Question#59(MLS-C01)
ある製造企業は、100種類の鋼棒を生産しています。これらの鋼棒は、材質グレードや寸法が異なります。企業は過去50年間の鋼棒の販売データを保有しています。データサイエンティストは、鋼棒の将来の販売を予測する機械学習（ML）モデルを構築する必要があります。この要件を最も運用効率の高い方法で満たすソリューションはどれですか？
正解：A
Amazon SageMaker DeepARは、時系列予測に特化した深層学習アルゴリズムで、複数の関連する時系列データを同時にモデル化する能力を持っています。DeepARは、リカレントニューラルネットワーク（RNN）を活用して、複数の時系列（この場合は100種類の鋼棒の販売データ）間で共通のパターンや傾向を学習し、個々の時系列の特性も考慮に入れます。この問題では、100種類の鋼棒の販売データが提供されており、これらは材質や寸法が異なるものの、同じ製造企業が生産する製品として、市場動向や季節性などの共通の影響を受ける可能性があります。DeepARの強みは、単一のモデルで複数の時系列を効率的に処理できる点にあり、100種類すべての鋼棒の予測を1つのモデルで実行できます。これにより、モデルのトレーニング、デプロイ、モニタリング、更新が一度のプロセスで済み、運用効率が大幅に向上します。また、DeepARは大量の時系列データを扱う場合にスケーラブルであり、50年間のデータのような長期の時系列にも適しています。したがって、選択肢Aは、単一のモデルで全製品の予測を行い、運用負荷を最小限に抑えるため、最も運用効率の高いソリューションです。
コメント