00:00:43 Einführung von Pierre Pinson
00:01:25 Pierre Pinsons Hintergrund und seine Arbeit im Bereich datenzentriertes Design Engineering und Prognosen.
00:02:20 Wie Pierre in die probabilistische Prognose und deren Anwendungen in Energie, Logistik und Business Analytics eingestiegen ist.
00:04:17 Bewertung der Prognosequalität, ihre Bedeutung für Entscheidungsfindung und ihre Verbindung zum Prognosewert.
00:07:41 Erste Reaktionen auf probabilistische Prognosen.
00:08:27 Das Problem der Überzeugung.
00:10:00 Claude Bernards Kritik an Statistik und Wahrscheinlichkeiten.
00:13:00 Determinismus vs. stochastisches Verhalten in der Welt.
00:14:37 Verbindung von Meteorologie und Wirtschaft mit probabilistischer Prognose.
00:15:11 Die Bedeutung der Wettervorhersage und ihre kulturellen Auswirkungen.
00:16:46 Wahrscheinlichkeiten erklären und Prognosen verstehen.
00:18:58 Herausforderungen der Informationsüberlastung und Entscheidungsfindung.
00:20:31 Umwandlung von Wahrscheinlichkeiten in Risikobewertungen.
00:22:14 Ausbalancierung von automatisierter Entscheidungsfindung und Benutzervertrauen.
00:23:36 Bedeutung meteorologischer Vorhersagen in Wirtschaft und Logistik.
00:25:01 Windvorhersagen und ihre Bedeutung im Energiesektor.
00:26:00 Verwendung von Wetterdaten bei der Prognose von Strombedarf und in Supply-Chain-Situationen.
00:30:25 Unterschiede bei der Anwendung probabilistischer Prognosen in meteorologischen und logistischen Kontexten.
00:32:46 Diskussion der Herausforderungen bei der Übersetzung komplexer probabilistischer Prognosen für Kunden.
00:33:32 Kostenbedenken bei Cloud Computing und der Speicherung großer Datenmengen.
00:35:02 Verwendung von zweidimensionalen Histogrammen und deren Auswirkungen auf Speicher und Kosten.
00:37:19 Lehre der probabilistischen Prognose und die Herausforderungen, denen Studenten gegenüberstehen.
00:40:00 Vereinfachung der probabilistischen Prognose und Verständnis der Modellverifizierung.
00:42:40 Ineffizienz bei Prozessen und Transportmethoden.
00:43:57 Die Herausforderung, Unsicherheiten aus der Supply Chain zu entfernen.
00:45:20 Die Kosten der Beseitigung von Unsicherheiten und ihre Auswirkungen auf verschiedene Branchen.
00:47:00 Die Entwicklung der Prognose und ihr Wechsel von angewandter Mathematik zur Wirtschaft.
00:50:53 Konvergenz verschiedener Bereiche bei Prognosen und Entscheidungsfindung unter Unsicherheit.
00:52:30 Anpassung der Erklärung probabilistischer Prognosen an unterschiedliche Hintergründe.
00:53:21 Anwendung probabilistischer Prognosen auf verschiedene Unternehmen und ihre Vorteile.
00:55:53 Die Attraktivität visuell interessanter probabilistischer Prognosen und Geschichten über Urheberrechtsverletzungen.
00:58:03 Die Grenzen von Tortendiagrammen bei der Vermittlung von Informationen und ihre Verwendung in der Vorverkaufsphase.
01:00:01 Das Akzeptieren von Unsicherheit in beruflichen Karrieren und das Verständnis der probabilistischen Perspektive.
01:02:23 Interdisziplinärer Ansatz und Unsicherheit in verschiedenen Branchen.
01:04:27 Bedeutung von Bildung und wie neue Generationen die Branche beeinflussen.
01:07:00 Annahmekurve für probabilistische Prognosen in verschiedenen Bereichen.
01:08:33 Joannes’ Ansicht über einen hundertjährigen Zeithorizont für die Akzeptanz von Unsicherheit.
01:10:37 Herausforderungen bei der Übernahme neuer Ideen und das langsame Tempo des Wandels in einigen Bereichen.
01:12:14 Bedeutung der Mathematik in der Prognosetechnologie.
01:13:26 Zukünftige Fortschritte in der Prognosewissenschaft und -technologie.
