Próximas etapas

Antes de implementar essa solução de previsão de demanda AWS, é recomendável avaliar o problema que está tentando resolver. É uma boa ideia reunir os proprietários da empresa e os cientistas de dados para debater se o problema pode ser resolvido por meio de um modelo de ML. É fundamental entender quais conjuntos de dados você tem e a extensão dos dados históricos disponíveis. Também é importante que os proprietários da empresa colaborem com os cientistas de dados para fornecer conhecimento do domínio, identificar recursos úteis e ajudar a criar esses recursos. A confiabilidade do modelo aumenta com o número de recursos relevantes que você pode criar, o que fornece uma previsão mais precisa.

Para desenvolver essa arquitetura AWS, comece configurando Conta da AWS e provisionando os serviços necessários, como o Amazon Simple Storage Service (Amazon S3) para armazenamento de dados e o SageMaker Amazon AI para treinamento de modelos de aprendizado de máquina. Em seguida, identifique e colete as fontes de dados internas e externas que serão usadas como recursos de entrada para o modelo de previsão. Armazene esses dados no Amazon S3 e use os recursos de processamento de dados na SageMaker IA para pré-processar e preparar os dados para o treinamento do modelo. Na SageMaker IA, use o ajuste automático do modelo e os recursos de treinamento distribuído para treinar e otimizar os modelos de previsão. Você também pode usar Serviços da AWS como AWS Step Functions ou AWS Lambda para configurar um pipeline que retreine periodicamente os modelos de previsão com os dados mais recentes. Depois de treinar novamente, inicie um trabalho de transformação em lote na SageMaker IA para gerar os resultados da previsão, que você armazena no Amazon S3. Use QuickSight a Amazon para visualizar e monitorar os resultados da previsão gerados a partir do trabalho de transformação em lote.