Langkah selanjutnya

Sebelum Anda menerapkan solusi peramalan permintaan ini AWS, Anda disarankan untuk mengevaluasi masalah yang Anda coba pecahkan. Ini adalah ide yang baik untuk membawa pemilik bisnis dan ilmuwan data bersama-sama untuk bertukar pikiran apakah masalah dapat diselesaikan dengan model ML. Sangat penting untuk memahami kumpulan data apa yang Anda miliki dan panjang data historis yang tersedia. Penting juga bagi pemilik bisnis untuk berkolaborasi dengan ilmuwan data untuk memberikan pengetahuan domain, mengidentifikasi fitur yang berguna, dan membantu membuat fitur tersebut. Keandalan model meningkat dengan jumlah fitur relevan yang dapat Anda buat, yang memberikan perkiraan yang lebih akurat.

Untuk membangun arsitektur ini AWS, mulailah dengan menyiapkan Akun AWS dan menyediakan layanan yang diperlukan, seperti Amazon Simple Storage Service (Amazon S3) untuk penyimpanan data dan SageMaker Amazon AI untuk pelatihan model pembelajaran mesin. Selanjutnya, identifikasi dan kumpulkan sumber data internal dan eksternal yang akan digunakan sebagai fitur input untuk model peramalan. Simpan data ini di Amazon S3 dan gunakan kemampuan pemrosesan data di SageMaker AI untuk memproses dan menyiapkan data untuk pelatihan model. Dalam SageMaker AI, gunakan penyetelan model otomatis dan kemampuan pelatihan terdistribusi untuk melatih dan mengoptimalkan model peramalan. Anda juga dapat menggunakan Layanan AWS seperti AWS Step Functions atau AWS Lambda untuk menyiapkan pipa yang secara berkala melatih ulang model peramalan dengan data terbaru. Setelah pelatihan ulang, mulailah pekerjaan transformasi batch di SageMaker AI untuk menghasilkan hasil perkiraan, yang Anda simpan di Amazon S3. Gunakan Amazon QuickSight untuk memvisualisasikan dan memantau hasil perkiraan yang dihasilkan dari pekerjaan transformasi batch.