Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés. # AWS Arquitectura recomendada para la previsión de la demanda de nuevos productos A medida que amplíe su AI/ML cartera de productos a varios productos y regiones, se recomienda seguir las mejores prácticas de operaciones de aprendizaje automático (MLOps) en materia de reproducibilidad, fiabilidad y escalabilidad. Para obtener más información, consulte [Implementar MLOps](https://docs.aws.amazon.com/sagemaker/latest/dg/mlops.html) en la documentación de Amazon SageMaker AI. La siguiente imagen muestra un ejemplo de AWS arquitectura para implementar un modelo de aprendizaje automático que prevé la demanda de nuevos productos. ![Una AWS arquitectura que consta de capas de ingeniería de DevOps datos y ciencia de datos.](http://docs.aws.amazon.com/es_es/prescriptive-guidance/latest/forecast-demand-new-product/images/architecture-diagram.png) La AWS arquitectura de ejemplo consta de tres capas: ingeniería de datos y ciencia de datos. DevOps La capa de ingeniería de datos se centra en la ingesta de datos de fuentes de datos corporativas mediante el uso [AWS Glue](https://docs.aws.amazon.com/glue/latest/dg/what-is-glue.html)y posterior almacenamiento de los datos de forma rentable en [Amazon Simple Storage Service (Amazon S3](https://docs.aws.amazon.com/AmazonS3/latest/userguide/Welcome.html)). AWS Glue es un servicio ETL sin servidor totalmente gestionado que le ayuda a clasificar, limpiar, transformar y transferir datos de forma fiable entre diferentes almacenes de datos. Amazon S3: es un servicio de almacenamiento de objetos de AWS que ofrece escalabilidad, disponibilidad de datos, seguridad y rendimiento. La capa de ingeniería de datos también muestra el despliegue de inferencia por lotes fuera de línea mediante la [transformación por lotes](https://docs.aws.amazon.com/sagemaker/latest/dg/batch-transform.html) en Amazon SageMaker AI. La transformación por lotes obtiene los datos de entrada de Amazon S3 y los envía en una o más solicitudes HTTP a través de [Amazon API Gateway al modelo](https://docs.aws.amazon.com/apigateway/latest/developerguide/welcome.html) de canalización de inferencia. Amazon API Gateway es un servicio totalmente gestionado que le ayuda a crear, publicar, mantener, supervisar y proteger APIs a cualquier escala. Por último, la capa de ingeniería de datos muestra el uso de [Amazon CloudWatch](https://docs.aws.amazon.com/AmazonCloudWatch/latest/monitoring/WhatIsCloudWatch.html), un servicio que proporciona visibilidad del rendimiento de todo el sistema y le ayuda a configurar alarmas, reaccionar automáticamente ante los cambios y obtener una visión unificada del estado operativo. CloudWatch almacena los archivos de registro en un bucket de Amazon S3 que especifique. La DevOps capa utiliza API Gateway y [Amazon SageMaker AI Model Monitor](https://docs.aws.amazon.com/sagemaker/latest/dg/model-monitor.html) para el despliegue de inferencias en tiempo real. CloudWatch Model Monitor le ayuda a configurar un sistema automatizado de activación de alertas en caso de desviaciones en la calidad del modelo, como desviaciones de datos o anomalías. [Amazon CloudWatch Logs](https://docs.aws.amazon.com/AmazonCloudWatch/latest/logs/WhatIsCloudWatchLogs.html) recopila archivos de registro de Model Monitor y le notifica cuando la calidad de su modelo alcanza ciertos umbrales, que usted preestableció. La DevOps capa también muestra el uso de [AWS CodePipeline](https://docs.aws.amazon.com/codepipeline/latest/userguide/welcome.html)para automatizar los procesos de entrega de códigos. La capa de ciencia de datos muestra el uso de [Amazon SageMaker AI Pipelines](https://docs.aws.amazon.com/sagemaker/latest/dg/pipelines.html) y [Amazon SageMaker AI Feature Store](https://docs.aws.amazon.com/sagemaker/latest/dg/feature-store.html) para gestionar el ciclo de vida del aprendizaje automático. SageMaker AI Pipelines es un servicio de organización de flujos de trabajo especialmente diseñado que le ayuda a automatizar todas las fases del aprendizaje automático, desde el preprocesamiento de los datos hasta la supervisión de los modelos. Con una interfaz de usuario intuitiva y un SDK de Python, puedes gestionar canalizaciones de aprendizaje end-to-end automático repetibles a escala. La integración nativa con varios le Servicios de AWS ayuda a personalizar el ciclo de vida del aprendizaje automático en función de sus MLOps requisitos. Feature Store es un repositorio totalmente gestionado y diseñado específicamente para almacenar, compartir y gestionar las funciones de los modelos de aprendizaje automático. *Las funciones* son entradas para los modelos de aprendizaje automático y se utilizan durante el entrenamiento y la inferencia.