AutoAI 시계열 파이프라인을 모델로 저장한 후 새 값을 예측하기 위해 모델을 배치하고 스코어링할 수 있습니다.
시계열 모델 배치
모델을 프로젝트에 저장한 후 다음 단계에 따라 모델을 배치하십시오.
- 프로젝트 자산 목록에서 모델을 찾으십시오.
- 모델을 배치 영역으로 승격하십시오.
- 페이로드 데이터를 배치 영역으로 승격하십시오.
- 배치 영역에서 배치를 작성하십시오.
스코어링 고려사항
이때까지 시계열 모델 배치는 분류 또는 회귀 모델 배치와 동일한 단계를 따릅니다. 그러나 예측이 시계열 모델에서 구조화되고 생성되는 방식으로 인해 입력이 모델 구조와 일치해야 합니다. 예를 들어, 페이로드를 구조화하는 방법은 단일 결과(일변량) 또는 다중 결과(다변량)를 예측하는지에 따라 다릅니다.
다음과 같은 상위 레벨 고려사항에 유의하십시오.
- 데이터의 마지막 행 이후 첫 번째 예측 기간 행을 가져 오려면 빈 페이로드를 전송하십시오.
- 다음 값을 얻으려면 빈 페이로드 요청의 결과를 다음 스코어링 요청으로 전송하십시오.
- 여러 행을 입력으로 전송하여 추세를 빌드하고 추세 이후의 다음 값을 예측할 수 있습니다.
- 여러 예측 열이 있는 경우 각 예측의 값을 스코어링 요청에 포함해야 합니다.
- 배치를 구성할 때 미리 단계 의 값을 지정하여 예측할 단계 수를 변경할 수 있습니다. 예를 들어, 시간별 날씨의 경우 24단계를 예측할 수 있습니다.
온라인 배치 스코어링
온라인 배치를 작성하는 경우 입력 양식을 사용하거나 JSON 코드를 제출하여 페이로드 데이터를 전달할 수 있습니다. 이 예에서는 예측을 생성하기 위해 JSON을 구조화하는 방법을 보여줍니다.
단일 값 예측
가장 간단한 경우에 이 샘플 데이터를 제공하면 예측 창이 1인 value1의 다음 단계를 예측하려고 합니다. 이는 각 예측이 단일 단계(행)가 될 것임을 의미합니다.
| 시간소인 | value1 |
|---|---|
| 2015-02026 21:42 | 2 |
| 2015-02026 21:47 | 4 |
| 2015-02026 21:52 | 6 |
| 2015-02026 21:57 | 8 |
| 2015-02026 22:02 | 1,000만 |
다음과 같이 구조화된 첫 번째 예측을 요청하려면 공백 항목을 입력 데이터로 전달해야 합니다.
{
"input_data": [
{
"fields": [
"value1"
],
"values": []
}
]
}
리턴되는 출력은 모델의 다음 단계를 예측합니다.
{
"predictions": [
{
"fields": [
"prediction"
],
"values": [
[
12
]
]
}
]
}
다음 입력은 이전 출력의 결과를 전달하여 다음 단계를 예측합니다.
{
"input_data": [
{
"fields": [
"value1"
],
"values": [
[12]
]
}
]
}
다중 값 예측
이 경우 두 개의 대상(value1 및 value2)을 예측합니다.
| 시간소인 | value1 | value2 |
|---|---|---|
| 2015-02026 21:42 | 2 | 1 |
| 2015-02026 21:47 | 4 | 3 |
| 2015-02026 21:52 | 6 | 5 |
| 2015-02026 21:57 | 8 | 7 |
| 2015-02026 22:02 | 1,000만 | 9 |
여전히 첫 번째 예측을 요청하려면 입력 데이터가 빈 항목을 전달해야 합니다. 다음 입력은 다음과 같이 구조화됩니다.
{
"input_data": [
{
"fields": [
"value1",
"value2"
],
"values": [
[2, 1],
]
}
]
}
새 관측값을 기반으로 예측
새 관측값을 입력하려는 이전 단계를 기반으로 다음 행을 예측하는 대신 일변량 모델에 대해 다음과 같은 입력 데이터를 입력합니다.
{
"input_data": [
{
"fields": [
"value1"
],
"values": [
[2],
[4],
[6]
]
}
]
}
다변량 모델의 경우 다음과 같이 새 관측값을 입력하십시오.
{
"input_data": [
{
"fields": [
"value1",
"value2"
],
"values": [
[2, 1],
[4, 3],
[6, 5]
]
}
]
}
여기서 2, 4 및 6은 value1에 대한 관측값이고, 1, 3, 5는 value2에 대한 관측값입니다.
지원 기능을 사용하여 시계열 모델 스코어링
모델을 배치한 후에는 배치를 자세히 설명하는 페이지로 이동하여 예측 값을 가져올 수 있습니다. 다음 방법 중 하나를 선택하여 배치를 테스트하십시오.
기존 입력 값 사용
데이터 세트의 기존 입력 값을 사용하여 예측 값을 얻을 수 있습니다. 예측 값 세트를 얻으려면 예측 을 클릭하십시오. 출력의 총 예측 값 수는 실험 구성 단계 중에 이전에 설정한 예측 수평으로 정의됩니다.
새 입력 값 사용
스프레드시트를 새 입력 값으로 채우거나 JSON 코드를 사용하여 예측을 얻도록 선택할 수 있습니다.
스프레드시트를 사용하여 값 예측을 위한 새 입력 데이터 제공
새 관찰 (선택사항) 스프레드시트에 입력 데이터를 추가하려면 입력 탭을 선택하고 다음 중 하나를 수행하십시오.
- 로컬 파일 찾아보기를 클릭하여 로컬 디렉토리에서 새 관찰을 포함하는 기존 .csv 파일을 추가하십시오.
- CSV 템플리트 다운로드를 클릭하여 입력 파일 템플리트를 다운로드하고 값을 입력한 후 파일을 업로드하십시오.
- 공간에서 검색을 클릭하여 프로젝트에서 기존 데이터 자산을 사용하십시오.
- 스프레드시트에 수동으로 입력 관찰을 입력하십시오.
이전에 실험 구성 단계에서 이러한 값을 활용하도록 실험을 사용으로 설정한 경우에는 지원 기능에 대한 향후 값을 제공할 수도 있습니다. 이러한 값을 향후 지원 기능 (선택사항) 스프레드시트에 추가해야 합니다.
JSON 코드를 사용하여 입력 데이터 제공
JSON 코드를 사용하여 입력 데이터를 추가하려면 JSON 붙여넣기 탭을 선택하고 다음 중 하나를 수행하십시오.
- 로컬 파일 찾아보기를 클릭하여 로컬 디렉토리의 새 관찰을 포함하는 기존 JSON 파일을 추가하십시오.
- 공간에서 검색을 클릭하여 프로젝트에서 기존 데이터 자산을 사용하십시오.
- JSON 코드를 수동으로 입력하거나 편집기에 붙여넣으십시오.
이 코드 샘플에서 예측 열은 pollution이고 지원 기능은 temp 및 press입니다.
{
"input_data": [
{
"id": "observations",
"values": [
[
96.125,
3.958,
1026.833
]
]
},
{
"id": "supporting_features",
"values": [
[
3.208,
1020.667
]
]
}
]
}
다음 단계
AutoAI 생성 노트북 저장하기(watsonx.ai 런타임)
상위 주제: 시계열 실험 빌드