Bir üretici, farklı kalitelerde ve boyutlarda 100 çeşit çelik çubuk satmakta ve 50 yıllık satış geçmişine sahiptir. Bir veri bilimcisi, çubuklar için gelecekteki talebi tahmin etmelidir. Hangi yaklaşım operasyonel olarak en verimlidir?

Doğru cevap, tüm ürünler için tek bir model eğitmek üzere Amazon SageMaker DeepAR tahmin algoritmasını kullanmaktır. DeepAR, yüzlerce veya binlerce ilgili zaman serisi için doğru tahminler üretebilen bir derin öğrenme algoritmasıdır. Bu senaryoda, 100 farklı çelik çubuk çeşidi ve 50 yıllık satış geçmişi, DeepAR'ın tüm ürünler arasındaki kalıpları öğrenerek daha güçlü bir model oluşturmasını sağlar. Bu yaklaşım, her ürün için ayrı modeller eğitmekten daha verimlidir çünkü veri seyrekliği sorununu azaltır ve modelin genelleme yeteneğini artırır. SageMaker Autopilot, otomatik makine öğrenimi (AutoML) için tasarlanmış olsa da, DeepAR gibi özel olarak zaman serisi tahminine odaklanan algoritmalar, bu tür karmaşık ve ilişkili veri setleri için genellikle daha iyi performans gösterir.