Publié le: May 14, 2020
Amazon Forecast est un service géré qui utilise le machine learning (ML) pour générer des prévisions précises, sans nécessiter d'expérience préalable en ML. Amazon Forecast se prête à de nombreux cas d'utilisation : prévision de la demande de produits, planification des stocks, planification de la main-d'œuvre et des ressources et prévision de l'utilisation des infrastructures cloud.
Aujourd'hui, nous sommes ravis d'annoncer la prise en charge du remplissage automatisé des valeurs manquantes dans vos ensembles de données de séries temporelles liées pour les périodes historiques et de prévision. Dans Amazon Forecast, les séries temporelles liées comprennent des données comme les promotions, les prix ou la météo en corrélation avec la valeur cible (par exemple, la demande produit) et peuvent souvent améliorer la précision des prévisions. Jusqu'à présent, les clients Amazon Forecast devaient fournir les données des séries temporelles liées sans valeurs manquantes, ce qui peut parfois être difficile (par exemple, fournir les données de prix des produits pour les périodes historiques et de prévision entières). Avec cette nouvelle fonction, les clients peuvent désormais utiliser plusieurs options de valeur manquante (comme la valeur, la médiane, le minimum, le maximum et la moyenne), selon le cas d'utilisation spécifique, pour leurs ensembles de données de séries temporelles liées. De plus, nous étendons également la prise en charge des options de remplissage des valeurs manquantes existantes (au delà de ’0’ et ’NaN’) pour les ensembles de données de séries temporelles cibles. Vous pouvez tirer parti de FeaturizationConfig dans l'API CreatePredictor pour utiliser cette nouvelle fonction. Pour de plus amples informations, veuillez consulter ici la documentation destinée aux développeurs d'Amazon Forecast.
Cette fonction de valeur manquante avancée est désormais disponible dans les régions USA Est (Virginie du Nord, Ohio), USA Ouest (Oregon), Europe (Irlande, Francfort) et Asie-Pacifique (Tokyo, Singapour, Séoul, Sydney, Mumbai).