Un fabricant vend 100 variétés de tiges d'acier de différentes qualités et dimensions et dispose de 50 ans d'historique de ventes. Un scientifique des données doit prévoir la demande future pour ces tiges. Quelle approche est la plus efficace sur le plan opérationnel ?

L'approche la plus efficace est d'utiliser Amazon SageMaker DeepAR pour entraîner un modèle unique pour tous les produits. DeepAR est conçu pour la prévision de séries temporelles multiples et peut exploiter les similitudes entre les séries (les 100 variétés de tiges) pour améliorer la précision, même pour les produits avec moins de données historiques. Entraîner un seul modèle est également plus efficace opérationnellement que de gérer 100 modèles distincts. Entraîner des modèles distincts pour chaque produit avec DeepAR serait moins efficace car cela ne profiterait pas des interdépendances et augmenterait la complexité opérationnelle. SageMaker Autopilot est excellent pour l'ingénierie des fonctionnalités et la sélection de modèles, mais il n'est pas optimisé pour la prévision de séries temporelles multiples comme DeepAR, ce qui le rend moins idéal pour ce cas d'utilisation, que ce soit avec un modèle unique ou des modèles distincts.