Firma odzieżowa przechowuje całą historię sprzedaży produktów w Amazon S3 i obecnie wykorzystuje niestandardowe modele wygładzania wykładniczego (ETS) do prognozowania popytu na istniejące produkty. Firma potrzebuje metody prognozowania popytu na nową wariację produktu, która nie była wcześniej sprzedawana. Które podejście najlepiej spełnia to wymaganie?

Model Amazon SageMaker DeepAR jest odpowiedni do prognozowania popytu na nowe produkty, ponieważ może uczyć się wzorców z wielu powiązanych szeregów czasowych. DeepAR wykorzystuje sieci neuronowe do znajdowania podobieństw między produktami, co pozwala mu generować prognozy dla produktów z ograniczoną lub zerową historią sprzedaży (tzw. problem zimnego startu). Wytrenowanie kolejnego niestandardowego modelu ETS nie sprawdzi się, ponieważ modele ETS wymagają historycznych danych szeregów czasowych dla konkretnego produktu, co jest niemożliwe w przypadku nowej wariacji. Model klastrowania Amazon SageMaker K-means służy do grupowania podobnych punktów danych, a nie do prognozowania szeregów czasowych. Niestandardowy model XGBoost jest modelem uczenia nadzorowanego, który również wymaga historycznych danych dla konkretnego produktu, aby mógł dokonać prognozy.