Un fabricant dispose de plusieurs mois de données de télémétrie de capteurs et d'étiquettes d'inspection manuelle dans un lac de données. Il a besoin d'un modèle automatisé qui classe chaque produit comme étant de bonne qualité, de qualité pour le marché des pièces de rechange ou de rebut, en se basant sur les étiquettes d'inspection. Quelle approche de modélisation est la plus susceptible de fournir les prédictions les plus précises pour ce problème de classification supervisée multiclasse ?

L'algorithme Amazon SageMaker XGBoost est le plus approprié car il excelle dans les problèmes de classification supervisée avec des données tabulaires, ce qui est le cas ici avec des données de télémétrie de capteurs et des étiquettes d'inspection. XGBoost est connu pour sa précision et sa capacité à gérer des ensembles de données complexes. L'algorithme DeepAR de SageMaker est conçu pour la prévision de séries temporelles, ce qui n'est pas l'objectif principal de ce problème de classification. L'algorithme Latent Dirichlet Allocation (LDA) est utilisé pour la modélisation thématique de texte, ce qui est sans rapport avec les données de capteurs. Un réseau neuronal convolutif (CNN) comme ResNet est principalement utilisé pour les tâches de vision par ordinateur (images), et bien qu'il puisse être adapté pour des données tabulaires, XGBoost est généralement plus performant et plus simple à implémenter pour ce type de problème.