Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich. # Erstellen eines AutoML-Jobs für Zeitreihenprognosen mithilfe der API Prognosen beim Machine Learning beziehen sich auf den Prozess der Vorhersage zukünftiger Ergebnisse oder Trends anhand von historischen Daten und Mustern. Durch die Analyse von Zeitreihendaten aus der Vergangenheit und die Erkennung der zugrundeliegenden Muster können Machine-Learning-Algorithmen Vorhersagen treffen und wertvolle Einblicke in zukünftiges Verhalten liefern. Bei Prognosen besteht das Ziel darin, Modelle zu entwickeln, mit denen die Beziehung zwischen Eingabevariablen und Zielvariablen im zeitlichen Verlauf genau erfasst werden kann. Dabei werden verschiedene Faktoren in den Daten untersucht, wie z. B. Trends, Saisonalität und andere relevante Muster. Anhand der so gesammelten Informationen wird dann ein Machine-Learning-Modell trainiert. Das so trainierte Modell kann Vorhersagen erzeugen, indem es neue Eingabedaten verwendet und die erlernten Muster und Beziehungen darauf anwendet. Es kann Prognosen für eine Vielzahl von Anwendungsfällen liefern, z. B. Verkaufsprognosen, Börsentrends, Wettervorhersagen, Nachfrageprognosen u.v.m. [Die folgenden Anweisungen zeigen, wie Sie mithilfe der API-Referenz einen Amazon SageMaker Autopilot-Job als Pilotversuch für Problemtypen bei der Zeitreihenprognose erstellen. SageMaker ](https://docs.aws.amazon.com/sagemaker/latest/dg/autopilot-reference.html) **Anmerkung** Aufgaben wie Text- und Bildklassifizierung, Zeitreihenprognosen und Feinabstimmung umfangreicher Sprachmodelle stehen nur über Version 2 der [AutoML-REST-API](autopilot-reference.md) zur Verfügung. Wenn Ihre bevorzugte Sprache Python ist, können Sie direkt auf [AWS SDK für Python (Boto3)](https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/sagemaker/client/create_auto_ml_job_v2.html)das [MLV2 Auto-Objekt](https://sagemaker.readthedocs.io/en/stable/api/training/automlv2.html#sagemaker.automl.automlv2.AutoMLV2) des Amazon SageMaker Python SDK verweisen. Benutzer, die den Komfort einer Benutzeroberfläche bevorzugen, können [Amazon SageMaker Canvas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-getting-started.html) verwenden, um auf vortrainierte Modelle und generative KI-Grundmodelle zuzugreifen oder benutzerdefinierte Modelle zu erstellen, die auf bestimmte Text-, Bildklassifizierungs-, Prognoseanforderungen oder generative KI zugeschnitten sind. Sie können programmgesteuert ein Autopilot-Experiment mit Zeitreihenprognosen erstellen, indem Sie die [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAutoMLJobV2.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAutoMLJobV2.html)API in einer beliebigen Sprache aufrufen, die von Amazon Autopilot oder dem unterstützt wird. SageMaker AWS CLI Informationen darüber, wie diese API-Aktion in eine Funktion in der Sprache Ihrer Wahl übersetzt wird, finden Sie im Abschnitt [Siehe auch](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAutoMLJobV2.html#API_CreateAutoMLJobV2_SeeAlso) von `CreateAutoMLJobV2` und wählen Sie ein SDK aus. Als Beispiel für Python-Benutzer finden Sie die vollständige Anforderungssyntax von `[create\_auto\_ml\_job\_v2](https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/sagemaker.html#SageMaker.Client.create_auto_ml_job_v2)` in AWS SDK für Python (Boto3). Der Autopilot trainiert