Klassinen koneoppiminen ennustaa kysyntää yhä paremmin kuin LLM

Ostaja liittää chat-avustajaan yhden tuotteen vuoden kuukausimyynnit ja kysyy, montako kappaletta seuraavalle neljännekselle pitäisi tilata. Vastaus on yksi itsevarma luku järkevän kuuloisine perusteluineen: on hieman kausivaihtelua, lievä nouseva trendi, ja varmuusmarginaali on lisätty. Ostaja tekee tilauksen.

Luku voi jopa osua lähelle. Se ei ole ongelma. Ongelma on, ettei kukaan tiedä, kuinka lähelle se todennäköisesti osuu, koska siitä ei voi mitata mitään. Ei ole tietoa siitä, miten menetelmä olisi toiminut viime vuonna, ei virhehaarukkaa, eikä tietoa ensi kuulle suunnitellusta kampanjasta, niistä kolmesta viikosta, jolloin tuote oli loppu, tai toimittajan uudesta toimitusajasta.

Kysynnän ennustaminen on tilastollinen ongelma ajan mittaan kehittyvistä luvuista, ja sillä on tunnettu rakenne: trendi, kausivaihtelu, kampanjat, hinnanmuutokset ja varastopuutteet, jotka kätkevät todellisen kysynnän. Klassiset menetelmät rakennettiin tätä rakennetta varten. Eksponentiaalinen tasoitus, ARIMA-tyyppiset mallit ja hyvin valituilla piirteillä opetetut gradienttitehostetut päätöspuut ovat edullisia ajaa, ja ennen kaikkea niiden virhe voidaan mitata historiasta ennen kuin kukaan luottaa niihin. Yleiskäyttöinen kielimalli tuottaa todennäköistä tekstiä. Tekstin sisällä olevalla luvulla ei ole virhehaarukkaa eikä takautuvaa testiä.

Missä chat-mallilta kysyminen menee pieleen

Ei takautuvaa testiä. Ei tiedetä, kuinka paljon menetelmä olisi erehtynyt viime vuoden tiedoilla, joten sitä ei voi verrata mihinkään – ei edes siihen, että ei tehtäisi mitään erityisen nokkelaa.

Myynti ei ole kysyntää. Kun hylly oli tyhjä, myynti oli nolla, mutta kysyntä ei ollut. Raakaa myyntihistoriaa lukeva malli oppii menetetyn kysynnän matalaksi kysynnäksi. Ennustusputket käsittelevät varastopuutteet eksplisiittisesti; liitetty taulukko ei.

Kehotteeseen mahtuva ei ole historia. Todellinen valikoima on monta nimikettä monessa toimipaikassa ja tuoteryhmien hierarkia, jonka ryhmillä on yhteisiä kuvioita. Se ei mahdu keskusteluun, joten malli ennustaa jokaisen nimikkeen erikseen siitä vähästä, mitä sille näytettiin.

Eri vastaus joka kerta. Kielimallit tuottavat vastauksensa otantana. Kysy kahdesti, niin voit saada kaksi lukua, eikä niiden välillä ole periaatteellista tapaa valita.

Oikealta kuulostavat selitykset. Malli mainitsee kausivaihtelun, oli datassa sitä tai ei, koska ennusteissa yleensä mainitaan kausivaihtelu. Selitys on tyyli, ei analyysi.

Kustannus ja nopeus mittakaavassa. Jokaisen nimikkeen ajaminen joka viikko suuren mallin läpi maksaa paljon enemmän kuin klassinen malli, joka toimii vaivatta tavallisella laitteistolla.

Mihin kukin mallityyppi kuuluu

Klassiset mallit tuottavat luvut. Aloita naiiveista vertailutasoista: viime vuoden sama jakso ja viimeaikaisten jaksojen keskiarvo. Kokeile sitten eksponentiaalista tasoitusta ja gradienttitehostettua mallia, jossa on piirteet hinnalle, kampanjoille, kalenterille ja varastopuutteille. Pidä se, joka voittaa vertailutasot takautuvassa testissä, ja jatka sen mittaamista.

Kielimalli kokoaa ja selittää. Se lukee toimittajan sähköpostin pidentyneestä toimitusajasta ja muuttaa sen parametriksi. Se muuttaa myynnin kirjoittaman kampanjasuunnitelman piirteiksi, joita ennuste voi käyttää. Se selittää ennusteen ostajalle selkokielellä ja luonnostelee ostotilauksen hyväksyttäväksi. Niissä kielimallit ovat vahvoja, kuten kirjoituksessa missä kielimallit ansaitsevat paikkansa todetaan.

Aikasarjojen perustamallit ovat oma luokkansa. Nimenomaan aikasarjoilla esikoulutetut mallit eivät ole chat-avustajia, ja osaa niistä kannattaa testata. Kohtele niitä kuten mitä tahansa muuta ehdokasta: sama vertailutaso, sama takautuva testi, ja ne pidetään vain, jos ne voittavat omalla datalla.

Ihminen päättää tilauksesta. Ennusteesta, sen epävarmuudesta ja rajoitteista (minimitilausmäärä, säilyvyys, budjetti) tulee ostotilausehdotus. Vastuullinen henkilö hyväksyy sen.

Tämän ketjun ympärille Hurukanin moduulit on suunniteltu. Varasto ja logistiikka -moduulin saldot, varaukset ja inventoinnit tuovat historian ja varastopuutteet; Hankinnat muuttaa ennusteen ostotilausehdotukseksi, joka odottaa hyväksyntää. Superäly-kerros reitittää jokaisen tehtävän oikeanlaiselle mallille: kielimallille lukeminen ja luonnostelu, ennustemallille luvut. Se on rakenteilla. Tällainen ennustemalli on myös hyvä esimerkki mallista, joka voi toimia omalla laitteistolla, kuten kirjoituksessa pienet mallit omalla laitteistolla käsitellään.

Testi, jonka voi tehdä jo tänään

Ota yksi tuote, jolla on vähintään kahden vuoden historia. Jätä viimeisimmät kolme kuukautta sivuun ja oleta, ettet tiedä niitä.

Ennusta nuo kolme kuukautta kolmella tavalla käyttäen vain sivuun jätettyä jaksoa edeltäviä tietoja:

1. Edellisen vuoden samat kolme kuukautta.
2. Sivuun jätettyä jaksoa välittömästi edeltäneiden kolmen kuukauden keskiarvo.
3. Nykyinen menetelmä, oli se suunnittelutyökalu, taulukko tai chat-avustaja.

Vertaa kutakin ennustetta toteutuneeseen käyttäen kuukausittaista keskimääräistä absoluuttista virhettä.

Jos nykyinen menetelmä ei voita molempia naiiveja vertailutasoja, mikään mallipäivitys ei auta ennen kuin syy on ymmärretty. Voitti mikä tahansa, nyt on olemassa luku sille, kuinka paljon menetelmä yleensä erehtyy – ja juuri se luku tekee ennusteesta käyttökelpoisen: se kertoo, kuinka suuri varmuusvarasto pitää pitää ja kuinka paljon seuraavaan lukuun voi luottaa.