Veröffentlicht am: Nov 19, 2021
Wir freuen uns, zwei neue Prognose-APIs für Amazon Forecast ankündigen zu können, die bis zu 40 % genauere Prognosen erstellen. Mit diesen APIs können Sie nachvollziehen, welche Faktoren, wie z. B. Preis, Feiertage, Wetter oder Elementkategorie, Ihre Prognosen am meisten beeinflussen. Forecast verwendet Machine Learning (ML), um genaue Bedarfsprognosen zu generieren, ohne dass ML-Erfahrung erforderlich ist. Forecast bringt die gleiche Technologie, die auch bei Amazon genutzt wird, als vollständig verwalteten Service zu den Entwicklern und beseitigt so die Notwendigkeit, Ressourcen zu verwalten.
Mit der heutigen Einführung der neuen CreateAutoPredictor-API kann Forecast jetzt durch eine Kombination von ML-Algorithmen, die für Ihre Daten am besten geeignet sind, bis zu 40 % genauere Ergebnisse vorhersagen. Für viele Szenarien trainieren ML-Experten separate Modelle für verschiedene Teile ihres Datensatzes, um die Prognosegenauigkeit zu verbessern. Dieser Prozess der Datensegmentierung und der Anwendung verschiedener Algorithmen kann für Nicht-ML-Experten eine große Herausforderung darstellen. Forecast verwendet ML, um sowohl den besten Algorithmus für jedes Element als auch das beste Ensemble von Algorithmen für jedes Element zu ermitteln, was zu einer bis zu 40 % höheren Prognosegenauigkeit führt.
Bisher mussten Sie Ihr gesamtes Prognosemodell neu trainieren, wenn Sie aktuelle Daten einbringen wollten, um die neuesten Erkenntnisse für die Prognose des nächsten Zeitraums zu nutzen. Das kann sehr zeitaufwändig sein. Die meisten Forecast-Kunden stellen ihre Prognose-Workflows innerhalb ihrer Betriebsabläufe bereit, z. B. in einer Lösung zur Lagerverwaltung, und führen ihre Vorgänge in einem bestimmten Rhythmus durch. Da ein erneutes Training der gesamten Daten zeitaufwändig sein kann, kann es bei den Abläufen der Kunden zu Verzögerungen kommen. Mit der heutigen Veröffentlichung können Sie bis zu 50 % der Zeit für das erneute Training einsparen, indem Sie die AutoPredictor-Modelle anhand der neu hinzugefügten Informationen inkrementell neu trainieren.
Und schließlich erleichtert ein AutoPredictor-Prognosemodell auch die Erklärbarkeit des Modells. Um die Genauigkeit des Prognosemodells weiter zu erhöhen, können Sie zusätzliche Informationen oder Attribute hinzufügen, wie z. B. Preise, Werbeaktionen, Kategoriedetails, Feiertage oder Wetterdaten. Sie wissen jedoch möglicherweise nicht, wie die einzelnen Attribute Ihre Prognosen beeinflussen. Mit der heutigen Veröffentlichung hilft Ihnen Forecast ab sofort dabei, zu verstehen und zu erklären, wie Ihr Prognosemodell Ergebnisse erzielt, indem nach dem Training Ihres Modells entsprechende Erklärbarkeitsberichte erstellt werden. Die Berichte zur Erklärbarkeit enthalten Auswirkungsbewertungen, so dass Sie nachvollziehen können, inwiefern jedes Attribut in Ihren Trainingsdaten dazu beiträgt, Ihre prognostizierten Werte zu erhöhen oder zu verringern. Wenn Sie verstehen, wie Ihr Modell Vorhersagen trifft, können Sie fundiertere Geschäftsentscheidungen treffen. Darüber hinaus bietet Amazon Forecast mit der neuen CreateExplainability-API jetzt granulare Einblicke in die Erklärbarkeit auf Elementebene für bestimmte Elemente und die gewählte Zeitdauer. Ein besseres Verständnis, warum ein bestimmter Prognosewert zu einem gegebenen Zeitpunkt hoch oder niedrig ist, ist hilfreich für die Entscheidungsfindung und den Aufbau von Vertrauen in Ihre ML-Lösungen. Mit der Erklärbarkeit entfällt die Notwendigkeit, mehrere manuelle Analysen durchzuführen, um vergangene Verkäufe und externe variable Trends zu verstehen und die Prognoseergebnisse zu erklären.
Um genauere Prognosen, schnellere erneute Trainings und eine bessere Erklärbarkeit des Modells zu erreichen, lesen Sie unseren Blog oder folgen Sie den Schritten in diesem Handbuch in unserem GitHub-Repository. Wenn Sie Ihre bestehenden Prognosemodelle auf die neue CreateAutoPredictor-API aktualisieren möchten, können Sie dies mit einem Klick entweder über die Konsole oder wie im Handbuch in unserem GitHub-Repository dargestellt tun. Weitere Informationen erhalten Sie unter Training-Prädiktoren. Um Einblicke in die Erklärbarkeit auf Elementebene zu erhalten, lesen Sie unseren Blog und befolgen Sie die Hinweise im Handbuch in unserem GitHub-Repository. Sie können sich auch Erklärbarkeit von Prognosen oder CreateExplainability-API ansehen.
Diese Einführungen gehen mit neuen Preisen einher, die Sie unter Preise für Amazon Forecast einsehen können. Sie können diese neuen Funktionen in allen Regionen nutzen, in denen Amazon Forecast öffentlich verfügbar ist. Weitere Informationen zur Verfügbarkeit finden Sie in den Regionalen AWS-Services.