Introduzione a AWS Forecast e SageMaker DeepAR: Prevedere la Domanda con il Machine Learning su AWS
0 likes15 views
La previsione della domanda è una sfida cruciale per aziende di ogni settore, dalla gestione delle scorte alla pianificazione della produzione e all'ottimizzazione della supply chain. In queste slide, esploreremo come AWS Forecast e SageMaker DeepAR possono essere utilizzati per sviluppare modelli di previsione accurati e scalabili, sfruttando le potenzialità del machine learning senza dover essere esperti di data science.
Ad
More Related Content
Similar to Introduzione a AWS Forecast e SageMaker DeepAR: Prevedere la Domanda con il Machine Learning su AWS (20)
More from Commit University (20)
Ad
Introduzione a AWS Forecast e SageMaker DeepAR: Prevedere la Domanda con il Machine Learning su AWS
- 1. Corley Cloud In qualità di Advanced Partner di Amazon Web Services, Corley Cloud progetta, implementa e realizza soluzioni innovative con il cloud AWS. The Cloud Partner.
- 2. Corley Cloud Corley Cloud fornisce il massimo supporto e notevoli vantaggi nell'adozione del cloud Amazon Web Services grazie all'attuazione di best practice e programmi ufficiali di digital cloud transformation. Oltre 300 progetti su AWS e 40 certificazioni ufficiali: Corley Cloud è una realtà certificata con innumerevoli riconoscimenti e un portfolio di oltre 300 progetti AWS sviluppati in diversi ambiti: cloud native, migrazione, machine learning & AI, serverless, IoT, sicurezza e cloudOps. Corley è Advanced Partner AWS
- 3. Forecasting con AWS Accelerare con Corley Cloud e AWS Partnership avanzata con AWS Accesso a programmi e strumenti esclusivi di Amazon Web Services Competenze certificate Oltre 40 certificazioni e avanzato know-how a disposizione dei Clienti Accelerazione! ➔ Migrazione agevolata a AWS (MAP) ➔ Ottimizzazione Well Architected ➔ Industria 4.0 e 5.0 ➔ POC e Sviluppo Machine Learning & AI ➔ Formazione Agevolata
- 4. Corley Cloud corley Migrazione AWS corley Well Architected corley CloudOps&Security corley Assess&Startup corley Consulenza AWS corley Cloud Native Dev corley Supporto&Reperibilità corley Training corley Industrial IoT corley Consumer IoT corley Data Platform corley Machine Learning&AI Un intero ecosistema di servizi e soluzioni: Professional services: Workload su AWS: Innovazione con AWS:
- 5. Forecasting con AWS Introduzione a AWS Forecast e SageMaker DeepAR
- 6. Forecasting con AWS Walter Dal Mut CTO in Corley Cloud [email protected] corley.it
- 7. Forecasting con AWS Sommario Titolo sezione 1 Titolo sezione 2 ● Introduzione a AI/ML ● Data preparation al centro della practice ● AWS Forecast ● SageMaker Canvas il futuro su AWS ● SageMaker Demo
- 8. Forecasting con AWS What is AI / ML
- 11. Forecasting con AWS ML types ● Supervised Learning ● Unsupervised Learning ● Reinforcement Learning
- 13. Forecasting con AWS Machine Learning Steps 1. Il dato potrebbe arrivare già pronto per l’apprendimento, ma spesso è necessaria una elaborazione 2. L’apprendimento del modello potrebbe essere demandato ad un sistema di AI, eccetto per custom step 3. La valutazione è una predizione per la quale conosciamo i valori attesi, per i quali possiamo calcolare l’accuratezza 4. La predizione lavora su nuovi dati elaborati con il punto 1 con il modello migliore salvato nel punto 3 1. Preparation 2. Training 3. Testing 4. Prediction
- 14. Forecasting con AWS Forecasting L’approccio AWS per il forecast
- 15. Forecasting con AWS DeepAR - RNN Recurrent Neural Networks 1. Capacità di Memorizzazione di Sequenze Temporali a. Le RNN sono progettate per gestire dati sequenziali, rendendole ideali per i problemi di previsione temporale. Grazie alla loro memoria interna, riescono a considerare l'ordine delle informazioni passate, essenziale per il forecast di serie temporali. 2. Cattura di Relazioni a Lungo Termine a. Le RNN possono mantenere informazioni provenienti da passi temporali precedenti e utilizzarle per fare previsioni accurate. Questo permette di cogliere le dipendenze a lungo termine, migliorando la qualità delle previsioni. 3. Adattabilità ai Dati Sequenziali a. A differenza delle reti feedforward tradizionali, che analizzano solo input fissi e non sequenziali, le RNN processano le informazioni in modo dinamico e sequenziale, elemento cruciale per le serie temporali. 4. Predizione a Più Passi nel Futuro a. Le RNN possono essere utilizzate per predire valori futuri multipli, grazie alla loro architettura che permette il riciclo delle informazioni precedenti, migliorando le previsioni anche su lunghi orizzonti temporali. 5. Flessibilità in Diversi Settori a. Che si tratti di previsione di vendite, domanda energetica o mercati finanziari, le RNN sono una tecnologia collaudata e utilizzabile in una vasta gamma di applicazioni industriali. 6. Versioni Avanzate: LSTM e GRU a. Le varianti delle RNN come LSTM (Long Short-Term Memory) e GRU (Gated Recurrent Unit) sono ottimizzate per risolvere il problema del gradiente vanishing, migliorando ulteriormente le performance nel forecast.
