あらゆる規模の組織が、ビジネスを成長させ、効率を改善し、これまで以上に顧客にサービスを提供しようと努力しています。 未来は不確実ですが、データ駆動型の科学に基づくアプローチは、選択の海をうまくナビゲートするために何が待ち受けているかを予測するのに役立ちます。
すべての業界は時系列予測を使用して、次のようなさまざまな計画のニーズに対応しています。
この投稿では、開始するための XNUMX つのベスト プラクティスについて概説します。 アマゾン予測、および非常に正確な機械学習 (ML) 予測の力をビジネスに適用します。
Amazon が予測する理由
AWS は、Amazon Forecast と呼ばれる完全マネージド型の時系列予測サービスを提供しています。これにより、ML の専門知識がなくても、進行中の自動化された時系列予測を生成および維持できます。 さらに、コードを記述したり、ML モデルを構築したり、インフラストラクチャを管理したりする必要なく、反復可能な予測操作を構築してデプロイできます。
Forecast の機能により、アナリストやサプライ チェーン マネージャーから開発者や ML の専門家まで、幅広い顧客の役割に対応できます。 顧客が Forecast を好む理由はいくつかあります。それは、高い精度、再現性のある結果、および専門の技術リソースが利用可能になるのを待たずにセルフサービスできる機能を提供することです。 予測は、自己調整されたモデルのアンサンブルに基づいて非常に正確な結果を提供し、特定のサイズのクラスターをデプロイまたは管理する必要なく迅速に実験できる柔軟性があるため、データ サイエンスの専門家によっても選択されています。 また、その ML モデルにより、多数のアイテムの予測をサポートしやすくなり、正確なデータを生成できます。 コールド スタート品目の予測 履歴なし。
Forecast を開始する際の XNUMX つのベスト プラクティス
Forecast は、開発者やデータ サイエンティストに高い精度と迅速な市場投入を提供します。 非常に正確な時系列モデルの開発は簡単になりましたが、この投稿では、オンボーディングと価値実現までの時間を短縮するためのベスト プラクティスを紹介します。 成功するには、多少の厳密さと、おそらく数回の実験を適用する必要があります。 予測ジャーニーの成功は、いくつかの微妙な要因に依存します。
これらは、Forecast の使用を開始する際に考慮すべきいくつかの重要な項目です。
シンプルに始める
次のフライホイールに示すように、単純なモデルから始めることを検討してください。 対象時系列 最初の入力データ セットを提案する際にベースラインを作成するためのデータセット。 後続の実験では、他の要素を追加できます 時間的特徴 および 静的メタデータ モデルの精度を向上させることを目的としています。 変更が行われるたびに、その変更がどれだけ役立ったかを測定して知ることができます。 評価に応じて、提供された新しい機能セットを維持するか、ピボットして別のオプションを試すかを決定できます。
外れ値に注目する
Forecast を使用すると、データセット全体の精度統計を取得できます。 このトップレベルの統計は興味深いものですが、方向性のみが正しいと見なす必要があることを認識することが重要です。 トップレベルの統計ではなく、アイテムレベルの精度統計に集中する必要があります。 次の散布図を参考にしてください。 データセット内の一部の項目は精度が高くなります。 これらについては、アクションは必要ありません。
モデルを構築する際、「探索的時系列」とラベル付けされたポイントのいくつかを探索する必要があります。 これらの探索的なケースでは、価格の変動、販促費、明示的な季節性機能、およびローカル、市場、グローバル、およびその他の現実世界のイベントや条件を含めるなど、より多くの入力データを組み込むことによって精度を向上させる方法を決定します。
予測を作成する前に予測精度を確認する
バックテスト期間中に予測の精度を確認するまで、Forecast で先日付の予測を作成しないでください。 前の散布図は、時系列レベルの精度を示しています。これは、他のすべてが同じである場合に、将来の日付の予測がどのように見えるかを示す最良の指標です。 この期間で必要なレベルの精度が得られない場合は、非効率な支出につながる可能性があるため、将来の日付の予測操作を続行しないでください。 代わりに、前述のように、入力データを増強し、イノベーション フライホイールで別のラウンドを試すことに集中してください。
