As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

# Arquitetura para prever a demanda de frete
<a name="architecture"></a>

A imagem a seguir mostra o fluxo de trabalho da solução, incluindo ingestão de dados, preparação de dados, criação de modelos e saída e monitoramento finais.



![Diagrama de arquitetura de um modelo de ML para previsão da demanda de frete](http://docs.aws.amazon.com/pt_br/prescriptive-guidance/latest/forecast-demand-freight-capacity/images/demand-forecast-model-architecture.png)


A arquitetura da solução inclui os seguintes componentes principais:

1. **Ingestão de dados** —**** Você armazena dados orgânicos e dados externos no [Amazon Simple Storage Service (Amazon S3).](https://docs.aws.amazon.com/AmazonS3/latest/userguide/Welcome.html)

1. **Preparação de dados** — [A Amazon SageMaker AI](https://docs.aws.amazon.com/sagemaker/latest/dg/whatis.html) limpa os dados e os prepara para o treinamento do modelo de ML. Para obter mais informações, consulte [Preparar dados](https://docs.aws.amazon.com/sagemaker/latest/dg/data-prep.html) na documentação de SageMaker IA.

1. **Construção do modelo: previsão do recurso de entrada** — a SageMaker IA usa [https://facebook.github.io/prophet/](https://facebook.github.io/prophet/)para gerar uma previsão de série temporal para cada recurso de entrada. Você examina os resultados da previsão. Se necessário, você fornece informações do usuário para substituir a previsão do recurso.

1. **Construção do modelo: previsão da variável alvo** — A SageMaker IA cria um modelo de regressão para inferência usando os recursos de entrada modificados. 

1. **Saída e monitoramento do modelo** — O modelo de regressão envia os resultados da previsão para o Amazon S3. Você pode visualizar a previsão no [Amazon Quick](https://docs.aws.amazon.com/quicksight/latest/user/welcome.html). Os analistas podem monitorar os resultados da previsão e avaliar a precisão comparando a previsão com o volume real da demanda.

Todo o pipeline de processamento, desde a ingestão de dados até a saída final do modelo, pode ser orquestrado para ser executado automaticamente. Por exemplo, você pode configurá-lo para ser executado automaticamente mensalmente para uma previsão de demanda mensal. Se precisar de previsões para mais de um produto, você pode executar o pipeline em paralelo para vários produtos. Para obter mais informações, consulte [Implementar MLOps](https://docs.aws.amazon.com/sagemaker/latest/dg/mlops.html) na documentação de SageMaker IA.