Un produttore dispone di mesi di telemetria da sensori ed etichette di ispezione manuale in un data lake. Ha bisogno di un modello automatizzato che classifichi ogni prodotto come di buona qualità, qualità per il mercato dei ricambi o scarto, in base alle etichette di ispezione. Quale approccio di modellazione è più probabile che fornisca le previsioni più accurate per questo problema di classificazione supervisionata multiclasse?

L'algoritmo Amazon SageMaker XGBoost è la scelta più appropriata perché è un algoritmo di apprendimento automatico supervisionato versatile ed efficiente, ampiamente utilizzato per problemi di classificazione tabulare. I dati di telemetria dei sensori e le etichette di ispezione manuale sono tipicamente strutturati in formato tabulare, rendendo XGBoost ideale per questo caso d'uso. Eccelle nella gestione di dati eterogenei e nella produzione di previsioni accurate per la classificazione multiclasse. L'algoritmo DeepAR è per la previsione di serie temporali, non per la classificazione. L'algoritmo Latent Dirichlet Allocation (LDA) è un modello di topic modeling non supervisionato, utilizzato principalmente per l'analisi di testi, non per la classificazione di dati di sensori. Una rete neurale convoluzionale (CNN) come ResNet è progettata principalmente per l'analisi di immagini o segnali, non per dati tabulari strutturati.