다음 단계

이 수요 예측 솔루션을 구현하기 전에 해결하려는 문제를 평가하는 AWS것이 좋습니다. 비즈니스 소유자와 데이터 사이언티스트를 한데 모아 ML 모델에서 문제를 해결할 수 있는지 여부를 브레인스토밍하는 것이 좋습니다. 보유한 데이터 세트와 사용 가능한 과거 데이터의 길이를 이해하는 것이 중요합니다. 또한 비즈니스 소유자는 데이터 과학자와 협력하여 도메인 지식을 제공하고, 유용한 기능을 식별하고, 이러한 기능을 만드는 데 도움을 주는 것이 중요합니다. 모델의 신뢰성은 생성할 수 있는 관련 기능의 수에 따라 증가하여 보다 정확한 예측을 제공합니다.

이 아키텍처를 구축하려면 AWS먼저 데이터 스토리지용 Amazon Simple Storage Service(Amazon S3) AWS 계정 및 기계 학습 모델 훈련용 Amazon SageMaker AI와 같은 필수 서비스를 설정하고 프로비저닝합니다. 그런 다음 예측 모델의 입력 기능으로 사용할 내부 및 외부 데이터 소스를 식별하고 수집합니다. 이 데이터를 Amazon S3에 저장하고 SageMaker AI의 데이터 처리 기능을 사용하여 모델 훈련을 위해 데이터를 사전 처리하고 준비합니다. SageMaker AI에서는 자동 모델 튜닝 및 분산 훈련 기능을 사용하여 예측 모델을 훈련하고 최적화합니다. AWS Step Functions 또는 AWS 서비스 와 같은 AWS Lambda 를 사용하여 예측 모델을 최신 데이터로 주기적으로 재훈련하는 파이프라인을 설정할 수도 있습니다. 재훈련 후 SageMaker AI에서 배치 변환 작업을 시작하여 Amazon S3에 저장하는 예측 결과를 생성합니다. Amazon Quick을 사용하여 배치 변환 작업에서 생성된 예측 결과를 시각화하고 모니터링합니다.