Zusammenfassung
In einem Interview mit Conor Doherty diskutieren Joannes Vermorel, Gründer von Lokad, und Pierre Pinson, Vorsitzender für datenzentrierte Design Engineering am Imperial College London, probabilistische Prognosen und deren Anwendungen in verschiedenen Bereichen. Sie betonen die Bedeutung des Verständnisses von Unsicherheit bei Prognosen und die Notwendigkeit einer fortlaufenden Bildung in diesem Bereich. Alle drei sind sich einig, dass Innovation schneller voranschreitet, als die Menschen sie annehmen können, und sie ermutigen dazu, über neue Entwicklungen auf dem Laufenden zu bleiben und auf die bevorstehenden Fortschritte vorbereitet zu sein.
Erweiterte Zusammenfassung
In diesem Interview diskutiert Gastgeber Conor Doherty probabilistische Prognosen mit Joannes Vermorel, dem Gründer von Lokad, und Pierre Pinson, dem Vorsitzenden für datenzentrierte Design Engineering am Imperial College London. Pinson hat einen umfangreichen Hintergrund in datenzentriertem Design Engineering und hat sich auf verschiedene Anwendungsbereiche wie Energie und Logistik konzentriert. Vermorel hingegen betrachtete probabilistische Prognosen aus einer Supply-Chain-Perspektive.
Pinson interessierte sich zunächst für Wetter und erneuerbare Energien und erhielt ein Promotionsangebot zur Prognose für Windparks. Er betont die Bedeutung des Verständnisses der Unsicherheit einer Prognose und des potenziellen Bereichs der Ergebnisse. Vermorels Reise zu probabilistischen Prognosen begann hingegen mit der Erkenntnis, dass viele Supply-Chain-Prognosen größtenteils Null waren. Er stellte fest, dass zwar alles möglich ist, aber nicht alles gleich wahrscheinlich ist, und dass das Verständnis der Struktur von Prognoseungenauigkeiten wertvoll sein kann.
Die Meteorologie verwendet verschiedene Metriken, um die Qualität von Prognosen zu bewerten, wie z.B. den Abstand zwischen Vorhersagen und tatsächlichen Ergebnissen und den Durchschnitt der absoluten Unterschiede zwischen beiden. Diese Metriken geben jedoch möglicherweise nicht immer an, ob eine Prognose für eine bestimmte Anwendung gut oder schlecht ist. Vermorel fügt hinzu, dass probabilistische Prognosen helfen können, eine fundierte Meinung über den Bereich der Möglichkeiten zu geben.
Eine Herausforderung für diejenigen, die mit probabilistischen Prognosen arbeiten, besteht darin, andere davon zu überzeugen, Unsicherheit zu akzeptieren und die Idee der Quantifizierung von Unsicherheit anzunehmen. Menschen bevorzugen im Allgemeinen deterministische Prognosen aufgrund kognitiver Verzerrungen, die Überzuversicht begünstigen. Probabilistische Prognosen hingegen bieten eine transparentere und fairere Darstellung möglicher Ergebnisse. Die Verwendung von probabilistischen Prognosen bei Entscheidungsfindungen kann zu besseren Ergebnissen führen, aber die Menschen müssen offen für die Idee der Unsicherheit sein.
Claude Bernard, ein französischer Physiologe des 19. Jahrhunderts, sprach sich gegen die Verwendung von Statistik und Wahrscheinlichkeiten in wissenschaftlichen Experimenten aus und deutete darauf hin, dass Variabilität das Ergebnis unvollständigen Verständnisses oder fauler Wissenschaft sei. Pinson ist jedoch der Meinung, dass deterministische Ansätze zwar für bestimmte Probleme gut funktionieren können, die Welt jedoch nicht grundsätzlich deterministisch ist. Probabilistische Prognosen sind wertvoll für Situationen mit inhärentem stochastischem Verhalten und Unsicherheit.
Eine der Hauptherausforderungen bei probabilistischen Prognosen ist die Informationsüberlastung. Die Menschen haben bereits viele Informationen zu verarbeiten, und die Hinzufügung probabilistischer Daten kann es noch schwieriger machen, alles zu verstehen. Dies kann insbesondere bei der Arbeit mit großen Datensätzen der Fall sein, z.B. bei der Prognose für Millionen von Produkten in einer Supply Chain.
Um dieses Problem zu lösen, haben einige Unternehmen auf automatisierte Entscheidungsfindung oder Risikobewertungen zurückgegriffen, um Benutzern dabei zu helfen, probabilistische Prognosen zu verstehen. Indem probabilistische Daten in quantifizierte Risiken umgewandelt werden, können Benutzer die potenziellen Konsequenzen ihrer Entscheidungen besser verstehen, ohne von der Komplexität der Daten überwältigt zu werden.
