Un produttore vende 100 varietà di barre d'acciaio con gradi e dimensioni diversi e ha 50 anni di storia delle vendite. Uno scienziato dei dati deve prevedere la domanda futura di queste barre. Qual è l'approccio più efficiente dal punto di vista operativo?

L'algoritmo Amazon SageMaker DeepAR è progettato per la previsione di serie temporali su larga scala, specialmente quando si hanno molte serie correlate. Addestrare un singolo modello DeepAR su tutti i prodotti è operativamente più efficiente perché il modello può apprendere pattern e dipendenze tra le diverse varietà di barre d'acciaio, migliorando la precisione complessiva e riducendo il tempo di addestramento e la complessità di gestione rispetto all'addestramento di 100 modelli separati. Addestrare modelli separati per ciascun prodotto con DeepAR sarebbe meno efficiente e potrebbe non sfruttare le correlazioni tra i prodotti. SageMaker Autopilot è un servizio di machine learning automatico che automatizza la creazione di modelli, ma non è specificamente ottimizzato per la previsione di serie temporali su larga scala come DeepAR, rendendolo meno efficiente per questo caso d'uso specifico.