機械学習を使用した予測精度の向上は、2023 年 12 月 31 日をもって廃止されます。それ以降も既存のデプロイ環境はすべて機能し続け、お客様は環境とデータの完全な制御を保持できますが、ソリューションのサポートやメンテナンスは行われません。
新しくデプロイを検討している場合は、「Automate the deployment of an Amazon Forecast time-series forecasting model (Amazon Forecast 時系列予測モデルのデプロイを自動化する)」ブログ記事に記載されているガイダンスを参照してください。
概要
機械学習による予測精度の向上ソリューションは、Amazon QuickSight や Amazon SageMaker Jupyter Notebook の予測を自動的に生成し、視覚化ダッシュボードを生成します。これにより、時系列入力と予測出力を表示する、すばやく簡単なドラッグアンドドロップインターフェイスがもたらされます。予測は、小売在庫の需要、サプライチェーン計画、労働力ステータス、ウェブトラフィック予測などを予測する際に適用できます。
予測は、ディメンション (小売店の場所など) またはアイテムレベルのメタデータ (製品のブランド、サイズ、色など) 間で比較できます。このデータは次の目的で使用できます。
- 既存の予測を最適化する - 中央値 (P50) 予測を使用して、時間を節約し、レガシーツールとの互換性を保持したり、プロビジョニングの過不足についてのインサイトを得たりすることができます。
- 変動する顧客の需要に対応する - P90 予測で高レベルの顧客満足度を提供します。この予測では、実際の値が予測値よりも 90% 低いと予想されます。
- 過剰なプロビジョニングを回避する - コストを節約し、P10 予測を使用して過剰なプロビジョニングを回避します。この予測では、将来の実際の需要値が予測値よりも 10% だけ低くなると予想されます。
メリット
Amazon Forecast の自動化により、複数の実験の取り込み、モデリング、および予測の処理を合理化します。
AWS Well-Architected フレームワーク手法で開発された AWS CloudFormation テンプレートを使用して、安全なワンクリックデプロイメントを提供します。
成功や失敗が生じたときにユーザーに E メールを送信して、予測を簡単に監視できます。
Amazon QuickSight Analysis または Jupyter Notebook で入力データと予測出力を組み合わせることにより、コラボレーションと実験を促進します。
技術的な詳細情報
AWS CloudFormation テンプレートは、Amazon Forecast の使用とデプロイを自動化するために必要なリソースをデプロイします。ソリューションの機能に基づいて、アーキテクチャはデータの準備、予測、データの視覚化といった 3 つの部分に分かれます。テンプレートには、次のコンポーネントが含まれています。
ステップ 1
データセットグループ、データセット予測子、予測、およびデータセット自体の構成設定を指定する、Amazon Forecast 構成用の Amazon Simple Storage Service (Amazon S3) バケット。
ステップ 2
新しいデータセットが関連する Amazon S3 バケットにアップロードされたときにトリガーされる Amazon S3 イベント通知。
ステップ 3
Machine Learning AWS Step Functions ステートマシンを使用した、改善された予測精度。これは、Amazon Forecast で Machine Learning (ML) モデルを構築、トレーニング、およびデプロイする一連の AWS Lambda 関数を組み合わせたものです。すべての AWS Step Functions は Amazon CloudWatch にログを記録します。
ステップ 4
AWS Step Functions の結果を管理ユーザーに通知する Amazon Simple Notification Service (Amazon SNS) の E メールサブスクリプション。
ステップ 5
データサイエンティストとデベロッパーがデータの準備と処理、および Forecast の出力の評価に使用できる Amazon SageMaker ノートブックインスタンス。
ステップ 6
AWS Glue ジョブは、生の予測入力データ、メタデータ、予測子のバックテストエクスポート、および予測エクスポートを組み合わせて、予測の集計ビューを生成します。
ステップ 7
Amazon Athena は、標準の SQL クエリを使用して予測出力をクエリするために使用できます。
ステップ 8
Amazon QuickSight 分析は、予測ごとに作成して、予測されたアイテムの階層とカテゴリにわたる予測出力の視覚化、およびアイテムレベルの精度メトリクスをユーザーに提供できます。ダッシュボードは、これらの分析から作成し、組織内で共有できます。
ステップ 1
データセットグループ、データセット予測子、予測、およびデータセット自体の構成設定を指定する、Amazon Forecast 構成用の Amazon Simple Storage Service (Amazon S3) バケット。
ステップ 2
新しいデータセットが関連する Amazon S3 バケットにアップロードされたときに呼び出される Amazon S3 イベント通知。
ステップ 3
Machine Learning AWS Step Functions ステートマシンを使用した、改善された予測精度。これは、Amazon Forecast で Machine Learning (ML) モデルを構築、トレーニング、およびデプロイする一連の AWS Lambda 関数を組み合わせたものです。すべての AWS Step Functions は Amazon CloudWatch にログを記録します。
ステップ 4
AWS Step Functions の結果を管理ユーザーに通知する Amazon Simple Notification Service (Amazon SNS) の E メールサブスクリプション。
ステップ 5
データサイエンティストとデベロッパーがデータの準備と処理、および Forecast の出力の評価に使用できる Amazon SageMaker ノートブックインスタンス。
ステップ 6
AWS Glue ジョブは、生の予測入力データ、メタデータ、予測子のバックテストエクスポート、および予測エクスポートを組み合わせて、予測の集計ビューを生成します。
ステップ 7
Amazon Athena は、標準の SQL クエリを使用して予測出力をクエリするために使用できます。
ステップ 8
Amazon QuickSight 分析は、予測ごとに作成して、予測されたアイテムの階層とカテゴリにわたる予測出力の視覚化、およびアイテムレベルの精度メトリクスをユーザーに提供できます。ダッシュボードは、これらの分析から作成し、組織内で共有できます。
関連コンテンツ
このブログ投稿では、Amazon Forecast と AWS で検証されたソリューション「機械学習を使用して予測の精度を向上」を使って、信頼性の高い小売業の予測システムを構築する方法を紹介します。
機械学習ソリューションによる予測精度の向上により、電力およびユーティリティ企業のための短期的な電気負荷予測が簡素化され、グリッドの信頼性を向上させる方法をご紹介します。
このコースでは、機械学習のスタックと関連用語、そして機械学習のための良い地盤を構築するのに役立つプロセスについて、明確に理解することができます。
この一連のコースを受講すれば、人工知能 (AI) がどのように機械学習 (ML) につながり、さらに深層学習 (DL) へとつながるかを理解できます。