- 16. Forecasting con AWS Amazon Forecast
- 17. Forecasting con AWS Features - forecasting
- 18. Forecasting con AWS Features - scenarios what-if analysis, ‘scenarios’
- 19. Forecasting con AWS Esempio di risultato - AWS Forecast
- 20. Forecasting con AWS Project steps ● Definizione dati ○ TTS ○ RTS, modificatori ○ categorie prodotto ● Schema tabelle ● Comparazione algoritmi ○ ⛳ per un articolo ○ per ciascun articolo ● Automatizzazione ○ dall’ERP ad S3 ○ schedulazione ● what-if analysis ○ modificatori ● explainability ○ impact scores
- 21. Forecasting con AWS Forecasting con i servizi AWS
- 22. Forecasting con AWS AWS Services reference
- 23. Forecasting con AWS AWS Services reference
- 24. Forecasting con AWS AWS Services reference
- 25. Forecasting con AWS AWS Services reference
- 26. Forecasting con AWS AWS Services reference
- 27. Forecasting con AWS AWS Services
- 28. Forecasting con AWS AWS Services
- 29. Forecasting con AWS AWS Services Business
- 30. Forecasting con AWS AWS Services Business Operator
- 31. Forecasting con AWS AWS Services Business Operator Data Scientist
- 35. Forecasting con AWS Evaluation metrics Metrics Description Notes Limits MAPE Mean Absolute Percentage Error ok < 50%; good < 20%; very good < 10% for dataset without 0 MASE Mean Absolute Scaled Error training / testing values comparison it is unique for each dataset RMSE Root Mean Square Error RMSE / actual average value < 10% it is most sensitive to outliers
- 36. Forecasting con AWS AWS Forecast Vediamo il servzio gestito di AWS come si presenta e quali qualità sono a nostra disposizione
- 37. Forecasting con AWS Dataset groups 1 To train a model on Amazon Forecast you need to configure the dataset groups by specifying the following datasets with their schemas and S3 sources : 2 RTS (optional) Relative Time Series 3 IM (optional) Item Metadata TTS (required) Target Time Series
- 38. Forecasting con AWS Forecasting algorithms Amazon forecast allows you to create predictive models using one of the following 6 + 1 algorithms: ● Baseline Algorithms: ○ Prophet: best with seasonal data ○ NPTS: useful when working with sparse or intermittent time series ○ ARIMA: useful for simple datasets with under 100 time series ○ ETS: useful for simple datasets with under 100 time series, and datasets with seasonality patterns ● Neural Network: ○ DeepAR+: best with very large dataset ○ CNN-QR: best with very large dataset ● Special: ○ AutoML: automatically train the optimal model for your datasets
- 39. Forecasting con AWS Features supported by AWS Forecast 1 Thanks to deep learning algorithms, AWS Forecast can take into account: 2 Metadata to categorize items 3 Holiday calendar 4 Geolocalization Seasonality of the data
- 40. Forecasting con AWS Algorithms comparison
- 41. Forecasting con AWS Features - scenarios what-if analysis, ‘scenarios’
- 42. Forecasting con AWS Features - explainability impact scores
- 44. Forecasting con AWS Evaluation metrics Metrics Description Notes Limits MAPE Mean Absolute Percentage Error ok < 50%; good < 20%; very good < 10% for dataset without 0 MASE Mean Absolute Scaled Error a lower value indicates a more accurate model it is unique for each dataset RMSE Root Mean Square Error RMSE / actual average value < 10% it is most sensitive to outliers
- 45. Forecasting con AWS Pricing $ 2 per 1000 $ 2 per 1000
- 46. Forecasting con AWS AWS Forecast Demo In questa demo vediamo come un data scientist può affrontare il caso di predizione della domanda
- 68. Forecasting con AWS Sagemaker Canvas In questa demo vediamo come un data scientist può affrontare il caso di predizione della domanda
- 77. Forecasting con AWS Single Predict
- 79. Forecasting con AWS Batch Predict
- 84. Forecasting con AWS Realtime endpoint deployment
- 89. Forecasting con AWS Demo Sagemaker In questa demo vediamo come un data scientist può affrontare il caso di predizione della domanda
- 90. Forecasting con AWS Demo Sagemaker https://github.com/corley/sagemaker-ipynb-examples/blob/master/deepar/cap06.ipynb
- 91. Forecasting con AWS Thanks for listening!