diff --git a/README.md b/README.md index 1a30b99..8f27a1a 100644 --- a/README.md +++ b/README.md @@ -1,47 +1,159 @@ -# 📊 Previsão de Estoque Inteligente na AWS com [SageMaker Canvas](https://aws.amazon.com/pt/sagemaker/canvas/) +# 📊 Previsão de Estoque Inteligente com Amazon SageMaker Canvas -Bem-vindo ao desafio de projeto "Previsão de Estoque Inteligente na AWS com SageMaker Canvas. Neste Lab DIO, você aprenderá a usar o SageMaker Canvas para criar previsões de estoque baseadas em Machine Learning (ML). Siga os passos abaixo para completar o desafio! +## Contexto do Projeto -## 📋 Pré-requisitos +Este projeto foi desenvolvido como parte do **Lab “Previsão de Estoque Inteligente na AWS com SageMaker Canvas”**, oferecido pela **Digital Innovation One (DIO)**. -Antes de começar, certifique-se de ter uma conta na AWS. Se precisar de ajuda para criar sua conta, confira nosso repositório [AWS Cloud Quickstart](https://github.com/digitalinnovationone/aws-cloud-quickstart). +O objetivo do desafio é explorar o **Amazon SageMaker Canvas**, uma ferramenta no-code da AWS, passando pelas principais etapas de um projeto de Machine Learning, desde a seleção dos dados até a análise dos resultados, sem necessidade de programação. +O foco principal não é criar um modelo altamente preciso, mas compreender o fluxo completo do Canvas e interpretar os resultados gerados. -## 🎯 Objetivos Deste Desafio de Projeto (Lab) +> Este projeto foi desenvolvido a partir do repositório base disponibilizado pela DIO: +> https://github.com/digitalinnovationone/lab-aws-sagemaker-canvas-estoque -![image](https://github.com/digitalinnovationone/lab-aws-sagemaker-canvas-estoque/assets/730492/72f5c21f-5562-491e-aa42-2885a3184650) +--- -- Dê um fork neste projeto e reescreva este `README.md`. Sinta-se à vontade para detalhar todo o processo de criação do seu Modelo de ML para uma "Previsão de Estoque Inteligente". -- Para isso, siga o [passo a passo] descrito a seguir e evolua as suas habilidades em ML no-code com o Amazon SageMaker Canvas. -- Ao concluir, envie a URL do seu repositório com a solução na plataforma da DIO. +## 🎯 Objetivo +Desenvolver um modelo de **Previsão de Estoque** utilizando **Machine Learning no-code**, capaz de identificar padrões temporais a partir de dados históricos e apoiar decisões relacionadas à reposição de estoque. -## 🚀 Passo a Passo +--- -### 1. Selecionar Dataset +## 1. Seleção do Dataset -- Navegue até a pasta `datasets` deste repositório. Esta pasta contém os datasets que você poderá escolher para treinar e testar seu modelo de ML. Sinta-se à vontade para gerar/enriquecer seus próprios datasets, quanto mais você se engajar, mais relevante esse projeto será em seu portfólio. -- Escolha o dataset que você usará para treinar seu modelo de previsão de estoque. -- Faça o upload do dataset no SageMaker Canvas. +O dataset utilizado foi: -### 2. Construir/Treinar +- **Nome:** `dataset-1000-com-preco-variavel-e-renovacao-estoque.csv` +- **Origem:** fornecido pela DIO no repositório + `lab-aws-sagemaker-canvas-estoque/datasets` +- **Quantidade de registros:** aproximadamente 1000 linhas -- No SageMaker Canvas, importe o dataset que você selecionou. -- Configure as variáveis de entrada e saída de acordo com os dados. -- Inicie o treinamento do modelo. Isso pode levar algum tempo, dependendo do tamanho do dataset. +### Principais colunas do dataset: +- `ID_PRODUTO` → Identificador único do produto +- `DATA_EVENTO` → Data do registro +- `PRECO` → Preço do produto +- `QUANTIDADE_ESTOQUE` → Quantidade do estoque +- Colunas relacionadas à variação e renovação de estoque -### 3. Analisar +O dataset foi selecionado por conter dados temporais, sendo adequado para um modelo de **Time Series Forecasting**. -- Após o treinamento, examine as métricas de performance do modelo. -- Verifique as principais características que influenciam as previsões. -- Faça ajustes no modelo se necessário e re-treine até obter um desempenho satisfatório. +Após a seleção, o arquivo foi importado diretamente no **Amazon SageMaker Canvas**. -### 4. Prever +--- -- Use o modelo treinado para fazer previsões de estoque. -- Exporte os resultados e analise as previsões geradas. -- Documente suas conclusões e qualquer insight obtido a partir das previsões. +## 2. Construção e Treinamento do Modelo -## 🤔 Dúvidas? +O modelo foi configurado no SageMaker Canvas com os seguintes parâmetros: -Esperamos que esta experiência tenha sido enriquecedora e que você