anhand Ihrer Zielzeitreihe mehrere Modellkandidaten und wählt dann ein optimales Prognosemodell für eine bestimmte Zielkennzahl aus. Wenn Ihre Modellkandidaten einmal trainiert sind, finden Sie die optimalen Kandidatenkennzahlen in der Antwort auf `[DescribeAutoMLJobV2](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeAutoMLJobV2.html)` unter `[BestCandidate](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CandidateProperties.html#sagemaker-Type-CandidateProperties-CandidateMetrics)`. In den folgenden Abschnitten werden die obligatorischen und optionalen Eingabeanforderungsparameter für die `CreateAutoMLJobV2` API definiert, die für Zeitreihenprognosen verwendet wird. **Anmerkung** Ein praktisches, praktisches Beispiel für [Zeitreihenprognosen finden Sie im Notizbuch Zeitreihenprognosen mit Amazon SageMaker Autopilot](https://github.com/aws/amazon-sagemaker-examples/blob/main/autopilot/autopilot_time_series.ipynb). In diesem Notizbuch verwenden Sie Amazon SageMaker Autopilot, um ein Zeitreihenmodell zu trainieren und anhand des trainierten Modells Prognosen zu erstellen. Das Notebook enthält Anweisungen zum Abrufen eines vorgefertigten Datensatzes mit tabellarischen historischen Daten auf Amazon S3. ## Voraussetzungen Bevor Sie Autopilot verwenden, um ein Experiment mit Zeitreihenprognosen in KI zu erstellen, stellen Sie sicher, dass: SageMaker + Ihren Zeitreihen-Datensatz vorbereitet haben. Bei der Vorbereitung von Datensätzen werden die relevanten Daten aus verschiedenen Quellen gesammelt, gereinigt und gefiltert, um Störungen und Inkonsistenzen zu entfernen, und sie werden in einem strukturierten Format geordnet. Weitere Informationen zu den Formatanforderungen von Zeitreihen in Autopilot finden Sie unter [Format von Zeitreihen-Datensätzen und Methoden zum Auffüllen fehlender Werte](timeseries-forecasting-data-format.md). Optional können Sie Ihren Datensatz um den Feiertagskalender des Landes Ihrer Wahl ergänzen, um die damit verbundenen Muster zu erfassen. Weitere Informationen zu Feiertagskalendern finden Sie unter [Nationale Feiertagskalender](autopilot-timeseries-forecasting-holiday-calendars.md). **Anmerkung** Wir empfehlen, für jeden zukünftigen Datenpunkt, den Sie vorhersagen möchten, mindestens 3 bis 5 historische Datenpunkte anzugeben. Um beispielsweise eine Prognose für 7 Tage im Voraus (Horizont von 1 Woche) auf der Grundlage täglicher Daten zu erstellen, müssen Sie Ihr Modell mit mindestens 21 bis 35 Tagen historischer Daten trainieren. Stellen Sie sicher, dass Sie genügend Daten bereitstellen, um saisonale und wiederkehrende Muster zu erfassen. + Platzieren Sie Ihre Zeitreihendaten in einem Amazon-S3-Bucket. + Gewähren Sie vollen Zugriff auf den Amazon S3 S3-Bucket, der Ihre Eingabedaten für die SageMaker KI-Ausführungsrolle enthält, die für die Ausführung Ihres Experiments verwendet wurde. Sobald dies erledigt ist, können Sie den ARN dieser Ausführungsrolle in Autopilot-API-Anfragen verwenden. + Informationen zum Abrufen Ihrer SageMaker KI-Ausführungsrolle finden Sie unter[Abrufen Ihrer Ausführungsrolle](sagemaker-roles.md#sagemaker-roles-get-execution-role). + Informationen dazu, wie Sie Ihrer SageMaker KI-Ausführungsrolle Berechtigungen für den Zugriff auf einen oder mehrere bestimmte Buckets in Amazon S3 gewähren, finden *Sie unter Zusätzliche Amazon S3 S3-Berechtigungen zu einer