Producent posiada w jeziorze danych (data lake) dane telemetryczne z czujników oraz etykiety z ręcznych inspekcji obejmujące wiele miesięcy. Potrzebuje zautomatyzowanego modelu, który klasyfikuje każdy produkt jako dobrej jakości, jakości na rynek wtórny lub złom, bazując na etykietach inspekcji. Które podejście do modelowania najprawdopodobniej zapewni najdokładniejsze prognozy dla tego problemu klasyfikacji nadzorowanej wieloklasowej?

Algorytm Amazon SageMaker XGBoost jest najlepszym wyborem, ponieważ jest to algorytm uczenia nadzorowanego, który doskonale sprawdza się w problemach klasyfikacji wieloklasowej, szczególnie z danymi tabelarycznymi, takimi jak dane telemetryczne z czujników. Jest znany ze swojej wydajności i dokładności. DeepAR jest algorytmem do prognozowania szeregów czasowych, a nie klasyfikacji. LDA to algorytm do modelowania tematów w tekście, nieodpowiedni dla tego typu danych. CNN (takie jak ResNet) są używane głównie do przetwarzania obrazu lub innych danych o strukturze siatki, a nie dla danych telemetrycznych z czujników w formie tabelarycznej.