Arquitectura para pronosticar la demanda de carga

La siguiente imagen muestra el flujo de trabajo de la solución, que incluye la ingesta de datos, la preparación de los datos, la creación de modelos y el resultado final y la supervisión.

La arquitectura de la solución incluye los siguientes componentes principales:

1. Ingesta de datos: los datos orgánicos y los datos externos se almacenan en Amazon Simple Storage Service (Amazon S3).

2. Preparación de datos: Amazon SageMaker AI limpia los datos y los prepara para el entrenamiento de modelos de aprendizaje automático. Para obtener más información, consulte Preparar datos en la documentación sobre SageMaker IA.

3. Creación de modelos: previsión de funciones de entrada: usos de la SageMaker IA Prophetpara generar una previsión de series temporales para cada entidad de entrada. Se examinan los resultados de la previsión. Si es necesario, proporciona las entradas del usuario para sobrescribir la previsión de la función.

4. Creación de modelos: previsión de variables objetivo: la SageMaker IA crea un modelo de regresión para la inferencia mediante las funciones de entrada modificadas. 

5. Salida y supervisión del modelo: el modelo de regresión envía los resultados de la previsión a Amazon S3. Puedes visualizar la previsión en Amazon QuickSight. Los analistas pueden supervisar los resultados de las previsiones y evaluar la precisión comparándolas con el volumen de demanda real.

Todo el proceso de procesamiento, desde la ingesta de datos hasta la producción final del modelo, se puede organizar para que se ejecute automáticamente. Por ejemplo, puede configurarlo para que se ejecute automáticamente de forma mensual para una previsión de la demanda mensual. Si necesita previsiones para más de un producto, puede ejecutar la canalización en paralelo para varios productos. Para obtener más información, consulte Implementar MLOps en la documentación sobre SageMaker IA.