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.

• Se l'area di lavoro dispone di un Gateway di Uscita Protetto (Secure Egress Gateway, SEG) abilitato, pypi.org deve essere aggiunto all'elenco dei domini consentiti. Vedere Gestione dei criteri di rete per il controllo in uscita serverless.

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: Seleziona 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.

   

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 delle festività: selezionare l'area di vacanza da usare come covariati 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.

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	Previsione serverless	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
Governance	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 repository di funzionalità	Non supportato	supportati
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