From 27fb8c569720fbe286d664bc567f340ed98b5ce1 Mon Sep 17 00:00:00 2001 From: =?UTF-8?q?Andr=C3=A9=20Abichabicki?= <130846978+Gomexx59@users.noreply.github.com> Date: Thu, 25 Jul 2024 16:49:32 -0300 Subject: [PATCH] README.md creando Readme --- README.md | 54 +++++++++++++++++++++++++++--------------------------- 1 file changed, 27 insertions(+), 27 deletions(-) diff --git a/README.md b/README.md index 1a30b99..065c953 100644 --- a/README.md +++ b/README.md @@ -1,47 +1,47 @@ -# 📊 Previsão de Estoque Inteligente na AWS com [SageMaker Canvas](https://aws.amazon.com/pt/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! - -## 📋 Pré-requisitos - -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). +# 📊 Estoque Inteligente na AWS com [SageMaker Canvas](https://aws.amazon.com/pt/sagemaker/canvas/) +Neste projeto utilizei do ChatGPT e SageMaker Canvas para desenvolver um sistema de estoque inteligente com Machine learning (ML). ## 🎯 Objetivos Deste Desafio de Projeto (Lab) -![image](https://github.com/digitalinnovationone/lab-aws-sagemaker-canvas-estoque/assets/730492/72f5c21f-5562-491e-aa42-2885a3184650) +O objetivo deste desafio é aprimorar minhas habilidade com Machine Learning low-code, aprender mais sobre o Amazon SageMaker e principalemente aprender como a inteligência artificial pode ajudar no mercado profissional ajudando empresas com tomada de decisões e previsões futuras. -- 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. +## 🚀 Passo a Passo +### 1. Desenvolver Dataset -## 🚀 Passo a Passo +- Utilizei o ChatGPT para desenvolver um DataSet com informações fícticias utilizando o seguinte prompt: + +Crie um arquivo CVS contendo as colunas (ID_Produto, ID_Cliente, Valor, Data, Quantidade_estoque). +utilizarei estes dados para treinamento de um modelo de estoque inteligente. -### 1. Selecionar Dataset +{REGRAS} -- 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. +- Sempre que um produto chegar a quantidade 10 reabasteça o material, +- Preencha o arquivo com no minimo 6 compras de produtos variados ficticios por dia. +- Preencha ao arquivo comecando do dia 01-07-2024 terminando em 17-07-2-2024 ### 2. Construir/Treinar -- 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. +- No SageMaker Canvas, importei o dataset criado. +- Configurei as variáveis de entrada e saída. +- Iniciei o treinamento do modelo. ### 3. Analisar -- 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 o treinamento, examinei as métricas de performance do modelo. +- Verifiquei as principais características que influenciam as previsões que foram a quantidade de material em estoque (quantidade_estoque) e o valor do produto (valor). ### 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. +- Usei o modelo treinado para fazer previsões de estoque. +- Analisando as previsões geradas notamos claramente que o principal influenciador nos nossos resultados é a quantidade de material em estoque, ja que quando aumentamos a quantidade em estoque de 50 para 10 notamos uma diminuição significativa de vendas para todos os produtos. +- Notamos também que o produto P007 não tem alterações relevantes nas vendas independente da quantidade em estoque ou valor, o que pode indicar um grande volume de saída, possibilitando talvez o aumento do estoque deste material. +- O produto P005 teve um aumento de 63% de saída quanto alteramos o valor de 70 para 50. +- O produto P003 teve um aumento de 80% de saída quando aumentamos a quantidade em estoque de 10 para 100, o que pode indicar um maior volume de compras em maiores quantidades. +- Os demais produtos possuem alterações relevantes somente quando diminuimos o período analisado, consequentimente alterações negativas, o que pode indicar a necessidade de mais atenção nesses produtos. -## 🤔 Dúvidas? +## Agradecimentos -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. +Espero que tenham gostado do meu projeto, se quiserem podem me seguir aqui no Github e no linkedin para mais projetos: +https://www.linkedin.com/in/andr%C3%A9-abichabicki-46b5b1193/