Ein Hersteller verkauft 100 Sorten von Stahlstangen mit unterschiedlichen Güteklassen und Abmessungen und verfügt über 50 Jahre Verkaufshistorie. Ein Data Scientist muss die zukünftige Nachfrage nach den Stangen prognostizieren. Welcher Ansatz ist betrieblich am effizientesten?

DeepAR ist ein Algorithmus, der für Zeitreihenprognosen entwickelt wurde und besonders effektiv ist, wenn viele ähnliche Zeitreihen vorhanden sind. Durch das Training eines einzigen Modells für alle 100 Stahlsorten kann DeepAR Muster über die verschiedenen Produkte hinweg lernen, was zu robusteren und genaueren Prognosen führt, insbesondere für Produkte mit weniger Daten. Dies ist betrieblich effizienter, da nur ein Modell verwaltet und aktualisiert werden muss. Separate Modelle für jedes Produkt wären aufwendiger in Training und Wartung. SageMaker Autopilot ist zwar nützlich für die automatische Modellerstellung, aber DeepAR ist speziell für Zeitreihen optimiert und bietet in diesem Szenario eine bessere Leistung und Effizienz.