Étape 5 : Générer et utiliser les prévisions pour la prise de décision
Une fois que vous disposez d'un modèle qui répond au seuil de précision requis pour votre cas d'utilisation spécifique (tel que déterminé par le backtesting), l'étape finale consiste à déployer le modèle et à générer des prévisions. Pour déployer un modèle dans Amazon Forecast, vous devez exécuter l'API Create_Forecast. Cette action héberge un modèle créé en s'entraînant sur l'ensemble du jeu de données historique (contrairement à Create_Predictor, qui divise les données en un ensemble d'entraînement et un ensemble de test). Les prédictions du modèle générées sur l'horizon de prévision peuvent alors être consommées de deux manières :
-
Vous pouvez interroger les prévisions pour un élément particulier (en spécifiant l'élément ou la combinaison élément/dimension) en utilisant l'API
Query_Forecastdepuis la AWS CLIou directement via la AWS Management Console . -
Vous pouvez générer les prévisions pour toutes les combinaisons d'éléments et de dimensions pour tous les quantiles à l'aide de l'API
Create_Forecast_Export_Job. Cette API génère un fichier CSV qui est stocké en toute sécurité dans un emplacement Amazon Simple Storage Service(Amazon S3) de votre choix. Vous pouvez ensuite utiliser les données du fichier CSV et les insérer dans vos systèmes en aval utilisés pour la prise de décision. Par exemple, vos systèmes de chaîne d'approvisionnement existants peuvent intégrer directement les résultats d'Amazon Forecast afin de faciliter la prise de décision concernant la fabrication de certains articles.
Prévisions probabilistes
Amazon Forecast peut générer des prévisions à différents quantiles, ce qui est particulièrement utile lorsque les coûts de sous-estimation et de surestimation sont différents. Comme pour l'étape d'entraînement du prédicteur, des prévisions probabilistes peuvent être générées pour des quantiles compris entre p1 et p99.
Par défaut, Amazon Forecast génère des prévisions aux mêmes quantiles que ceux utilisés lors de I'entraînement du prédicteur. Si les quantiles ne sont pas spécifiés lors de l'entraînement du prédicteur, les prévisions seront générées à p10, p50 et p90 par défaut.
Pour la prévision p10, on s'attend à ce que la valeur réelle soit inférieure à la valeur prédite dans 10 % des cas, et la métrique wQL[0,1] peut être utilisée pour évaluer sa précision. Cela signifie que la prévision P10 est une sous-prévision dans 90 % des cas, et que si elle était utilisée pour stocker les stocks, l'article serait épuisé dans 90 % des cas. La prévision P10 pourrait être utile lorsque l'espace de stockage est limité ou que le coût du capital investi est élevé.
Note
La définition formelle d'une prévision quantile est Pr(valeur réelle <= prévision au quantile q) = q. Techniquement, un quantile est un percentile/100. Les statisticiens ont tendance à dire « niveau du quantile P90 », car c'est plus facile à dire que « quantile 0,9 ». Par exemple, une prévision au niveau du quantile P90 signifie que l'on peut s'attendre à ce que la valeur réelle soit inférieure à la prévision dans 90 % des cas. Plus précisément, si au temps = t1 et au niveau de quantile = 0,9, la valeur prédite = 30, cela signifie que la valeur réelle au temps = t1, si vous avez 1 000 simulations, devrait être inférieure à 30 pour 900 simulations. Pour 100 simulations, la valeur réelle devrait être supérieure à 30.
D'autre part, la prévision P90 est une sur-prévision dans 90 % des cas, et elle est utile lorsque le coût d'opportunité de ne pas vendre un article est extrêmement élevé, ou lorsque le coût du capital investi est faible. Pour une épicerie, la prévision P90 pourrait être utilisée pour des produits comme le lait ou le papier toilette, pour lesquels le magasin ne veut jamais être à court et ne voit pas d'inconvénient à ce qu'il en reste toujours dans les rayons.
Pour la prévision p50 (souvent également appelée prévision médiane), on s'attend à ce que la valeur réelle soit inférieure à la valeur prévue dans 50 % des cas, et la métrique wQL[0.5] peut être utilisée pour évaluer sa précision. Lorsque le surstockage n'est pas trop préoccupant et que la demande pour un article donné est modérée, la prévision par quantile p50 peut être utile.
Visualisation
Amazon Forecast permet de tracer des prévisions de manière native dans la AWS Management Console. En outre, vous pouvez tirer parti de la pile complète de science des données Python. Consultez pour cela Amazon Forecast ExamplesExportForecastJob, ce qui permet aux utilisateurs de visualiser les prévisions dans l'outil analytique de leur choix.
Visualisation fournie dans la console Amazon Forecast pour différents quantiles
