大手小売チェーンのデータサイエンティストが、全国500店舗・3,000 SKUの商品需要予測モデルをSageMakerで構築しています。時系列データには週次・月次の季節性があり、複数SKU間の相関パターンも期待されます。

Question

大手小売チェーンのデータサイエンティストが、全国500店舗・3,000 SKUの商品需要予測モデルをSageMakerで構築しています。時系列データには週次・月次の季節性があり、複数SKU間の相関パターンも期待されます。また新商品は過去データが数週間しかなく、単一系列のみでは安定したモデル訓練が困難な状況です。このユースケースに最も適したSageMaker組み込みアルゴリズムはどれですか。

Accepted Answer

正解: SageMaker DeepAR：複数の関連時系列を同時学習してRNNベースの確率的予測を行い季節性を自動モデル化する。SageMaker DeepARは、複数の時系列データを同時に学習するRNNベースの確率的予測アルゴリズムです。
・新商品のように過去データが少ない系列でも、類似商品の系列から共通パターンを転用するcold-start問題への対応が可能
・週次・月次の季節性・長期トレンドを自動でモデル化
・確率的予測により需要の不確実性（信頼区間）も出力可能
多数の関連時系列を扱う多品目需要予測に特に優れた性能を発揮します。

選択肢BのSageMaker XGBoostは複数時系列間の知識共有ができず手動の特徴量エンジニアリングが必要なため、新商品へのcold-start対応が難しい。
選択肢CのSageMaker Linear Learnerは線形モデルのため複雑な季節性パターンや系列間の相関を自動学習できず需要予測には不十分。
選択肢AのSageMaker Random Cut Forestは教師なし異常検知アルゴリズムであり将来の需要値を予測する回帰タスクには使用できない。

Answer

SageMaker Random Cut Forest：ラベルなしで時系列の異常パターンを教師なし検出しその結果を需要予測に転用する — SageMaker Random Cut Forestは教師なし学習による異常検知アルゴリズムであり、時系列の外れ値や異常パターンの検出に特化している。将来の需要値を予測する回帰タスク向けの設計ではなく、需要予測モデルとして使用することができない。

Answer

SageMaker XGBoost：ラグ特徴量や移動平均など手作業の特徴量エンジニアリングを行ったうえで勾配ブースティングで需要を予測する — SageMaker XGBoostは単一の特徴量ベクトルを入力とする勾配ブースティングアルゴリズムで、時系列予測にはラグ特徴量などを手動で作成する必要がある。複数SKU間の相関を自動学習する仕組みがなく、新商品のように過去データが少ない系列に他系列の知識を転用することもできないため本シナリオには不向き。

Answer

SageMaker Linear Learner：過去の需要データを線形モデルに適合させ正則化でスパース特徴量を扱い需要を推定する — SageMaker Linear Learnerは正則化付き線形モデルを高速に訓練できる汎用アルゴリズムだが、複数時系列間の相関や週次・月次などの複雑な季節性を自動でモデル化する機能がない。単純な線形トレンドしか捉えられないため多系列・多季節性の需要予測には精度が不足する。

解説

解説