Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
Étapes suivantes
Avant de mettre en œuvre cette solution de prévision de la demande AWS, il est recommandé d'évaluer le problème que vous essayez de résoudre. C'est une bonne idée de réunir les propriétaires d'entreprise et les scientifiques des données pour déterminer si le problème peut être résolu par un modèle de machine learning. Il est essentiel de comprendre les ensembles de données dont vous disposez et la longueur des données historiques disponibles. Il est également important que les propriétaires d'entreprise collaborent avec les scientifiques des données pour fournir des connaissances du domaine, identifier les fonctionnalités utiles et aider à créer ces fonctionnalités. La fiabilité du modèle augmente avec le nombre de fonctionnalités pertinentes que vous pouvez créer, ce qui permet d'obtenir des prévisions plus précises.
Pour développer cette architecture AWS, commencez par configurer Compte AWS et fournir les services nécessaires, tels qu'Amazon Simple Storage Service (Amazon S3) pour le stockage des données et SageMaker Amazon AI pour la formation aux modèles d'apprentissage automatique. Ensuite, identifiez et collectez les sources de données internes et externes qui seront utilisées comme entités d'entrée pour le modèle de prévision. Stockez ces données dans Amazon S3 et utilisez les fonctionnalités de traitement des données de l' SageMaker IA pour prétraiter et préparer les données pour l'entraînement des modèles. En SageMaker intelligence artificielle, utilisez le réglage automatique des modèles et les capacités de formation distribuée pour entraîner et optimiser les modèles de prévision. Vous pouvez également les utiliser Services AWS AWS Step Functions ou AWS Lambda pour configurer un pipeline qui réentraîne périodiquement les modèles de prévision en fonction des données les plus récentes. Après le recyclage, lancez une tâche de transformation par lots dans SageMaker AI pour générer les résultats des prévisions, que vous stockez dans Amazon S3. Utilisez Amazon QuickSight pour visualiser et surveiller les résultats prévisionnels générés par le travail de transformation par lots.
