Producent sprzedaje 100 odmian prętów stalowych o różnych gatunkach i wymiarach i posiada 50-letnią historię sprzedaży. Analityk danych musi prognozować przyszłe zapotrzebowanie na pręty. Które podejście jest najbardziej efektywne operacyjnie?

Najbardziej efektywne operacyjnie jest użycie algorytmu Amazon SageMaker DeepAR do trenowania jednego modelu dla wszystkich produktów. DeepAR jest zoptymalizowany do prognozowania wielu powiązanych ze sobą szeregów czasowych, co jest idealne dla 100 odmian prętów stalowych. Trenowanie jednego modelu pozwala mu uczyć się wzorców z całej historii sprzedaży, co jest szczególnie korzystne przy 50-letniej historii danych. Trenowanie oddzielnych modeli dla każdego produktu byłoby mniej efektywne operacyjnie ze względu na większe wymagania obliczeniowe i zarządzanie wieloma modelami. Użycie SageMaker Autopilot jest mniej odpowiednie, ponieważ jest to narzędzie do automatycznego uczenia maszynowego ogólnego przeznaczenia, a DeepAR jest specjalistycznym algorytmem do prognozowania szeregów czasowych, oferującym lepszą wydajność i efektywność dla tego typu problemu.