L'amélioration de la précision des prévisions grâce au machine learning sera supprimée le 31 décembre 2023. Passé ce délai, tous les déploiements existants continueront de fonctionner et les clients conserveront le contrôle total de leurs environnements et de leurs données. Toutefois, la solution ne sera plus prise en charge ni maintenue.
Si vous envisagez un nouveau déploiement, veuillez consulter l'article de blog Automatiser le déploiement d'un modèle de prévision de séries chronologiques Amazon Forecast.
Présentation

La solution Amélioration de la précision des prévisions avec le Machine Learning produit automatiquement des prévisions et génère des tableaux de bord de visualisation pour Amazon QuickSight ou Amazon SageMaker Jupyter Notebooks. Son interface simple et facile à utiliser par glisser-déposer affiche les entrées de séries chronologiques et les sorties prévues. Les prévisions peuvent être appliquées pour prévoir la demande de stocks de détail, la planification de la chaîne d'approvisionnement, l'état de la main-d'œuvre, la prévision du trafic sur Internet, etc.
Les prévisions peuvent être comparées entre les dimensions (par exemple, l'emplacement du magasin de vente au détail) ou les métadonnées au niveau de l'article (par exemple, la marque, la taille et la couleur du produit). Vous pouvez utiliser ces données pour les raisons suivantes :
- Optimiser les prévisions existantes – Gagnez du temps et conservez la compatibilité avec vos outils existants, ou obtenez des informations sur le sur- et le sous-provisionnement, grâce à la prévision médiane (P50).
- Répondre à une demande variable des clients – Offrez des niveaux élevés de satisfaction client grâce à la prévision P90, où la valeur réelle doit être inférieure à la valeur prévue 90 % du temps.
- Éviter le surapprovisionnement – Économisez sur les coûts et évitez le surapprovisionnement avec la prévision P10, où la valeur réelle de la demande future ne doit être inférieure à la valeur prévue que 10 % du temps.
Avantages

Rationalisez le processus d'ingestion, de modélisation et de prévision de plusieurs expérimentations grâce à l'automatisation d'Amazon Forecast.
Fournissez un déploiement sécurisé en un clic en utilisant un modèle AWS CloudFormation développé avec les méthodologies du cadre AWS Well-Architected.
Surveillez facilement les prévisions en envoyant des e-mails aux utilisateurs lorsque des succès et des échecs se produisent.
Facilitez la collaboration et l'expérimentation en combinant vos données d'entrée et la prévision générée dans une analyse Amazon QuickSight ou un bloc-notes Jupyter.
Détails techniques

Le modèle AWS CloudFormation déploie les ressources requises pour automatiser votre utilisation et vos déploiements d'Amazon Forecast. En fonction des capacités de la solution, l'architecture est divisée en trois parties : préparation des données, prévisions et visualisation des données. Le modèle comprend les composants suivants :
Étape 1
Un compartiment Amazon Simple Storage Service (Amazon S3) pour la configuration d'Amazon Forecast, dans lequel vous spécifiez les paramètres de configuration pour vos groupes de jeux de données, prédicteurs de jeu de données et prévisions, ainsi que les jeux de données eux-mêmes.
Étape 2
Une notification d'événement Amazon S3 qui se déclenche lorsque de nouveaux jeux de données sont chargés dans le compartiment Amazon S3 connexe.
Étape 3
Machine d'état AWS Step Functions pour Amélioration de la précision des prévisions avec le Machine Learning. Elle combine une série de fonctions AWS Lambda qui créent, entraînent et déploient vos modèles Machine Learning (ML) dans Amazon Forecast. La journalisation de toutes les AWS Step Functions se fait sur Amazon CloudWatch.
Étape 4
Un abonnement par e-mail à Amazon Simple Notification Service (Amazon SNS) qui informe les utilisateurs administratifs des résultats d'AWS Step Functions.
Étape 5
Une instance de bloc-notes Amazon SageMaker que les spécialistes des données et les développeurs peuvent utiliser pour préparer les données, les traiter et évaluer la prévision générée.
Étape 6
Une tâche AWS Glue combine des données d'entrée de prévisions brutes, des métadonnées, des exportations de tests rétroactifs de prédicteurs et des exportations de prévisions sous la forme d'une vue agrégée de vos prévisions.
Étape 7
Amazon Athena peut être utilisé pour interroger votre prévision générée au moyen de requêtes SQL standard.
Étape 8
Des analyses Amazon QuickSight peuvent être créées pour chaque prévision, afin de fournir aux utilisateurs une visualisation de la prévision générée par hiérarchies et catégories d'éléments prévus, ainsi que des métriques de précision au niveau de l'élément. Des tableaux de bord peuvent être créés à partir de ces analyses et partagés au sein de votre entreprise.
Rubriques connexes

Découvrez comment l'entreprise technologique App8 a mis au point un outil capable de prévoir le volume de la clientèle et la demande pour certains éléments du menu grâce à la solution Amélioration de la précision des prévisions avec le Machine Learning.

Dans ce billet de blog, nous vous montrons comment créer un système de prédiction fiable pour la vente au détail à l'aide d'Amazon Forecast et d'Improving Forecast Accuracy with Machine Learning, une solution approuvée par AWS.
Découvrez comment la solution Amélioration de la précision des prévisions avec le Machine Learning simplifie la prévision de la demande en énergie électrique à court terme pour les compagnies d'électricité et les installations de services publics afin d'améliorer la fiabilité du réseau.
Ce cours clarifie à la fois la pile du machine learning et les termes et processus qui vous aident à bâtir une solide base dans le machine learning.
Après avoir suivi cette série de cours, vous saurez comment l'intelligence artificielle a mené au machine learning, puis au deep learning.