Quiz sur la prévision de la demande en IA

Les réponses et les explications apparaissent au fur et à mesure que vous répondez au quiz.

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. Pourquoi les prévisions probabilistes (quantiles) sont-elles utiles pour la planification des stocks ?
   • Ils donnent un seul numéro garanti
   • Ils expriment une gamme et une confiance permettant aux planificateurs de comparer les stocks de sécurité aux risques.
   • Ils éliminent le besoin de données historiques
   • Ils accélèrent les prévisions
3. Quelle est une méthode de prévision statistique classique antérieure aux approches modernes de ML ?
   • Transformateur de fusion temporelle
   • AR profond
   • ARIMA
   • TimesFM
4. Quel est l’écueil critique à éviter lors de la formation d’un prévisionniste de la demande ?
   • Utiliser les fonctionnalités du calendrier
   • Y compris les informations sur la promotion
   • Produire un intervalle de confiance
   • Fuite de données futures dans la formation des prédictions passées
5. Quel signal externe améliorerait le plus vraisemblablement une prévision des ventes de glaces ?
   • Température et météo quotidiennes
   • Journaux de disponibilité du serveur
   • L'anniversaire du PDG
   • Choix de polices sur le site Web
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