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. # AWS Arquitetura recomendada para previsão de demanda de novos produtos Ao escalar seu AI/ML pipeline para vários produtos e regiões, é recomendável seguir as melhores práticas de operações de aprendizado de máquina (MLOps) para reprodutibilidade, confiabilidade e escalabilidade. Para obter mais informações, consulte [Implementar MLOps](https://docs.aws.amazon.com/sagemaker/latest/dg/mlops.html) na documentação do Amazon SageMaker AI. A imagem a seguir mostra um exemplo de AWS arquitetura para implementar um modelo de ML que prevê a demanda por lançamentos de novos produtos. ![Uma AWS arquitetura que consiste em camadas de engenharia DevOps de dados e ciência de dados.](http://docs.aws.amazon.com/pt_br/prescriptive-guidance/latest/forecast-demand-new-product/images/architecture-diagram.png) A AWS arquitetura de exemplo consiste em três camadas: engenharia de dados e ciência de dados. DevOps A camada de engenharia de dados se concentra na ingestão de dados de fontes de dados corporativas usando [AWS Glue](https://docs.aws.amazon.com/glue/latest/dg/what-is-glue.html)e armazenando os dados de forma econômica no Amazon [Simple Storage Service (Amazon](https://docs.aws.amazon.com/AmazonS3/latest/userguide/Welcome.html) S3). AWS Glueé um serviço ETL sem servidor totalmente gerenciado que ajuda você a categorizar, limpar, transformar e transferir dados de forma confiável entre diferentes armazenamentos de dados. O Amazon S3 é um serviço de armazenamento de objetos que oferece escalabilidade, disponibilidade de dados, segurança e desempenho. A camada de engenharia de dados também mostra a implantação de inferência em lote offline usando a [transformação em lote](https://docs.aws.amazon.com/sagemaker/latest/dg/batch-transform.html) na Amazon SageMaker AI. A transformação em lote obtém os dados de entrada do Amazon S3 e os envia em uma ou mais solicitações HTTP [por meio do Amazon API](https://docs.aws.amazon.com/apigateway/latest/developerguide/welcome.html) Gateway para o modelo de pipeline de inferência. O Amazon API Gateway é um serviço totalmente gerenciado que ajuda você a criar, publicar, manter, monitorar e proteger APIs em qualquer escala. Por fim, a camada de engenharia de dados mostra o uso da [Amazon CloudWatch](https://docs.aws.amazon.com/AmazonCloudWatch/latest/monitoring/WhatIsCloudWatch.html), um serviço que dá visibilidade do desempenho de todo o sistema e ajuda você a definir alarmes, reagir automaticamente às mudanças e obter uma visão unificada da integridade operacional. CloudWatch armazena os arquivos de log em um bucket do Amazon S3 que você especificar. A DevOps camada usa o API Gateway e o [Amazon SageMaker AI Model Monitor](https://docs.aws.amazon.com/sagemaker/latest/dg/model-monitor.html) para implantação de inferência em tempo real. CloudWatch O Model Monitor ajuda você a configurar um sistema automatizado de acionamento de alertas para desvios na qualidade do modelo, como desvios de dados e anomalias. [O Amazon CloudWatch Logs](https://docs.aws.amazon.com/AmazonCloudWatch/latest/logs/WhatIsCloudWatchLogs.html) coleta arquivos de log do Model Monitor e notifica você quando a qualidade do seu modelo atinge determinados limites, que você predefine. A DevOps camada também mostra o uso de [AWS CodePipeline](https://docs.aws.amazon.com/codepipeline/latest/userguide/welcome.html)para automatizar pipelines de entrega de código. A camada de ciência de dados mostra o uso do [Amazon SageMaker AI Pipelines](https://docs.aws.amazon.com/sagemaker/latest/dg/pipelines.html) e do [Amazon SageMaker AI Feature Store](https://docs.aws.amazon.com/sagemaker/latest/dg/feature-store.html) para gerenciar o ciclo de vida do aprendizado de máquina. SageMaker O AI Pipelines é um serviço específico de orquestração de fluxo de trabalho que ajuda você a automatizar todas as fases do ML, do pré-processamento de dados ao monitoramento do modelo. Com uma interface de usuário intuitiva e um SDK para Python, você pode gerenciar pipelines de ML reproduzíveis end-to-end em grande escala. A integração nativa com vários Serviços da AWS ajuda você a personalizar o ciclo de vida do ML com base em seus MLOps requisitos. O Feature Store é um repositório totalmente gerenciado e desenvolvido especificamente para armazenar, compartilhar e gerenciar recursos para modelos de ML. Os *recursos* são entradas para os modelos de ML e são usados durante o treinamento e a inferência.