Passaggi successivi

Prima di implementare questa soluzione di previsione della domanda AWS, si consiglia di valutare il problema che si sta cercando di risolvere. È una buona idea riunire gli imprenditori e i data scientist per discutere se il problema può essere risolto con un modello di machine learning. È fondamentale capire di quali set di dati disponi e la lunghezza dei dati storici disponibili. È inoltre importante che gli imprenditori collaborino con i data scientist per fornire conoscenze di dominio, identificare funzionalità utili e contribuire alla creazione di tali funzionalità. L'affidabilità del modello aumenta con il numero di funzionalità pertinenti che è possibile creare, il che fornisce una previsione più accurata.

Per sviluppare questa architettura AWS, inizia configurando Account AWS e fornendo i servizi necessari, come Amazon Simple Storage Service (Amazon S3) per l'archiviazione dei dati e Amazon SageMaker AI per l'addestramento dei modelli di apprendimento automatico. Successivamente, identifica e raccogli le fonti di dati interne ed esterne che verranno utilizzate come funzionalità di input per il modello di previsione. Archivia questi dati in Amazon S3 e utilizza le funzionalità di elaborazione dei dati nell' SageMaker intelligenza artificiale per preelaborare e preparare i dati per l'addestramento dei modelli. Nell' SageMaker intelligenza artificiale, utilizza l'ottimizzazione automatica dei modelli e le funzionalità di formazione distribuita per addestrare e ottimizzare i modelli di previsione. Puoi anche utilizzare Servizi AWS suc as AWS Step Functions or AWS Lambda per configurare una pipeline che riqualifichi periodicamente i modelli di previsione con i dati più recenti. Dopo la riqualificazione, avvia un processo di trasformazione in batch nell' SageMaker intelligenza artificiale per generare i risultati di previsione, che archivia in Amazon S3. Usa Amazon QuickSight per visualizzare e monitorare i risultati previsionali generati dal processo di trasformazione in batch.