Nächste Schritte

Bevor Sie diese Lösung für die Bedarfsprognose implementieren AWS, sollten Sie das Problem, das Sie lösen möchten, evaluieren. Es ist eine gute Idee, Geschäftsinhaber und Datenwissenschaftler zusammenzubringen, um gemeinsam zu überlegen, ob das Problem durch ein ML-Modell gelöst werden kann. Es ist wichtig zu verstehen, über welche Datensätze Sie verfügen und wie lang die verfügbaren historischen Daten sind. Es ist auch wichtig, dass die Geschäftsinhaber mit den Datenwissenschaftlern zusammenarbeiten, um Fachwissen bereitzustellen, nützliche Funktionen zu identifizieren und bei der Erstellung dieser Funktionen zu helfen. Die Zuverlässigkeit des Modells steigt mit der Anzahl der relevanten Funktionen, die Sie erstellen können, was eine genauere Prognose ermöglicht.

Um auf dieser Architektur aufzubauen AWS, müssen Sie zunächst die erforderlichen Dienste einrichten AWS-Konto und bereitstellen, z. B. Amazon Simple Storage Service (Amazon S3) für die Datenspeicherung und Amazon SageMaker AI für das Training von Machine-Learning-Modellen. Identifizieren und sammeln Sie als Nächstes die internen und externen Datenquellen, die als Eingabefunktionen für das Prognosemodell verwendet werden. Speichern Sie diese Daten in Amazon S3 und nutzen Sie die Datenverarbeitungsfunktionen in SageMaker KI, um die Daten für das Modelltraining vorzuverarbeiten und vorzubereiten. Verwenden Sie in SageMaker KI automatische Modelloptimierung und verteilte Trainingsfunktionen, um die Prognosemodelle zu trainieren und zu optimieren. Sie können AWS-Services diese Methode auch verwenden AWS Lambda , um eine Pipeline einzurichten, die die Prognosemodelle regelmäßig mit den neuesten Daten trainiert. AWS Step Functions Initiieren Sie nach der Umschulung einen Batch-Transformationsjob in SageMaker AI, um die Prognoseergebnisse zu generieren, die Sie in Amazon S3 speichern. Verwenden Sie Amazon QuickSight , um die aus dem Batch-Transformationsjob generierten Prognoseergebnisse zu visualisieren und zu überwachen.