Útmutatóhoz kapcsolódó kvíz · Közepes Szint

AI kereslet-előrejelzési kvíz

Review global forecasting, probabilistic inventory decisions, classical baselines, leakage, external signals, and foundation-model limits.

Kapcsolódó útmutató utakAI kereslet előrejelzése
kérdés 1 -ból 8

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

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  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. Miért értékesek a valószínűségi (kvantilis) előrejelzések a készlettervezésben?
    • Egyetlen garantált számot adnak
    • Széles választékot és magabiztosságot fejeznek ki, így a tervezők biztonságos készletet állíthatnak a kockázatok ellen
    • Kiküszöböli a történelmi adatok szükségességét
    • Gyorsabbá teszik az előrejelzéseket
  3. Melyik a klasszikus statisztikai előrejelzési módszer, amely megelőzi a modern ML-megközelítéseket?
    • Temporal Fusion Transformer
    • DeepAR
    • ARIMA
    • TimesFM
  4. Mi az a kritikus buktató, amelyet el kell kerülni a kereslet-előrejelző képzése során?
    • A naptár funkcióinak használata
    • Beleértve a promóciós információkat
    • Konfidenciaintervallum létrehozása
    • Jövőbeli adatok kiszivárogtatása a múltbeli előrejelzések képzésébe
  5. Melyik külső jel javítaná a legvalószínűbben a jégkrémeladások előrejelzését?
    • Napi hőmérséklet és időjárás
    • Szerver üzemidő naplók
    • A vezérigazgató születésnapja
    • Betűtípus választás a weboldalon
  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