Visão geral
A solução “Melhorar a precisão de previsões com machine learning” produz previsões automaticamente e gera painéis de visualização para Amazon QuickSight ou cadernos Jupyter do Amazon SageMaker, fornecendo uma interface de arrastar e soltar rápida e fácil que exibe entrada de série temporal e saída prevista. A previsão pode ser aplicada para prever a demanda de estoque de varejo, o planejamento da cadeia de suprimentos, o status da força de trabalho, o tráfego da Web e muito mais.
As previsões podem ser comparadas entre dimensões (por exemplo, localização da loja de varejo) ou metadados em nível de item (por exemplo, marca, tamanho e cor do produto). Você pode usar esses dados para:
- Otimizar as previsões existentes: economize tempo e mantenha a compatibilidade com suas ferramentas herdadas ou obtenha insights sobre o provisionamento em excesso ou insuficiente com a previsão p50.
- Atender à demanda variável do cliente: fornece altos níveis de satisfação do cliente com a previsão p90, em que o valor verdadeiro deve ser inferior ao valor previsto 90% do tempo.
- Evite o superprovisionamento: economize nos custos e evite o superprovisionamento com a previsão p10, em que o verdadeiro valor da demanda futura será menor do que o valor previsto em apenas 10% do tempo.
Benefícios
Simplifique o processo de ingestão, modelagem e previsão de vários experimentos por meio da automação do Amazon Forecast.
Fornece uma implantação segura com um único clique usando um modelo do AWS CloudFormation desenvolvido com as metodologias da AWS Well-Architected Framework.
Monitore previsões facilmente enviando e-mails aos usuários quando ocorrerem sucessos e falhas.
Facilite a colaboração e a experimentação combinando seus dados de entrada e resultados de previsão em uma análise do Amazon QuickSight ou um caderno Jupyter.
Detalhes técnicos
O modelo do AWS CloudFormation implanta os recursos necessários para automatizar o uso e as implantações do Amazon Forecast. Com base nos recursos da solução, a arquitetura é dividida em três partes: preparação de dados, previsão e visualização de dados. O modelo inclui os seguintes componentes:
Etapa 1
Um bucket do Amazon Simple Storage Service (Amazon S3) para a configuração do Amazon Forecast, no qual você especifica as definições de configuração para os grupos de conjuntos de dados, preditores de conjuntos de dados e previsões, bem como os próprios conjuntos de dados.
Etapa 2
Uma notificação de evento do Amazon S3 que é acionada quando novos conjuntos de dados são carregados no bucket do Amazon S3 relacionado.
Etapa 3
Uma precisão de previsões aprimorada com máquina de estado do AWS Step Functions usando machine learning. Combina uma série de funções do AWS Lambda que criam, treinam e implantam seus modelos de Machine Learning (ML) no Amazon Forecast. Todo o conteúdo do AWS Step Functions é registrado no Amazon CloudWatch.
Etapa 4
Uma assinatura de e-mail do Amazon Simple Notification Service (Amazon SNS) que notifica os usuários administrativos sobre os resultados do AWS Step Functions.
Etapa 5
Uma instância de cadernos do Amazon SageMaker que cientistas de dados e desenvolvedores podem usar para preparar e processar dados e avaliar o resultado da previsão.
Etapa 6
Um trabalho do AWS Glue combina dados de entrada de previsão brutos, metadados, exportações de backtest de preditor e exportações de previsão em uma visualização agregada das previsões.
Etapa 7
É possível usar o Amazon Athena para consultar resultados de previsão usando consultas SQL padrão.
Etapa 8
As análises do Amazon QuickSight podem ser criadas por previsão para fornecer aos usuários visualização de resultados de previsão em hierarquias e categorias de itens previstos, bem como métricas de precisão no nível do item. Os painéis podem ser criados com base nessas análises e compartilhados na sua empresa.
Etapa 1
Um bucket do Amazon Simple Storage Service (Amazon S3) para a configuração do Amazon Forecast, no qual você especifica as definições de configuração para os grupos de conjuntos de dados, preditores de conjuntos de dados e previsões, bem como os próprios conjuntos de dados.
Etapa 2
Uma notificação de evento do Amazon S3 que é invocada quando novos conjuntos de dados são carregados no bucket do Amazon S3 relacionado.
Etapa 3
Uma precisão de previsões aprimorada com máquina de estado do AWS Step Functions usando machine learning. Combina uma série de funções do AWS Lambda que criam, treinam e implantam seus modelos de Machine Learning (ML) no Amazon Forecast. Todo o conteúdo do AWS Step Functions é registrado no Amazon CloudWatch.
Etapa 4
Uma assinatura de e-mail do Amazon Simple Notification Service (Amazon SNS) que notifica os usuários administrativos sobre os resultados do AWS Step Functions.
Etapa 5
Uma instância de cadernos do Amazon SageMaker que cientistas de dados e desenvolvedores podem usar para preparar e processar dados e avaliar o resultado da previsão.
Etapa 6
Um trabalho do AWS Glue combina dados de entrada de previsão brutos, metadados, exportações de backtest de preditor e exportações de previsão em uma visualização agregada das previsões.
Etapa 7
É possível usar o Amazon Athena para consultar resultados de previsão usando consultas SQL padrão.
Etapa 8
As análises do Amazon QuickSight podem ser criadas por previsão para fornecer aos usuários visualização de resultados de previsão em hierarquias e categorias de itens previstos, bem como métricas de precisão no nível do item. Os painéis podem ser criados com base nessas análises e compartilhados na sua empresa.
Conteúdo relacionado
Saiba como a empresa de tecnologia App8 desenvolveu uma ferramenta que pode prever o volume e a demanda do cliente por itens de menu específicos usando a solução Melhorando a Precisão da Previsão com machine learning.
Nesta postagem do blog, mostraremos como construir um sistema confiável de previsão de varejo usando Amazon Forecast e uma solução aprovada pela AWS chamada Melhorando a Precisão da Previsão com machine learning.
Aprenda como a solução Melhorando a Precisão da Previsão com machine learning simplifica a previsão de carga elétrica de curto prazo para energia e serviços públicos para melhorar a confiabilidade da rede.
Compreenda a pilha de machine learning, bem como os termos e os processos que ajudarão a criar uma boa base em machine learning.
Depois de fazer esse conjunto de cursos, você entenderá como a Inteligência artificial (IA) abriu caminho para o Machine learning (ML) que, por sua vez, abriu o caminho para o aprendizado profundo (DL).