Quiz collegato alla guida · Medio Livello

Quiz sulla previsione della domanda di intelligenza artificiale

Esamina le previsioni globali, le decisioni probabilistiche sulle scorte, le baseline classiche, il data leakage, i segnali esterni e i limiti dei modelli di fondazione.

Domanda 1 di 8

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

Anteprima di ogni domanda8 domande

Le risposte e le spiegazioni vengono visualizzate mentre rispondi al 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. Perché le previsioni probabilistiche (quantili) sono utili per la pianificazione delle scorte?
    • Danno un unico numero garantito
    • Esprimono una gamma e una sicurezza in modo che i pianificatori possano impostare scorte di sicurezza contro il rischio
    • Eliminano la necessità di dati storici
    • Fanno sì che le previsioni siano più veloci
  3. Qual è un classico metodo di previsione statistica che precede i moderni approcci ML?
    • Trasformatore di fusione temporale
    • DeepAR
    • ARIMA
    • TimesFM
  4. Qual è la trappola critica da evitare durante la formazione di un previsore della domanda?
    • Utilizzo delle funzionalità del calendario
    • Incluse informazioni sulla promozione
    • Produzione di un intervallo di confidenza
    • Perdita di dati futuri nell'addestramento delle previsioni passate
  5. Quale segnale esterno migliorerebbe più plausibilmente una previsione sulle vendite di gelato?
    • Temperatura e meteo giornalieri
    • Registri dei tempi di attività del server
    • Il compleanno dell'amministratore delegato
    • Scelte dei caratteri sul sito 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