Um provedor de saúde deseja detectar padrões anômalos de sinais vitais de pacientes usando um conjunto de dados não rotulado (registros de saúde, histórico de medicamentos, estilo de vida). Qual algoritmo e escolha de hiperparâmetro são apropriados para detecção de anomalias não supervisionada no SageMaker?

A detecção de anomalias não supervisionada em dados não rotulados é o cenário ideal para o SageMaker Random Cut Forest (RCF). O RCF é projetado especificamente para identificar pontos de dados incomuns em grandes conjuntos de dados, sem a necessidade de rótulos pré-existentes. Definir numtrees para um valor maior que 100 aumenta a robustez do modelo e sua capacidade de capturar anomalias mais complexas. XGBoost é um algoritmo de aprendizado supervisionado, inadequado para dados não rotulados. K-means é um algoritmo de clusterização que agrupa dados semelhantes, mas não é otimizado para detecção de anomalias. DeepAR é um algoritmo de previsão de séries temporais, não aplicável a este caso de uso.