Partilhar via

Previsão (sem servidor) com AutoML

Importante

Este recurso está em Public Preview .

Este artigo mostra como executar um experimento de previsão sem servidor utilizando a Interface de Treino do Mosaic AI Model.

Treinamento de modelo de IA em mosaico - a previsão simplifica a previsão de dados de séries cronológicas selecionando automaticamente o melhor algoritmo e hiperparâmetros, tudo isso enquanto é executado em recursos de computação totalmente gerenciados.

Para entender a diferença entre previsão sem servidor e previsão de computação clássica, consulte Previsão sem servidor versus previsão de computação clássica.

Requerimentos

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

Criar uma experiência de previsão com a interface do usuário

Vá para a landing page do seu Azure Databricks e clique em Experimentos na barra lateral.

  1. No bloco de Previsão, selecione Iniciar formação.

  2. Selecione os dados de treino de uma lista de tabelas do Catálogo Unity que você pode aceder.

    • Coluna de Tempo: Selecione a coluna que contém os períodos para a 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. Juntamente com a frequência de previsão, isto define as unidades de tempo e o número de unidades de tempo a prever.

    Observação

    Para usar o algoritmo de Auto-ARIMA , a série temporal deve ter uma frequência regular onde o intervalo entre quaisquer dois pontos 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.

  3. Selecione uma coluna de destino de previsão que se pretende que o modelo preveja.

  4. Opcionalmente, especifique uma tabela do Catálogo Unity e um caminho de dados de previsão para armazenar as previsões.

    Captura de tela da interface do usuário de previsão sem servidor.

  5. Selecione um Registro de modelo local e nome do Catálogo Unity.

  6. Opcionalmente, defina Opções avançadas:

    • Nome do experimento: Forneça um nome de experimento MLflow.
    • Colunas de identificador de séries cronológicas - Para previsões multisséries, selecione a(s) coluna(s) que identificam as séries cronológicas individuais. O Databricks agrupa os dados por essas colunas como séries temporais diferentes e treina um modelo para cada série de forma independente.
    • Métrica primária: Escolha a métrica primária usada para avaliar e selecionar o melhor modelo.
    • Estrutura de treinamento: Escolha as estruturas para o AutoML explorar.
    • Dividir coluna: 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 utilizada para ponderar as séries temporais. Todas as amostras de uma dada série cronológica devem ter o mesmo peso. O peso deve estar na faixa [0, 10000].
    • Região de férias: Selecione a região de férias a utilizar como covariáveis na formação de modelos.
    • Tempo limite: defina uma duração máxima para o experimento AutoML.

Execute o experimento e monitore os resultados

Para iniciar o experimento AutoML, clique em Iniciar treinamento. Na página de treinamento de experimentos, você pode fazer o seguinte:

  • Pare a experiência a qualquer momento.
  • Executa-se o monitor.
  • Navegue até a página de execução para qualquer execução.

Além disso, você pode verificar o status do experimento à medida que ele passa pelas seguintes etapas:

  1. Pré-processamento: Valide e prepare a tabela de entrada imputando valores ausentes e dividindo os dados em conjuntos de treinamento, validação e teste. O processamento automático de geração de características, como a codificação one-hot para características categóricas, também ocorre durante esta etapa.
  2. Sintonização: Explore diferentes algoritmos de previsão e sintonize os hiperparâmetros.
  3. Formação: Treine e avalie o modelo final com as melhores configurações selecionadas. Registre o modelo no Unity Catalog se um caminho for especificado.

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 uma das seguintes etapas seguintes:

  • Selecione Exibir previsões para ver a tabela de resultados de previsão.
  • Selecione o caderno de anotações de inferência em lote para abrir um caderno de anotações gerado automaticamente para inferência em lote usando o melhor modelo.
  • Selecione Criar ponto de extremidade de serviço para implantar o melhor modelo num ponto de extremidade de serviço de modelo.

Previsão sem servidor versus previsão de computação clássica

A tabela a seguir resume as diferenças entre a computação sem servidor para previsão e a previsão com computação clássica.

Característica Previsão sem servidor Previsão de computação clássica
Infraestrutura de computação O Azure Databricks gerencia a configuração de computação e otimiza automaticamente o custo e o desempenho. Computação configurada pelo usuário
Governação Modelos e artefatos registrados no Catálogo Unity Armazenamento de arquivos de espaço de trabalho configurado pelo usuário
Seleção de algoritmos Modelos estatísticos mais o algoritmo de rede neural de aprendizagem profunda DeepAR Modelos estatísticos
Integração com o Feature Store Não suportado Suportado
Notebooks gerados automaticamente Caderno de inferência em lote Código fonte de todas as versões experimentais
Modelo de implantação de serviço com um clique Suportado Sem suporte
Divisões de treino/validação/teste personalizadas Suportado Não suportado
Pesos personalizados para séries cronológicas individuais Suportado Não suportado
  • Last updated on