Expérimentation

Concevoir des pipelines de prévision pour la production

Rami Krispin

Senior Manager, Data Science and Engineering

Pipeline de prévision

L'expérimentation en bref

Énoncé du problème

Formulation de l'hypothèse

Test de l'hypothèse

Répéter le processus pour d'autres hypothèses

Tirer une conclusion

L'expérimentation identifie la meilleure approche de modélisation (de prévision) pour chaque question.

Un flux de travail type couvrant données > modélisation > enregistrement du modèle > sélection du modèle

DataFrame contenant plusieurs modèles de prévision et leurs métriques associées : MAPE, RMSE et couverture

DataFrame avec le modèle AutoARIMA mis en évidence

Documentation d'AutoARIMA affichant plusieurs arguments utilisables lors de l'instanciation du modèle

DataFrame avec le modèle MSTL_ARIMA_trend mis en évidence

Documentation de MSTL_ARIMA_trend indiquant qu'un autre estimateur de tendance peut être défini

Flux de travail : entraîner > tester > évaluer > déployer > surveiller > réajuster > répéter

Architecture composée de données > traitement des données > backtesting > scoring > journalisation et métadonnées

Traitement des données

Backtesting

Scoring

Journalisation

Paramètres du modèle définis dans un fichier JSON

Technologies de l'architecture : pandas pour le traitement des données, nixtla pour le backtesting et le scoring, et MLflow pour la journalisation

Concevoir des pipelines de prévision pour la production