Quiz dotyczący prognozowania popytu AI

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

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. Dlaczego prognozy probabilistyczne (kwantylowe) są cenne w planowaniu zapasów?
   • Podają jeden gwarantowany numer
   • Wyrażają zakres i pewność, dzięki czemu planiści mogą porównać zapasy bezpieczeństwa z ryzykiem
   • Eliminują potrzebę stosowania jakichkolwiek danych historycznych
   • Dzięki nim prognozy działają szybciej
3. Która z klasycznych metod prognozowania statystycznego jest starsza niż współczesne podejścia do uczenia maszynowego?
   • Transformator fuzyjny czasowy
   • Głęboki AR
   • ARIMA
   • TimesFM
4. Jakiej kluczowej pułapki należy unikać podczas szkolenia prognostyka popytu?
   • Korzystanie z funkcji kalendarza
   • Zawiera informacje o promocjach
   • Tworzenie przedziału ufności
   • Wyciek przyszłych danych do uczenia się przeszłych przewidywań
5. Który sygnał zewnętrzny najprawdopodobniej poprawi prognozę sprzedaży lodów?
   • Dzienna temperatura i pogoda
   • Dzienniki czasu pracy serwera
   • Urodziny dyrektora generalnego
   • Wybór czcionek na stronie internetowej
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