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
oudate
.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 |
|
integração da loja de recursos |
Não 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 |