기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.

# 화물 수요 예측을 위한 아키텍처
<a name="architecture"></a>

다음 이미지는 데이터 수집, 데이터 준비, 모델 구축, 최종 출력 및 모니터링을 포함한 솔루션의 워크플로를 보여줍니다.



![화물 수요 예측을 위한 ML 모델의 아키텍처 다이어그램](http://docs.aws.amazon.com/ko_kr/prescriptive-guidance/latest/forecast-demand-freight-capacity/images/demand-forecast-model-architecture.png)


솔루션 아키텍처에는 다음과 같은 주요 구성 요소가 포함되어 있습니다.

1. **데이터 수집 **- 유기 데이터와 외부 데이터를 모두 [Amazon Simple Storage Service(Amazon S3)](https://docs.aws.amazon.com/AmazonS3/latest/userguide/Welcome.html)에** **저장합니다.

1. **데이터 준비** - [Amazon SageMaker AI](https://docs.aws.amazon.com/sagemaker/latest/dg/whatis.html)는 데이터를 정리하고 ML 모델 훈련을 위해 준비합니다. 자세한 내용은 SageMaker AI 설명서의 [데이터 준비를](https://docs.aws.amazon.com/sagemaker/latest/dg/data-prep.html) 참조하세요.

1. **모델 구축: 입력 기능 예측** - SageMaker AI는 [https://facebook.github.io/prophet/](https://facebook.github.io/prophet/)를 사용하여 각 입력 기능에 대한 시계열 예측을 생성합니다. 예측 결과를 검사합니다. 필요한 경우 사용자 입력을 제공하여 기능의 예측을 덮어씁니다.

1. **모델 구축: 대상 변수 예측** - SageMaker AI는 수정된 입력 기능을 사용하여 추론을 위한 회귀 모델을 생성합니다. 

1. **모델 출력 및 모니터링** - 회귀 모델은 예측 결과를 Amazon S3에 출력합니다. [Amazon Quick](https://docs.aws.amazon.com/quicksight/latest/user/welcome.html)에서 예측을 시각화할 수 있습니다. 분석가는 예측 결과를 모니터링하고 예측을 실제 수요량과 비교하여 정확도를 평가할 수 있습니다.

데이터 수집부터 최종 모델 출력까지 전체 처리 파이프라인을 오케스트레이션하여 자동으로 실행할 수 있습니다. 예를 들어 월별 수요 예측을 위해 매월 자동으로 실행되도록 설정할 수 있습니다. 둘 이상의 제품에 대한 예측이 필요한 경우 여러 제품에 대해 파이프라인을 병렬로 실행할 수 있습니다. 자세한 내용은 SageMaker AI 설명서의 [ MLOps 구현](https://docs.aws.amazon.com/sagemaker/latest/dg/mlops.html)을 참조하세요.