Тест за прогнозиране на търсенето с изкуствен интелект

Отговорите и обясненията се появяват, докато отговаряте на теста.

1. Why can one global forecasting model help when an organization has many related series?
   • It can learn shared patterns across series while retaining series-specific inputs
   • It guarantees the same forecast error for every series
   • It replaces chronological validation with a random split
   • It means one model is trained separately for each series
2. Защо вероятностните (квантилни) прогнози са ценни за планиране на запасите?
   • Те дават един гарантиран номер
   • Те изразяват обхват и увереност, така че планиращите да могат да определят предпазния запас срещу риск
   • Те премахват необходимостта от всякакви исторически данни
   • Те правят прогнозите по-бързи
3. Кой е класически метод за статистическо прогнозиране, който предшества съвременните подходи за машинно обучение?
   • Темпорален термоядрен трансформатор
   • DeepAR
   • ARIMA
   • TimesFM
4. Коя е критичната клопка, която трябва да избягвате, когато обучавате прогнозиращ търсенето?
   • Използване на функциите на календара
   • Включително информация за промоцията
   • Създаване на доверителен интервал
   • Изтичане на бъдещи данни в обучението на минали прогнози
5. Кой външен сигнал най-правдоподобно би подобрил прогнозата за продажбите на сладолед?
   • Дневна температура и време
   • Регистри за работа на сървъра
   • Рожденият ден на изпълнителния директор
   • Избор на шрифтове на уебсайта
6. What did the cited decoder-only foundation-model paper report about its model’s zero-shot forecasts?
   • It guarantees better forecasts for every business series
   • On several public datasets, out-of-the-box accuracy came close to supervised models trained for each dataset
   • It eliminates the need for statistical baselines
   • It forecasts only with fine-tuning on each target series
7. What architecture does the DeepAR paper use to produce forecasts across related time series?
   • A single ARIMA model fitted separately to each series
   • A static lookup table of future values
   • An autoregressive recurrent network trained on many related series
   • A diffusion image model that reads plotted charts
8. Why evaluate a demand model against statistical baselines?
   • To ensure a neural model always wins
   • To make data leakage unavoidable
   • To remove uncertainty from demand
   • To test whether added model complexity improves the target forecast task