As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
Arquitetura para prever a demanda de frete
A imagem a seguir mostra o fluxo de trabalho da solução, incluindo ingestão de dados, preparação de dados, criação de modelos e saída e monitoramento finais.
A arquitetura da solução inclui os seguintes componentes principais:
-
Ingestão de dados — Você armazena dados orgânicos e dados externos no Amazon Simple Storage Service (Amazon S3).
-
Preparação de dados — A Amazon SageMaker AI limpa os dados e os prepara para o treinamento do modelo de ML. Para obter mais informações, consulte Preparar dados na documentação de SageMaker IA.
-
Construção do modelo: previsão do recurso de entrada — a SageMaker IA usa Prophet
para gerar uma previsão de série temporal para cada recurso de entrada. Você examina os resultados da previsão. Se necessário, você fornece informações do usuário para substituir a previsão do recurso. -
Construção do modelo: previsão da variável alvo — A SageMaker IA cria um modelo de regressão para inferência usando os recursos de entrada modificados.
-
Saída e monitoramento do modelo — O modelo de regressão envia os resultados da previsão para o Amazon S3. Você pode visualizar a previsão no Amazon Quick. Os analistas podem monitorar os resultados da previsão e avaliar a precisão comparando a previsão com o volume real da demanda.
Todo o pipeline de processamento, desde a ingestão de dados até a saída final do modelo, pode ser orquestrado para ser executado automaticamente. Por exemplo, você pode configurá-lo para ser executado automaticamente mensalmente para uma previsão de demanda mensal. Se precisar de previsões para mais de um produto, você pode executar o pipeline em paralelo para vários produtos. Para obter mais informações, consulte Implementar MLOps na documentação de SageMaker IA.
