Een data scientist moet de productverkoop voor de komende drie maanden voorspellen. Analyse toont aan dat de verkoop seizoensgebonden is, beïnvloed wordt door feestdagen en gecorreleerd is met de verkoop van andere producten in dezelfde categorie. Welke benadering vereist de minste ontwikkelingsinspanning om seizoensinvloeden, feestdagen en correlaties met gerelateerde items in de voorspelling op te nemen?

De juiste optie is het gebruik van Amazon Forecast met Holidays featurization en training met het ingebouwde DeepAR+-algoritme. Amazon Forecast is een volledig beheerde service die speciaal is ontworpen voor tijdreeksvoorspellingen en automatisch rekening houdt met seizoensinvloeden en feestdagen via de Holidays featurization. DeepAR+ is een neuraal netwerkalgoritme dat effectief is in het leren van complexe patronen, inclusief correlaties tussen gerelateerde items, en presteert vaak beter dan traditionele methoden zoals ARIMA bij het omgaan met meerdere gerelateerde tijdreeksen. Het gebruik van Amazon Forecast minimaliseert de ontwikkelingsinspanning omdat het de infrastructuur en algoritme-implementatie beheert. De optie met ARIMA is minder geschikt omdat ARIMA moeite heeft met het modelleren van complexe seizoensinvloeden en meerdere gerelateerde tijdreeksen, wat DeepAR+ wel kan. De opties met SageMaker Processing vereisen meer handmatige ontwikkelingsinspanning voor het voorbewerken van gegevens en het beheren van de trainingsomgeving, wat in strijd is met de eis van minimale ontwikkelingsinspanning.