Pronóstico de Amazon es un servicio completamente administrado que utiliza algoritmos estadísticos y de aprendizaje automático (ML) para ofrecer pronósticos de series temporales de gran precisión. Forecast, lanzado en agosto de 2019, es anterior a Lienzo de Amazon SageMakeruna popular herramienta de AWS de código bajo y sin código para crear, personalizar e implementar modelos de ML, incluidos modelos de pronóstico de series de tiempo.
Con SageMaker Canvas, obtienes Construcción de modelos más rápidapredicciones rentables, funciones avanzadas como una tabla de clasificación de modelos y selección de algoritmos, y una transparencia mejorada. También puede utilizar la interfaz de usuario de SageMaker Canvas, que proporciona una interfaz visual para crear e implementar modelos sin necesidad de escribir ningún código o tener experiencia en ML, o utilizar su aprendizaje automático automatizado (AutoML) API para interacciones programáticas.
En esta publicación, brindamos una descripción general de los beneficios que ofrece SageMaker Canvas y detalles sobre cómo los usuarios de Forecast pueden trasladar sus casos de uso a SageMaker Canvas.
Beneficios de SageMaker Canvas
Los clientes de Forecast han buscado mayor transparencia, menores costos, capacitación más rápida y controles mejorados para crear modelos de ML de series temporales. En respuesta a estos comentarios, hemos puesto a disposición capacidades de pronóstico de series temporales de última generación en SageMaker Canvas, que ya ofrece una plataforma sólida para preparar datos y crear e implementar modelos de ML. Con la incorporación de la previsión, ahora puede acceder a capacidades de ML de extremo a extremo para un amplio conjunto de tipos de modelos, incluidos regresión, clasificación de múltiples clases, visión artificial (CV), procesamiento de lenguaje natural (NLP) e inteligencia artificial generativa (IA), dentro de la plataforma unificada y fácil de usar de SageMaker Canvas.
SageMaker Canvas ofrece un rendimiento de creación de modelos hasta un 50 % más rápido y predicciones hasta un 45 % más rápidas en promedio para modelos de series temporales. En comparación con el pronóstico en varios conjuntos de datos de referencia. Generar predicciones es significativamente más rentable que Forecast, porque los costos se basan únicamente en los Amazon SageMaker calcular recursos utilizadosSageMaker Canvas también proporciona una excelente transparencia del modelo al ofrecer acceso directo a los modelos entrenados, que puede implementar en la ubicación que elija, junto con numerosos informes de información del modelo, incluido el acceso a datos de validación, métricas de rendimiento a nivel de modelo y de elemento e hiperparámetros empleados durante el entrenamiento.
SageMaker Canvas incluye las capacidades clave que se encuentran en Forecast, incluida la capacidad de entrenar un conjunto de modelos de pronóstico utilizando algoritmos estadísticos y de redes neuronales. Crea el mejor modelo para su conjunto de datos al generar modelos base para cada algoritmo, evaluar su rendimiento y luego combinar los modelos de mayor rendimiento en un conjunto. Este enfoque aprovecha las fortalezas de diferentes modelos para producir pronósticos más precisos y sólidos. Tiene la flexibilidad de seleccionar uno o varios algoritmos para la creación de modelos, junto con la capacidad de evaluar el impacto de las características del modelo en la precisión de la predicción. SageMaker Canvas simplifica su preparación de datos con soluciones automatizadas para completar los valores faltantes, lo que hace que sus esfuerzos de pronóstico sean lo más fluidos posible. Facilita una integración inmediata de información externa, como feriados específicos de cada país, a través de opciones de interfaz de usuario simples o configuraciones de API. También puede aprovechar su flujo de datos Función para conectarse con las API de proveedores de datos externos para importar datos, como Información meteorológicaAdemás, puede realizar análisis hipotéticos directamente en la interfaz de usuario de SageMaker Canvas para explorar cómo los distintos escenarios podrían afectar sus resultados.
