後續步驟

在 實作此需求預測解決方案之前 AWS，建議您評估嘗試解決的問題。最好將企業主和資料科學家集結在一起，以腦力激盪出 ML 模型是否可以解決問題。了解您擁有哪些資料集，以及歷史資料的長度至關重要。商業擁有者也請務必與資料科學家合作，以提供網域知識、識別實用功能，並協助建立這些功能。模型的可靠性會隨著您可以建立的相關功能數量而增加，以提供更準確的預測。

若要在 上建置此架構 AWS，請先設定 AWS 帳戶 並佈建必要的服務，例如 Amazon Simple Storage Service (Amazon S3) 用於資料儲存，以及 Amazon SageMaker AI 用於機器學習模型訓練。接下來，識別並收集將用作預測模型輸入功能的內部和外部資料來源。將此資料儲存在 Amazon S3 中，並使用 SageMaker AI 中的資料處理功能來預先處理和準備資料以進行模型訓練。在 SageMaker AI 中，使用自動模型調校和分散式訓練功能來訓練和最佳化預測模型。您也可以使用 AWS 服務 例如 AWS Step Functions 或 AWS Lambda 來設定管道，以使用最新的資料定期重新訓練預測模型。重新訓練後，在 SageMaker AI 中啟動批次轉換任務，以產生預測結果，而您存放在 Amazon S3 中。使用 Amazon QuickSight 視覺化並監控批次轉換任務產生的預測結果。