Im Bereich der Meteorologie hat sich die probabilistische Prognose als nützlich erwiesen, um Variablen wie Temperatur, Niederschlag, Windgeschwindigkeit und Sonneneinstrahlung vorherzusagen. Diese Variablen können einen erheblichen Einfluss auf verschiedene Aspekte des täglichen Lebens und des Geschäfts haben, wie z.B. Energieerzeugung und -verbrauch. In einigen Fällen kann die Verwendung von Wetterdaten bei der Prognose von Supply Chains zu genaueren Vorhersagen führen, insbesondere wenn es um plötzliche Veränderungen in den Wettermustern geht.
Die Interviewpartner geben jedoch auch zu, dass die Integration von Wetterdaten in die Prognose von Supply Chains herausfordernd war und nur wenige erfolgreiche Beispiele existieren. Ein Beispiel war die Verwendung von Wetterdaten zur Verbesserung der Stromnachfrageprognosen für einen Stromversorger in Europa. Durch die Integration von Wetterdaten in ihre Prognosen konnte das Unternehmen Ungenauigkeiten aufgrund schneller Wetteränderungen reduzieren.
Vermorel teilt seine Erfahrungen mit Lokad, das trotz ihrer Einfachheit beeindruckende Genauigkeit in seinen Prognosemodellen erreicht hat. Ein Beispiel, das er nennt, ist ein Projekt mit einem Eisverkäufer, der Nachfragesteigerungen basierend auf Wetterbedingungen vorhersagen wollte. Obwohl die Nachanalyse erfolgreich war, um die Gründe für gestiegene Verkäufe festzustellen, erwies sich die Vorhersage der Nachfrage aufgrund der langen Vorlaufzeiten in der Supply Chain als schwieriger. Vermorel betont, dass trotz der Herausforderungen, mit denen sie konfrontiert waren, das Potenzial für probabilistische Prognosen in verschiedenen Branchen nach wie vor besteht.
Pinson erläutert die Unterschiede zwischen der Anwendung probabilistischer Prognosen in meteorologischen Kontexten im Vergleich zu Logistik- und Geschäftskontexten. Er erklärt, dass die Hauptherausforderung darin besteht, das richtige Prognoseprodukt zur Verwendung als Eingabe für Entscheidungsprozesse zu bestimmen. Er erwähnt, dass Szenarien, Intervalle und Quantile einige der Optionen sind, die in Betracht gezogen werden können, aber es letztendlich von den spezifischen Bedürfnissen des Kunden abhängt.
Vermorel betont auch die Bedeutung der Berücksichtigung von Rechenkosten bei der Implementierung probabilistischer Prognosetechniken. In seiner Erfahrung liefern Histogramme und Wahrscheinlichkeitsdichten die detailliertesten Informationen, können jedoch rechenintensiv sein, insbesondere bei der Arbeit mit hochdimensionalen Daten. Daher setzt Lokad häufig eine Mischung aus Techniken ein, um die Kosten beherrschbar und die Berechnungen effizient zu halten.
Bei der Schulung von Studenten in probabilistischer Prognose stellt Pinson fest, dass die größte Herausforderung nicht darin besteht, sie von den Vorzügen des Konzepts zu überzeugen, sondern ihnen zu helfen, die praktischen Aspekte der Anwendung dieser Techniken in realen Situationen zu verstehen. Vermorel fügt hinzu, dass es für Praktiker entscheidend ist, die theoretischen Aspekte der probabilistischen Prognose mit den praktischen Überlegungen zu Kosten und Rechenleistung in Einklang zu bringen.
Vermorel teilt seine Schwierigkeiten beim Unterrichten von Menschen mit, die bereits eine Ausbildung von Beratern erhalten haben, die für schlanke Bewegungen und die Beseitigung von Unsicherheit in Supply Chains plädieren. Er glaubt, dass einige Unsicherheiten beseitigt werden können, andere jedoch akzeptabel sind und mit geeigneten Werkzeugen verwaltet werden sollten.
Pinson betont, dass die Beseitigung von Unsicherheit kostspielig sein kann und es besser ist, sie zu akzeptieren und weise zu verwalten. Er gibt das Beispiel erneuerbarer Energien, bei dem die Entwicklung von Speichersystemen zur Bewältigung einer unendlichen Menge an Energie äußerst teuer und nicht machbar wäre. Stattdessen kann die Akzeptanz von Unsicherheit und Prognosen kostengünstiger und praktischer sein.
