# Annexe A : FAQ **Q : Comment démarrer avec Amazon Forecast ?** 1. Tout d'abord, vous aurez besoin d'un Compte AWS. 1. Ensuite, ouvrez le service Forecast dans la [Console de gestion AWS](https://aws.amazon.com/console/), créez un groupe de jeu de données, et importez un fichier `.csv` dans le jeu de données de la série temporelle cible (obligatoire). Les données minimales requises pour commencer sont des données historiques pour la quantité que vous voulez prédire, comme l'électricité par horodatage et par ménage. 1. Enfin, créez un modèle en exécutant [CreatePredictor](https://docs.aws.amazon.com/forecast/latest/dg/API_CreatePredictor.html) et générez des résultats en exécutant [CreateForecast](https://docs.aws.amazon.com/forecast/latest/dg/API_CreateForecast.html). Pour plus de détails, consultez la page de documentation [Getting Started](https://docs.aws.amazon.com/forecast/latest/dg/getting-started.html) (Démarrage). Consultez également le [guide GitHub Introduction and Best Practices](https://github.com/aws-samples/amazon-forecast-samples/blob/master/ForecastCheatSheet.md) (Introduction et Bonnes pratiques). **Q : Amazon Forecast est-il adapté à mes besoins ?** Tous les problèmes de machine learning ne sont pas des problèmes de prévision. La première question à se poser est la suivante : « Mon problème métier inclut-il les séries temporelles dans son énoncé ? » Par exemple, avez-vous besoin d'une valeur particulière uniquement à une date et une heure précises dans le futur ? La prévision n'est pas adaptée aux problèmes généraux et statiques (où la date/heure particulière n'a pas d'importance), tels que la détection des fraudes ou la recommandation de titres de films aux utilisateurs. Il existe des solutions beaucoup plus rapides aux problèmes statiques. En plus de disposer de données de séries temporelles, les données elles-mêmes doivent être « denses » et présenter un long historique. Le tableau suivant en fait un résumé : *Tableau 2 — Critères et classes d'algorithmes Amazon Forecast* | Critères | Classe d'algorithme Amazon Forecast | | --- | --- | | Grand jeu de données comprenant jusqu'à cinq millions de séries temporelles présentant des tendances sous-jacentes similaires \+ effets saisonniers \+ données associées. Chaque série temporelle doit présenter un long historique, idéalement plus de deux ans si vous essayez de capturer des événements annuels, et chaque série temporelle doit avoir plus de 300, idéalement au moins 1 000 points de données. | Deep learning propriétaire d'Amazon Forecast DeepAR\+, CNN-QR | | Petit jeu de données avec 1 à 100 séries temporelles, où la majorité des séries temporelles comportent plus de 300 points de données \+ effets saisonniers \+ données associées. | Prophet | | Petit jeu de données contenant de 1 à 10 séries temporelles, la majorité des séries temporelles comportant plus de 300 points de données et des effets saisonniers. | ETS, ARIMA | | Jeu intermittent (clairsemé avec de nombreux 0) contenant de 1 à 10 séries temporelles, où la majorité des séries temporelles comportent plus de 300 points de données. | NPTS propriétaire d'Amazon Forecast | | Petit jeu de données (régulier ou clairsemé) contenant de 1 à 10 séries temporelles, où la majorité des séries temporelles contiennent moins de 300 points de données. | Les données sont trop petites pour Amazon Forecast. Essayez plutôt ETS dans Excel ou les modèles statistiques traditionnels ARIMA et Prophet. | La bonne pratique consiste à s'entraîner avec le mode AutoML dans votre Predictor, dès la première utilisation de vos données. AutoML exécutera automatiquement tous les algorithmes (les algorithmes DL sont exécutés avec l'optimisation HPO activée), afin d'apprendre quel algorithme fonctionne le mieux sur vos données. **Q : Comment dois-je aborder les données manquantes ? À partir de quel moment sont-elles trop nombreuses pour générer des prévisions raisonnables ? ** Il se peut qu'il y ait des problèmes dans l'enregistrement des données ou que le niveau d'agrégation des données soit trop faible ou trop élevé. La règle générale est la suivante : la longueur des prévisions ne peut pas dépasser le tiers des données d'entraînement. Outre la quantité de données manquantes, il convient également de tenir