Cuestionario vinculado a una guía · Medio Nivel
Prueba de previsión de la demanda de IA
Revise los pronósticos globales, las decisiones probabilísticas de inventario, las líneas de base clásicas, las fugas, las señales externas y los límites del modelo básico.
Pregunta 1 de 8
Why can one global forecasting model help when an organization has many related series?
Vista previa de cada pregunta8 preguntas
Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.
- 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
- ¿Por qué son valiosos los pronósticos probabilísticos (cuantiles) para la planificación de inventarios?
- Dan un único número garantizado
- Expresan variedad y confianza para que los planificadores puedan establecer un stock de seguridad frente al riesgo.
- Eliminan la necesidad de datos históricos.
- Hacen que los pronósticos se ejecuten más rápido
- ¿Cuál es un método de pronóstico estadístico clásico anterior a los enfoques modernos de ML?
- Transformador de fusión temporal
- AR profundo
- ARIMA
- HorariosFM
- ¿Cuál es un error crítico que se debe evitar al capacitar a un pronosticador de la demanda?
- Usar funciones de calendario
- Incluyendo información de promoción.
- Producir un intervalo de confianza
- Filtrar datos futuros en el entrenamiento de predicciones pasadas
- ¿Qué señal externa mejoraría de manera más plausible un pronóstico de ventas de helados?
- Temperatura y clima diarios.
- Registros de tiempo de actividad del servidor
- El cumpleaños del CEO
- Opciones de fuentes en el sitio web
- 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