Un fabricante vende 100 variedades de varillas de acero con diferentes grados y dimensiones, y tiene 50 años de historial de ventas. Un científico de datos debe pronosticar la demanda futura de las varillas. ¿Qué enfoque es el más eficiente operativamente?

La opción más eficiente operativamente es usar Amazon SageMaker DeepAR para entrenar un único modelo para todos los productos. DeepAR es un algoritmo de pronóstico de series temporales que puede aprender patrones de series temporales relacionadas, lo que lo hace ideal para pronosticar la demanda de múltiples productos con características compartidas. Entrenar un solo modelo es más eficiente en términos de tiempo y recursos computacionales que entrenar modelos separados para cada una de las 100 variedades. Entrenar modelos separados para cada producto con DeepAR sería menos eficiente debido al mayor costo computacional y de gestión de 100 modelos individuales. Amazon SageMaker Autopilot está diseñado para la selección y ajuste automático de modelos, pero no es la mejor opción para series temporales con múltiples elementos relacionados como DeepAR. Usar Autopilot para cada producto sería aún menos eficiente.