Previsão (sem servidor) com AutoML

Prévia

Esse recurso está em Pré-lançamento público.

Este artigo mostra como executar um experimento de previsão serverless usando a UI de treinamento do modelo Mosaic AI.

Mosaic AI O Model Treinamento - forecasting simplifica a previsão de dados de séries temporais, selecionando automaticamente o melhor algoritmo e os melhores hiperparâmetros, tudo isso enquanto é executado em um recurso totalmente gerenciado compute.

Para entender a diferença entre a previsão serverless e a previsão clássica compute, consulte previsão sem servidor vs. previsão clássica compute .

Requisitos

Dados de treinamento com uma coluna de série temporal, salvos como uma tabela do Unity Catalog.

Crie um experimento de previsão com a interface do usuário

Acesse o site Databricks páginas de aterrissagem e clique em Experiments (Experimentos ) na barra lateral.

Na caixa Forecasting (Previsão ), selecione começar treinamento.
Selecione os dados de treinamento em uma lista de tabelas do Unity Catalog que o senhor pode acessar.
- Coluna de tempo: selecione a coluna que contém os períodos da série temporal. As colunas devem ser do tipo timestamp ou date.
- Frequência de previsão: selecione a unidade de tempo que representa a frequência dos dados de entrada. Por exemplo, minutos, horas, dias, meses. Isso determina a granularidade da sua série temporal.
- Horizonte de previsão: especifique quantas unidades da frequência selecionada devem ser previstas no futuro. Junto com a frequência da previsão, isso define as unidades de tempo e o número de unidades de tempo a serem previstas.
Observação

Para usar o algoritmo Auto-ARIMA, a série temporal deve ter uma frequência regular, em que o intervalo entre dois pontos quaisquer deve ser o mesmo em toda a série temporal. O AutoML lida com as etapas de tempo ausentes preenchendo esses valores com o valor anterior.
Selecione a coluna Alvo de previsão que o senhor deseja que o modelo preveja.
Opcionalmente, especifique um caminho de dados Prediction da tabela do Unity Catalog para armazenar as previsões de saída.
Selecione um registro de modelo Unity Catalog local e nome.
Opcionalmente, defina as opções avançadas:
- Nome do experimento: Forneça um nome de experimento do MLflow.
- Colunas identificadoras de séries temporais - Para previsões de várias séries, selecione as colunas que identificam as séries temporais individuais. O Databricks agrupa os dados por essas colunas como séries temporais diferentes e treina um modelo para cada série de forma independente.
- Métricas primárias: Escolha as principais métricas usadas para avaliar e selecionar o melhor modelo.
- Estrutura de treinamento: Escolha as estruturas a serem exploradas pelo AutoML.
- Coluna dividida: selecione a coluna que contém a divisão de dados personalizada. Os valores devem ser “treinar”, “validar”, “testar”
- Coluna de peso: especifique a coluna a ser usada para ponderar séries temporais. Todas as amostras de uma determinada série temporal devem ter o mesmo peso. O peso deve estar na faixa [0, 10000].
- Região de feriados: Selecione a região do feriado a ser usada como covariável no treinamento do modelo.
- Tempo limite: Defina uma duração máxima para o experimento AutoML.

executar o experimento e monitorar os resultados

Para começar o experimento AutoML, clique em começar treinamento. Na página de treinamento de experimentos, o senhor pode fazer o seguinte:

Pare o experimento a qualquer momento.
Monitorar a execução.
Navegue até a página de execução de qualquer execução.

Veja os resultados ou use o melhor modelo

Após a conclusão do treinamento, os resultados da previsão são armazenados na tabela Delta especificada e o melhor modelo é registrado no Unity Catalog.

Na página de experimentos, você escolhe entre as próximas etapas a seguir:

Selecione visualizar previsões para ver a tabela de resultados da previsão.
Selecione lotes inference Notebook para abrir um Notebook gerado automaticamente para a inferência de lotes usando o melhor modelo.
Selecione Create serving endpoint para implantar o melhor modelo em um modelo servindo endpoint.

Previsão sem servidor vs. previsão de computação clássica

A tabela a seguir resume as diferenças entre a serverless previsão do computee a previsão com o clássico

Recurso	previsão sem servidor	Clássico compute forecasting
infraestrutura de computação	Databricks gerenciar compute configuração e otimiza automaticamente o custo e o desempenho.	Configurado pelo usuário compute
Governança	Modelos e artefatos registrados no Unity Catalog	Armazenamento de arquivos workspace configurado pelo usuário
Seleção de algoritmo	Modelos estatísticos mais o algoritmo de rede neural de aprendizagem profunda DeepAR	Modelos estatísticos
integração da loja de recursos	Não suportado	Suportado
Notebook gerado automaticamente	Lotes inference Notebook	Código-fonte para todos os testes
Implementação do modelo de serviço com um clique	Suportado	Sem compatibilidade
Divisões personalizadas de treinamento/validação/teste	Suportado	Não suportado
Pesos personalizados para séries temporais individuais	Suportado	Não suportado