화물 수요 예측을 위한 아키텍처

다음 이미지는 데이터 수집, 데이터 준비, 모델 구축, 최종 출력 및 모니터링을 포함한 솔루션의 워크플로를 보여줍니다.

솔루션 아키텍처에는 다음과 같은 주요 구성 요소가 포함됩니다.

1. 데이터 수집 - 유기 데이터와 외부 데이터를 모두 Amazon Simple Storage Service(Amazon S3)에 저장합니다.

2. 데이터 준비 - Amazon SageMaker AI는 데이터를 정리하고 ML 모델 훈련을 위해 준비합니다. 자세한 내용은 SageMaker AI 설명서의 데이터 준비를 참조하세요.

3. 모델 구축: 입력 기능 예측 - SageMaker AI 사용 Prophet 각 입력 기능에 대한 시계열 예측을 생성합니다. 예측 결과를 검토합니다. 필요한 경우 기능의 예측을 덮어쓰는 사용자 입력을 제공합니다.

4. 모델 구축: 대상 변수 예측 - SageMaker AI는 수정된 입력 기능을 사용하여 추론을 위한 회귀 모델을 생성합니다. 

5. 모델 출력 및 모니터링 - 회귀 모델은 예측 결과를 Amazon S3에 출력합니다. Amazon QuickSight에서 예측을 시각화할 수 있습니다. 분석가는 예측 결과를 모니터링하고 예측을 실제 수요량과 비교하여 정확도를 평가할 수 있습니다.

데이터 수집부터 최종 모델 출력까지 전체 처리 파이프라인을 오케스트레이션하여 자동으로 실행할 수 있습니다. 예를 들어 월별 수요 예측을 위해 매월 자동으로 실행되도록 설정할 수 있습니다. 둘 이상의 제품에 대한 예측이 필요한 경우 여러 제품에 대해 파이프라인을 병렬로 실행할 수 있습니다. 자세한 내용은 SageMaker AI 설명서의 구현MLOps을 참조하세요.