SageMaker KI-Ausführungsrolle hinzufügen* unter. [Erstellen einer Ausführungsrolle](sagemaker-roles.md#sagemaker-roles-create-execution-role) ## Erforderliche Parameter Wenn Sie `[CreateAutoMLJobV2](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAutoMLJobV2.html)` aufrufen, um ein Autopilot-Experiment für Zeitreihenprognosen zu erstellen, müssen Sie die folgenden Werte angeben: + Einen `[AutoMLJobName](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAutoMLJobV2.html#API_CreateAutoMLJobV2_RequestSyntax)`, um den Namen Ihres Auftrags anzugeben. Der Name sollte vom Typ `string` sein und mindestens 1 Zeichen und höchstens 32 Zeichen lang sein. + Mindestens eine `[AutoMLJobChannel](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AutoMLJobChannel.html)` in `[AutoMLJobInputDataConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAutoMLJobV2.html#sagemaker-CreateAutoMLJobV2-request-AutoMLJobInputDataConfig)` in der Sie den Namen des Amazon-S3-Buckets angeben, der Ihre Daten enthält. Optional können Sie die Inhaltstypen (CSV- oder Parquet-Dateien) und Komprimierungstypen (GZip) angeben. + Ein `[AutoMLProblemTypeConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAutoMLJobV2.html#sagemaker-CreateAutoMLJobV2-request-AutoMLProblemTypeConfig)` vom Typ `[TimeSeriesForecastingJobConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TimeSeriesForecastingJobConfig.html)` zur Konfiguration der Einstellungen Ihres Prognoseauftrags für Zeitreihen. Sie müssen insbesondere angeben: + Die **Häufigkeit** von Prognosen. Die bezieht sich auf die gewünschte Auflösung Ihrer Prognose (stündlich, täglich, monatlich usw.). Gültige Intervalle sind durch eine Ganzzahl gegeben, gefolgt von `Y` (Jahr), `M` (Monat), `W` (Woche), `D` (Tag), `H` (Stunde) und `min` (Minute). `1D` steht z. B. für jeden Tag, und `15min` für „Alle 15 Minuten“. Der Wert einer Frequenz darf sich nicht mit der nächsthöheren Frequenz überlappen. Anstelle von `60min` müssen Sie z. B. eine Frequenz von `1H` verwenden. Die folgenden Werte sind gültige Werte für die Häufigkeit: + Minute (1–59) + Stunde (1–23) + Tag (1–6) + Woche (1–4) + Monat (1–11) + Jahr (1) + Der **Horizont** der Vorhersagen in Ihrer Prognose, der sich auf die Anzahl der Zeitschritte bezieht, die das Modell vorhersagt. Der Prognosehorizont wird auch als Prognoselänge bezeichnet. Der maximale Prognosehorizont ist der kleinere von 500 Zeitschritten oder 1/4 der Zeitschritte im Datensatz. + A, [TimeSeriesConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TimeSeriesConfig.html)in dem Sie das Schema Ihres Datensatzes definieren, um die Spaltenüberschriften Ihrer Prognose zuzuordnen, indem Sie Folgendes angeben: + A`TargetAttributeName`: Die Spalte, die historische Daten des Zielfeldes für die Prognose enthält. + A`TimestampAttributeName`: Die Spalte, die einen Zeitpunkt enthält, zu dem der Zielwert eines bestimmten Artikels aufgezeichnet wird. + A`ItemIdentifierAttributeName`: Die Spalte, die die Artikelkennungen enthält, für die Sie den Zielwert vorhersagen möchten. Es folgt ein Beispiel für diese Anfrageparameter. In diesem Beispiel richten Sie eine tägliche Prognose für die erwartete Menge oder Nachfrage bestimmter Artikel über einen Zeitraum von 20 Tagen ein. ``` "AutoMLProblemTypeConfig": { "ForecastFrequency": "D", "ForecastHorizon": 