Kvíz spojený s průvodcem · Střední úroveň

Kvíz o předpovědi poptávky AI

Prohlédněte si globální prognózy, pravděpodobnostní rozhodnutí o zásobách, klasické základní linie, úniky, externí signály a limity základního modelu.

Související vodicí cestyPrognóza poptávky AI
Otázka 1 z 8

Why can one global forecasting model help when an organization has many related series?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  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. Proč jsou pravděpodobnostní (kvantilové) prognózy cenné pro plánování zásob?
    • Dávají jediné garantované číslo
    • Vyjadřují rozsah a důvěru, takže plánovači mohou nastavit bezpečnostní zásoby proti riziku
    • Eliminují potřebu jakýchkoli historických dat
    • Díky nim se prognózy spouští rychleji
  3. Jaká je klasická metoda statistického předpovídání, která předchází moderním přístupům ML?
    • Temporal Fusion Transformer
    • DeepAR
    • ARIMA
    • TimesFM
  4. Jaké je kritické úskalí, kterému je třeba se vyhnout při školení prognostika poptávky?
    • Používání funkcí kalendáře
    • Včetně informací o propagaci
    • Vytvoření intervalu spolehlivosti
    • Únik budoucích dat do tréninku minulých předpovědí
  5. Který externí signál by nejpravděpodobněji zlepšil prognózu prodeje zmrzliny?
    • Denní teplota a počasí
    • Protokoly provozuschopnosti serveru
    • Narozeniny generálního ředitele
    • Výběr písma na webu
  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