Uma empresa de bens de consumo tem o histórico completo de vendas de muitas variantes de produtos e atualmente usa modelos ARIMA. Eles querem prever a demanda de um novo produto que será lançado em breve. Qual abordagem um Especialista em Machine Learning deve usar?

A abordagem correta é treinar o modelo de previsão DeepAR do Amazon SageMaker. DeepAR é um algoritmo de previsão de séries temporais que pode aprender padrões complexos em grandes coleções de séries temporais relacionadas. Ao invés de treinar um modelo para cada série individualmente, DeepAR treina um único modelo em todas as séries, permitindo que ele aproveite o histórico de vendas de produtos existentes para fazer previsões mais precisas para novos produtos, mesmo com dados limitados. Treinar um modelo ARIMA personalizado para um novo produto é inviável, pois ARIMA requer um histórico de dados substancial do próprio produto, o que não existe para um novo lançamento. O agrupamento k-means é uma técnica de clusterização, não de previsão de demanda. Treinar um modelo XGBoost personalizado também seria problemático, pois modelos baseados em árvores geralmente não são ideais para séries temporais sem engenharia de features complexa e ainda sofreriam da falta de dados históricos para o novo produto.