Amazon MLS-C01: Series Temporales y Pronóstico — Guía de estudio

By Laurynas Brazys · 25 July 2026 · #amazon #mls-c01 #certification #exam-prep #study-guide

Forma parte de la AWS Machine Learning Specialty MLS-C01 — Guía de estudio. Practica con respuestas verificadas en el centro de exámenes de Amazon, o realiza tests cronometrados en ExamRoll.io.

Selección de algoritmos y cuándo usar cada enfoque

La elección del modelo de pronóstico correcto comienza con la forma de los datos y el objetivo. Los enfoques univariados clásicos como ARIMA/SARIMA siguen siendo la opción adecuada cuando se tiene una única serie de datos bien comportada con un historial largo y términos estacionales interpretables; puedes implementarlos en un script de entrenamiento de SageMaker usando statsmodels o ejecutar experimentos de forma interactiva en SageMaker Studio. Los modelos descomponibles al estilo de Prophet son valiosos cuando los efectos de festivos impulsados por el negocio y las múltiples estacionalidades (diaria/semanal/anual) deben modelarse e interpretarse explícitamente; estos a menudo se prototipan en notebooks y pueden llevarse a producción en SageMaker. Para pronósticos probabilísticos de múltiples series a escala, utiliza DeepAR (el algoritmo integrado de SageMaker o DeepAR+ de Amazon Forecast), que aprende a partir de series temporales relacionadas y produce pronósticos de cuantiles. Las decisiones de configuración importantes incluyen establecer time_freq, prediction_length y context_length (context_length generalmente debe ser >= prediction_length), elegir una verosimilitud (likelihood) apropiada (studentT para colas pesadas, negative-binomial para conteos/demanda intermitente) y habilitar use_feat_dynamic_real o use_feat_static_cat para las covariables. Usa modelos clásicos cuando se requiera interpretabilidad y diagnósticos de una sola serie; prefiere DeepAR/Amazon Forecast cuando tengas muchas series relacionadas y necesites resultados probabilísticos calibrados y escalado integrado.

Preparación de datos: estacionalidad, covariables y valores faltantes

Unos buenos pronósticos requieren una alineación cuidadosa de las marcas de tiempo (timestamps), la frecuencia y las covariables. Normaliza siempre las marcas de tiempo a una zona horaria y frecuencia consistentes (establece time_freq para los modelos). Captura la estacionalidad conocida y los eventos de negocio añadiendo indicadores de festivos y características de eventos especiales como covariables estáticas o dinámicas; incluye promociones de precios, aperturas de tiendas o indicadores de campañas como características dinámicas. Los valores faltantes deben manejarse con cuidado: para brechas cortas, usa interpolación o relleno hacia adelante/atrás (forward/backward fill); para brechas más largas, usa imputación con enfoques basados en modelos o enmascáralos cuando el algoritmo soporte la ausencia de valores (DeepAR acepta características dinámicas enmascaradas). Para la demanda intermitente con muchos ceros o conteos sobredispersos, usa la verosimilitud binomial negativa (negative-binomial likelihood), experimenta con la agregación (p. ej., semanal) para reducir la escasez de datos (sparsity) o aplica un preprocesamiento basado en el método de Croston cuando los métodos clásicos sean apropiados. Evita filtrar información futura en las covariables: las características dinámicas deben ser conocidas o pronosticables para el horizonte de predicción. Almacena los metadatos (item_id, category, store_id) como características categóricas estáticas para permitir que los modelos de múltiples series compartan información entre los elementos.

Evaluación: métricas probabilísticas, backtesting y calibración

El pronóstico probabilístico requiere criterios de evaluación diferentes a los de los pronósticos de punto único. Usa la pérdida de cuantil (quantile loss o pinball loss) y el Continuous Ranked Probability Score (CRPS) para evaluar la calidad de la distribución, e informa la cobertura para cuantiles clave (p. ej., P50, P90) para verificar la calibración del intervalo. Evita depender únicamente de MAPE para series con ceros o demanda intermitente; usa el Mean Absolute Scaled Error (MASE) para una comparación invariante a la escala o las pérdidas de cuantil ponderadas (weighted quantile losses) para priorizar los SKU de altos ingresos. Implementa la validación cruzada de origen móvil (rolling-origin o time series cross-validation) con múltiples ventanas de backtesting para capturar la inestabilidad temporal y la estacionalidad, asegurando que cada ventana respete los ciclos estacionales para que los conjuntos de validación (holdouts) contengan períodos estacionales completos. Verifica la calibración con las tasas de acierto del intervalo de predicción (prediction interval hit rates) e histogramas tipo PIT; si los intervalos son demasiado estrechos, considera aumentar num_eval_samples en DeepAR o ajustar las suposiciones de la verosimilitud. Los errores comunes incluyen usar covariables conocidas a futuro que no estarán disponibles en la inferencia, eliminar la estacionalidad crítica mediante la agregación y evaluar en un único conjunto de validación estático que no captura los cambios de régimen. Agrega las métricas por serie según la importancia para el negocio en lugar de usar promedios simples para reflejar el impacto en las decisiones.

