Información general
La solución Mejora de la precisión de las previsiones con machine learning produce previsiones y genera paneles de visualización de forma automática para Amazon QuickSight o cuadernos de Jupyter de Amazon SageMaker, lo que proporciona una interfaz rápida y fácil de arrastrar y soltar que muestra la entrada de series temporales y la salida prevista. La predicción se puede aplicar para prever la demanda de inventario para venta minorista, el estado de la plantilla, el tráfico de la web, gestionar la planificación de la cadena de suministro y más.
Las predicciones se pueden comparar entre dimensiones (por ejemplo, ubicación de la tienda minorista) o según metadatos a nivel de objeto (por ejemplo, marca, tamaño y color del producto). Puede usar estos datos para lo siguiente:
- Optimice las previsiones existentes: ahorre tiempo y conserve la compatibilidad con las herramientas heredadas, o bien obtenga información sobre el exceso y la falta de aprovisionamiento mediante la previsión p50.
- Satisfaga la demanda variable de los clientes: consiga altos niveles de satisfacción de los clientes gracias a la previsión p90, en la que se espera que el valor real sea inferior al valor pronosticado el 90 % de las veces.
- Evite el exceso de aprovisionamiento: ahorre costos y evite el exceso de aprovisionamiento gracias a la previsión p10, en la que se espera que el verdadero valor de la demanda futura sea inferior al valor pronosticado solo el 10 % de las veces.
Beneficios
Agilice el proceso de la incorporación, la generación de modelos y la predicción de múltiples experimentos gracias a la automatización de Amazon Forecast.
Brinde una implementación segura con un solo clic mediante la plantilla de AWS CloudFormation, desarrollada con las metodologías del Marco de AWS Well-Architected.
Supervise de forma sencilla las predicciones con el envío de correos electrónicos a los usuarios cuando se produzcan aciertos o errores.
Facilite la colaboración y experimentación al combinar los datos de entrada y resultados de las previsiones en un análisis de Amazon QuickSight o Cuadernos de Jupyter.
Detalles técnicos
La plantilla de AWS CloudFormation implementa los recursos necesarios para automatizar las implementaciones y el uso de Amazon Forecast. Con base en las características de la solución, la arquitectura está dividida en tres partes: preparación de datos, predicción y visualización de datos. La plantilla incluye los componentes siguientes:
Paso 1
Un bucket de Amazon Simple Storage Service (Amazon S3) para la configuración de Amazon Forecast, en el que especifica la configuración para sus grupos de conjunto de datos, indicadores de grupos de datos y predicciones, así como los conjuntos de datos en sí.
Paso 2
Una notificación de evento de Amazon S3 que se activa al cargar nuevos conjuntos de datos al bucket de Amazon S3 relacionado.
Paso 3
Una máquina de estado de AWS Step Functions de Mayor precisión en las previsiones gracias al machine learning. Combina una serie de funciones de AWS Lambda que crean, entrenan e implementan sus modelos de machine learning (ML) en Amazon Forecast. Todas las funciones de AWS Step Functions se registran en Amazon CloudWatch.
Paso 4
Una suscripción por correo electrónico a Amazon Simple Notification Service (Amazon SNS) que notifica a los usuarios administrativos los resultados de AWS Step Functions.
Paso 5
Una instancia de cuaderno de Amazon SageMaker que los científicos de datos y los desarrolladores pueden usar para preparar y procesar los datos y evaluar el resultado de Forecast.
Paso 6
Un trabajo de AWS Glue combina datos de entrada de pronóstico sin procesar, metadatos, exportaciones retrospectivas de indicadores y exportaciones de previsiones en una vista agregada de sus previsiones.
Paso 7
Amazon Athena puede usarse para consultar los resultados de su pronóstico mediante consultas SQL estándar.
Paso 8
Pueden crearse análisis de Amazon QuickSight para cada previsión para proporcionar a los usuarios una visualización de los resultados del pronóstico entre jerarquías y categorías de elementos previstos, a la vez que métricas de precisión para cada elemento. Pueden crearse paneles a partir de estos análisis y compartirse con su organización.
Paso 1
Un bucket de Amazon Simple Storage Service (Amazon S3) para la configuración de Amazon Forecast, en el que especifica la configuración para sus grupos de conjunto de datos, indicadores de grupos de datos y predicciones, así como los conjuntos de datos en sí.
Paso 2
Una notificación de evento de Amazon S3 que se invoca cuando se cargan nuevos conjuntos de datos en el bucket de Amazon S3 relacionado.
Paso 3
Una máquina de estado de AWS Step Functions de Mayor precisión en las previsiones gracias al machine learning. Combina una serie de funciones de AWS Lambda que crean, entrenan e implementan sus modelos de machine learning (ML) en Amazon Forecast. Todas las funciones de AWS Step Functions se registran en Amazon CloudWatch.
Paso 4
Una suscripción por correo electrónico a Amazon Simple Notification Service (Amazon SNS) que notifica a los usuarios administrativos los resultados de AWS Step Functions.
Paso 5
Una instancia de cuaderno de Amazon SageMaker que los científicos de datos y los desarrolladores pueden usar para preparar y procesar los datos y evaluar el resultado de Forecast.
Paso 6
Un trabajo de AWS Glue combina datos de entrada de pronóstico sin procesar, metadatos, exportaciones retrospectivas de indicadores y exportaciones de previsiones en una vista agregada de sus previsiones.
Paso 7
Amazon Athena puede usarse para consultar los resultados de su pronóstico mediante consultas SQL estándar.
Paso 8
Pueden crearse análisis de Amazon QuickSight para cada previsión para proporcionar a los usuarios una visualización de los resultados del pronóstico entre jerarquías y categorías de elementos previstos, a la vez que métricas de precisión para cada elemento. Pueden crearse paneles a partir de estos análisis y compartirse con su organización.
Contenido relacionado
Descubra cómo la empresa tecnológica App8 desarrolló una herramienta que podía predecir el volumen de clientes y la demanda para elementos del menú determinados mediante la solución Mayor precisión en las previsiones gracias al machine learning.
En esta publicación del blog, le mostraremos cómo crear un sistema de pronósticos minoristas confiable mediante Amazon Forecast y una solución aprobada por AWS llamada Mayor precisión en los pronósticos gracias al Machine Learning.
Descubra cómo la solución Mayor precisión en las previsiones gracias al machine learning simplifica el pronóstico de la carga eléctrica a corto plazo para la energía y los servicios públicos con el fin de mejorar la fiabilidad de la red.
En este curso, se aclaran el concepto de la pila de machine learning y los términos y los procesos que lo ayudarán a desarrollar una buena base de conocimientos sobre machine learning.
Después de realizar este conjunto de cursos, comprenderá cómo la inteligencia artificial (IA) permitió el machine learning (ML), que luego llevó al aprendizaje profundo.