Acelere su pronóstico de series temporales en un 50 por ciento con Amazon SageMaker Canvas UI y las API de AutoML.

Impulse su pronóstico de series temporales en un 50% con Amazon SageMaker Canvas UI y las API de AutoML.

Estamos emocionados de anunciar que Amazon SageMaker Canvas ahora ofrece una forma más rápida y fácil de crear modelos de aprendizaje automático para la previsión de series temporales. SageMaker Canvas es un servicio visual de punto y clic que permite a los analistas de negocios generar modelos de aprendizaje automático precisos sin necesidad de tener experiencia en aprendizaje automático ni de escribir una sola línea de código.

SageMaker Canvas admite varios casos de uso, incluida la previsión de series temporales utilizada para la gestión de inventarios 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 hostelería, la predicción de ingresos en finanzas y muchas otras decisiones empresariales críticas donde las previsiones altamente precisas son importantes. Por ejemplo, la previsión de series temporales permite a los minoristas predecir la demanda de ventas futuras y planificar los niveles de inventario, logística y campañas de marketing. Los modelos de previsión de series temporales en SageMaker Canvas utilizan tecnologías avanzadas para combinar algoritmos estadísticos y de aprendizaje automático y ofrecer previsiones altamente precisas.

En esta publicación, describiremos las mejoras en las capacidades de previsión de SageMaker Canvas y le guiará en el uso de su interfaz de usuario (UI) y las APIs de AutoML APIs para la previsión de series temporales. Si bien la IU de SageMaker Canvas ofrece una interfaz visual sin código, las APIs permiten a los desarrolladores interactuar con estas funciones de manera programática. Ambas se pueden acceder desde la consola de SageMaker.

Mejoras en la experiencia de previsión

Con el lanzamiento de hoy, SageMaker Canvas ha actualizado sus capacidades de previsión utilizando AutoML, lo que ofrece un rendimiento de construcción de modelos hasta un 50 por ciento más rápido y predicciones hasta un 45 por ciento más rápidas en promedio en comparación con las 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. Ahora los usuarios también pueden acceder de manera programática a las funciones de construcción y predicción del modelo a través de las APIs de Amazon SageMaker Autopilot, que incluyen informes de explicabilidad y rendimiento del modelo.

• Algoritmo de Búsqueda en Profundidad (DFS) Explorando las Profundidades del Recorrido de Grafos
• Utilizando la biblioteca Weka para el análisis de datos de Facebook
• Potenciando soluciones del mundo real la sinergia de la IA y .NET

Anteriormente, introducir datos incrementales requería volver a entrenar todo el modelo, lo cual era lento y causaba retrasos operativos. Ahora, en SageMaker Canvas, puede agregar datos recientes para generar previsiones futuras sin tener que volver a entrenar todo el modelo. Solo ingrese sus datos incrementales al modelo para utilizar las últimas ideas para las previsiones futuras. La eliminación del reentrenamiento acelera el proceso de previsión, lo que le permite aplicar esos resultados más rápidamente a sus procesos comerciales.

Con SageMaker Canvas utilizando ahora AutoML para la previsión, puede aprovechar las funciones de construcción de modelos y predicción a través de las APIs de SageMaker Autopilot, asegurando consistencia en la IU y las APIs. Por ejemplo, puede comenzar construyendo modelos en la IU y luego cambiar a usar APIs para generar predicciones. Este enfoque de modelado actualizado también mejora la transparencia del modelo de varias maneras:

1. Los usuarios pueden acceder a un informe de explicabilidad que ofrece una comprensión más clara de los factores que influyen en las predicciones. Esto es valioso para equipos de riesgo, cumplimiento y reguladores externos. El informe aclara cómo los atributos del conjunto de datos influyen en las previsiones específicas de la serie temporal. Utiliza puntuaciones de impacto para medir el efecto relativo de cada atributo, indicando si amplifican o reducen los valores de la previsión.
2. Ahora puede acceder a los modelos entrenados e implementarlos en SageMaker Inference o en su infraestructura preferida para realizar predicciones.
3. Un informe de rendimiento está disponible, proporcionando una comprensión más profunda de los modelos óptimos elegidos por AutoML para series de tiempo específicas y los hiperparámetros utilizados durante el entrenamiento.

Generar previsiones de series temporales usando la interfaz de usuario de SageMaker Canvas

La interfaz de usuario de SageMaker Canvas le permite integrar sin problemas fuentes de datos desde la nube o desde locales, fusionar conjuntos de datos sin esfuerzo, entrenar modelos precisos y realizar predicciones con datos emergentes, todo sin programar. Veamos cómo generar una previsión de series temporales utilizando esta interfaz de usuario.

