Quiz zur KI-Nachfrageprognose

Während Sie am Quiz teilnehmen, werden Antworten und Erklärungen angezeigt.

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. Warum sind probabilistische (Quantil-)Prognosen für die Bestandsplanung wertvoll?
   • Sie geben eine einzige garantierte Nummer an
   • Sie drücken einen Bereich und ein Vertrauen aus, sodass Planer den Sicherheitsbestand dem Risiko gegenüberstellen können
   • Sie machen jegliche historischen Daten überflüssig
   • Sie sorgen dafür, dass Prognosen schneller laufen
3. Welches ist eine klassische statistische Prognosemethode, die älter ist als moderne ML-Ansätze?
   • Zeitfusionstransformator
   • DeepAR
   • ARIMA
   • TimesFM
4. Welche kritische Gefahr gilt es bei der Ausbildung eines Nachfrageprognostikers zu vermeiden?
   • Verwenden von Kalenderfunktionen
   • Einschließlich Werbeinformationen
   • Erstellen eines Konfidenzintervalls
   • Zukünftige Daten in das Training früherer Vorhersagen einfließen lassen
5. Welches externe Signal würde eine Prognose für den Eisverkauf am plausibelsten verbessern?
   • Tägliche Temperatur und Wetter
   • Protokolle zur Serververfügbarkeit
   • Der Geburtstag des CEO
   • Schriftartenauswahl auf der Website
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