Experimenteren

Forecasting-pijplijnen ontwerpen voor productie

Rami Krispin

Senior Manager, Data Science and Engineering

Experimenteren

Forecasting-pijplijn

Experimenteren in ’t kort

Probleemstelling

Experimenteren in ’t kort

Hypothese opstellen

Experimenteren in ’t kort

Hypothesetoetsing

Experimenteren in ’t kort

Proces herhalen voor extra hypothesen

Experimenteren in ’t kort

Een conclusie trekken

Experimenteren in forecasting

Experimenteren bepaalt per vraag de beste (forecasting) modelaanpak.

Data
Modellen
Trainingsframework
Prestatie-KPI’s
Modelregistratieproces
Modelselectie

Een typische workflow: data > modelleren > modelregistratie > modelselectie

Experimenteren in forecasting

DataFrame met meerdere forecastingmodellen en hun metrics: MAPE, RMSE en Coverage

Experimenteren in forecasting

DataFrame met het AutoARIMA-model gemarkeerd

AutoARIMA-documentatie met verschillende argumenten voor het instantiëren van het model

Experimenteren in forecasting

DataFrame met het model MSTL_ARIMA_trend gemarkeerd

MSTL_ARIMA_trend-documentatie met optie voor een andere trend-voorspeller

Workflow

Workflow: train > test > evaluate > deploy > monitor > re-tune > repeat

Workflow

Architectuur: data > dataverwerking > backtesten > scoring > logging en metadata

Workflow

Dataverwerking

Workflow

Backtesten

Workflow

Scoring

Workflow

Logging

Workflow

Modelinstellingen gedefinieerd in een JSON-bestand

Workflow

Technologieën in de architectuur: pandas voor dataverwerking, nixtla voor backtesten en scoring, en MLflow voor logging

Laten we oefenen!

Forecasting-pijplijnen ontwerpen voor productie

Preparing Video For Download...