Prognozowanie (bezserwerowe) przy użyciu rozwiązania AutoML

Ważny

Funkcja ta jest dostępna w publicznej wersji zapoznawczej .

W tym artykule pokazano, jak uruchomić bezserwerowy eksperyment prognozowania przy użyciu interfejsu użytkownika do trenowania modelu Mosaic AI.

Trenowanie modelu mozaiki sztucznej inteligencji — prognozowanie upraszcza prognozowanie danych szeregów czasowych przez automatyczne wybranie najlepszego algorytmu i hiperparametrów, a wszystko to przy jednoczesnym uruchomieniu w pełni zarządzanych zasobów obliczeniowych.

Aby zrozumieć różnicę między prognozowanie bezserwerowe i klasyczne prognozowanie obliczeń, zobacz Prognozowanie bezserwerowe a klasyczne prognozowanie obliczeń.

Wymagania

• Dane szkoleniowe z kolumną szeregu czasowego zapisane jako tabelę Unity Catalog.

• Jeśli obszar roboczy ma włączoną usługę Secure Egress Gateway (SEG), należy dodać do listy dozwolonych domen . Zobacz Zarządzanie politykami sieciowymi w celu bezserwerowej kontroli ruchu wychodzącego.

Tworzenie eksperymentu prognozowania za pomocą interfejsu użytkownika

Przejdź do strony docelowej usługi Azure Databricks i kliknij pozycję Eksperymenty na pasku bocznym.

1. Na kafelku Prognozowanie wybierz opcję Rozpocznij trening.

2. Wybierz dane treningowe z listy tabel katalogu Unity, do których masz dostęp.

   • Kolumna czasu: Wybierz kolumnę zawierającą okresy dla serii czasowej. Kolumny muszą być typu timestamp lub date.
   • częstotliwość prognozy: wybierz jednostkę czasu reprezentującą częstotliwość danych wejściowych. Na przykład minuty, godziny, dni, miesiące. Określa stopień szczegółowości szeregów czasowych.
   • horyzont prognozy: określ liczbę jednostek wybranej częstotliwości do prognozowania w przyszłości. Wraz z częstotliwością prognozy definiuje to zarówno jednostki czasu, jak i liczbę jednostek czasu, które mają być prognozowane.

   Notatka

   Aby użyć algorytmu Auto-ARIMA, szereg czasowy musi mieć regularną częstotliwość, w której interwał między dwoma punktami musi być taki sam w ciągu szeregu czasowego. Rozwiązanie AutoML obsługuje brakujące kroki czasu, wypełniając te wartości poprzednimi wartościami.

3. Wybierz kolumnę docelową przewidywania , którą ma przewidywać model.

4. Opcjonalnie określ tabelę Unity Catalog ścieżkę danych prognozowania do przechowywania wynikowych prognoz.

   

5. Wybierz lokalizację i nazwę rejestracji Modelu w Unity Catalog.

6. Opcjonalnie ustaw opcje zaawansowane :

   • nazwa eksperymentu: podaj nazwę eksperymentu MLflow.
   • kolumny identyfikatorów szeregów czasowych — w przypadku prognozowania wielu serii wybierz kolumny identyfikujące poszczególne szeregi czasowe. Usługa Databricks grupuje dane według tych kolumn jako różne serie czasowe i uczy model dla każdej serii niezależnie.
   • Podstawowa metryka: wybierz podstawową metrykę używaną do oceny i wyboru najlepszego modelu.
   • struktura szkoleniowa: Wybierz struktury do eksploracji AutoML.
   • Podziel kolumnę: wybierz kolumnę zawierającą niestandardowy podział danych. Wartości muszą być „uczenie”, „walidacja”, „testowanie”
   • Kolumna wagi: Określ kolumnę, która ma być używana do ważenia szeregów czasowych. Wszystkie próbki dla danej serii czasowej muszą mieć taką samą wagę. Waga musi znajdować się w zakresie [0, 10000].
   • region wakacji: wybierz region wakacji, który ma być używany jako kowariantny w trenowaniu modelu.
   • limit czasu: ustaw maksymalny czas trwania eksperymentu automatycznego uczenia maszynowego.

Uruchamianie eksperymentu i monitorowanie wyników

Aby rozpocząć eksperyment zautomatyzowanego uczenia maszynowego, kliknij przycisk Rozpocznij szkolenie. Na stronie szkoleniowej eksperymentu można wykonać następujące czynności:

• Zatrzymaj eksperyment w dowolnym momencie.
• Monitorowanie uruchomień.
• Przejdź do strony uruchomienia dla dowolnej sesji.

Wyświetlanie wyników lub używanie najlepszego modelu

Po zakończeniu trenowania wyniki przewidywania są przechowywane w określonej tabeli Delta, a najlepszy model jest zarejestrowany w katalogu Unity.

Na stronie Eksperymenty wybierz jedną z następujących następnych czynności:

• Wybierz pozycję Zobacz prognozy, aby wyświetlić tabelę wyników prognoz.
• Wybierz notatnik Batch do wnioskowania, aby otworzyć automatycznie generowany notatnik do wnioskowania wsadowego przy użyciu najlepszego modelu.
• Wybierz pozycję Utwórz punkt końcowy obsługujący, aby wdrożyć najlepszy model w punkcie końcowym obsługującym model.

prognozowanie bezserwerowe a prognozowanie przy użyciu klasycznych obliczeń

W poniższej tabeli przedstawiono podsumowanie różnic między prognozowaniem bezserwerowym a prognozowaniem przy użyciu klasycznych obliczeniowych.

Funkcja	Prognozowanie bezserwerowe	Klasyczne prognozowanie zasobów obliczeniowych
Infrastruktura obliczeniowa	Usługa Azure Databricks zarządza konfiguracją obliczeniową i automatycznie optymalizuje pod kątem kosztów i wydajności.	Obliczenia skonfigurowane przez użytkownika
Rządzenie	Modele i artefakty zarejestrowane w Unity Catalog	Magazyn plików obszaru roboczego skonfigurowany przez użytkownika
Wybór algorytmu	modele statystyczne oraz algorytm sieci neuronowej uczenia głębokiego DeepAR	modele statystyczne
Integracja magazynu funkcji	Niewspierane	Obsługiwane
Notesy generowane automatycznie	Notatnik wnioskowania wsadowego	Kod źródłowy dla wszystkich wersji próbnych
Wdrażanie obsługi modelu jednym kliknięciem	Obsługiwane	Nieobsługiwane
Niestandardowe podziały trenowania/walidacji/testowania	Obsługiwane	Nieobsługiwane
Własne wagi dla poszczególnych szeregów czasowych	Wspierane	Nieobsługiwane