后续步骤

在实施此需求预测解决方案之前 AWS，建议您评估要解决的问题。将企业主和数据科学家聚集在一起集思广益，讨论机器学习模型能否解决问题是个好主意。了解您拥有的数据集以及可用的历史数据长度至关重要。对于企业主来说，与数据科学家合作以提供领域知识、识别有用的功能并帮助创建这些功能也很重要。模型的可靠性会随着您可以创建的相关特征数量的增加而提高，从而提供更准确的预测。

要在此基础上构建此架构 AWS，首先要设置 AWS 账户 并配置必要的服务，例如用于数据存储的亚马逊简单存储服务 (Amazon S3) 和用于机器学习模型训练的 A SageMaker mazon AI。接下来，识别并收集将用作预测模型输入要素的内部和外部数据源。将这些数据存储在 Amazon S3 中，并使用 SageMaker AI 中的数据处理功能为模型训练预处理和准备数据。在 SageMaker AI 中，使用自动模型调整和分布式训练功能来训练和优化预测模型。您也可以使用 AWS 服务 例如 AWS Step Functions 或 AWS Lambda 来设置一条管道，定期使用最新数据重新训练预测模型。重新训练后，在 SageMaker AI 中启动批量转换任务以生成预测结果，然后将其存储在 Amazon S3 中。使用 Amazon QuickSight 可视化和监控批量转换任务生成的预测结果。