Seguiremos innovando y brindando capacidades de pronóstico de vanguardia y líderes en la industria a través de SageMaker Canvas, reduciendo la latencia, los costos de capacitación y predicción y mejorando la precisión. Esto incluye ampliar la gama de algoritmos de pronóstico que admitimos e incorporar nuevos algoritmos avanzados para mejorar aún más la experiencia de creación y predicción de modelos.
Transición de Forecast a SageMaker Canvas
Hoy, lanzamos un paquete de transición que consta de dos recursos para ayudarlo a realizar la transición de Forecast a SageMaker Canvas. El primer componente incluye un taller para obtener experiencia práctica con la interfaz de usuario y las API de SageMaker Canvas y para aprender a realizar la transición de Forecast a SageMaker Canvas. También proporcionamos un cuaderno Jupyter que muestra cómo transformar sus conjuntos de datos de entrenamiento de Forecast existentes al formato de SageMaker Canvas.
Antes de aprender a crear modelos de pronóstico en SageMaker Canvas utilizando los conjuntos de datos de entrada de Forecast, comprendamos algunas diferencias clave entre Forecast y SageMaker Canvas:
- Tipos de conjuntos de datos – Forecast utiliza varios conjuntos de datos: series temporales de destino, series temporales relacionadas (opcionales) y metadatos de elementos (opcionales). Por el contrario, SageMaker Canvas solo requiere un conjunto de datos, lo que elimina la necesidad de administrar varios conjuntos de datos.
- Invocación del modelo – SageMaker Canvas le permite invocar el modelo para un único conjunto de datos o un lote de conjuntos de datos mediante la interfaz de usuario y las API. A diferencia de Forecast, que requiere que primero cree un pronóstico y luego lo consulte, simplemente use la interfaz de usuario o la API para invocar el punto final donde se implementa el modelo para generar pronósticos. La interfaz de usuario de SageMaker Canvas también le brinda la opción de implementar el modelo para la inferencia en los puntos finales en tiempo real de SageMaker. Con solo unos pocos clics, puede recibir un punto final HTTPS que se puede invocar desde su aplicación para generar pronósticos.
En las siguientes secciones, analizamos los pasos de alto nivel para transformar sus datos, crear un modelo e implementar un modelo utilizando SageMaker Canvas mediante la interfaz de usuario o las API.
Cree e implemente un modelo utilizando la interfaz de usuario de SageMaker Canvas
Recomendamos reorganizar sus fuentes de datos para crear directamente un único conjunto de datos para usar con SageMaker Canvas. Consulte Pronósticos de series temporales en Amazon SageMaker Canvas Para obtener orientación sobre cómo estructurar el conjunto de datos de entrada para crear un modelo de pronóstico en SageMaker Canvas. Sin embargo, si prefiere seguir utilizando varios conjuntos de datos como lo hace en Forecast, tiene las siguientes opciones para fusionarlos en un único conjunto de datos compatible con SageMaker Canvas:
- Interfaz de usuario de SageMaker Canvas – Utilice la interfaz de usuario de SageMaker Canvas para unir los conjuntos de datos de series temporales de destino, series temporales relacionadas y metadatos de elementos en un solo conjunto de datos. La siguiente captura de pantalla muestra un ejemplo de flujo de datos creado en SageMaker Canvas para fusionar los tres conjuntos de datos en un solo conjunto de datos de SageMaker Canvas.
- secuencia de comandos de Python – Utilice un script de Python para fusionar los conjuntos de datos. Para obtener un código de muestra y experiencia práctica en la transformación de varios conjuntos de datos de Forecast en un solo conjunto de datos para SageMaker Canvas, consulte este taller.
Cuando el conjunto de datos esté listo, utilice la interfaz de usuario de SageMaker Canvas, disponible en la consola de SageMaker, para cargar el conjunto de datos en la aplicación SageMaker Canvas, que utiliza AutoML para entrenar, crear e implementar el modelo para la inferencia. taller Muestra cómo fusionar sus conjuntos de datos y construir el modelo de pronóstico.
