Panoramica
La soluzione Miglioramento della precisione delle previsioni con il machine learning produce automaticamente previsioni e genera pannelli di controllo di visualizzazione per notebook Jupyter di Amazon QuickSight o Amazon SageMaker, così da fornire un'interfaccia a trascinamento rapida e semplice che mostra l'input di serie temporali e l'output previsto. È possibile impiegare le previsioni per prevedere la domanda dell'inventario della vendita al dettaglio, la pianificazione della catena di distribuzione, lo stato del personale, le previsioni sul traffico Web e molto altro ancora.
È possibile confrontare le previsioni tra le dimensioni (ad esempio la sede di un negozio) o metadati a livello di articolo (ad esempio marchio del prodotto, taglia e colore). Puoi usare questi dati per:
- Ottimizzare le previsioni esistenti: risparmia tempo e mantieni la compatibilità con i tuoi strumenti legacy, oppure ottieni informazioni dettagliate su eventuali provisioning eccessivi o insufficienti con la previsione p50.
- Soddisfare le variazioni della domanda dei clienti: assicura un alto livello di soddisfazione dei clienti con la previsione p90, in cui si prevede che il reale valore sia inferiore al valore previsto il 90% delle volte.
- Evitare il provisioning eccessivo: taglia i costi ed evita il provisioning eccessivo con la previsione p10, in cui si prevede che il reale valore della domanda futura sia inferiore al valore previsto soltanto il 10% delle volte.
Vantaggi
Ottimizza il processo di acquisizione, modellazione e previsione di più esperimenti tramite l'automazione di Amazon Forecast.
Offri una implementazione sicura con un clic utilizzando un modello AWS CloudFormation sviluppato con le metodologie del framework AWS Well-Architected.
Monitora facilmente le previsioni tramite l'invio di una e-mail agli utenti in caso di operazioni riuscite o non riuscite.
Semplifica la collaborazione e la sperimentazione perché combina i dati di input e l'output di previsione in un notebook Jupyter o un notebook di analisi di Amazon QuickSight.
Dettagli tecnici
Il modello AWS CloudFormation implementa le risorse necessarie per automatizzare l'utilizzo e l'implementazione di Amazon Forecast. In base alle capacità della soluzione, l'architettura viene suddivisa in tre parti: preparazione dei dati, previsione e visualizzazione dei dati. Il modello include i seguenti componenti:
Fase 1
Un bucket Amazon Simple Storage Service (Amazon S3) per la configurazione di Amazon Forecast, in cui specifichi le impostazioni di configurazione per i gruppi di set di dati, i predittori dei set di dati e le previsioni, nonché per gli stessi set di dati.
Fase 2
Una notifica di evento di Amazon S3 che si attiva quando i nuovi set di dati vengono caricati nel relativo bucket Amazon S3.
Fase 3
Una macchina a stati AWS Step Functions per il miglioramento della precisione delle previsioni con il machine learning. Questa combina una serie di funzioni AWS Lambda che creano, addestrano e implementano i modelli di machine learning (ML) in Amazon Forecast. Tutte le funzioni di AWS Step Functions registrano in Amazon CloudWatch.
Fase 4
Una sottoscrizione e-mail a un servizio di notifica semplice Amazon (Amazon SNS) che invia una notifica agli utenti amministratori contenente i risultati di AWS Step Functions.
Fase 5
Un'istanza del notebook Amazon SageMaker che i data scientist e gli sviluppatori possono utilizzare per preparare ed elaborare i dati, nonché per valutare l'output delle previsioni.
Fase 6
Un processo di AWS Glue combina dati di input non elaborati delle previsioni, metadati, esportazioni backtest di predittori ed esportazioni di previsioni in una visualizzazione aggregata delle previsioni.
Fase 7
Amazon Athena può essere utilizzato per eseguire query sull'output delle previsioni tramite query SQL standard.
Fase 8
È possibile creare analisi di Amazon QuickSight per ciascuna previsione in modo da fornire agli utenti la visualizzazione dell'output delle previsioni in tutte le gerarchie e le categorie degli articoli oggetto di previsione, nonché dei parametri di precisione a livello di elemento. Da queste analisi è possibile creare pannelli di controllo e condividerli all'interno dell'organizzazione.
Fase 1
Un bucket Amazon Simple Storage Service (Amazon S3) per la configurazione di Amazon Forecast, in cui specifichi le impostazioni di configurazione per i gruppi di set di dati, i predittori dei set di dati e le previsioni, nonché per gli stessi set di dati.
Fase 2
Una notifica di evento di Amazon S3 che si viene richiamata quando i nuovi set di dati vengono caricati nel relativo bucket Amazon S3.
Fase 3
Una macchina a stati AWS Step Functions per il miglioramento della precisione delle previsioni con il machine learning. Questa combina una serie di funzioni AWS Lambda che creano, addestrano e implementano i modelli di machine learning (ML) in Amazon Forecast. Tutte le funzioni di AWS Step Functions registrano in Amazon CloudWatch.
Fase 4
Una sottoscrizione e-mail a un servizio di notifica semplice Amazon (Amazon SNS) che invia una notifica agli utenti amministratori contenente i risultati di AWS Step Functions.
Fase 5
Un'istanza del notebook Amazon SageMaker che i data scientist e gli sviluppatori possono utilizzare per preparare ed elaborare i dati, nonché per valutare l'output delle previsioni.
Fase 6
Un processo di AWS Glue combina dati di input non elaborati delle previsioni, metadati, esportazioni backtest di predittori ed esportazioni di previsioni in una visualizzazione aggregata delle previsioni.
Fase 7
Amazon Athena può essere utilizzato per eseguire query sull'output delle previsioni tramite query SQL standard.
Fase 8
È possibile creare analisi di Amazon QuickSight per ciascuna previsione in modo da fornire agli utenti la visualizzazione dell'output delle previsioni in tutte le gerarchie e le categorie degli articoli oggetto di previsione, nonché dei parametri di precisione a livello di elemento. Da queste analisi è possibile creare pannelli di controllo e condividerli all'interno dell'organizzazione.
Contenuto correlato
Scopri come l'azienda tecnologica App8 ha sviluppato uno strumento in grado di prevedere il volume dei clienti e la domanda di particolari elementi del menu utilizzando la soluzione Miglioramento della precisione delle previsioni con il machine learning.
In questo post del blog, ti mostreremo come costruire un sistema di previsione di vendita al dettaglio affidabile utilizzando Amazon Forecast e una soluzione verificata da AWS chiamata Migliorare la precisione delle previsioni con Machine Learning.
Scopri come la soluzione Miglioramento della precisione delle previsioni con il machine learning semplifica la previsione del carico elettrico a breve termine per energia e bollette al fine di perfezionare l'affidabilità della rete.
Questo corso chiarirà sia lo stack di machine learning che i termini e i processi che ti aiuteranno ad acquisire una buona base di conoscenze sul machine learning.
Dopo aver partecipato a questo insieme di corsi, saprai come l'intelligenza artificiale (IA) porta al machine learning (ML) che ha come conseguenza il deep learning (DL).