トレーニング時間を短縮
XNUMX つのメカニズムによってトレーニング時間を短縮できます。 まず、Forecast の 再訓練機能 転移学習によるトレーニング時間の短縮に役立ちます。 第二に、モデルのドリフトを防ぐ 予測監視 必要な時だけ訓練する。
反復可能なプロセスを構築する
を通じて Forecast ワークフローを構築しないことをお勧めします。 AWSマネジメントコンソール または、少なくとも API を評価するまで API をゼロから使用する AWS サンプル GitHub リポジトリ. GitHub サンプルに関する私たちの使命は、よく考えて設計された反復可能なワークフローを使用して、摩擦を取り除き、市場投入までの時間を短縮することです。 これらのワークフローはサーバーレスであり、定期的に実行するようにスケジュールできます。
公式の GitHub リポジトリにアクセスしてください。提供されている手順に従って、ソリューション ガイダンスをすばやくデプロイできます。 次の図に示すように、ワークフローは、履歴データの取得、インポート、モデルの構築、モデルに対する推論の生成をすべてコードを記述することなく実行できる、完全なエンド ツー エンドのパイプラインを提供します。
次の図は、サポートされている無数のデータベース ソースからモデル トレーニング用の履歴データを収集できる XNUMX つのモジュールのみを詳しく示しています。 AmazonAthenaフェデレーションクエリ.
今日から始めましょう
完全に自動化された制作ワークフローを数日から数週間で実装できます。 GitHub サンプル リポジトリ.
この re:Invent ビデオは、この GitHub モデルを使用してワークフローを自動化したお客様のユース ケースを紹介しています。
Forecast には、非常に正確な ML ベースの予測を通じてビジネス目標を達成するのに役立つ多くの機能が組み込まれています。 質問がある場合は、AWS アカウント チームに連絡し、ガイダンスと指示を提供するために時系列の専門家と話したいことを知らせることをお勧めします。 また、Forecast の使用方法を学習するためのワークショップも提供しています。
御社の需要予測の自動化と改善に取り組む皆様と御社をサポートするために、私たちはここにいます。 より正確な予測は、売り上げの増加、無駄の大幅な削減、遊休在庫の削減、そして最終的には顧客サービスのレベルの向上につながります。
今すぐ行動を起こしましょう。 より良い明日を創造し始めるのに、現在ほど良い時はありません。
著者について
チャールズ・ラフリン プリンシパル AI/ML スペシャリスト ソリューション アーキテクトであり、AWS の時系列 ML チーム内で働いています。 彼は、Amazon Forecast サービスのロードマップの策定を支援し、さまざまな AWS のお客様と日々協力して、最先端の AWS テクノロジーとソート リーダーシップを使用してビジネスの変革を支援しています。 Charles はサプライ チェーン管理の修士号を取得しており、過去 XNUMX 年間、消費財業界で働いてきました。
ダン・シンライヒ AmazonForecastのシニアプロダクトマネージャーです。 彼は、ローコード/ノーコードの機械学習を民主化し、それをビジネスの成果を向上させるために適用することに焦点を当てています。 仕事以外では、彼はホッケーをしたり、テニスのサーブを改善しようとしたり、スキューバダイビングをしたり、空想科学小説を読んだりしています。
- SEO を活用したコンテンツと PR 配信。 今日増幅されます。
- Platoblockchain。 Web3メタバースインテリジェンス。 知識の増幅。 こちらからアクセスしてください。
- 情報源： https://aws.amazon.com/blogs/machine-learning/start-your-successful-journey-with-time-series-forecasting-with-amazon-forecast/
