Викторина, связанная с руководством · Средний Уровень
Викторина по прогнозированию спроса на ИИ
Просмотрите глобальное прогнозирование, вероятностные решения по запасам, классические базовые показатели, утечки, внешние сигналы и пределы базовой модели.
Вопрос 1 из 8
Why can one global forecasting model help when an organization has many related series?
Предварительный просмотр каждого вопроса8 вопросы
Ответы и пояснения появляются по мере прохождения теста.
- 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
- Почему вероятностные (квантильные) прогнозы важны для планирования запасов?
- Они дают единый гарантированный номер
- Они выражают диапазон и уверенность, поэтому планировщики могут установить страховой запас на случай риска.
- Они устраняют необходимость в каких-либо исторических данных.
- Они ускоряют прогнозирование
- Какой классический метод статистического прогнозирования предшествует современным подходам машинного обучения?
- Трансформатор временного синтеза
- ДипАР
- АРИМА
- ТаймсФМ
- Какую критическую ошибку следует избегать при обучении прогнозиста спроса?
- Использование функций календаря
- Включая рекламную информацию
- Создание доверительного интервала
- Утечка будущих данных в обучение прошлых прогнозов
- Какой внешний сигнал наиболее вероятно улучшит прогноз продаж мороженого?
- Ежедневная температура и погода
- Журналы работоспособности сервера
- День рождения генерального директора
- Выбор шрифта на сайте
- 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