20, "TimeSeriesConfig": { "TargetAttributeName": "demand", "TimestampAttributeName": "timestamp", "ItemIdentifierAttributeName": "item_id" }, ``` + Einen `[OutputDataConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AutoMLOutputDataConfig.html)`, um den Amazon S3-Ausgabepfad zum Speichern der Artefakte Ihres AutoML-Jobs anzugeben. + Ein `[RoleArn](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAutoMLJob.html#sagemaker-CreateAutoMLJob-request-RoleArn)` zur Angabe der ARN der Rolle, die für den Zugriff auf Ihre Daten verwendet wird. Sie können den ARN der Ausführungsrolle verwenden, der Sie Zugriff auf Ihre Daten gewährt haben. Alle anderen Parameter sind optional. Sie können z. B. bestimmte Prognosequantile festlegen, eine Auffüllmethode für fehlende Werte im Datensatz wählen oder definieren, wie Daten aggregiert werden sollen, die nicht mit der Prognosefrequenz übereinstimmen. Wie diese zusätzlichen Parameter eingestellt werden erfahren Sie unter [Optionale Parameter](#timeseries-forecasting-api-optional-params). ## Optionale Parameter Die folgenden Abschnitte enthalten Einzelheiten zu optionalen Parametern, die Sie an Ihren AutoML-Job für Zeitreihenprognosen übergeben können. ### So legen Sie Algorithmen fest Standardmäßig trainiert Ihr Autopilot-Job eine vordefinierte Liste von Algorithmen auf Ihrem Datensatz. Sie können jedoch eine Teilmenge der Standardauswahl an Algorithmen angeben. Für Zeitreihenprognosen müssen Sie `[TimeSeriesForecastingJobConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TimeSeriesForecastingJobConfig.html)` als Art von `[AutoMLProblemTypeConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAutoMLJobV2.html#sagemaker-CreateAutoMLJobV2-request-AutoMLProblemTypeConfig)` auswählen. Anschließend können Sie ein Array von ausgewählten `AutoMLAlgorithms` im `AlgorithmsConfig` Attribut von [CandidateGenerationConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CandidateGenerationConfig.html)angeben. Das Folgende ist ein Beispiel für ein `AlgorithmsConfig`-Attribut, das genau drei Algorithmen („cnn-qr“, „prophet“, „arima“) in seinem `AutoMLAlgorithms`-Feld auflistet. ``` { "[AutoMLProblemTypeConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAutoMLJobV2.html#sagemaker-CreateAutoMLJobV2-request-AutoMLProblemTypeConfig)": { "[TimeSeriesForecastingJobConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TimeSeriesForecastingJobConfig.html)": { "[CandidateGenerationConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CandidateGenerationConfig.html)": { "[AlgorithmsConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CandidateGenerationConfig.html#sagemaker-Type-CandidateGenerationConfig-AlgorithmsConfig)":[ {"[AutoMLAlgorithms](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AutoMLAlgorithmConfig.html)":["cnn-qr", "prophet", "arima"]} ] }, }, }, } ``` Eine Liste der verfügbaren Algorithmen für Zeitreihenprognosen finden Sie unter [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AutoMLAlgorithmConfig.html#sagemaker-Type-AutoMLAlgorithmConfig-AutoMLAlgorithms](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AutoMLAlgorithmConfig.html#sagemaker-Type-AutoMLAlgorithmConfig-AutoMLAlgorithms). Einzelheiten zu den einzelnen Algorithmen finden Sie unter [Unterstützung von Zeitreihenprognosen mit Algorithmen](timeseries-forecasting-algorithms.md). ### So legen Sie benutzerdefinierte