L’ultimo aggiornamento del tuo previsionale a serie storiche fino al 50% con Amazon SageMaker Canvas UI e API AutoML
Aggiorna il tuo previsionale a serie storiche fino al 50% con Amazon SageMaker Canvas UI e API AutoML
Siamo entusiasti di annunciare che Amazon SageMaker Canvas ora offre un modo più rapido e user-friendly per creare modelli di apprendimento automatico per la previsione delle serie temporali. SageMaker Canvas è un servizio visivo che consente agli analisti aziendali di generare modelli di apprendimento automatico accurati senza necessità di esperienza nell’apprendimento automatico o di scrivere una singola riga di codice.
SageMaker Canvas supporta numerosi casi d’uso, tra cui la previsione delle serie temporali utilizzata per la gestione delle scorte nel settore del commercio al dettaglio, la pianificazione della domanda nel settore manifatturiero, la pianificazione della forza lavoro e degli ospiti nel settore del viaggio ed ospitalità, la previsione degli introiti nel settore finanziario e molte altre decisioni aziendali critiche in cui le previsioni altamente accurate sono importanti. Ad esempio, la previsione delle serie temporali consente ai rivenditori di predire la domanda futura di vendite e pianificare i livelli di inventario, la logistica e le campagne di marketing. I modelli di previsione delle serie temporali in SageMaker Canvas utilizzano tecnologie avanzate per combinare algoritmi statistici e di apprendimento automatico e offrire previsioni altamente accurate.
In questo post, descriviamo le nuove funzionalità delle capacità di previsione di SageMaker Canvas e vi guidiamo nell’utilizzo dell’interfaccia utente (UI) e delle API di AutoML per la previsione delle serie temporali. Mentre l’UI di SageMaker Canvas offre una semplice interfaccia visuale, le API consentono agli sviluppatori di interagire con queste funzionalità in modo programmato. Entrambi possono essere accessibili dalla console SageMaker.
Miglioramenti nell’esperienza di previsione
Con il lancio di oggi, SageMaker Canvas ha migliorato le sue capacità di previsione utilizzando AutoML, offrendo una velocità di costruzione del modello fino al 50% più veloce e previsioni fino al 45% più rapide in media rispetto alle versioni precedenti su vari dataset di benchmark. Questo riduce la durata media dell’addestramento del modello da 186 a 73 minuti e il tempo medio di previsione da 33 a 18 minuti per un tipico insieme di 750 serie temporali con una dimensione dei dati fino a 100 MB. Ora gli utenti possono anche accedere in modo programmato alle funzioni di costruzione e previsione del modello tramite le API di Amazon SageMaker Autopilot, che includono anche report di spiegabilità e prestazioni del modello.
- Creare un flusso di lavoro MLOps end-to-end per l’ispezione visiva della qualità sul bordo – Parte 1
- Microsoft si impegna al massimo con l’IA attraverso Copilot nell’ultima aggiornamento di Windows
- Tom Hanks avverte i fan dei Deepfake generati dall’IA
In precedenza, l’introduzione di dati incrementali richiedeva di riallenare l’intero modello, il che era lento e causava ritardi operativi. Ora, in SageMaker Canvas, è possibile aggiungere dati recenti per generare previsioni future senza riallenare l’intero modello. Basta inserire i dati incrementali nel modello per utilizzare le ultime informazioni per le previsioni future. L’eliminazione del riallenamento accelera il processo di previsione, consentendo di applicare più rapidamente quei risultati ai processi aziendali.
Con SageMaker Canvas che ora utilizza AutoML per la previsione, è possibile sfruttare le funzioni di costruzione del modello e di previsione tramite le API di SageMaker Autopilot, garantendo coerenza tra l’UI e le API. Ad esempio, è possibile iniziare con la costruzione dei modelli nell’UI, per poi passare all’utilizzo delle API per generare previsioni. Questo approccio di modellazione aggiornato migliora anche la trasparenza del modello in diversi modi:
- Gli utenti possono accedere a un report di spiegabilità che offre una migliore comprensione dei fattori che influenzano le previsioni. Questo è prezioso per i team di rischio, compliance e regolatori esterni. Il report illustra come gli attributi del dataset influenzano specifiche previsioni delle serie temporali. Utilizza punteggi di impatto per misurare l’effetto relativo di ciascun attributo, indicando se amplifichino o riducano i valori di previsione.
- È ora possibile accedere ai modelli addestrati e distribuirli alla SageMaker Inference o alla propria infrastruttura preferita per le previsioni.
- È disponibile un rapporto di prestazioni che fornisce una visione più approfondita dei modelli ottimali scelti da AutoML per serie temporali specifiche e degli iperparametri utilizzati durante l’addestramento.
