Condividi tramite

Previsioni (senza server) con AutoML

Importante

Questa funzionalità è in Anteprima Pubblica.

Questo articolo illustra come eseguire un esperimento di previsione serverless usando l'interfaccia utente di addestramento del modello d'intelligenza artificiale Mosaic.

Addestramento del modello di intelligenza artificiale Mosaic - il forecasting semplifica la previsione dei dati delle serie temporali selezionando automaticamente l'algoritmo e gli iperparametri migliori, tutto durante l'esecuzione su risorse di calcolo completamente gestite.

Per comprendere la differenza tra la previsione serverless e quella di calcolo classica, vedere previsione serverless vs. previsione classica di calcolo.

Requisiti

  • Dati di training con una colonna time series salvata come tabella del catalogo Unity.

Creare un esperimento di previsione con l'interfaccia utente

Vai alla pagina di destinazione di Azure Databricks e fai clic su Esperimenti nella barra laterale.

  1. Nel riquadro Previsione selezionare Avvia training.

  2. Seleziona i dati di addestramento da un elenco di tabelle del catalogo Unity a cui è possibile accedere.

    • colonna Tempo: selezionare la colonna contenente i periodi di tempo per la serie di dati temporali. Le colonne devono essere di tipo timestamp o date.
    • Frequenza previsione: selezionare l'unità di tempo che rappresenta la frequenza dei dati di input. Ad esempio, minuti, ore, giorni, mesi. Ciò determina la granularità della serie temporale.
    • Orizzonte di previsione: Specificare quante unità della frequenza selezionata prevedere. Insieme alla frequenza di previsione, definisce sia le unità di tempo che il numero di unità di tempo da prevedere.

    Nota

    Per utilizzare l'algoritmo di Auto-ARIMA, la serie temporale deve avere una frequenza regolare, con l'intervallo tra due punti che deve essere costante per tutta la serie temporale. AutoML gestisce i passaggi temporali mancanti compilando tali valori con il valore precedente.

  3. Selezionare una colonna di destinazione della previsione che si desidera far prevedere al modello.

  4. Facoltativamente, specificare una tabella di Unity Catalog percorso dei dati di previsione per archiviare l'output delle previsioni.

    screenshot dell'interfaccia utente di previsione senza server.

  5. Selezionare un percorso e un nome per la registrazione del modello nel Catalogo Unity .

  6. Facoltativamente, impostare Opzioni avanzate:

    • Nome esperimento: Inserisci un nome dell'esperimento MLflow.
    • colonne identificatrici di serie temporali; per le previsioni su serie multiple, seleziona le colonne che identificano le singole serie temporali. Databricks raggruppa i dati in base a queste colonne come serie temporali diverse ed esegue il training di un modello per ogni serie in modo indipendente.
    • metrica primaria: scegliere la metrica primaria usata per valutare e selezionare il modello migliore.
    • Framework di addestramento: Scegliere i framework per AutoML da esplorare.
    • Split column: Selezionare la colonna contenente la suddivisione dei dati personalizzati. I valori devono essere "train", "validate" , "test"
    • Colonna di peso: Selezionare la colonna da usare per la ponderazione delle serie temporali. Tutti i campioni per una determinata serie temporale devono avere lo stesso peso. Il peso deve essere compreso nell'intervallo [0, 10000].
    • Area festività: selezionare l'area delle festività da usare come covariate nel training del modello.
    • Timeout: impostare una durata massima per l'esperimento AutoML.

Eseguire l'esperimento e monitorare i risultati

Per avviare l'esperimento AutoML, cliccare su Avvia addestramento. Dalla pagina di training dell'esperimento è possibile eseguire le operazioni seguenti:

  • Arrestare l'esperimento in qualsiasi momento.
  • Controlla le operazioni.
  • Passare alla pagina di esecuzione per qualsiasi esecuzione.

Inoltre, è possibile controllare lo stato dell'esperimento durante le fasi seguenti:

  1. Preelaborazione: Convalidare e preparare la tabella di input imputando i valori mancanti e suddividendo i dati in set di training, convalida e test. L'elaborazione automatica della generazione di funzionalità, ad esempio la codifica one-hot per le funzionalità categoriche, si verifica anche durante questa fase.
  2. Ottimizzazione: Esplorare diversi algoritmi di previsione e sintonizzare gli iperparametri.
  3. Formazione: Eseguire il training e valutare il modello finale con le configurazioni migliori selezionate. Registrare il modello in Unity Catalog se è specificato un percorso.

Visualizzare i risultati o usare il modello migliore

Al termine del training, i risultati della stima vengono archiviati nella tabella Delta specificata e il modello migliore viene registrato nel catalogo Unity.

Nella pagina esperimenti scegliere tra i passaggi successivi seguenti:

  • Selezionare Visualizzare le stime per visualizzare la tabella dei risultati delle previsioni.
  • Selezionare notebook di inferenza batch per aprire un notebook generato automaticamente per l'inferenza batch usando il modello migliore.
  • Selezionare Crea endpoint di gestione per distribuire il modello migliore in un endpoint model serving.

Previsione nel cloud rispetto alla previsione di calcolo classica

La tabella seguente riepiloga le differenze tra la previsione serverless e la previsione con calcolo classico .

Caratteristica / Funzionalità Previsione Senza Server Previsione di calcolo classica
Infrastruttura di calcolo Azure Databricks gestisce la configurazione di calcolo e ottimizza automaticamente i costi e le prestazioni. Calcolo configurato dall'utente
Gestione Modelli e artefatti registrati nel catalogo unity Archivio file dell'area di lavoro configurato dall'utente
Selezione dell'algoritmo Modelli statistici più l'algoritmo di rete neurale di apprendimento profondo DeepAR modelli statistici
Integrazione del feature store Non supportato Supportata
Notebook generati automaticamente Notebook di inferenza in batch Codice sorgente per tutte le prove
Distribuzione del modello con un clic Sostenuto Non confermato
Suddivisioni di training/convalida/test personalizzate Sostenuto Non supportato
Pesi personalizzati per singole serie temporali Sostenuto Non supportato
  • Last updated on