本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

# 後續步驟
<a name="next-steps"></a>

在實作此需求預測解決方案之前 AWS，建議您評估嘗試解決的問題。最好將企業擁有者和資料科學家集合在一起，以腦力激盪出 ML 模型是否可以解決問題。請務必了解您擁有哪些資料集，以及歷史資料的長度。企業擁有者也請務必與資料科學家合作，以提供網域知識、識別實用功能，並協助建立這些功能。模型的可靠性隨著您可以建立的相關功能數量而增加，這可提供更準確的預測。

若要建置此架構 AWS，請先設定 AWS 帳戶 並佈建必要的服務，例如用於資料儲存的 Amazon Simple Storage Service (Amazon S3)，以及用於機器學習模型訓練的 Amazon SageMaker AI。接下來，識別並收集將用作預測模型輸入功能的內部和外部資料來源。將此資料儲存在 Amazon S3 中，並使用 SageMaker AI 中的資料處理功能來預先處理和準備資料以進行模型訓練。在 SageMaker AI 中，使用自動模型調校和分散式訓練功能來訓練和最佳化預測模型。您也可以使用 AWS 服務 例如 AWS Step Functions 或 AWS Lambda 來設定管道，以使用最新的資料定期重新訓練預測模型。重新訓練後，在 SageMaker AI 中啟動批次轉換任務，以產生您存放在 Amazon S3 中的預測結果。使用 Amazon Quick 視覺化和監控從批次轉換任務產生的預測結果。