개요

Improving Forecast Accuracy with Machine Learning 솔루션은 예측을 자동으로 생성하고 Amazon QuickSight 또는 Amazon SageMaker Jupyter Notebook에 사용할 수 있는 시각화 대시보드를 생성하여 시계열 입력 및 예측 출력을 표시하는 쉽고 빠른 끌어서 놓기 인터페이스를 제공합니다. 소매점 재고 수요, 공급망 계획, 인력 상태, 웹 트래픽 예측 등을 예측하는 데 예측을 적용할 수 있습니다.
예측은 차원(예: 소매점 지점) 또는 항목 레벨 메타데이터(예: 제품 브랜드, 크기, 색상) 전 범위에 걸쳐 비교할 수 있습니다. 이 데이터를 다음에 사용할 수 있습니다.
- 기존 예측 최적화 - p50 예측을 사용하여 시간을 절약하고 레거시 도구와의 호환성을 유지하거나, 과도한 또는 부족한 프로비저닝에 대한 가시성을 확보합니다.
- 가변적인 고객 수요 충족 - p90 예측을 사용하여 높은 수준의 고객 만족도를 제공합니다. p90 예측은 90%의 시간에 실제 값이 예측 값보다 낮을 것으로 예상합니다.
- 과도한 프로비저닝 방지 - p10 예측을 사용하여 비용을 절감하고 과도한 프로비저닝을 방지합니다. p10 예측은 10%의 시간에만 실제 향후 수요 값이 예측된 값보다 낮을 것으로 예상합니다.
이점

Amazon Forecast의 자동화 기능을 통해 여러 실험의 수집, 모델링 및 예측을 간편하게 처리할 수 있습니다.
AWS Well-Architected Framework 방법론으로 개발된 AWS CloudFormation 템플릿을 사용하여 클릭 한 번으로 안전하게 배포할 수 있습니다.
성공 및 실패 시 사용자에게 이메일로 알림이 전송되므로 예측을 손쉽게 모니터링할 수 있습니다.
Amazon QuickSight 분석 또는 Jupyter Notebook에서 입력 데이터와 예측 출력을 결합하여 협업 및 실험을 촉진합니다.
기술 세부 정보

AWS CloudFormation 템플릿은 Amazon Forecast 사용 및 배포를 자동화하는 데 필요한 리소스를 배포합니다. 솔루션의 기능에 따라 아키텍처는 데이터 준비, 예측 및 데이터 시각화의 세 부분으로 나뉩니다. 템플릿에는 다음 구성 요소가 포함됩니다.
1단계
Amazon Forecast 구성을 위한 Amazon Simple Storage Service(S3) 버킷. 데이터 세트, 그룹, 데이터 세트 예측자 및 예측과 데이터 세트 자체에 대한 구성 설정을 지정할 수 있습니다.
2단계
새 데이터 세트가 관련 Amazon S3 버킷에 업로드될 때 호출되는 Amazon S3 이벤트 알림
3단계
Improving Forecast Accuracy with Machine Learning AWS Step Functions 상태 머신. 상태 머신은 Amazon Forecast에 기계 학습(ML) 모델을 구축, 훈련 및 배포하는 일련의 AWS Lambda 함수를 결합합니다. Amazon CloudWatch에 대한 모든 AWS Step Functions 로그
4단계
관리자에게 AWS Step Functions의 결과를 알리는 Amazon Simple Notification Service(SNS) 이메일 구독
5단계
데이터 사이언티스트 및 개발자가 데이터를 준비 및 처리하고 Forecast 출력을 평가하는 데 사용할 수 있는 Amazon SageMaker 노트북 인스턴스
6단계
AWS Glue 작업은 원시 예측 입력 데이터, 메타데이터, 예측자 백테스트 내보내기 및 예측 내보내기를 집계된 예측 보기로 결합합니다.
7단계
Amazon Athena에서 표준 SQL 쿼리를 사용하여 예측 출력을 쿼리할 수 있습니다.
8단계
각 예측에서 Amazon QuickSight 분석을 생성하여 사용자에게 예측된 항목의 계층 구조 및 카테고리에 걸친 예측 출력 시각화와 항목 수준 정확도 지표를 제공할 수 있습니다. 이 분석에서 대시보드를 생성하고 조직 내에서 공유할 수 있습니다.
관련 콘텐츠

이 블로그 게시물에서는 Amazon Forecast와 Improving Forecast Accuracy with Machine Learning이라는 AWS에서 검증한 솔루션을 사용하여 안정적인 소매 예측 시스템을 구축하는 방법을 설명합니다.
Improving Forecast Accuracy with Machine Learning 솔루션에서 전력 및 공익 사업의 단기 전기 부하 예측을 간소화하여 전력망의 안정성을 개선하는 방법을 알아보십시오.
이 교육 과정에서는 기계 학습 스택과 기계 학습의 좋은 토대를 구축하는 데 도움이 될 용어 및 프로세스를 명확하게 설명합니다.
이 일련의 교육 과정을 수강하고 나면 인공 지능(AI), 기계 학습(ML), 그리고 딥 러닝(DL)으로 이어지는 기술의 상관관계를 이해할 수 있습니다.