Uma empresa de viagens deseja um modelo de ML para recomendar o próximo destino de aeroporto para os usuários. Eles têm milhões de registros com a localização do usuário, pesquisas recentes e 2.000 aeroportos possíveis. Os dados incluem recursos categóricos e um destino que deve ser uma matriz esparsa de alta dimensão. A equipe deve usar algoritmos integrados do Amazon SageMaker e codificou os recursos categóricos com one-hot encoding. Qual algoritmo integrado deve ser usado?

Factorization Machines (FM) são ideais para problemas de recomendação com dados esparsos e de alta dimensionalidade, como este cenário de 2.000 aeroportos possíveis e recursos categóricos one-hot encoded. FMs modelam interações entre pares de recursos, o que é crucial para capturar preferências complexas do usuário. CatBoost é excelente para dados categóricos, mas é otimizado para tarefas de classificação e regressão, não para a natureza esparsa e de alta dimensão de uma recomendação de item (aeroporto) onde a saída é uma matriz esparsa. DeepAR é um algoritmo de previsão de séries temporais, inadequado para este problema de recomendação de destino. K-means é um algoritmo de agrupamento e não um modelo de recomendação direta; agrupar usuários e mapear aeroportos seria uma abordagem indireta e menos eficaz do que um modelo de recomendação dedicado.