[ad_1]
Nos complace anunciar que Amazon SageMaker Canvas ahora ofrece una forma más rápida y fácil de usar de crear modelos de aprendizaje automático para pronósticos de series temporales. SageMaker Canvas es un servicio visual de apuntar y hacer clic que permite a los analistas de negocios generar modelos precisos de aprendizaje automático (ML) sin requerir experiencia en aprendizaje automático ni escribir una sola línea de código.
SageMaker Canvas admite una variedad de casos de uso que incluyen pronósticos de series temporales para la gestión de inventario en el comercio minorista, planificación de la demanda en fabricación, planificación de la fuerza laboral y de los huéspedes en viajes y hotelería, pronóstico de ingresos en finanzas y muchas otras decisiones críticas para el negocio donde el pronóstico preciso es de vital importancia. . Por ejemplo, el pronóstico de series de tiempo permite a los minoristas predecir la demanda de ventas futura y planificar campañas de inventario, logística y marketing. Los modelos de pronóstico de series de tiempo en SageMaker Canvas utilizan tecnologías avanzadas para combinar algoritmos estadísticos y de aprendizaje automático para ofrecer pronósticos altamente precisos.
En esta publicación, describimos las mejoras a las capacidades de pronóstico de SageMaker Canvas y lo guiamos en el uso de la interfaz de usuario (UI) y las API de AutoML para el pronóstico de series temporales. Si bien la interfaz de usuario de SageMaker Canvas proporciona una interfaz visual sin código, las API permiten a los desarrolladores interactuar con estas funciones mediante programación. Se puede acceder a ambos a través de la consola SageMaker.
Mejoras en la experiencia de previsión.
Con el lanzamiento de hoy, SageMaker Canvas ha mejorado sus capacidades de pronóstico utilizando AutoML, ofreciendo un rendimiento de creación de modelos hasta un 50 por ciento más rápido y predicciones hasta un 45 por ciento más rápidas en promedio en comparación con versiones anteriores en varios conjuntos de datos de referencia. Esto reduce el tiempo promedio de entrenamiento del modelo de 186 a 73 minutos y el tiempo promedio de predicción de 33 a 18 minutos para un lote típico de 750 series temporales con un tamaño de datos de hasta 100 MB. Los usuarios ahora también pueden acceder a capacidades de predicción y construcción de modelos mediante programación a través de las API de Amazon SageMaker Autopilot, que presentan explicabilidad del modelo e informes de rendimiento.
Anteriormente, la introducción de datos incrementales requería volver a entrenar todo el modelo, lo que consumía mucho tiempo y provocaba retrasos operativos. Ahora puede agregar datos actuales a SageMaker Canvas para crear pronósticos futuros sin volver a entrenar todo el modelo. Simplemente introduzca sus datos incrementales en su modelo para aprovechar los conocimientos más recientes para los próximos pronósticos. La eliminación del reentrenamiento acelera el proceso de pronóstico para que pueda aplicar esos resultados a sus procesos comerciales más rápidamente.
Debido a que SageMaker Canvas ahora usa AutoML para realizar pronósticos, puede aprovechar las capacidades de creación de modelos y pronóstico a través de las API de SageMaker Autopilot, lo que garantiza la coherencia entre la interfaz de usuario y las API. Por ejemplo, puede comenzar creando modelos en la interfaz de usuario y luego pasar a utilizar API para generar predicciones. Este enfoque de modelado actualizado también mejora la transparencia del modelo de varias maneras:
- Los usuarios pueden acceder a un informe de explicabilidad que proporciona información más clara sobre los factores que influyen en las predicciones. Esto es valioso para los equipos de riesgo, cumplimiento y reguladores externos. El informe explica cómo los atributos del conjunto de datos influyen en los pronósticos de series temporales específicas. Lo necesitaba Valores de impacto medir el impacto relativo de cada atributo e indicar si mejoran o disminuyen los valores predictivos.
- Ahora puede acceder a los modelos entrenados e implementarlos para realizar predicciones en SageMaker Inference o su infraestructura preferida.
- Hay disponible un informe de rendimiento que proporciona información más profunda sobre los modelos óptimos seleccionados por AutoML para series temporales específicas y los hiperparámetros utilizados durante el entrenamiento.
Genere pronósticos de series de tiempo utilizando la interfaz SageMaker Canvas
Con la interfaz de SageMaker Canvas, puede integrar perfectamente fuentes de datos locales o en la nube, fusionar conjuntos de datos sin esfuerzo, entrenar modelos precisos y hacer predicciones con nuevos datos, todo sin codificación. Veamos cómo crear un pronóstico de serie temporal usando esta interfaz.
Primero, importa datos a SageMaker Canvas desde varias fuentes, incluidos archivos locales de su computadora, depósitos de Amazon Simple Storage Service (Amazon S3), Amazon Athena, Snowflake y más de 40 fuentes de datos más. Después de importar los datos, puede explorarlos y visualizarlos para obtener información adicional, como diagramas de dispersión o gráficos de barras. Cuando esté listo para crear un modelo, podrá hacerlo con solo unos pocos clics después de configurar los parámetros necesarios, como: Por ejemplo, seleccionar una columna de destino para el pronóstico y especificar cuántos días en el futuro desea pronosticar. Las siguientes capturas de pantalla muestran un ejemplo de visualización de la predicción de la demanda de productos basada en datos históricos de demanda semanal para productos específicos en diferentes tiendas:
La siguiente imagen muestra pronósticos semanales para un producto específico en diferentes tiendas:
Para obtener una guía completa sobre el uso de la interfaz de usuario de SageMaker Canvas para realizar pronósticos, consulte esta publicación de blog.
