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.
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.
- 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
- 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
- Jaká je klasická metoda statistického předpovídání, která předchází moderním přístupům ML?
- Temporal Fusion Transformer
- DeepAR
- ARIMA
- TimesFM
- 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
- Který externí signál by nejpravděpodobněji zlepšil prognózu prodeje zmrzliny?
- Denní teplota a počasí
- Protokoly provozuschopnosti serveru
- Narozeniny generálního ředitele
- Výběr písma na webu
- 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
- 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
- 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