다음 단계

이 수요 예측 솔루션을 구현하기 전에 해결하려는 문제를 평가하는 AWS것이 좋습니다. 비즈니스 소유자와 데이터 사이언티스트를 한데 모아 ML 모델로 문제를 해결할 수 있는지 여부를 브레인스토밍하는 것이 좋습니다. 사용 가능한 데이터 세트와 기록 데이터의 길이를 이해하는 것이 중요합니다. 또한 비즈니스 소유자가 데이터 과학자와 협력하여 도메인 지식을 제공하고, 유용한 기능을 식별하고, 이러한 기능을 생성하는 데 도움이 되는 것도 중요합니다. 모델의 신뢰성은 생성할 수 있는 관련 기능의 수에 따라 증가하므로 보다 정확한 예측을 제공합니다.

이 아키텍처를 빌드하려면 AWS먼저 데이터 스토리지용 Amazon Simple Storage Service(Amazon S3) AWS 계정 와 기계 학습 모델 훈련용 Amazon SageMaker AI와 같은 필수 서비스를 설정하고 프로비저닝합니다. 그런 다음 예측 모델의 입력 기능으로 사용할 내부 및 외부 데이터 소스를 식별하고 수집합니다. 이 데이터를 Amazon S3에 저장하고 SageMaker AI의 데이터 처리 기능을 사용하여 모델 훈련을 위한 데이터를 사전 처리하고 준비합니다. SageMaker AI에서는 자동 모델 튜닝 및 분산 훈련 기능을 사용하여 예측 모델을 훈련하고 최적화합니다. AWS Step Functions 또는 AWS 서비스 와 같은 AWS Lambda 를 사용하여 예측 모델을 최신 데이터로 주기적으로 재훈련하는 파이프라인을 설정할 수도 있습니다. 재훈련 후 SageMaker AI에서 배치 변환 작업을 시작하여 Amazon S3에 저장하는 예측 결과를 생성합니다. Amazon QuickSight 을 사용하여 배치 변환 작업에서 생성된 예측 결과를 시각화하고 모니터링합니다.