Generare previsioni delle serie temporali utilizzando l’interfaccia utente di SageMaker Canvas
L’interfaccia utente di SageMaker Canvas consente di integrare in modo trasparente origini dati dal cloud o dai sistemi locali, unire set di dati senza sforzo, addestrare modelli precisi e fare previsioni con dati emergenti, tutto senza scrivere codice. Esploriamo come creare una previsione delle serie temporali utilizzando questa interfaccia utente.
Per prima cosa, importi i dati in SageMaker Canvas da varie fonti, inclusi file locali dal tuo computer, bucket di Amazon Simple Storage Service (Amazon S3), Amazon Athena, Snowflake e oltre altre 40 fonti dati. Dopo aver importato i dati, puoi esplorarli e visualizzarli per ottenere ulteriori informazioni, ad esempio con scatterplot o grafici a barre. Quando sei pronto per creare un modello, puoi farlo con pochi clic dopo aver configurato i parametri necessari, come la selezione di una colonna target da previsione e specificando di quanti giorni nel futuro desideri fare la previsione. Le seguenti immagini mostrano un esempio di visualizzazione della previsione della domanda di prodotti basata sui dati storici di domanda settimanale per prodotti specifici in diverse posizioni di negozio:
La seguente immagine mostra le previsioni settimanali per un prodotto specifico in diverse posizioni di negozio:
Per una guida completa su come utilizzare l’interfaccia utente SageMaker Canvas per le previsioni, leggi questo articolo del blog.
Se hai bisogno di un flusso di lavoro automatizzato o integrazione diretta di modelli di machine learning in app, le nostre funzioni di previsione sono accessibili tramite API. Nella sezione seguente, forniamo una soluzione di esempio che illustra come utilizzare le nostre API per previsioni automatizzate.
Genera previsioni di serie temporali utilizzando le API
Scopriamo come utilizzare le API per addestrare il modello e generare previsioni. Per questa dimostrazione, considera una situazione in cui un’azienda deve prevedere i livelli di stock del prodotto in vari negozi per soddisfare la domanda dei clienti. A grandi linee, le interazioni con le API si suddividono nei seguenti passaggi:
- Prepara il dataset.
- Crea un lavoro SageMaker Autopilot.
- Valuta il lavoro di Autopilot:
- Esplora le metriche di accuratezza del modello e i risultati del backtest.
- Esplora il report di spiegabilità del modello.
- Genera previsioni dal modello:
- Utilizza il punto di ingresso di inferenza in tempo reale creato come parte del lavoro di Autopilot; o
- Utilizza un lavoro di trasformazione batch.
Esempio di notebook di Amazon SageMaker Studio che mostra le previsioni con le API
Abbiamo messo a disposizione un esempio di notebook di Amazon SageMaker Studio su GitHub per accelerare il tuo time-to-market quando la tua azienda preferisce orchestrare le previsioni tramite API programmatiche. Il notebook offre un campione di dataset sintetico disponibile tramite un bucket S3 pubblico. Il notebook ti guida attraverso tutti i passaggi descritti nell’immagine del flusso di lavoro sopra menzionata. Sebbene il notebook fornisca un framework di base, puoi personalizzare il campione di codice per adattarlo al tuo caso d’uso specifico. Questo include la modifica per adattarlo al tuo schema dati unico, risoluzione temporale, orizzonte di previsione e altri parametri necessari per ottenere i risultati desiderati.
Conclusione
SageMaker Canvas democratizza le previsioni di serie temporali offrendo un’esperienza utente facile da usare e senza codice che permette agli analisti aziendali di creare modelli di machine learning altamente accurati. Con gli aggiornamenti di AutoML odierni, offre una costruzione del modello fino al 50% più veloce, previsioni fino al 45% più veloci e introduce l’accesso alle API sia per la costruzione del modello che per le funzioni di previsione, migliorando la sua trasparenza e coerenza. La capacità unica di SageMaker Canvas di gestire senza problemi dati incrementali senza cintura di addestramento garantisce un’adattabilità rapida alle mutevoli esigenze aziendali.
Sia che preferisci un’interfaccia utente intuitiva o API versatili, SageMaker Canvas semplifica l’integrazione dei dati, l’addestramento del modello e la previsione, rendendolo uno strumento cruciale per la presa di decisioni basate sui dati e l’innovazione in tutti i settori.
Per saperne di più, consulta la documentazione, o esplora il notebook disponibile nel nostro repository GitHub. Le informazioni sui prezzi per le previsioni di serie temporali utilizzando SageMaker Canvas sono disponibili nella pagina SageMaker Canvas Pricing, e per i prezzi di addestramento e inferenza di SageMaker Autopilot APIs si prega di consultare la pagina SageMaker Pricing .
Queste funzionalità sono disponibili in tutte le regioni AWS in cui SageMaker Canvas e SageMaker Autopilot sono accessibili pubblicamente. Per ulteriori informazioni sulla disponibilità della regione, consulta Servizi AWS per regione.
