Un'azienda di abbigliamento conserva la cronologia completa delle vendite dei suoi prodotti in Amazon S3 e attualmente utilizza modelli personalizzati di livellamento esponenziale (ETS) per prevedere la domanda dei prodotti esistenti. L'azienda ha bisogno di un metodo per prevedere la domanda di una nuova variante di prodotto che non è mai stata venduta prima. Quale approccio soddisfa al meglio questo requisito?

Amazon SageMaker DeepAR è la scelta migliore perché è un algoritmo di previsione delle serie temporali basato su reti neurali ricorrenti (RNN) che può gestire scenari di "cold start" (nuovi prodotti senza dati storici). DeepAR apprende modelli dalle serie temporali correlate (prodotti esistenti) per fare previsioni su nuove serie temporali. L'addestramento di un altro modello ETS personalizzato non funzionerebbe per un nuovo prodotto perché ETS richiede dati storici per la serie temporale specifica. Un modello di clustering K-means di Amazon SageMaker è per il raggruppamento di dati e non per la previsione di serie temporali. Un modello XGBoost personalizzato è un algoritmo di apprendimento supervisionato che richiede dati storici per il prodotto specifico da prevedere, rendendolo inadatto per i nuovi prodotti.