Si necesita un flujo de trabajo automatizado o una integración directa del modelo de aprendizaje automático en aplicaciones, puede acceder a nuestras capacidades de pronóstico a través de API. En la siguiente sección, proporcionamos una solución de muestra que detalla cómo utilizamos nuestras API para realizar pronósticos automatizados.
Genere pronósticos de series de tiempo utilizando API
Veamos cómo utilizar las API para entrenar el modelo y generar predicciones. Para esta demostración, imagine una situación en la que una empresa necesita predecir los niveles de inventario de productos en diferentes tiendas para satisfacer la demanda de los clientes. En un nivel superior, las interacciones API se pueden dividir en los siguientes pasos:
- Prepare el conjunto de datos.
- Cree un trabajo de piloto automático de SageMaker.
- Califica el trabajo de Piloto automático:
- Descubra métricas de precisión del modelo y resultados de pruebas retrospectivas.
- Explore el informe de explicabilidad del modelo.
- Generar predicciones a partir del modelo:
- Utilice el punto final de inferencia en tiempo real creado como parte del trabajo de Autopilot. o
- Utilice un trabajo de transformación por lotes.
Cuaderno de ejemplo de Amazon SageMaker Studio que muestra pronósticos con API
Hemos puesto a disposición un cuaderno de muestra de SageMaker Studio en GitHub para acelerar su tiempo de comercialización si su organización prefiere orquestar pronósticos a través de API programáticas. El cuaderno proporciona un conjunto de datos sintéticos de muestra disponible a través de un depósito público de S3. El cuaderno lo guiará a través de todos los pasos descritos en la imagen del flujo de trabajo anterior. Si bien el cuaderno proporciona un marco básico, puede adaptar el ejemplo de código a su caso de uso específico. Esto incluye la personalización de su esquema de datos individual, resolución temporal, horizonte de pronóstico y otros parámetros necesarios para lograr los resultados deseados.
Diploma
SageMaker Canvas democratiza la previsión de series temporales al proporcionar una experiencia fácil de usar y sin código que permite a los analistas de negocios crear modelos de aprendizaje automático de alta precisión. Con las actualizaciones actuales de AutoML, permite una creación de modelos hasta un 50 por ciento más rápida, predicciones hasta un 45 por ciento más rápidas e introduce acceso API tanto para la construcción de modelos como para las funciones de predicción, lo que mejora la transparencia y la coherencia. La capacidad única de SageMaker Canvas para procesar datos incrementales sin problemas y sin necesidad de volver a capacitarse garantiza una rápida adaptación a las necesidades comerciales en constante cambio.
Ya sea que prefiera la interfaz intuitiva o las API versátiles, SageMaker Canvas simplifica la integración de datos, el entrenamiento de modelos y la predicción, convirtiéndolo en una herramienta central para la innovación y la toma de decisiones basadas en datos en todas las industrias.
Para obtener más información, lea la documentación o explore el cuaderno disponible en nuestro repositorio de GitHub. Para obtener información sobre precios para la previsión de series temporales con SageMaker Canvas, consulte la página de precios de SageMaker Canvas. Para obtener información sobre los precios de inferencia y capacitación de SageMaker cuando se utilizan las API de SageMaker Autopilot, consulte la página de precios de SageMaker.
Estas funciones están disponibles en todas las regiones de AWS donde SageMaker Canvas y SageMaker Autopilot están disponibles públicamente. Para obtener más información sobre la disponibilidad regional, consulte Servicios de AWS por región.
Sobre los autores
Nirmal Kumar es gerente senior de productos para el servicio Amazon SageMaker. Está comprometido a ampliar el acceso a AI/ML y lidera el desarrollo de soluciones de ML sin código y con código bajo. Fuera del trabajo, le gusta viajar y leer libros de no ficción.
Carlos Laughlin es un arquitecto principal de soluciones especializado en IA/ML que trabaja en el equipo de servicios de Amazon SageMaker en AWS. Ayuda a dar forma a la hoja de ruta del servicio y trabaja con varios clientes de AWS a diario para ayudar a sus negocios a transformarse utilizando tecnologías de vanguardia y liderazgo intelectual de AWS. Charles tiene una maestría en Gestión de la Cadena de Suministro y un doctorado. en ciencia de datos.
Ridhim Rastogi ingeniero de desarrollo de software que trabaja en el equipo de servicios de Amazon SageMaker en AWS. Le apasiona construir sistemas distribuidos escalables con un enfoque en resolver problemas del mundo real a través de AI/ML. En su tiempo libre, le gusta resolver acertijos, leer ficción y explorar su entorno.
Ahmed Raafat es arquitecto principal de soluciones en AWS con 20 años de experiencia local y un enfoque de 5 años en el ecosistema de AWS. Se especializa en soluciones AI/ML. Su amplia experiencia abarca múltiples industrias, lo que lo convierte en un asesor confiable para numerosos clientes empresariales, ayudándolos a navegar y acelerar sin problemas su viaje a la nube.
John Oshodi es arquitecto senior de soluciones en Amazon Web Services con sede en Londres, Reino Unido. Se especializa en datos y análisis y se desempeña como asesor técnico de numerosos clientes empresariales de AWS para respaldar y acelerar sus viajes a la nube. Fuera del trabajo, le gusta viajar a nuevos lugares y experimentar nuevas culturas con su familia.
[ad_2]