Een bedrijf in consumentengoederen heeft een volledige verkoophistorie voor veel productvarianten en gebruikt momenteel ARIMA-modellen. Ze willen de vraag voorspellen voor een nieuw product dat binnenkort wordt gelanceerd. Welke aanpak moet een Machine Learning Specialist gebruiken?

De juiste aanpak is om Amazon SageMaker's DeepAR forecasting model te trainen. DeepAR is een neuraal netwerkmodel dat zeer geschikt is voor het voorspellen van tijdreeksen, vooral wanneer er sprake is van veel gerelateerde tijdreeksen (zoals de verkoophistorie van veel productvarianten). Het kan patronen leren over alle producten heen en deze kennis toepassen op nieuwe producten, zelfs zonder directe historische gegevens voor dat specifieke nieuwe product. Een aangepast ARIMA-model is minder geschikt omdat ARIMA-modellen historische gegevens van het specifieke te voorspellen item vereisen, wat voor een nieuw product ontbreekt. K-means clustering is een unsupervised learning-algoritme dat wordt gebruikt voor het groeperen van vergelijkbare datapunten, niet voor het voorspellen van tijdreeksen. Een aangepast XGBoost-model is een krachtig supervised learning-algoritme, maar het is primair ontworpen voor tabulaire gegevens en classificatie/regressieproblemen, en minder optimaal voor complexe tijdreeksvoorspellingen met veel afhankelijke reeksen, zoals DeepAR.