Amazon Forecast utilise désormais les réseaux de neurones conventionnels (CNN) pour entraîner les modèles de prévision jusqu'à 2 fois plus rapidement avec une précision jusqu'à 30 % supérieure.

Amazon Forecast utilise le machine learning pour vous permettre de générer des prévisions précises de la demande sans expérience préalable en ML en matière de planification des stocks, de planification des effectifs, de prévision de la demande énergétique et de prévision de l'utilisation de l'infrastructure cloud. La technologie repose sur plus de 20 ans de prévisions sur Amazon.com. Amazon Forecast est un service entièrement géré, ce qui signifie qu'il n'y a pas de serveurs à allouer ni de modèles de machine learning à créer, à former ou à déployer. 

Nous sommes heureux d'annoncer qu'Amazon Forecast peut désormais utiliser les réseaux de neurones conventionnels (CNN) pour entraîner les modèles de prévision jusqu'à 2 fois plus rapidement avec une précision jusqu'à 30 % supérieure. Les algorithmes de CNN sont une classe d'algorithmes de machine learning (ML) basés sur les réseaux de neurones qui jouent un rôle essentiel dans le système de prévision de la demande d'Amazon.com et permettent à Amazon.com de prévoir la demande pour plus de 400 millions de produits chaque jour. Pour en savoir plus sur la technologie de prévision de la demande d'Amazon.com utilisant les modèles de CNN, regardez la vidéo de sa présentation lors du re:MARS 2019. Forecast donne aux développeurs ordinaires accès à la même technologie que celle utilisée sur Amazon.com, sous la forme d'un service entièrement géré. Tout le monde peut commencer à utiliser Forecast depuis la console Forecast ou l'API sans aucune expérience préalable en matière de ML.  

Au fil des ans, nous avons appris chez Amazon qu'aucun algorithme ne fournit les prévisions les plus précises pour tous les types de données. Les modèles statistiques traditionnels ont été utiles pour prévoir la demande de produits régulièrement demandés, notamment les crèmes solaires en été et les vêtements en laine en hiver. Néanmoins, les modèles statistiques ne peuvent pas fournir des prévisions précises pour des scénarios plus complexes comme les changements fréquents de prix, les différences entre la demande régionale et nationale, les produits dont la vitesse de vente est différente et l'ajout de nouveaux produits. Une prévision plus précise de ces cas d'utilisation est possible grâce à des modèles sophistiqués de deep learning. Forecast examine automatiquement vos données et sélectionne le meilleur algorithme parmi un ensemble d'algorithmes statistiques et de deep learning afin d'entraîner le modèle de prévision le plus précis pour vos données. Avec l'ajout de l'algorithme de deep learning basé sur les CNN, Forecast peut désormais améliorer davantage la précision jusqu'à 30 % et entraîner les modèles jusqu'à 2 fois plus rapidement par rapport aux algorithmes actuellement pris en charge. Ce nouvel algorithme peut détecter avec plus de précision les indicateurs avancés de la demande comme les informations de précommande, les visites de pages de produits, les changements de prix et les pics promotionnels afin d'établir des prévisions plus précises.  

Pour démarrer, apprenez-en plus sur l'utilisation de l'algorithme des CNN sur notre blog et consultez la documentation de l'algorithme CNN-QR. Le nouvel algorithme des CNN est disponible dans toutes les régions où Forecast est accessible au grand public. Pour en savoir plus sur la disponibilité par région, consultez le Tableau des régions.