Ein Hersteller verfügt über monatelange Sensortelemetriedaten und manuelle Inspektionsetiketten in einem Data Lake. Es wird ein automatisiertes Modell benötigt, das jedes Produkt basierend auf den Inspektionsetiketten als „gute Qualität“, „Ersatzteilmarktqualität“ oder „Ausschuss“ klassifiziert. Welcher Modellierungsansatz liefert am ehesten die genauesten Vorhersagen für dieses überwachte Multiklassen-Klassifizierungsproblem?

Der Amazon SageMaker XGBoost-Algorithmus ist eine ausgezeichnete Wahl für dieses Problem, da es sich um ein überwachtes Multiklassen-Klassifizierungsproblem handelt, bei dem strukturierte Sensortelemetriedaten und Inspektionsetiketten vorliegen. XGBoost ist ein leistungsstarker, baumbasierter Ensemble-Algorithmus, der für seine Genauigkeit und Effizienz bekannt ist und gut mit tabellarischen Daten umgehen kann. Der Amazon SageMaker DeepAR-Vorhersagealgorithmus ist für Zeitreihenvorhersagen konzipiert, nicht für die Klassifizierung. Der Amazon SageMaker Latent Dirichlet Allocation (LDA)-Algorithmus wird für die Themenmodellierung von Textdaten verwendet. Ein Convolutional Neural Network (CNN) wie ResNet ist ideal für Bild- oder Videodaten, nicht für die vorliegenden Sensortelemetriedaten.