Una empresa de ropa guarda el historial completo de ventas de sus productos en Amazon S3 y actualmente utiliza modelos personalizados de suavizado exponencial (ETS) para pronosticar la demanda de los productos existentes. La empresa necesita un método para pronosticar la demanda de una nueva variación de producto que no se ha vendido antes. ¿Qué enfoque satisface mejor este requisito?

Amazon SageMaker DeepAR es la mejor opción porque es un algoritmo de pronóstico de series temporales basado en redes neuronales recurrentes (RNN) que puede aprender patrones complejos de series temporales de múltiples series relacionadas. Esto le permite pronosticar la demanda de nuevos productos (problema de "arranque en frío") aprovechando los patrones aprendidos de productos existentes con historiales de ventas. Entrenar otro modelo ETS personalizado no funcionaría para un producto nuevo, ya que los modelos ETS requieren datos históricos para el producto específico. Un modelo de clustering K-means de Amazon SageMaker es para agrupar datos, no para pronósticos de series temporales. Un modelo XGBoost personalizado es un algoritmo de aprendizaje supervisado para problemas de clasificación o regresión, pero no está optimizado para el pronóstico de series temporales con la capacidad de manejar el arranque en frío como DeepAR.