
- phần
- an toàn
- an ninh
- xem
- chọn
- lựa chọn
- Loạt Sách
- Không có máy chủ
- Các máy chủ
- phục vụ
- dịch vụ
- DỊCH VỤ
- định
- thiết lập
- chia sẻ
- ngắn
- nên
- Chương trình
- có ý nghĩa
- Đơn giản
- đơn giản
- kể từ khi
- duy nhất
- So
- giải pháp
- Giải pháp
- một số
- một cái gì đó
- nguồn
- chuyên gia
- chuyên
- quy định
- lan tràn
- ổn định
- ngăn xếp
- dàn dựng
- Tiêu chuẩn
- Bắt đầu
- bắt đầu
- Bắt đầu
- Tiểu bang
- Trạng thái
- Bước
- Các bước
- là gắn
- hàng
- Chiến lược
- Chuỗi
- cấu trúc
- như vậy
- Hỗ trợ
- hệ thống
- hệ thống
- bàn
- Hãy
- mất
- Mục tiêu
- Nhiệm vụ
- nhiệm vụ
- đội
- Công nghệ
- viễn thông
- mẫu
- mẫu
- thử nghiệm
- hơn
- việc này
- Sản phẩm
- Nguồn
- Nhà nước
- cung cấp their dịch
- Them
- sau đó
- Đó
- Kia là
- điều
- điều này
- số ba
- Thông qua
- khắp
- thời gian
- Chuỗi thời gian
- dấu thời gian
- đến
- bên nhau
- công cụ
- chủ đề
- đối với
- Train
- đào tạo
- Hội thảo
- biến đổi
- quá trình chuyển đổi
- đi du lịch
- kích hoạt
- đúng
- hai
- kiểu
- loại
- thường
- Không chắc chắn
- Dưới
- hiểu
- các đơn vị
- Cập nhật
- tải lên
- URL
- sử dụng
- ca sử dụng
- đã sử dụng
- Người sử dụng
- sử dụng
- giá trị
- Các giá trị
- khác nhau
- rất
- thông qua
- tầm nhìn
- Truy cập
- hình dung
- đi bộ
- muốn
- là
- Đường..
- cách
- we
- hàng tuần
- TỐT
- Điều gì
- khi nào
- liệu
- cái nào
- rộng
- Phạm vi rộng
- sẽ
- với
- ở trong
- không có
- Từ
- Công việc
- viết
- viết
- năm
- york
- Bạn
- trên màn hình
- zephyrnet
- Zip