Quantile fest Der Autopilot trainiert anhand Ihrer Zielzeitreihe 6 Modellkandidaten und kombiniert diese Modelle dann mithilfe einer Stacking-Ensemble-Methode, um ein optimales Prognosemodell für eine bestimmte Zielkennzahl zu erstellen. Jedes Autopilot-Prognosemodell erzeugt eine probabilistische Prognose, indem es Prognosen mit Quantilen zwischen P1 und P99 erstellt. Mit Hilfe dieser Quantile wird der Prognoseunsicherheit Rechnung getragen. Standardmäßig werden Prognosen für 0,1 (`p10`), 0,5 (`p50`) und 0,9 (`p90`) erzeugt. Sie können wahlweise auch Ihre eigenen Quantile angeben. In Autopilot können Sie bis zu fünf Prognosequantile zwischen 0,01 (`p1`) und 0,99 (`p99`) angeben, und zwar in Schritten von 0,01 oder höher im Attribut von. `ForecastQuantiles` [TimeSeriesForecastingJobConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TimeSeriesForecastingJobConfig.html) Im folgenden Beispiel richten Sie eine tägliche Prognose für das 10., 25., 50., 75. und 90. Perzentil für die erwartete Menge oder Nachfrage nach bestimmten Artikeln über einen Zeitraum von 20 Tagen ein. ``` "AutoMLProblemTypeConfig": { "ForecastFrequency": "D", "ForecastHorizon": 20, "ForecastQuantiles": ["p10", "p25", "p50", "p75", "p90"], "TimeSeriesConfig": { "TargetAttributeName": "demand", "TimestampAttributeName": "timestamp", "ItemIdentifierAttributeName": "item_id" }, ``` ### So aggregiert man Daten für unterschiedliche Prognosefrequenzen Um ein Prognosemodell zu erstellen (das auch als bester Modellkandidat aus Ihrem Experiment bezeichnet wird), müssen Sie eine Prognosefrequenz angeben. Die Prognosefrequenz bestimmt die Häufigkeit der Vorhersagen in Ihren Prognosen. z. B. monatliche Verkaufsprognosen. Das beste Autopilot-Modell kann Prognosen für Datenfrequenzen erzeugen, die höher sind als die Frequenz, mit der Ihre Daten aufgezeichnet werden. Während des Trainings aggregiert der Autopilot alle Daten, die nicht zu der von Ihnen angegebenen Prognosefrequenz passen. Sie könnten z. B. über tägliche Daten verfügen, aber eine wöchentliche Prognosefrequenz angeben. Der Autopilot richtet die Tagesdaten anhand der Woche aus, in die sie gehören. Der Autopilot kombiniert dann diese Daten zu einem einzigen Datensatz für jede Woche. Während der Aggregation besteht die Standardtransformationsmethode darin, die Daten zu summieren. Sie können die Aggregation konfigurieren, wenn Sie Ihren AutoML-Job im `Transformations` Attribut von erstellen. [TimeSeriesForecastingJobConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TimeSeriesForecastingJobConfig.html) Die unterstützten Aggregationsmethoden sind (`sum`Standard),`avg`, `first`, `min`, `max`. Die Aggregation wird nur für die Zielspalte unterstützt. Im folgenden Beispiel konfigurieren Sie die Aggregation so, dass der Durchschnitt der einzelnen Werbeprognosen berechnet wird, um die endgültigen aggregierten Prognosewerte zu erhalten. ``` "Transformations": { "Aggregation": { "promo": "avg" } } ``` ### So gehen Sie mit fehlenden Werten in den Eingabedatensätzen um Autopilot bietet eine Reihe von Auffüllmethoden für den Umgang mit fehlenden Werten in den Zielspalten und sonstigen numerischen Spalten Ihrer Zeitreihen-Datensätze. Informationen zur Liste der unterstützten Auffüllmethoden und ihrer verfügbaren Auffülllogik finden Sie unter [Fehlende Werte behandeln](timeseries-forecasting-data-format.md#timeseries-missing-values). Sie