Architektur für die Prognose der Frachtnachfrage - AWS Präskriptive Leitlinien

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.

Architektur für die Prognose der Frachtnachfrage

Die folgende Abbildung zeigt den Arbeitsablauf der Lösung, einschließlich Datenaufnahme, Datenaufbereitung, Modellerstellung sowie Endausgabe und Überwachung.

Architekturdiagramm eines ML-Modells zur Prognose der Frachtnachfrage

Die Lösungsarchitektur umfasst die folgenden Hauptkomponenten:

  1. Datenaufnahme — Sie speichern sowohl organische als auch externe Daten in Amazon Simple Storage Service (Amazon S3).

  2. Datenvorbereitung — Amazon SageMaker AI bereinigt die Daten und bereitet sie für das ML-Modelltraining vor. Weitere Informationen finden Sie unter Daten vorbereiten in der SageMaker KI-Dokumentation.

  3. Modellbildung: Prognose der Eingabemerkmale — SageMaker KI verwendet Prophetum eine Zeitreihenprognose für jedes Eingabe-Feature zu generieren. Sie untersuchen die Prognoseergebnisse. Falls erforderlich, geben Sie Benutzereingaben ein, um die Prognose des Features zu überschreiben.

  4. Modellbildung: Prognose der Zielvariablen — SageMaker KI erstellt mithilfe der modifizierten Eingabefunktionen ein Regressionsmodell für Inferenzen. 

  5. Modellausgabe und Überwachung — Das Regressionsmodell gibt die Prognoseergebnisse an Amazon S3 aus. Sie können die Prognose in Amazon visualisieren QuickSight. Analysten können die Prognoseergebnisse überwachen und die Genauigkeit bewerten, indem sie die Prognose mit dem tatsächlichen Nachfragevolumen vergleichen.

Die gesamte Verarbeitungspipeline von der Datenaufnahme bis zur endgültigen Modellausgabe kann so orchestriert werden, dass sie automatisch abläuft. Sie können sie beispielsweise so einrichten, dass sie automatisch monatlich ausgeführt wird, um eine monatliche Bedarfsprognose zu erstellen. Wenn Sie Prognosen für mehr als ein Produkt benötigen, können Sie die Pipeline für mehrere Produkte parallel ausführen. Weitere Informationen finden Sie MLOps in der SageMaker KI-Dokumentation unter Implementieren.