Previsão (sem servidor) com AutoML

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 formação com uma coluna de série temporal, guardada como uma tabela do Catálogo Unity.

• Se o espaço de trabalho tiver o Secure Egress Gateway (SEG) ativado, pypi.org deverá ser adicionado à lista de domínios permitidos . Consulte Gerenciando políticas de rede para controle de saída sem servidor.

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 a de dados de treinamento em uma lista de tabelas do Catálogo Unity que você pode acessar.

   • 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 Previsão que você deseja que o modelo preveja.

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

   

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 Peso: Especifique a coluna a ser usada para atribuir peso às 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.

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 notebook de inferência por lotes para abrir um notebook automaticamente gerado para inferências por lotes, utilizando o modelo mais eficaz.
• Selecione Criar ponto de extremidade de serviço para implantar o melhor modelo em um ponto de extremidade de serviço de Model Serving.

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.