konfigurieren Ihre Füllstrategie im `Transformations` Attribut von, [TimeSeriesForecastingJobConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TimeSeriesForecastingJobConfig.html)wenn Sie Ihren AutoML-Job erstellen. Um eine Auffüllmethode festzulegen, müssen Sie ein Schlüsselwertepaar angeben: + Der Schlüssel ist der Name der Spalte, für die Sie die Auffüllmethode angeben möchten. + Der mit dem Schlüssel verbundene Wert ist ein Objekt, das die Auffüllstrategie für die betreffende Spalte definiert. Sie können für eine einzelne Spalte mehrere Auffüllmethoden angeben. Um einen bestimmten Wert für die Auffüllmethode festzulegen, sollten Sie den Auffüllparameter auf den gewünschten Wert für die Auffüllmethode setzen (z. B. `"backfill" : "value"`) und den tatsächlichen Auffüllwert in einem zusätzlichen Parameter mit dem Suffix „\_value“ definieren. Um z. B. für `backfill` den Wert `2` festzulegen, müssen Sie zwei Parameter angeben: `"backfill": "value"` und `"backfill_value":"2"`. Im folgenden Beispiel geben Sie die Auffüllstrategie für die unvollständige Datenspalte „Preis“ wie folgt an: Alle fehlenden Werte zwischen dem ersten und dem letzten Datenpunkt eines Artikels werden auf `0` gesetzt. Danach werden dem alle fehlenden Werte bis zum Enddatum des Datensatzes mit dem Wert `2` aufgefüllt. ``` "Transformations": { "Filling": { "price": { "middlefill" : "zero", "backfill" : "value", "backfill_value": "2" } } } ``` ### So wird eine objektive Kennzahl angegeben Der Autopilot erstellt Genauigkeitskennzahlen zur Bewertung der Modellkandidaten und hilft Ihnen bei der Auswahl der Modelle, die Sie zur Erstellung von Prognosen verwenden können. Wenn Sie ein Experiment mit Zeitreihenprognosen durchführen, können Sie entweder AutoML wählen, damit Autopilot den Prognoseparameter für Sie optimiert, oder Sie können einen Algorithmus für Ihren Prognoseparameter manuell auswählen. Der Autopilot verwendet standardmäßig den durchschnittlichen gewichteten Quantilverlust. Sie können die Zielmetrik jedoch konfigurieren, wenn Sie Ihren AutoML-Job im `MetricName` Attribut [Auto MLJob Objective](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AutoMLJobObjective.html) erstellen. Eine Liste der verfügbaren Algorithmen finden Sie unter [Unterstützung von Zeitreihenprognosen mit Algorithmen](timeseries-forecasting-algorithms.md). ### So integrieren Sie Informationen zu nationalen Feiertagen in Ihren Datensatz In Autopilot können Sie einen anhand von Features erstellten Datensatz mit Informationen zu den nationalen Feiertagen in Ihre Zeitreihe integrieren. Autopilot bietet native Unterstützung für die Feiertagskalender von über 250 Ländern. Sobald Sie ein Land ausgewählt haben, wendet Autopilot während des Trainings den Feiertagskalender des jeweiligen Landes auf jedes Element in Ihrem Datensatz an. Auf diese Weise kann das Modell Muster erkennen, die mit bestimmten Feiertagen verknüpft sind. Sie können die Feiertagsfunktion aktivieren, wenn Sie Ihren AutoML-Job erstellen, indem Sie ein [HolidayConfigAttributes](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_HolidayConfigAttributes.html)Objekt an das Attribut von übergeben. `HolidayConfig` [TimeSeriesForecastingJobConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TimeSeriesForecastingJobConfig.html) Das `HolidayConfigAttributes` Objekt