Gids-gekoppelde quiz · Middelmatig Niveau

Quiz voor vraagvoorspelling van AI

Beoordeel mondiale prognoses, probabilistische inventarisbeslissingen, klassieke basislijnen, lekkage, externe signalen en limieten van funderingsmodellen.

Gerelateerde gidspadenVoorspelling van de AI-vraag
Vraag 1 van 8

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

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  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. Waarom zijn probabilistische (kwantiel) voorspellingen waardevol voor voorraadplanning?
    • Ze geven één gegarandeerd aantal
    • Ze drukken een bereik en vertrouwen uit, zodat planners een veiligheidsvoorraad tegen risico's kunnen instellen
    • Ze elimineren de noodzaak van historische gegevens
    • Ze zorgen ervoor dat voorspellingen sneller worden uitgevoerd
  3. Wat is een klassieke statistische voorspellingsmethode die dateert van vóór de moderne ML-benaderingen?
    • Tijdelijke fusietransformator
    • DiepAR
    • ARIMA
    • TijdenFM
  4. Wat is een cruciale valkuil die je moet vermijden bij het trainen van een vraagvoorspeller?
    • Agendafuncties gebruiken
    • Inclusief promotie-informatie
    • Het produceren van een betrouwbaarheidsinterval
    • Toekomstige gegevens lekken in de training van voorspellingen uit het verleden
  5. Welk extern signaal zou op plausibele wijze een voorspelling voor de ijsverkoop verbeteren?
    • Dagelijkse temperatuur en weer
    • Logboeken van server-uptime
    • De verjaardag van de CEO
    • Lettertypekeuzes op de website
  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