AI 수요예측 퀴즈

퀴즈를 풀면 정답과 설명이 나타납니다.

1. 조직에 여러 관련 시계열이 있을 때 전역 예측 모델이 어떻게 도움이 될 수 있나요
   • 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. 확률적(분위수) 예측이 재고 계획에 중요한 이유는 무엇입니까?
   • 단일 보장 번호를 제공합니다.
   • 기획자가 위험에 대비하여 안전 재고를 설정할 수 있도록 범위와 자신감을 표현합니다.
   • 과거 데이터가 필요하지 않습니다.
   • 예측이 더 빠르게 실행됩니다.
3. 최신 ML 접근 방식보다 앞서는 고전적인 통계 예측 방법은 무엇입니까?
   • 시간 융합 변압기
   • DeepAR
   • 아리마
   • 타임즈FM
4. 수요 예측자를 교육할 때 피해야 할 중요한 함정은 무엇입니까?
   • 캘린더 기능 사용
   • 프로모션 정보 포함
   • 신뢰 구간 생성
   • 과거 예측 훈련에 미래 데이터 유출
5. 아이스크림 판매 예측을 가장 그럴듯하게 개선할 수 있는 외부 신호는 무엇입니까?
   • 일일 기온과 날씨
   • 서버 가동 시간 로그
   • CEO의 생일
   • 웹사이트에서 글꼴 선택
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