Um fabricante vende 100 variedades de barras de aço com diferentes graus e dimensões e tem 50 anos de histórico de vendas. Um cientista de dados deve prever a demanda futura pelas barras. Qual abordagem é a mais operacionalmente eficiente?

A abordagem mais eficiente é usar o Amazon SageMaker DeepAR para treinar um único modelo para todos os produtos. O DeepAR é otimizado para séries temporais com muitos itens relacionados, como as 100 variedades de barras de aço. Ele aprende padrões globais entre as séries, o que melhora a precisão, especialmente para produtos com dados esparsos. Treinar modelos separados para cada produto (DeepAR ou Autopilot) seria ineficiente e não aproveitaria as correlações entre os produtos. O Amazon SageMaker Autopilot é uma ferramenta de AutoML que automatiza a criação de modelos, mas não é a melhor escolha para séries temporais multivariadas como o DeepAR e não se beneficia de um único modelo para todos os produtos da mesma forma que o DeepAR.