发布于: Nov 19, 2021
我们很高兴宣布推出适用于 Amazon Forecast 的两个全新预测 API，其可生成准确率提升高达 40% 的预测，并帮助您了解对您的预测影响最大的诸多因素，如价格、节假日、天气或项目类别。Forecast 使用机器学习 (ML) 来生成更准确的需求预测，并且不需要具备机器学习经验。Forecast 将 Amazon.com 使用的技术作为一项完全托管式服务提供给开发人员，其无需管理资源。
今日发布新的 CreateAutoPredictor API 后，Forecast 可通过使用一系列最适合您数据的机器学习算法，预测准确度提升高达 40% 的结果。在许多情况下，机器学习专家会针对其数据集的不同部分训练单独的模型，以此提升预测准确度。对于非机器学习专家而言，这种将数据进行细分并应用不同算法的流程可能十分具有挑战性。Forecast 不仅使用机器学习来针对每个项目学习最佳算法，还能针对每个项目学习最佳的算法集合，从而实现准确度提升高达 40% 的预测。
以前，如果您需要输入近期的数据来使用最新的洞察，然后再针对下一个时间段进行预测，那么您可能需要重新训练整个预测模型。这可能是一个非常耗时的流程。大部分 Forecast 客户将其预测工作流部署在其运营流程中，例如部署在库存管理解决方案中，然后定时进行运营。由于对整个数据重新训练可能十分耗时，所以客户运营可能会受到延迟。但今日发布后，您可以选择利用您添加的新信息来对 AutoPredictor 模型进行递增式重新训练，从而节省多达 50% 的重新训练时间。
最后，AutoPredictor 预测模型还能为模型提供可解释性。为了进一步提高预测模型的准确性，您可以添加更多信息或属性，如价格、促销、类型详细信息、节假日或天气信息，但是您可能无法了解每个属性会对您的预测带来何种影响。今日发布后，Forecast 将能在模型训练完成后提供可解释性报告，从而帮助您了解并解释您的预测模型如何进行预测。可解释性报告包括影响得分，因此您可以了解训练数据中的每个属性如何使预测值升高或降低。通过了解您的模型如何进行预测，您可以做出更明智的业务决策。除此之外，Amazon Forecast 现在可利用全新的 CreateExplainability API，在特定项目中和选定的时间段中提供精细项目级的可解释性洞察。 更好地了解特定预测值在特定时间内升高或降低的原因有助于更好地做出决策，并且有助于对您的机器学习解决方案树立信任和信心。可解释性可省去运行多次手动分析，以了解以往销售额和外部变量，从而解释预测结果的麻烦。
如需获得更准确的预测、加快训练以及更多模型可解释性，请阅读我们的博客，或遵循我们 GitHub 代码库中此笔记本中的步骤。如果您想将您现有的预测模型升级至新的 CreateAutoPredictor API，您可以通过在控制台中单击，或遵循我们 GitHub 代码库的笔记本完成升级。如需了解详情，请查看训练预测器。如需获得项目级可解释性洞察，请阅读我们的博客，并遵循我们 GitHub 代码库中的此笔记本。您也可以查看预测可解释性或 CreateExplainability API。
上述发布包含新定价，您可在 Amazon Forecast 定价中查看。您可以在已公开发布 Amazon Forecast 的所有区域中使用这些新功能。有关区域可用性的更多信息，请参阅 AWS 区域服务。