Estamos emocionados de anunciar que Lienzo de Amazon SageMaker ahora ofrece una forma más rápida y fácil de usar de crear modelos de aprendizaje automático para pronósticos de series temporales. SageMaker Canvas es un servicio visual de apuntar y hacer clic que permite a los analistas de negocios generar modelos precisos de aprendizaje automático (ML) sin requerir ninguna experiencia en aprendizaje automático ni tener que escribir una sola línea de código.
SageMaker Canvas admite una serie de casos de uso, incluida la previsión de series de tiempo utilizada para la gestión de inventario en el comercio minorista, la planificación de la demanda en la fabricación, la planificación de la fuerza laboral y de los huéspedes en viajes y hotelería, la predicción de ingresos en las finanzas y muchas otras decisiones críticas para el negocio en las que es altamente Los pronósticos precisos son importantes. Por ejemplo, el pronóstico de series de tiempo permite a los minoristas predecir la demanda de ventas futura y planificar los niveles de inventario, la logística y las campañas de marketing. Los modelos de pronóstico de series temporales en SageMaker Canvas utilizan tecnologías avanzadas para combinar algoritmos estadísticos y de aprendizaje automático, y ofrecer pronósticos altamente precisos.
En esta publicación, describimos las mejoras a las capacidades de pronóstico de SageMaker Canvas y lo guiamos sobre el uso de su interfaz de usuario (UI) y AutoML. API para pronósticos de series de tiempo. Si bien la interfaz de usuario de SageMaker Canvas ofrece una interfaz visual sin código, las API permiten a los desarrolladores interactuar con estas funciones mediante programación. A ambos se puede acceder desde el Consola SageMaker.
Mejoras en la experiencia de previsión.
Con el lanzamiento de hoy, SageMaker Canvas ha actualizado sus capacidades de pronóstico utilizando AutoML, ofreciendo un rendimiento de creación de modelos hasta un 50 por ciento más rápido y predicciones hasta un 45 por ciento más rápidas en promedio en comparación con versiones anteriores en varios conjuntos de datos de referencia. Esto reduce la duración promedio del entrenamiento del modelo de 186 a 73 minutos y el tiempo promedio de predicción de 33 a 18 minutos para un lote típico de 750 series temporales con un tamaño de datos de hasta 100 MB. Los usuarios ahora también pueden acceder mediante programación a las funciones de construcción y predicción de modelos a través de Amazon SageMaker Autopilot. APIque vienen con informes de rendimiento y explicabilidad del modelo.
Anteriormente, introducir datos incrementales requería volver a entrenar todo el modelo, lo que consumía mucho tiempo y provocaba retrasos operativos. Ahora, en SageMaker Canvas, puede agregar datos recientes para generar pronósticos futuros sin volver a entrenar todo el modelo. Simplemente ingrese sus datos incrementales en su modelo para utilizar los conocimientos más recientes para los próximos pronósticos. La eliminación del reentrenamiento acelera el proceso de previsión, lo que le permite aplicar más rápidamente esos resultados a sus procesos de negocio.
Ahora que SageMaker Canvas utiliza AutoML para realizar pronósticos, puede aprovechar las funciones de predicción y creación de modelos a través de las API de SageMaker Autopilot, lo que garantiza la coherencia entre la interfaz de usuario y las API. Por ejemplo, puede comenzar creando modelos en la interfaz de usuario y luego pasar a utilizar API para generar predicciones. Este enfoque de modelado actualizado también mejora la transparencia del modelo de varias maneras:
- Los usuarios pueden acceder a un informe de explicabilidad que ofrece información más clara sobre los factores que influyen en las predicciones. Esto es valioso para los equipos de riesgo, cumplimiento y reguladores externos. El informe aclara cómo los atributos del conjunto de datos influyen en los pronósticos de series temporales específicas. Se emplea puntuaciones de impacto para medir el efecto relativo de cada atributo, indicando si amplifican o reducen los valores previstos.
- Ahora puede acceder a los modelos entrenados e implementarlos en SageMaker Inference o en su infraestructura preferida para realizar predicciones.
- Hay disponible un informe de rendimiento que brinda información más profunda sobre los modelos óptimos elegidos por AutoML para series temporales específicas y los hiperparámetros utilizados durante el entrenamiento.
Genere pronósticos de series de tiempo utilizando la interfaz de usuario de SageMaker Canvas
La interfaz de usuario de SageMaker Canvas le permite integrar perfectamente fuentes de datos desde la nube o en las instalaciones, fusionar conjuntos de datos sin esfuerzo, entrenar modelos precisos y hacer predicciones con datos emergentes, todo sin codificación. Exploremos la generación de un pronóstico de serie temporal utilizando esta interfaz de usuario.
Primero, importa datos a SageMaker Canvas desde varias fuentes, incluidos archivos locales de su computadora, Servicio de almacenamiento simple de Amazon (Amazon S3) cubos, Atenea amazónica, Copo de nievey más de 40 otras fuentes de datos. Después de importar datos, puede explorarlos y visualizarlos para obtener información adicional, como diagramas de dispersión o gráficos de barras. Una vez que esté listo para crear un modelo, puede hacerlo con solo unos pocos clics después de configurar los parámetros necesarios, como seleccionar una columna de destino para pronosticar y especificar cuántos días en el futuro desea pronosticar. Las siguientes capturas de pantalla muestran un ejemplo de visualización de la predicción de la demanda de productos basándose en datos históricos de demanda semanal para productos específicos en diferentes ubicaciones de tiendas:
La siguiente imagen muestra previsiones semanales para un producto específico en diferentes ubicaciones de tienda:
Para obtener una guía completa sobre cómo utilizar la interfaz de usuario de SageMaker Canvas para realizar pronósticos, consulte esto entrada en el blog.
