Amazon MLS-C01: Zeitreihen & Prognose — Lernleitfaden

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

Teil des AWS Machine Learning Specialty MLS-C01 — Lernleitfaden. Üben Sie mit verifizierten Antworten im Amazon-Prüfungscenter, oder absolvieren Sie zeitlich begrenzte Übungstests auf ExamRoll.io.

Algorithmusauswahl und wann welcher Ansatz zu verwenden ist

Die Wahl des richtigen Prognosemodells beginnt mit der Datenform und der Zielsetzung. Klassische univariate Ansätze wie ARIMA/SARIMA sind nach wie vor die richtige Wahl, wenn Sie eine einzelne, gutartige Zeitreihe mit langer Historie und interpretierbaren saisonalen Termen haben. Sie können diese in einem SageMaker-Trainingsskript mit statsmodels implementieren oder Experimente interaktiv in SageMaker Studio ausführen. Zerlegbare Modelle im Prophet-Stil sind wertvoll, wenn geschäftsbedingte Feiertagseffekte und multiple Saisonalitäten (täglich/wöchentlich/jährlich) explizit modelliert und interpretiert werden müssen; diese werden oft in Notebooks als Prototypen entwickelt und können in SageMaker produktiv gesetzt werden. Für probabilistische Prognosen für mehrere Zeitreihen im großen Maßstab verwenden Sie DeepAR (ein in SageMaker integrierter Algorithmus oder DeepAR+ von Amazon Forecast), das über verwandte Zeitreihen hinweg lernt und Quantilprognosen erstellt. Wichtige Konfigurationsentscheidungen umfassen das Setzen von time_freq, prediction_length und context_length (context_length sollte typischerweise >= prediction_length sein), die Wahl einer geeigneten Likelihood (studentT für Heavy-Tails, negative-binomial für Zähldaten/intermittierende Nachfrage) und die Aktivierung von use_feat_dynamic_real oder use_feat_static_cat für Kovariaten. Verwenden Sie klassische Modelle, wenn Interpretierbarkeit und Diagnosen für einzelne Zeitreihen erforderlich sind; bevorzugen Sie DeepAR/Amazon Forecast, wenn Sie viele verwandte Zeitreihen haben und kalibrierte probabilistische Ausgaben sowie eine integrierte Skalierung benötigen.

Datenaufbereitung: Saisonalität, Kovariaten und fehlende Werte

Gute Prognosen erfordern eine sorgfältige Abstimmung von Zeitstempeln, Frequenz und Kovariaten. Normalisieren Sie Zeitstempel immer auf eine einheitliche Zeitzone und Frequenz (setzen Sie time_freq für die Modelle). Erfassen Sie bekannte Saisonalität und Geschäftsereignisse, indem Sie Feiertagsindikatoren und Features für besondere Ereignisse als statische oder dynamische Kovariaten hinzufügen; schließen Sie Preisaktionen, Ladeneröffnungen oder Kampagnen-Flags als dynamische Features ein. Fehlende Werte müssen sorgfältig behandelt werden: Für kurze Lücken verwenden Sie Interpolation oder Forward/Backward Fill; für längere Lücken verwenden Sie Imputation mit modellbasierten Ansätzen oder maskieren Sie sie, wenn der Algorithmus mit fehlenden Werten umgehen kann (DeepAR akzeptiert maskierte dynamische Features). Bei intermittierender Nachfrage mit vielen Nullen oder überdispersen Zähldaten verwenden Sie die Negative-Binomial-Likelihood, experimentieren Sie mit Aggregation (z. B. wöchentlich), um die Sparsität zu reduzieren, oder wenden Sie ein Croston-basiertes Preprocessing an, wenn klassische Methoden geeignet sind. Vermeiden Sie das Durchsickern zukünftiger Informationen in Kovariaten – dynamische Features müssen für den Prognosehorizont bekannt oder prognostizierbar sein. Speichern Sie Metadaten (item_id, category, store_id) als statische kategoriale Features, damit Modelle für mehrere Zeitreihen Stärken über Artikel hinweg teilen können.

Evaluierung: Probabilistische Metriken, Backtesting und Kalibrierung

Probabilistische Prognosen erfordern andere Bewertungskriterien als Punktprognosen. Verwenden Sie Quantile Loss (Pinball Loss) und den Continuous Ranked Probability Score (CRPS), um die Verteilungsqualität zu bewerten, und berichten Sie die Abdeckung für Schlüsselquantile (z. B. P50, P90), um die Intervallkalibrierung zu überprüfen. Vermeiden Sie es, sich bei Zeitreihen mit Nullen oder intermittierender Nachfrage ausschließlich auf MAPE zu verlassen; verwenden Sie den Mean Absolute Scaled Error (MASE) für einen skalenunabhängigen Vergleich oder gewichtete Quantile Losses, um umsatzstarke SKUs zu priorisieren. Implementieren Sie eine Rolling-Origin (Zeitreihen-) Kreuzvalidierung mit mehreren Backtest-Fenstern, um zeitliche Instabilität und Saisonalität zu erfassen, und stellen Sie sicher, dass jedes Fenster Saisonalitätszyklen respektiert, sodass die Holdouts vollständige saisonale Perioden enthalten. Überprüfen Sie die Kalibrierung mit Trefferquoten der Vorhersageintervalle und PIT-ähnlichen Histogrammen; wenn die Intervalle zu eng sind, erwägen Sie, num_eval_samples in DeepAR zu erhöhen oder die Likelihood-Annahmen anzupassen. Häufige Fallstricke sind die Verwendung von in der Zukunft bekannten Kovariaten, die zur Inferenzzeit nicht verfügbar sein werden, das Weg-Aggregieren kritischer Saisonalität und die Evaluierung auf einem einzigen statischen Holdout, der Regimewechsel verpasst. Aggregieren Sie Metriken pro Zeitreihe nach geschäftlicher Bedeutung anstatt einfacher Durchschnittswerte, um die Auswirkungen auf Entscheidungen widerzuspiegeln.

