Amazon MLS-C01: Séries Temporais e Previsão — Guia de estudos

By Laurynas Brazys · 26 July 2026 · #amazon #mls-c01 #certification #exam-prep #study-guide

Faz parte do AWS Machine Learning Specialty MLS-C01 — Guia de estudos. Pratique com respostas verificadas no centro de exames da Amazon, ou faça testes cronometrados no ExamRoll.io.

Seleção de algoritmos e quando usar cada abordagem

A escolha do modelo de forecasting correto começa com o formato dos dados e o objetivo. Abordagens univariadas clássicas, como ARIMA/SARIMA, continuam sendo a escolha certa quando você tem uma única série bem-comportada com um longo histórico e termos sazonais interpretáveis; você pode implementá-las em um script de treinamento do SageMaker usando statsmodels ou executar experimentos interativamente no SageMaker Studio. Modelos decomponíveis no estilo Prophet são valiosos quando efeitos de feriados orientados por negócios e múltiplas sazonalidades (diária/semanal/anual) precisam ser modelados e interpretados explicitamente; eles são frequentemente prototipados em notebooks e podem ser colocados em produção no SageMaker. Para forecasting probabilístico e de múltiplas séries em escala, use o DeepAR (algoritmo integrado do SageMaker ou o DeepAR+ do Amazon Forecast), que aprende a partir de séries temporais relacionadas e produz previsões de quantis. As escolhas de configuração importantes incluem definir time_freq, prediction_length e context_length (context_length geralmente deve ser >= prediction_length), escolher uma verossimilhança (likelihood) apropriada (studentT para caudas pesadas, negative-binomial para contagens/demanda intermitente) e habilitar use_feat_dynamic_real ou use_feat_static_cat para covariáveis. Use modelos clássicos quando a interpretabilidade e o diagnóstico de séries únicas são necessários; prefira o DeepAR/Amazon Forecast quando você tiver muitas séries relacionadas e precisar de saídas probabilísticas calibradas e escalonamento integrado.

Preparação de dados: sazonalidade, covariáveis e valores ausentes

Boas previsões exigem um alinhamento cuidadoso de timestamps, frequência e covariáveis. Sempre normalize os timestamps para um fuso horário e uma frequência consistentes (defina time_freq para os modelos). Capture a sazonalidade conhecida e os eventos de negócios adicionando indicadores de feriados e features de eventos especiais como covariáveis estáticas ou dinâmicas; inclua promoções de preços, aberturas de lojas ou flags de campanha como features dinâmicas. Valores ausentes devem ser tratados com cuidado: para lacunas curtas, use interpolação ou preenchimento para frente/para trás (forward/backward fill); para lacunas mais longas, use imputação com abordagens baseadas em modelo ou mascare-os quando o algoritmo suportar valores ausentes (o DeepAR aceita features dinâmicas mascaradas). Para demanda intermitente com muitos zeros ou contagens superdispersas, use a verossimilhança (likelihood) negative-binomial, experimente a agregação (por exemplo, semanal) para reduzir a esparsidade ou aplique o pré-processamento baseado em Croston quando métodos clássicos forem apropriados. Evite vazar informações futuras nas covariáveis — as features dinâmicas devem ser conhecidas ou previsíveis para o horizonte de previsão. Armazene metadados (item_id, category, store_id) como features categóricas estáticas para permitir que modelos de múltiplas séries compartilhem força entre os itens.

Avaliação: métricas probabilísticas, backtesting e calibração

O forecasting probabilístico requer critérios de avaliação diferentes das previsões de ponto único (point forecasts). Use a perda de quantil (quantile loss ou pinball loss) e o continuous ranked probability score (CRPS) para avaliar a qualidade da distribuição e relate a cobertura para os principais quantis (por exemplo, P50, P90) para verificar a calibração do intervalo. Evite depender apenas do MAPE para séries com zeros ou demanda intermitente; use o Mean Absolute Scaled Error (MASE) para comparação invariante à escala ou perdas de quantil ponderadas (weighted quantile losses) para priorizar SKUs de alta receita. Implemente a validação cruzada de origem rolante (rolling-origin cross-validation) para séries temporais com múltiplas janelas de backtest para capturar a instabilidade temporal e a sazonalidade, garantindo que cada janela respeite os ciclos de sazonalidade para que os conjuntos de validação (holdouts) contenham períodos sazonais completos. Verifique a calibração com as taxas de acerto do intervalo de previsão (prediction interval hit rates) e histogramas do tipo PIT; se os intervalos forem muito estreitos, considere aumentar o num_eval_samples no DeepAR ou ajustar as premissas de verossimilhança (likelihood). As armadilhas comuns incluem o uso de covariáveis conhecidas no futuro que não estarão disponíveis no momento da inferência, a agregação que elimina a sazonalidade crítica e a avaliação em um único conjunto de validação (holdout) estático que não captura as mudanças de regime. Agregue as métricas por série de acordo com a importância para o negócio, em vez de usar médias simples, para refletir o impacto na decisão.

