Eksperimen

Merancang Pipeline Peramalan untuk Produksi

Rami Krispin

Senior Manager, Data Science and Engineering

Eksperimen

Pipeline Peramalan

Ringkasnya eksperimen

Pernyataan masalah

Ringkasnya eksperimen

Menetapkan hipotesis

Ringkasnya eksperimen

Pengujian hipotesis

Ringkasnya eksperimen

Mengulang proses untuk hipotesis tambahan

Ringkasnya eksperimen

Mencapai kesimpulan

Eksperimen dalam peramalan

Eksperimen menentukan pendekatan pemodelan (peramalan) terbaik untuk tiap pertanyaan.

Data
Model
Kerangka pelatihan
KPI kinerja
Proses pendaftaran model
Pemilihan model

Alur kerja umum mencakup data > pemodelan > pendaftaran model > pemilihan model

Eksperimen dalam peramalan

DataFrame berisi beberapa model peramalan dan metriknya — MAPE, RMSE, dan Cakupan

Eksperimen dalam peramalan

DataFrame dengan model AutoARIMA disorot

Dokumentasi AutoARIMA menampilkan beberapa argumen yang dapat digunakan saat membuat instance model

Eksperimen dalam peramalan

DataFrame dengan model MSTL_ARIMA_trend disorot

Dokumentasi MSTL_ARIMA_trend menyoroti bahwa peramal tren dapat diubah

Alur kerja

Alur kerja train > test > evaluasi > deploy > monitor > penyesuaian ulang > ulangi

Alur kerja

Arsitektur terdiri dari data > pemrosesan data > backtesting > scoring > pencatatan dan metadata

Alur kerja

Pemrosesan data

Alur kerja

Backtesting

Alur kerja

Skoring

Alur kerja

Pencatatan

Alur kerja

Pengaturan model didefinisikan dalam file JSON

Alur kerja

Teknologi pada arsitektur — pandas untuk pemrosesan data, nixtla untuk backtesting dan skoring, MLflow untuk pencatatan

Ayo berlatih!

Merancang Pipeline Peramalan untuk Produksi

Preparing Video For Download...