Uma empresa de vestuário mantém seu histórico completo de vendas de produtos no Amazon S3 e atualmente usa modelos personalizados de suavização exponencial (ETS) para prever a demanda por produtos existentes. A empresa precisa de um método para prever a demanda por uma nova variação de produto que nunca foi vendida antes. Qual abordagem melhor atende a esse requisito?

A abordagem que melhor atende a esse requisito é treinar um modelo de previsão de série temporal Amazon SageMaker DeepAR. O DeepAR é ideal para prever a demanda de novos produtos (o problema de "cold start") porque pode aprender padrões de séries temporais de milhares de séries relacionadas. Ele utiliza uma rede neural recorrente (RNN) para modelar a distribuição de probabilidade da série temporal, permitindo que ele generalize para itens novos com base em características e no histórico de itens semelhantes. Treinar outro modelo ETS personalizado não funcionaria, pois modelos ETS exigem dados históricos do próprio produto para fazer previsões, o que não existe para um novo produto. Treinar um modelo de clusterização Amazon SageMaker K-means seria útil para agrupar produtos semelhantes, mas não para prever a demanda. Treinar um modelo XGBoost personalizado é bom para problemas de regressão ou classificação, mas não é a melhor escolha para previsão de séries temporais com o problema de "cold start" de novos produtos, pois também precisaria de dados históricos do produto ou de engenharia de recursos complexa para lidar com a falta de dados.