Escalabilidade, padrões de implantação e critérios de decisão

Escalar a previsão para milhares ou milhões de séries e implantar previsões em produção envolve trade-offs de arquitetura. Para uma solução gerenciada e focada em escala, o Amazon Forecast lida com grupos de datasets (séries temporais alvo, séries temporais relacionadas, metadados de itens), engenharia de features automatizada, backtesting integrado e preditores hospedados elásticos para previsões em lote ou exportáveis; é ideal quando você deseja um serviço que lide com muitas séries sem treinamento de modelo personalizado. Para necessidades de modelagem personalizada, use o SageMaker com DeepAR (ou modelos PyTorch/TF personalizados), onde você controla hiperparâmetros, escolhas de verossimilhança (likelihood) e engenharia de features; treine em instâncias GPU para mais velocidade e use o SageMaker Batch Transform para inferência em massa ou endpoints em tempo real para serviço de baixa latência. Para eficiência de custos com muitas versões de modelo, considere endpoints multi-modelo ou pipelines de lote assíncronos acionados por eventos do S3 ou Step Functions. Os critérios de decisão incluem se você precisa de arquiteturas personalizadas (escolha o SageMaker), se precisa de aprendizado entre séries com o mínimo de operações (escolha o Forecast) e se são necessárias previsões de série única com baixa latência (prefira os endpoints em tempo real do SageMaker). Armadilhas comuns: provisionar um context_length insuficiente, configurar incorretamente as saídas de quantil (quantile) e não ponderar a avaliação pelo impacto no negócio.

Problema Prático: Cenário de Caso de Uso

Cenário: A Acme Retail opera 5.000 lojas e mantém logs diários de vendas e promoções no Amazon S3. Eles usam o SageMaker Studio para ciência de dados e precisam de previsões de produção escaláveis para orientar o estoque e as promoções.

Desafio: Produzir previsões de demanda probabilísticas calibradas para 30 dias por par SKU-loja que levem em conta feriados e promoções, lidem com vendas intermitentes iguais a zero para muitos SKUs e escalem para produção em lote noturna.

Abordagem Recomendada:

Configure pipelines de dados: ingira as vendas e promoções diárias no S3, catalogue com o AWS Glue e exponha via Athena; crie arquivos de dataset com timestamp, item_id, store_id, target_value e dynamic features.
Prototipe modelos no SageMaker Studio: experimente a decomposição no estilo Prophet para alguns SKUs representativos e, em seguida, treine o SageMaker DeepAR (defina time_freq=‘D’, prediction_length=30, context_length=30–90, likelihood=‘negative-binomial’ para contagens, num_eval_samples=100).
Para escala e produção: agende o treinamento em lote noturno ou o retreinamento incremental no SageMaker (ou, opcionalmente, use o Amazon Forecast com grupos de datasets e preditores se preferir previsões gerenciadas) e use o SageMaker Batch Transform ou a exportação em lote do Forecast para inferência em massa noturna.
Avalie com backtests de origem rolante (rolling-origin) usando a perda de quantil (quantile loss) e métricas de cobertura (P50/P90), e monitore a calibração em tempo real; se os intervalos tiverem cobertura insuficiente (under-cover), ajuste o likelihood ou aumente o num_eval_samples.

Justificativa: O uso de Glue/Athena e S3 padroniza o acesso aos dados, o DeepAR (ou Forecast) modela nativamente muitas séries relacionadas e produz os quantis necessários para decisões de estoque, o negative-binomial lida com contagens intermitentes e o batch transform permite uma escalabilidade noturna com bom custo-benefício.

← Processamento de Linguagem Natural e Fala · Todos os domínios · Treinamento →

Pratique estas questões → · Prática cronometrada no ExamRoll.io →