Una vez creado el modelo, existen varias formas de generar y consumir pronósticos:
- Hacer una predicción en la aplicación – Puede generar pronósticos utilizando la interfaz de usuario de SageMaker Canvas y exportarlos a Amazon QuickSight Utilice la integración incorporada o descargue el archivo de predicción en su escritorio local. También puede acceder a las predicciones generadas desde Servicio de almacenamiento simple de Amazon (Amazon S3) Ubicación de almacenamiento donde SageMaker Canvas está configurado para almacenar artefactos de modelos, conjuntos de datos y otros datos de la aplicación. Consulte Configurar su almacenamiento de Amazon S3 para obtener más información sobre la ubicación de almacenamiento de Amazon S3 utilizada por SageMaker Canvas.
- Implementar el modelo en un punto final de SageMaker – Puede implementar el modelo en los puntos finales en tiempo real de SageMaker directamente desde la interfaz de usuario de SageMaker Canvas. Los desarrolladores pueden consultar estos puntos finales en sus aplicaciones con unas pocas líneas de código. Puede actualizar el código en su aplicación existente para invocar el modelo implementado. Consulte la taller para más detalles.
Cree e implemente un modelo utilizando las API de SageMaker Canvas (Autopilot)
Puede utilizar el código de muestra proporcionado en el cuaderno en el repositorio de GitHub para procesar sus conjuntos de datos, incluidos los datos de series de tiempo de destino, los datos de series de tiempo relacionados y los metadatos de elementos, en un único conjunto de datos necesario para las API de SageMaker Canvas.
A continuación, utilice SageMaker API de AutoML para pronóstico de series temporales para procesar los datos, entrenar el modelo de ML e implementar el modelo de manera programática. Consulte el ejemplo cuaderno en el repositorio de GitHub para una implementación detallada sobre cómo entrenar un modelo de series de tiempo y producir predicciones utilizando el modelo.
Referirse a taller para obtener más experiencia práctica.
Conclusión
En esta publicación, describimos los pasos para realizar la transición desde la previsión y la creación de modelos de ML de series temporales en SageMaker Canvas, y proporcionamos un cuaderno de transformación de datos y una guía prescriptiva a través de un taller. Después de la transición, puede beneficiarse de una interfaz de usuario más accesible, rentabilidad y mayor transparencia de la API de AutoML subyacente en SageMaker Canvas, lo que democratiza la previsión de series temporales dentro de su organización y ahorra tiempo y recursos en la capacitación e implementación de modelos.
Se puede acceder a SageMaker Canvas desde la consola de SageMaker. La previsión de series temporales con Canvas está disponible en todas las regiones donde SageMaker Canvas está disponible. Para obtener más información sobre la disponibilidad de las regiones de AWS, consulte Servicios de AWS por región.
Recursos
Para obtener más información, consulte los siguientes recursos:
Sobre los autores
Nirmal Kumar es gerente sénior de productos del servicio Amazon SageMaker. Comprometido con ampliar el acceso a la IA y el aprendizaje automático, dirige el desarrollo de soluciones de aprendizaje automático sin código y de código reducido. Fuera del trabajo, disfruta de viajar y leer no ficción.
Dan Sinnreich es gerente sénior de productos de Amazon SageMaker y se centra en la expansión de los servicios sin código o de bajo código. Se dedica a hacer que el aprendizaje automático y la inteligencia artificial generativa sean más accesibles y a aplicarlos para resolver problemas complejos. Fuera del trabajo, se lo puede encontrar jugando al hockey, buceando y leyendo ciencia ficción.
Davide Gallitelli es un arquitecto de soluciones especializado en IA/ML en la región EMEA. Tiene su base en Bruselas y trabaja en estrecha colaboración con clientes de todo el Benelux. Ha sido desarrollador desde muy joven, y comenzó a codificar a los 7 años. Comenzó a aprender IA/ML en sus últimos años de universidad y desde entonces se enamoró de ellos.
La casa de Biswanath es arquitecto de soluciones en Amazon Web Services. Trabaja con clientes en las primeras etapas de su transición a AWS, ayudándolos a adoptar soluciones en la nube para abordar sus necesidades comerciales. Le apasiona el aprendizaje automático y, fuera del trabajo, le encanta pasar tiempo con su familia.