Sperimentazione

Progettare pipeline di forecasting per la produzione

Rami Krispin

Senior Manager, Data Science and Engineering

Sperimentazione

Pipeline di forecasting

Sperimentazione in breve

Definizione del problema

Sperimentazione in breve

Definizione dell'ipotesi

Sperimentazione in breve

Test dell'ipotesi

Sperimentazione in breve

Ripetere il processo per altre ipotesi

Sperimentazione in breve

Arrivare a una conclusione

Sperimentazione nel forecasting

La sperimentazione trova il miglior approccio di modellazione (forecast) per ogni domanda.

Dati
Modelli
Framework di training
KPI di performance
Processo di registrazione modelli
Selezione modello

Flusso tipico: dati > modellazione > registrazione modello > selezione modello

Sperimentazione nel forecasting

DataFrame con vari modelli di forecasting e metriche associate - MAPE, RMSE e Coverage

Sperimentazione nel forecasting

DataFrame con il modello AutoARIMA evidenziato

Documentazione di AutoARIMA con diversi argomenti usabili nell'istanza del modello

Sperimentazione nel forecasting

DataFrame con il modello MSTL_ARIMA_trend evidenziato

Documentazione di MSTL_ARIMA_trend che evidenzia la possibilità di impostare un diverso forecaster del trend

Workflow

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

Workflow

Architettura: dati > data processing > backtesting > scoring > logging e metadati

Workflow

Data processing

Workflow

Backtesting

Workflow

Scoring

Workflow

Logging

Workflow

Impostazioni del modello definite in un file JSON

Workflow

Tecnologie usate: pandas per data processing, nixtla per backtesting e scoring, MLflow per logging

Passons à la pratique !

Progettare pipeline di forecasting per la produzione

Preparing Video For Download...