Skalierung, Bereitstellungsmuster und Entscheidungskriterien

Die Skalierung von Prognosen auf Tausende oder Millionen von Zeitreihen und die Bereitstellung dieser Prognosen in der Produktion ist mit architektonischen Kompromissen verbunden. Für eine verwaltete, auf Skalierbarkeit ausgerichtete Lösung (scale-first) übernimmt Amazon Forecast Dataset-Gruppen (Zielzeitreihen, zugehörige Zeitreihen, Artikel-Metadaten), automatisiertes Feature-Engineering, integriertes Backtesting und elastisch gehostete Predictors für Batch- oder exportierbare Prognosen. Der Dienst eignet sich gut, wenn Sie einen Service benötigen, der viele Zeitreihen ohne maßgeschneidertes Modelltraining verarbeitet. Für benutzerdefinierte Modellierungsanforderungen verwenden Sie SageMaker mit DeepAR (oder benutzerdefinierten PyTorch/TF-Modellen), bei dem Sie Hyperparameter, Likelihood-Optionen und das Feature-Engineering steuern. Trainieren Sie für mehr Geschwindigkeit auf GPU-Instanzen und nutzen Sie SageMaker Batch Transform für Massen-Inferenz (bulk inference) oder Echtzeit-Endpunkte für die Bereitstellung mit geringer Latenz. Um bei vielen Modellversionen Kosteneffizienz zu erreichen, sollten Sie Multi-Model-Endpunkte oder asynchrone Batch-Pipelines in Betracht ziehen, die durch S3-Ereignisse oder Step Functions ausgelöst werden. Zu den Entscheidungskriterien gehört, ob Sie benutzerdefinierte Architekturen benötigen (wählen Sie SageMaker), ob Sie Cross-Series-Learning mit minimalem Betriebsaufwand (minimal ops) benötigen (wählen Sie Forecast) und ob Prognosen für einzelne Zeitreihen mit geringer Latenz erforderlich sind (bevorzugen Sie SageMaker-Echtzeit-Endpunkte). Häufige Fallstricke: eine zu geringe context_length, die Fehlkonfiguration von Quantil-Ausgaben und die fehlende Gewichtung der Evaluierung nach dem geschäftlichen Nutzen (business impact).

Praktisches Problem: Anwendungsfallszenario

Szenario: Acme Retail betreibt 5.000 Filialen und pflegt tägliche Verkaufs- und Werbeaktionsprotokolle in Amazon S3. Das Unternehmen nutzt SageMaker Studio für Data Science und benötigt skalierbare Produktionsprognosen, um den Lagerbestand und Werbeaktionen zu steuern.

Herausforderung: Erstellung kalibrierter probabilistischer 30-Tage-Nachfrageprognosen pro SKU-Filial-Paar, die Feiertage und Werbeaktionen berücksichtigen, mit zeitweise ausbleibenden Verkäufen (intermittent zero sales) für viele SKUs umgehen können und auf eine nächtliche Batch-Produktion skalierbar sind.

Empfohlener Ansatz:

1. Datenpipelines konfigurieren: Tägliche Verkaufs- und Werbedaten in S3 aufnehmen, mit AWS Glue katalogisieren und über Athena bereitstellen; Datensatzdateien mit Zeitstempel (timestamp), item_id, store_id, Zielwert (target_value) und dynamischen Merkmalen (dynamic features) erstellen.
2. Prototyp-Modelle in SageMaker Studio erstellen: Eine Zerlegung im Stil von Prophet für einige repräsentative SKUs ausprobieren, dann SageMaker DeepAR trainieren (setzen Sie time_freq='D', prediction_length=30, context_length=30–90, likelihood='negative-binomial' für Zähldaten, num_eval_samples=100).
3. Für Skalierung und Produktion: Nächtliches Batch-Training oder inkrementelles Neutrainieren in SageMaker planen (oder optional Amazon Forecast mit Dataset-Gruppen und Predictors verwenden, wenn Sie verwaltete Prognosen bevorzugen) und SageMaker Batch Transform oder den Forecast-Batch-Export für die nächtliche Massen-Inferenz nutzen.
4. Evaluierung mit Rolling-Origin-Backtests unter Verwendung von Quantile Loss und Coverage-Metriken (P50/P90) und Überwachung der Live-Kalibrierung; wenn die Intervalle die tatsächlichen Werte nicht ausreichend abdecken (under-cover), passen Sie die Likelihood an oder erhöhen Sie num_eval_samples.

Begründung: Die Verwendung von Glue/Athena und S3 standardisiert den Datenzugriff. DeepAR (oder Forecast) modelliert nativ viele zusammenhängende Zeitreihen und erzeugt die für Lagerbestandsentscheidungen erforderlichen Quantile. Die negative Binomialverteilung (negative-binomial) eignet sich für zeitweise ausbleibende Zähldaten, und Batch Transform ermöglicht eine kosteneffiziente nächtliche Skalierung.

← Natural Language Processing · Alle Domänen · Training →

Diese Fragen üben → · Zeitlich begrenzte Übung auf ExamRoll.io →

Amazon durchsuchen →