Un'azienda di beni di consumo dispone di uno storico completo delle vendite per molte varianti di prodotto e attualmente utilizza modelli ARIMA. L'azienda desidera prevedere la domanda per un nuovo prodotto che verrà lanciato a breve. Quale approccio dovrebbe utilizzare uno specialista di Machine Learning?

La risposta corretta è addestrare il modello di previsione DeepAR di Amazon SageMaker. DeepAR è particolarmente efficace per la previsione della serie temporale di nuovi prodotti (cold start) perché può apprendere pattern da serie temporali simili di prodotti esistenti. A differenza di ARIMA, che richiede dati storici specifici per il prodotto da prevedere, DeepAR può sfruttare un ampio catalogo di prodotti correlati. Addestrare un modello ARIMA personalizzato per un nuovo prodotto non è fattibile in assenza di dati storici. Il clustering k-means è una tecnica di raggruppamento e non di previsione della domanda. XGBoost è un algoritmo di apprendimento supervisionato che può essere usato per la previsione, ma DeepAR è specificamente ottimizzato per le serie temporali e i problemi di cold start, rendendolo più adatto in questo scenario.