Escalado, patrones de despliegue y criterios de decisión

Escalar la previsión a miles o millones de series y desplegar las previsiones en producción conlleva contrapartidas arquitectónicas. Para una solución gestionada y orientada al escalado, Amazon Forecast gestiona grupos de conjuntos de datos (series temporales de destino, series temporales relacionadas, metadatos de artículos), ingeniería de características automatizada, backtesting integrado y predictores alojados elásticos para previsiones por lotes o exportables; es ideal cuando se desea un servicio que gestione muchas series sin un entrenamiento de modelos a medida. Para necesidades de modelado personalizado, utiliza SageMaker con DeepAR (o modelos personalizados de PyTorch/TF) donde controlas los hiperparámetros, las opciones de verosimilitud (likelihood) y la ingeniería de características; entrena en instancias de GPU para mayor velocidad y utiliza SageMaker Batch Transform para inferencia masiva o puntos de conexión (endpoints) en tiempo real para un servicio de baja latencia. Para la eficiencia de costos con muchas versiones de modelos, considera los puntos de conexión (endpoints) multimodelo o pipelines de lotes asíncronos desencadenados por eventos de S3 o Step Functions. Los criterios de decisión incluyen si necesitas arquitecturas personalizadas (elige SageMaker), si necesitas aprendizaje entre series con un mínimo de operaciones (elige Forecast) y si se requieren predicciones de series únicas de baja latencia (favorece los puntos de conexión (endpoints) en tiempo real de SageMaker). Errores comunes: aprovisionar un context_length insuficiente, configurar incorrectamente las salidas de cuantiles y no ponderar la evaluación según el impacto en el negocio.

Problema práctico: Escenario de caso de uso

Escenario: Acme Retail opera 5000 tiendas y mantiene registros diarios de ventas y promociones en Amazon S3. Utilizan SageMaker Studio para la ciencia de datos y necesitan previsiones de producción escalables para impulsar el inventario y las promociones.

Desafío: Producir previsiones de demanda probabilísticas calibradas a 30 días por cada par SKU-tienda que tengan en cuenta los días festivos y las promociones, manejen las ventas cero intermitentes para muchos SKU y escalen a una producción nocturna por lotes.

Enfoque recomendado:

Configurar pipelines de datos: ingerir las ventas y promociones diarias en S3, catalogar con AWS Glue y exponer a través de Athena; crear archivos de conjunto de datos con marca de tiempo (timestamp), item_id, store_id, valor objetivo (target_value) y características dinámicas.
Crear prototipos de modelos en SageMaker Studio: probar la descomposición al estilo de Prophet para algunos SKU representativos, luego entrenar SageMaker DeepAR (establecer time_freq=‘D’, prediction_length=30, context_length=30–90, likelihood=‘negative-binomial’ para recuentos, num_eval_samples=100).
Para el escalado y la producción: programar el entrenamiento nocturno por lotes o el reentrenamiento incremental en SageMaker (o, opcionalmente, usar Amazon Forecast con grupos de conjuntos de datos y predictores si se prefieren las previsiones gestionadas), y usar SageMaker Batch Transform o la exportación por lotes de Forecast para la inferencia masiva nocturna.
Evaluar con backtests de origen dinámico (rolling-origin) utilizando la pérdida cuantil (quantile loss) y las métricas de cobertura (P50/P90), y monitorear la calibración en vivo; si los intervalos tienen una cobertura insuficiente (under-cover), ajustar la verosimilitud (likelihood) o aumentar num_eval_samples.

Justificación: El uso de Glue/Athena y S3 estandariza el acceso a los datos, DeepAR (o Forecast) modela de forma nativa muchas series relacionadas y produce los cuantiles necesarios para las decisiones de inventario, la binomial negativa maneja los recuentos intermitentes y la transformación por lotes (batch transform) permite un escalado nocturno rentable.

← Procesamiento de Lenguaje Natural y Habla · Todos los dominios · Entrenamiento →

Practica estas preguntas → · Práctica cronometrada en ExamRoll.io →