compte de l'imputation des données manquantes. Vous pouvez convertir tous les 0 en valeurs nulles et laisser Amazon Forecast faire le gros du travail pour imputer automatiquement les valeurs manquantes. Amazon Forecast détectera automatiquement si les valeurs manquantes sont dues à l'introduction de nouveaux produits (démarrage à froid) ou à des produits en fin de vie. Vous pouvez utiliser plusieurs logiques de valeurs manquantes, notamment la valeur, la médiane, le minimum, le maximum, le zéro, la moyenne et le NaN (séries temporelles cibles uniquement). Consultez [la documentation pour la syntaxe de remplissage de valeurs nulles](https://docs.aws.amazon.com/forecast/latest/dg/howitworks-missing-values.html). + « frontfill » (remplissage avant) : (TTS uniquement) désigne les éléments nouveaux ou démarrés à froid et la manière dont vous souhaitez traiter les valeurs nulles avant que l'article ne commence à avoir un historique + « middlefill » (remplissage intermédiaire) : désigne les valeurs nulles situées au milieu des valeurs des séries temporelles + « backfill » (remplissage en amont) : désigne les articles en fin de vie et la manière dont vous souhaitez traiter les valeurs nulles une fois qu'un article ne se vend plus + « futurefill » (remplissage futur) : (RTS uniquement) désigne les valeurs nulles qui apparaissent après la fin des données d'entraînement **Q : Mes données historiques d'entrée n'ont pas de valeurs négatives, mais je vois des valeurs négatives dans les prévisions de la demande. Pourquoi cela se produit-il ? Que puis-je faire pour éviter cela ?** Pour tous les modèles autres que NPTS (entraînés sur les données non négatives) et DeepAR (avec fonction de vraisemblance binomiale négative), rien ne garantit la génération de nombres positifs. La solution consiste à passer à l'un des modèles susmentionnés, ou à tronquer les valeurs prévisionnelles à des valeurs non négatives. **Q. Pourquoi les métriques de précision diffèrent-elles selon les quantiles ? L'erreur ne devrait-elle pas être la même puisque le modèle est identique ?** Consultez [Weighted Quantile Loss (wQL)](https://docs.aws.amazon.com/forecast/latest/dg/metrics.html#metrics-wQL) [Perte de quantile pondérée (wQL)] pour obtenir plus d'explications sur la relation entre la pondération et le quantile. Imaginez que vous ayez toutes les prévisions pour trois quantiles différents : p10, p50, p90. Les trois prédictions elles-mêmes sont des variables aléatoires. Les précisions sont calculées séparément entre les réalisations et les prévisions à chaque niveau de quantile. Vous pouvez voir un tableau de « wQL », pertes quantiles pondérées, comme ci-dessous. Les valeurs wQL n'ont aucune relation déterministe entre elles. (Rappelons que la perte signifie l'erreur, elle n'est donc pas ordonnée ; les prévisions quantiles, cependant, sont ordonnées). Ainsi, il n'y a aucune raison pour que p90 wQL soit plus grand que p50 wQL, par exemple.  *Tableau 3 — Exemples de quantiles prévisionnels* | | A | B | C | | --- | --- | --- | --- | | 1 | P10 wQL | P50 wQL | P90 wQL | | 2 | 0,18647 | 0,50879 | 0,30428 | **Q : Comment puis-je améliorer la précision des prévisions ?** La précision des prévisions dépend de la disponibilité des bonnes données, en quantité et en qualité suffisantes. Si la précision n'est pas satisfaisante, il peut être utile de comprendre dans quelle mesure le problème est prévisible (ou dans quelle mesure les données sont aléatoires/bruitées/stationnaires). Parmi les autres facteurs à prendre en compte, citons l'évaluation de différents modèles et paramètres d'hyperparamètres, ainsi que l'incorporation de fonctionnalités supplémentaires en utilisant les jeux de données de séries temporelles et de métadonnées d'éléments associés. Pour des suggestions spécifiques, [consultez ce document de bonnes pratiques sur GitHub](https://github.com/aws-samples/amazon-forecast-samples/blob/master/ForecastCheatSheet.md#iteratebp). **Q : J'ai un algorithme qui fonctionne très bien pour mon cas d'utilisation, et il n'est pas proposé dans Amazon Forecast. Que dois-je faire ?** L'équipe d'Amazon Forecast sera heureuse de vous aider dans ce cas d'utilisation. Contactez l'équipe de service d'Amazon Forecast par e-mail : amazonforecast-poc@amazon.com.