Une entreprise de vêtements conserve l'historique complet des ventes de ses produits dans Amazon S3 et utilise actuellement des modèles de lissage exponentiel (ETS) personnalisés pour prévoir la demande des produits existants. L'entreprise a besoin d'une méthode pour prévoir la demande d'une nouvelle variante de produit qui n'a jamais été vendue auparavant. Quelle approche répond le mieux à cette exigence ?

La bonne approche est d'entraîner un modèle de prévision de séries temporelles Amazon SageMaker DeepAR. DeepAR est un algorithme de prévision de séries temporelles basé sur l'apprentissage profond qui excelle dans la prévision de la demande pour de nouveaux produits (le « cold start ») en apprenant des modèles à partir de séries temporelles similaires. Il peut exploiter des caractéristiques (features) de produits existants pour informer les prévisions de nouveaux produits, ce que les modèles ETS (Exponential Smoothing) personnalisés ne peuvent pas faire efficacement sans données historiques pour le produit spécifique. Entraîner un autre modèle ETS personnalisé ne serait pas efficace car il n'y a pas de données historiques pour la nouvelle variante de produit. Un modèle de clustering Amazon SageMaker K-means est utilisé pour regrouper des points de données similaires, pas pour la prévision de séries temporelles. Un modèle XGBoost personnalisé est un algorithme d'apprentissage supervisé puissant, mais il est généralement utilisé pour des problèmes de régression ou de classification, et non spécifiquement optimisé pour la prévision de séries temporelles avec des problèmes de démarrage à froid comme DeepAR.