한 제조업체에서 다양한 등급과 치수의 강철 막대 100종을 판매하며 50년간의 판매 이력을 보유하고 있습니다. 데이터 과학자는 막대에 대한 미래 수요를 예측해야 합니다. 어떤 접근 방식이 가장 운영 효율적일까요?

정답은 Amazon SageMaker DeepAR 예측 알고리즘을 사용하여 모든 제품에 대한 단일 모델을 훈련하는 것입니다. DeepAR은 시계열 예측에 특화된 알고리즘으로, 여러 관련 시계열 데이터(여기서는 100가지 강철 막대)를 함께 학습하여 패턴을 공유하고 예측 정확도를 높일 수 있습니다. 단일 모델을 사용하면 100개의 개별 모델을 관리하는 것보다 운영 효율성이 훨씬 높습니다. 각 제품에 대해 별도의 모델을 훈련하는 것은 모델 관리 및 유지보수 측면에서 비효율적이며, 데이터가 적은 제품의 경우 정확도가 낮을 수 있습니다. Amazon SageMaker Autopilot은 자동화된 ML 모델 구축 도구이지만, DeepAR과 같은 시계열 예측에 특화된 알고리즘의 유연성과 성능을 제공하지 않으므로 이 시나리오에서는 최적의 선택이 아닙니다. 또한 Autopilot으로 각 제품에 대해 별도의 모델을 구축하는 것은 운영 효율성 측면에서 가장 비효율적입니다.