tenha aprendido mais sobre Machine Learning aplicado a problemas reais. Se tiver alguma dúvida, não hesite em abrir uma issue neste repositório ou entrar em contato com a equipe da DIO. +- **Tipo de modelo:** Time Series Forecasting +- **Item ID:** `ID_PRODUTO` +- **Time stamp:** `DATA_EVENTO` +- **Forecast length:** 1 dia +- **Build:** Quick Build + +O **Quick Build** foi escolhido por ser mais rápido e adequado ao uso da conta gratuita da AWS. + +Após a configuração, o treinamento do modelo foi iniciado com sucesso. + +--- + +## 3. Análise do Modelo + +Após o treinamento, o SageMaker Canvas apresentou as seguintes métricas de desempenho: + +| Métrica | Valor | +|------|------| +| Avg. wQL | 0.346 | +| MAPE | 0.971 | +| WAPE | 0.581 | +| RMSE | 36.006 | +| MASE | 0.852 | + +### 🔺 Interpretação das métricas (visão simplificada) + +- **RMSE (Root Mean Squared Error):** + Mede o erro médio das previsões em relação aos valores reais. Quanto menor, melhor. O valor obtido indica que o modelo possui margem de erro, aceitável para um projeto educacional. + +- **MAPE (Mean Absolute Percentage Error):** + Representa o erro percentual médio das previsões. Valores mais próximos de zero indicam maior precisão. + +- **WAPE (Weighted Absolute Percentage Error):** + Mede o erro absoluto ponderado, sendo relevante em cenários de previsão de demanda e estoque. + +- **MASE (Mean Absolute Scaled Error):** + Permite comparar o modelo com uma previsão simples (baseline). Valores abaixo de 1 indicam que o modelo supera uma abordagem básica. + +O Canvas também indicou que a variável **PREÇO** teve grande influência nas previsões, representando aproximadamente **60,54%**, evidenciando a relação entre preço e comportamento de estoque. + +--- + +## 4. Previsão de Estoque + +O modelo foi treinado com sucesso e está cumpre com seu papel em gerar previsões de estoque com base em dados históricos. + +No entanto, devido às limitações da **conta gratuita da AWS**, não foi possível gerar previsões completas na etapa de *Predict* sem incorrer em custos adicionais. + +Ainda assim, o processo permitiu: +- Entender como o SageMaker Canvas realiza previsões +- A análise das métricas geradas e o impacto das variáveis +- Como o modelo poderia ser utilizado em um ambiente produtivo + +--- + +## ⚠️ Limitações Encontradas + +- Uso de conta **AWS Free Tier** +- Restrições na geração de previsões completas (*Predict*) +- Etapa de deploy não realizada para evitar custos + +*Essas limitações não comprometem o aprendizado proposto pelo laboratório.* + +--- + +## Conclusão + +Este projeto proporcionou uma visão prática do fluxo completo de um projeto de **Machine Learning no-code**, passando pelas etapas de: + +

+ AWS com SageMaker Canvas +

+ +- Seleção de dados +- Construção e treinamento do modelo +- Análise de métricas +- Interpretação dos resultados + +O Amazon SageMaker Canvas se mostrou uma ferramenta acessível para iniciantes, permitindo a criação de modelos de Machine Learning sem necessidade de programação, sendo uma excelente porta de entrada para projetos de ciência de dados. + +--- + +## 👤 Autora + +**Nome:** Vitória Alvares dos Santos + +**Plataforma:** DIO + + +## 🧠 Contexto do Projeto + +Este projeto faz parte de um desafio prático da DIO, com foco na aplicação de **Machine Learning no-code** utilizando o **Amazon SageMaker Canvas**, simulando um cenário real de previsão de estoque e apoio à tomada de decisão. + +--- + +## 🎯 Objetivo Pessoal + +- Praticar Machine Learning sem código utilizando o SageMaker Canvas +- Compreender o fluxo completo de criação de um modelo preditivo +- Documentar o processo de forma clara para compor um portfólio no GitHub +- Consolidar conhecimentos em AWS e análise de dados + +--- + +### Assinatura do Responsável pelo Projeto: +**Vitória Alvares dos Santos** +**Bootcamp:** Nexa - Machine Learning e GenAI na Prática +**Plataforma:** Digital Innovation One (DIO) + +### Contatos: +[![LinkedIn](https://img.shields.io/badge/LinkedIn-0A66C2?style=for-the-badge&logo=linkedin&logoColor=white)](https://www.linkedin.com/in/vitória-alvares/) +[![E-mail](https://img.shields.io/badge/-Email-000?style=for-the-badge&logo=microsoft-outlook&logoColor=007BFF)](mailto:Alvares26Sa@proton.me) \ No newline at end of file diff --git a/assets/SageMakerCanvas_processing.png b/assets/SageMakerCanvas_processing.png new file mode 100755 index 0000000..68b7503 Binary files /dev/null and b/assets/SageMakerCanvas_processing.png differ