Amazon MLS-C01: Временные ряды и прогнозирование — Руководство по подготовке
Часть AWS Machine Learning Specialty MLS-C01 — Руководство по подготовке. Практикуйтесь с проверенными ответами в центре экзаменов Amazon, или пройдите тесты на время на ExamRoll.io.
Масштабирование, шаблоны развертывания и критерии выбора
Масштабирование прогнозирования на тысячи или миллионы рядов и развертывание прогнозов в производственной среде сопряжено с архитектурными компромиссами. Для управляемого решения, ориентированного на масштабирование, Amazon Forecast управляет группами наборов данных (целевые временные ряды, связанные временные ряды, метаданные элементов), автоматизированным созданием признаков, встроенным бэктестингом и эластичными хостируемыми предикторами для пакетных или экспортируемых прогнозов; он хорошо подходит, когда вам нужен сервис, обрабатывающий множество рядов без необходимости в специальном обучении моделей. Для задач, требующих кастомного моделирования, используйте SageMaker с DeepAR (или кастомными моделями PyTorch/TF), где вы контролируете гиперпараметры, выбор функции правдоподобия и создание признаков; обучайте на инстансах GPU для скорости и используйте SageMaker Batch Transform для массового вывода или эндпоинты реального времени для обслуживания с низкой задержкой. Для экономической эффективности при работе с множеством версий моделей рассмотрите эндпоинты с несколькими моделями (multi-model endpoints) или асинхронные пакетные конвейеры, запускаемые событиями S3 или Step Functions. Критерии выбора включают: потребность в кастомных архитектурах (выбирайте SageMaker), необходимость в обучении на нескольких рядах (cross-series learning) с минимальными операционными затратами (выбирайте Forecast) и требование к прогнозам для одного ряда с низкой задержкой (предпочтительны эндпоинты реального времени SageMaker). Распространенные ошибки: недостаточное значение context_length, неверная настройка вывода квантилей и отсутствие взвешивания оценки по степени влияния на бизнес.
Практическая задача: Пример использования
Сценарий: Acme Retail управляет 5000 магазинами и хранит ежедневные журналы продаж и рекламных акций в Amazon S3. Они используют SageMaker Studio для анализа данных и нуждаются в масштабируемых производственных прогнозах для управления запасами и акциями.
Задача: Создавать откалиброванные 30-дневные вероятностные прогнозы спроса для каждой пары SKU-магазин, которые учитывают праздники и акции, справляются с прерывистыми нулевыми продажами для многих SKU и масштабируются для ночного пакетного выполнения.
Рекомендуемый подход:
- Настроить конвейеры данных: загружать ежедневные данные о продажах и акциях в S3, каталогизировать с помощью AWS Glue и предоставлять доступ через Athena; создавать файлы наборов данных с временной меткой,
item_id,store_id,target_valueи динамическими признаками. - Прототипировать модели в SageMaker Studio: попробовать декомпозицию в стиле Prophet для нескольких репрезентативных SKU, затем обучить SageMaker DeepAR (установить
time_freq='D',prediction_length=30,context_length=30–90,likelihood='negative-binomial'для данных в виде счетчиков,num_eval_samples=100). - Для масштабирования и производственной среды: запланировать ночное пакетное обучение или инкрементальное дообучение в SageMaker (или, как вариант, использовать Amazon Forecast с группами наборов данных и предикторами, если вы предпочитаете управляемые прогнозы) и использовать SageMaker Batch Transform или пакетный экспорт Forecast для ночного массового вывода.
- Оценивать с помощью бэктестов на скользящем окне (rolling-origin backtests), используя квантильные потери и метрики покрытия (P50/P90), а также отслеживать калибровку в реальном времени; если интервалы не обеспечивают нужного покрытия, настройте функцию правдоподобия или увеличьте
num_eval_samples.
Обоснование: Использование Glue/Athena и S3 стандартизирует доступ к данным, DeepAR (или Forecast) нативно моделирует множество связанных рядов и генерирует квантили, необходимые для принятия решений по запасам, negative-binomial справляется с прерывистыми данными в виде счетчиков, а пакетное преобразование (batch transform) обеспечивает экономически эффективное ночное масштабирование.
← Обработка естественного языка и речи · Все домены · Обучение →
Отработать эти вопросы → · Тесты на время на ExamRoll.io →
Pass the whole exam — not just this question
You found this answer. Get every verified question and explanation in one place, and save hours of prep. Free to start.
Сдайте экзамен →