次のステップ

この需要予測ソリューションを実装する前に AWS、解決しようとしている問題を評価することをお勧めします。ビジネスオーナーとデータサイエンティストを集めて、ML モデルで問題を解決できるかどうかをブレインストーミングすることをお勧めします。どのデータセットを持っているか、および利用可能な履歴データの長さを理解することが重要です。また、ビジネスオーナーがデータサイエンティストと協力して、ドメインの知識を提供し、有用な機能を特定し、それらの機能の作成を支援することも重要です。モデルの信頼性は、作成できる関連機能の数とともに向上し、より正確な予測を提供します。

このアーキテクチャを構築するには AWS、まず をセットアップ AWS アカウント し、データストレージ用の Amazon Simple Storage Service (Amazon S3) や機械学習モデルトレーニング用の Amazon SageMaker AI など、必要なサービスをプロビジョニングします。次に、予測モデルの入力機能として使用される内部データソースと外部データソースを特定して収集します。このデータを Amazon S3 に保存し、 SageMaker AI のデータ処理機能を使用して、モデルトレーニング用にデータを前処理して準備します。 SageMaker AI では、自動モデル調整と分散トレーニング機能を使用して、予測モデルのトレーニングと最適化を行います。 AWS Step Functions や AWS のサービス などの を使用して、予測モデルを最新のデータで定期的に再トレーニングするパイプライン AWS Lambda を設定することもできます。再トレーニング後、 SageMaker AI でバッチ変換ジョブを開始し、Amazon S3 に保存する予測結果を生成します。Amazon QuickSight を使用して、バッチ変換ジョブから生成された予測結果を視覚化およびモニタリングします。