Si necesita un flujo de trabajo automatizado o una integración directa del modelo de aprendizaje automático en aplicaciones, puede acceder a nuestras funciones de pronóstico a través de API. En la siguiente sección, proporcionamos una solución de muestra que detalla cómo emplear nuestro API para pronósticos automatizados.
Genere pronósticos de series de tiempo utilizando API
Profundicemos en cómo utilizar las API para entrenar el modelo y generar predicciones. Para esta demostración, considere una situación en la que una empresa necesita predecir los niveles de existencias de productos en varias tiendas para satisfacer la demanda de los clientes. En un nivel alto, las interacciones API se dividen en los siguientes pasos:
- Prepare el conjunto de datos.
- Cree un trabajo de piloto automático de SageMaker.
- Evalúe el trabajo del piloto automático:
- Explore las métricas de precisión del modelo y los resultados de las pruebas retrospectivas.
- Explore el informe de explicabilidad del modelo.
- Generar predicciones a partir del modelo:
- Utilizar el inferencia en tiempo real punto final creado como parte del trabajo de Autopilot; o
- Usar una transformación por lotes trabajo.
Ejemplo de cuaderno de Amazon SageMaker Studio que muestra la previsión con API
Proporcionamos un cuaderno de muestra de SageMaker Studio en GitHub para ayudar a acelerar su tiempo de comercialización cuando su empresa prefiere orquestar la previsión a través de API programáticas. El cuaderno ofrece un conjunto de datos sintéticos de muestra disponible a través de un depósito público de S3. El cuaderno lo guía a través de todos los pasos descritos en la imagen del flujo de trabajo mencionada anteriormente. Si bien el cuaderno proporciona un marco básico, puede adaptar el código de muestra para que se ajuste a su caso de uso específico. Esto incluye modificarlo para que coincida con su esquema de datos único, resolución de tiempo, horizonte de pronóstico y otros parámetros necesarios para lograr los resultados deseados.
Conclusión
SageMaker Canvas democratiza la previsión de series temporales al ofrecer una experiencia fácil de usar y sin código que permite a los analistas de negocios crear modelos de aprendizaje automático de alta precisión. Con las actualizaciones actuales de AutoML, ofrece una creación de modelos hasta un 50 por ciento más rápida, predicciones hasta un 45 por ciento más rápidas e introduce acceso API tanto para la construcción de modelos como para las funciones de predicción, lo que mejora su transparencia y coherencia. La capacidad única de SageMaker Canvas para manejar sin problemas datos incrementales sin necesidad de volver a capacitarse garantiza una rápida adaptación a las demandas comerciales en constante cambio.
Ya sea que prefiera la interfaz de usuario intuitiva o las API versátiles, SageMaker Canvas simplifica la integración de datos, el entrenamiento de modelos y la predicción, lo que lo convierte en una herramienta fundamental para la innovación y la toma de decisiones basadas en datos en todas las industrias.
Para obtener más información, revise el documentacióno explorar el computadora portátil disponible en nuestro repositorio de GitHub. La información de precios para el pronóstico de series temporales utilizando SageMaker Canvas está disponible en Precios del lienzo de SageMaker y para conocer los precios de inferencia y capacitación de SageMaker al utilizar las API de SageMaker Autopilot, consulte la Precios de SageMaker página.
Estas capacidades están disponibles en todas las regiones de AWS donde SageMaker Canvas y SageMaker Autopilot son de acceso público. Para obtener más información sobre la disponibilidad regional, consulte Servicios de AWS por región.
Sobre los autores
Nirmal Kumar es gerente senior de producto para el servicio Amazon SageMaker. Comprometido con ampliar el acceso a AI/ML, dirige el desarrollo de soluciones de ML sin código y con código bajo. Fuera del trabajo, le gusta viajar y leer no ficción.
Carlos Laughlin es un arquitecto principal de soluciones especializado en IA/ML que trabaja en el equipo de servicio de Amazon SageMaker en AWS. Ayuda a dar forma a la hoja de ruta del servicio y colabora diariamente con diversos clientes de AWS para ayudarlos a transformar sus negocios utilizando tecnologías de vanguardia y liderazgo intelectual de AWS. Charles tiene una maestría en Gestión de la Cadena de Suministro y un doctorado. en Ciencia de Datos.
Ridhim Rastogi Ingeniero de desarrollo de software que trabaja en el equipo de servicio de Amazon SageMaker en AWS. Le apasiona construir sistemas distribuidos escalables con un enfoque en resolver problemas del mundo real a través de AI/ML. En su tiempo libre, le gusta resolver acertijos, leer ficción y explorar su entorno.
Ahmed Raafat es arquitecto principal de soluciones en AWS, con 20 años de experiencia de campo y un enfoque dedicado de 5 años dentro del ecosistema de AWS. Se especializa en soluciones AI/ML. Su amplia experiencia se extiende a varios sectores verticales de la industria, lo que lo convierte en un asesor confiable para numerosos clientes empresariales, facilitándoles una navegación fluida y la aceleración de su viaje a la nube.
John Oshodi es arquitecto senior de soluciones en Amazon Web Services con sede en Londres, Reino Unido. Se especializa en datos y análisis y se desempeña como asesor técnico para numerosos clientes empresariales de AWS, respaldando y acelerando su viaje a la nube. Fuera del trabajo, le gusta viajar a nuevos lugares y experimentar nuevas culturas con su familia.