Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
Architettura per la previsione della domanda di trasporto
L'immagine seguente mostra il flusso di lavoro della soluzione, tra cui l'inserimento dei dati, la preparazione dei dati, la creazione del modello, l'output e il monitoraggio finali.
L'architettura della soluzione include i seguenti componenti principali:
-
Inserimento di dati: memorizzi sia dati organici che dati esterni in Amazon Simple Storage Service (Amazon S3).
-
Preparazione dei dati: Amazon SageMaker AI pulisce i dati e li prepara per l'addestramento su modelli di machine learning. Per ulteriori informazioni, consulta Preparare i dati nella documentazione SageMaker AI.
-
Creazione di modelli: previsione delle funzionalità di input — utilizzi dell' SageMaker IA Prophet
per generare una previsione di serie temporali per ogni feature di input. Si esaminano i risultati della previsione. Se necessario, fornisci gli input dell'utente per sovrascrivere la previsione della funzionalità. -
Creazione del modello: Target variable forecast: l' SageMaker intelligenza artificiale crea un modello di regressione per l'inferenza utilizzando le funzionalità di input modificate.
-
Output e monitoraggio del modello: il modello di regressione invia i risultati previsionali ad Amazon S3. Puoi visualizzare la previsione su Amazon QuickSight. Gli analisti possono monitorare i risultati delle previsioni e valutarne l'accuratezza confrontando la previsione con il volume effettivo della domanda.
L'intera pipeline di elaborazione, dall'inserimento dei dati all'output finale del modello, può essere orchestrata per l'esecuzione automatica. Ad esempio, puoi configurarlo in modo che venga eseguito automaticamente ogni mese per una previsione mensile della domanda. Se hai bisogno di previsioni per più di un prodotto, puoi eseguire la pipeline in parallelo per più prodotti. Per ulteriori informazioni, consulta Implementare MLOps nella documentazione SageMaker AI.