enthält das `CountryCode`-Attribut mit zwei Buchstaben, das das zu dem Kalender mit den gesetzlichen nationalen Feiertagen gehörige Land festlegt, der zur Erweiterung Ihres Zeitreihen-Datensatzes verwendet wird. Eine Liste der unterstützten Kalender und der entsprechenden Länder-Codes finden Sie unter [Ländercodes](autopilot-timeseries-forecasting-holiday-calendars.md#holiday-country-codes). ### So aktivieren Sie die automatische Bereitstellung Mit Autopilot können Sie Ihr Prognosemodell automatisch auf einem Endpunkt bereitstellen. Um die automatische Bereitstellung für den besten Modellkandidaten eines AutoML-Jobs zu aktivieren, fügen Sie in der AutoML-Jobanfrage einen `[ModelDeployConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAutoMLJobV2.html#sagemaker-CreateAutoMLJobV2-request-ModelDeployConfig)` hinzu. Dies ermöglicht die Bereitstellung des besten Modells auf einem SageMaker KI-Endpunkt. Im Folgenden finden Sie die verfügbaren Konfigurationen für die individuelle Anpassung. + Damit Autopilot den Endpunktnamen erzeugen kann, stellen Sie `[AutoGenerateEndpointName](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ModelDeployConfig.html#API_ModelDeployConfig_Contents)` auf `True`. + Um Ihren eigenen Namen für den Endpunkt anzugeben, legen Sie `[AutoGenerateEndpointName](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ModelDeployConfig.html#API_ModelDeployConfig_Contents) to False and provide a name of your choice in [EndpointName](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ModelDeployConfig.html#API_ModelDeployConfig_Contents)` fest. ### So konfigurieren Sie AutoML, um einen Remote-Job auf EMR Serverless für große Datensätze zu initiieren Sie können Ihren AutoML-Job V2 so konfigurieren, dass er automatisch einen Remote-Job auf Amazon EMR Serverless initiiert, wenn zusätzliche Rechenressourcen für die Verarbeitung großer Datensätze benötigt werden. Durch die nahtlose Umstellung auf EMR Serverless, sofern erforderlich, kann der AutoML-Job Datensätze verarbeiten, die andernfalls die ursprünglich bereitgestellten Ressourcen übersteigen würden, ohne dass Sie manuell eingreifen müssen. EMR Serverless ist für die Problemtypen Tabellen und Zeitreihen verfügbar. Wir empfehlen, diese Option für Zeitreihendatensätze einzurichten, die größer als 30 GB sind. Damit Ihr AutoML-Job V2 für große Datenmengen automatisch auf EMR Serverless umgestellt werden kann, müssen Sie der `AutoMLComputeConfig` der Eingabeaufforderung für AutoML-Job V2 ein `EmrServerlessComputeConfig`-Objekt bereitstellen, das ein `ExecutionRoleARN`-Feld enthält. Der `ExecutionRoleARN` ist der ARN der IAM-Rolle, der dem AutoML-Job V2 die erforderlichen Berechtigungen zum Ausführen von EMR-Serverless-Jobs gewährt. Diese Rolle sollte die folgende Vertrauensbeziehung haben: ------ #### [ JSON ] **** ``` { "Version":"2012-10-17", "Statement": [ { "Effect": "Allow", "Principal": { "Service": "emr-serverless.amazonaws.com" }, "Action": "sts:AssumeRole" } ] } ``` ------ Und gewähren Sie die Berechtigungen zum: + Erstellen, Auflisten und Aktualisieren von EMR-Serverless-Anwendungen. + Starten, Auflisten, Abrufen oder Abbrechen von Jobausführungen in einer EMR-Serverless-Anwendung. + Taggen von EMR-Serverless-Ressourcen. + Übergeben einer IAM-Rolle zur Ausführung an den EMR-Serverless-Service. Durch Erteilung der `iam:PassRole`-Berechtigung kann der AutoML-Job V2 vorübergehend die Rolle `EMRServerlessRuntimeRole-*` übernehmen und sie an den EMR-Serverless-Service übergeben. Dies sind die IAM-Rollen, die von den EMR Serverless Job Execution Environments verwendet werden, um auf andere AWS Dienste und Ressourcen zuzugreifen, die während der Laufzeit benötigt werden, z. B. Amazon S3 für den Datenzugriff, CloudWatch für die Protokollierung, den Zugriff auf den AWS Glue Datenkatalog oder andere Dienste, die Ihren Workload-Anforderungen entsprechen. Einzelheiten zu diesen Rollenberechtigungen finden Sie unter [Joblaufzeitrollen für Amazon EMR Serverless](https://docs.aws.amazon.com/emr/latest/EMR-Serverless-UserGuide/security-iam-runtime-role.html). Die im bereitgestellten JSON-Dokument definierte IAM-Richtlinie gewährt diese Berechtigungen: ------ #### [ JSON ] **** ``` { "Version":"2012-10-17", "Statement": [{ "Sid": "EMRServerlessCreateApplicationOperation", "Effect": "Allow", "Action": "emr-serverless:CreateApplication", "Resource": "arn:aws:emr-serverless:*:*:/*", "Condition": { "StringEquals": { "aws:RequestTag/sagemaker:is-canvas-resource": "True", "aws:ResourceAccount": "${aws:PrincipalAccount}" } } }, { "Sid": "EMRServerlessListApplicationOperation", "Effect": "Allow", "Action": "emr-serverless:ListApplications", "Resource": "arn:aws:emr-serverless:*:*:/*", "Condition": { "StringEquals": { "aws:ResourceAccount": "${aws:PrincipalAccount}" } } }, { "Sid": "EMRServerlessApplicationOperations", "Effect": "Allow", "Action": [ "emr-serverless:UpdateApplication", "emr-serverless:GetApplication" ], "Resource": "arn:aws:emr-serverless:*:*:/applications/*", "Condition": { "StringEquals": { "aws:ResourceTag/sagemaker:is-canvas-resource": "True", "aws:ResourceAccount": "${aws:PrincipalAccount}" } } }, { "Sid": "EMRServerlessStartJobRunOperation", "Effect": "Allow", "Action": "emr-serverless:StartJobRun", "Resource": "arn:aws:emr-serverless:*:*:/applications/*", "Condition": { "StringEquals": { "aws:RequestTag/sagemaker:is-canvas-resource": "True", "aws:ResourceAccount": "${aws:PrincipalAccount}" } } }, { "Sid": "EMRServerlessListJobRunOperation", "Effect": "Allow", "Action": "emr-serverless:ListJobRuns", "Resource": "arn:aws:emr-serverless:*:*:/applications/*", "Condition": { "StringEquals": { "aws:ResourceTag/sagemaker:is-canvas-resource": "True", "aws:ResourceAccount": "${aws:PrincipalAccount}" } } }, { "Sid": "EMRServerlessJobRunOperations", "Effect": "Allow", "Action": [ "emr-serverless:GetJobRun", "emr-serverless:CancelJobRun" ], "Resource": "arn:aws:emr-serverless:*:*:/applications/*/jobruns/*", "Condition": { "StringEquals": { "aws:ResourceTag/sagemaker:is-canvas-resource": "True", "aws:ResourceAccount": "${aws:PrincipalAccount}" } } }, { "Sid": "EMRServerlessTagResourceOperation", "Effect": "Allow", "Action": "emr-serverless:TagResource", "Resource": "arn:aws:emr-serverless:*:*:/*", "Condition": { "StringEquals": { "aws:RequestTag/sagemaker:is-canvas-resource": "True", "aws:ResourceAccount": "${aws:PrincipalAccount}" } } }, { "Sid": "IAMPassOperationForEMRServerless", "Effect": "Allow", "Action": "iam:PassRole", "Resource": "arn:aws:iam::*:role/EMRServerlessRuntimeRole-*", "Condition": { "StringEquals": { "iam:PassedToService": "emr-serverless.amazonaws.com", "aws:ResourceAccount": "${aws:PrincipalAccount}" } } } ] } ``` ------