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.
- 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
- 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
- Qual è un classico metodo di previsione statistica che precede i moderni approcci ML?
- Trasformatore di fusione temporale
- DeepAR
- ARIMA
- TimesFM
- 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
- 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
- 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