Primero, importa datos a SageMaker Canvas desde diversas fuentes, incluidos archivos locales de tu computadora, cubos de Amazon Simple Storage Service (Amazon S3), Amazon Athena, Snowflake y más de 40 otras fuentes de datos. Después de importar los datos, puedes explorarlos y visualizarlos para obtener información adicional, como mediante diagramas de dispersión o gráficos de barras. Cuando estés listo para crear un modelo, podrás hacerlo con unos pocos clics después de configurar los parámetros necesarios, como seleccionar una columna objetivo para la previsión y especificar cuántos días hacia el futuro deseas prever. Las siguientes capturas de pantalla muestran un ejemplo de visualización de la predicción de la demanda del producto basada en datos históricos de demanda semanal para productos específicos en diferentes ubicaciones de tiendas:

La siguiente imagen muestra los pronósticos semanales para un producto específico en diferentes ubicaciones de tiendas:

Para una guía completa sobre cómo utilizar la interfaz de usuario de SageMaker Canvas para pronósticos, consulta esta publicación de blog.

Si necesitas un flujo de trabajo automatizado o la integración directa de modelos de aprendizaje automático en aplicaciones, nuestras funciones de pronóstico son accesibles a través de APIs. En la siguiente sección, proporcionamos una solución de muestra detallando cómo emplear nuestras APIs para pronósticos automatizados.

Generar pronóstico de series temporales utilizando APIs

Sumergámonos en cómo utilizar las APIs para entrenar el modelo y generar predicciones. Para esta demostración, considera una situación en la que una empresa necesita predecir los niveles de stock de productos en varias tiendas para satisfacer la demanda de los clientes. A grandes rasgos, las interacciones con la API se dividen en los siguientes pasos:

1. Preparar el conjunto de datos.
2. Crear un trabajo de SageMaker Autopilot.
3. Evaluar el trabajo de Autopilot:
   1. Explorar las métricas de precisión del modelo y los resultados de las pruebas retrospectivas.
   2. Explorar el informe de explicabilidad del modelo.
4. Generar predicciones a partir del modelo:
   1. Utilizar el punto final de inferencia en tiempo real creado como parte del trabajo de Autopilot; o
   2. Utilizar un trabajo de transformación por lotes.

Muestra de cuaderno de Amazon SageMaker Studio que muestra pronósticos con APIs

Hemos proporcionado un cuaderno de muestra de SageMaker Studio en GitHub para ayudarte a acelerar tu tiempo de lanzamiento al preferir que tu empresa orqueste pronósticos a través de APIs programáticas. El cuaderno ofrece un conjunto de datos sintético de muestra disponible en un depósito público de S3. El cuaderno te guía a través de todos los pasos mencionados en la imagen de flujo de trabajo anterior. Si bien el cuaderno proporciona un marco básico, puedes adaptar el código de muestra para que se ajuste a tu caso de uso específico. Esto incluye modificarlo para que coincida con tu esquema de datos único, resolución de tiempo, horizonte de pronóstico y otros parámetros necesarios para lograr los resultados deseados.

Conclusión

SageMaker Canvas democratiza los pronósticos 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 altamente precisos. Con las actualizaciones de AutoML de hoy en día, ofrece hasta un 50 por ciento de construcción de modelos más rápida, hasta un 45 por ciento de predicciones más rápidas e introduce acceso a la API tanto para la construcción del modelo como para las funciones de predicción, mejorando su transparencia y consistencia. La capacidad única de SageMaker Canvas de manejar datos incrementales sin necesidad de reentrenamiento garantiza una rápida adaptación a las cambiantes demandas empresariales.

Ya sea que prefieras la interfaz intuitiva o las APIs versátiles, SageMaker Canvas simplifica la integración de datos, el entrenamiento del modelo y la predicción, convirtiéndose en una herramienta fundamental para la toma de decisiones basada en datos y la innovación en diversas industrias.

Para obtener más información, revisa la documentación o explora el cuaderno disponible en nuestro repositorio de GitHub. La información sobre precios para el pronóstico de series temporales utilizando SageMaker Canvas está disponible en la página de Precios de SageMaker Canvas, y para los precios de entrenamiento e inferencia de SageMaker cuando se utilizan las APIs de SageMaker Autopilot, consulta la página de Precios de SageMaker .

Estas capacidades están disponibles en todas las regiones de AWS donde SageMaker Canvas y SageMaker Autopilot son accesibles públicamente. Para obtener más información sobre la disponibilidad de la región, consulta Servicios de AWS por región.

We will continue to update Zepes; if you have any questions or suggestions, please contact us!