Die Diskussion geht auf die historischen und kulturellen Aspekte der Prognose ein, in denen Menschen immer versucht haben, in einer deterministischen Welt zu leben und Unsicherheit zu beseitigen. Sie diskutieren auch die Konvergenz verschiedener Bereiche wie Naturwissenschaften, Sozialwissenschaften und Wirtschaftswissenschaften bei der Prognose und Entscheidungsfindung unter Unsicherheit.
Pinson spricht über die Herausforderungen, probabilistische Prognosen für Menschen mit unterschiedlichem Hintergrund zu unterrichten, und die Notwendigkeit einer gekürzten Version für diejenigen, die keine starke mathematische Grundlage haben. Er schlägt vor, mit einfachen Beispielen zu beginnen und allmählich Komplexität aufzubauen, wobei er die Bedeutung des Verständnisses der zugrunde liegenden Prinzipien und Konzepte betont.
Vermorel teilt seine Erfahrungen mit Urheberrechtsverletzungen mit, da einige Diagramme seines Unternehmens ohne Genehmigung auf LinkedIn wiederverwendet wurden. Diese attraktiven Diagramme können jedoch die Aufmerksamkeit potenzieller Kunden auf sich ziehen und das Unternehmen technologisch fortschrittlicher erscheinen lassen.
Pinson spricht darüber, wie Unsicherheit in allen Bereichen unseres Lebens vorhanden ist und wie wichtig es ist, sie für Fachleute in verschiedenen Bereichen zu verstehen und zu verwalten. Die Bildung spielt eine Schlüsselrolle bei der Förderung dieses Verständnisses, da Studenten, die sich mit probabilistischer Prognose beschäftigen, diese Fähigkeiten in die Arbeitswelt bringen und einen Unterschied in ihren Unternehmen machen können.
Pinson glaubt, dass die Verbreitung der probabilistischen Prognose in verschiedenen Branchen weiter zunehmen wird, da immer mehr Menschen darüber informiert werden und Unternehmen sich gegenseitig für Inspiration und Ideen suchen. Er nennt die Schifffahrtsindustrie als Beispiel für ein Feld, das sich langsam der probabilistischen Prognose angenähert hat, aber nun andere Bereiche um Rat bei der Integration in ihre Betriebsabläufe bittet.
Vermorel betont die Bedeutung des Verständnisses von Unsicherheit bei der Prognose und nennt das Beispiel der Schlacht des 19. Jahrhunderts, bei der es fast ein ganzes Jahrhundert dauerte, bis die Menschen zugeben konnten, dass Chemie für die Medizin relevant war. Er schlägt vor, dass Innovation schneller geschieht, als die Menschen sie umarmen können, und die Bildung spielt dabei eine entscheidende Rolle. Vermorel erwähnt auch das Zitat von Niels Bohr: “Die Wissenschaft schreitet eine Beerdigung nach der anderen voran”, und betont die Vorstellung, dass bedeutender Fortschritt schnell geschehen kann, aber das Verständnis seiner Auswirkungen scheinbar ewig dauert.
Pinson diskutiert die Anwendungen der probabilistischen Prognose in der Meteorologie und erwähnt, dass die Mathematik hinter der Prognosetechnologie möglicherweise nicht der relevanteste Teil der Diskussion ist, es jedoch wichtig ist, die laufenden Entwicklungen in der angewandten Mathematik anzuerkennen. Er erklärt, dass die Konstruktion von Maschinen zur Prognose von Millionen von Zeitreihen parallel Herausforderungen mit sich bringt, aber Forscher entwickeln kontinuierlich neue Modelle und Technologien für die Zukunft.
Sowohl Vermorel als auch Pinson sind sich einig, dass in der Prognose und probabilistischen Prognose noch viel Fortschritt zu erzielen ist und dass eine fortlaufende Bildung und das Verständnis von Unsicherheit erforderlich sind. Sie ermutigen dazu, über neue Entwicklungen in der Branche auf dem Laufenden zu bleiben und auf die noch kommenden Fortschritte vorbereitet zu sein.
Vollständiges Transkript
Conor Doherty: Willkommen zurück bei LokadTV! Ich bin Ihr Gastgeber Conor und wie immer bin ich mit Lokad-Gründer Joannes Vermorel verbunden. Heute haben wir Pierre Pinson bei uns, er ist Chefredakteur des International Journal of Forecasting und Chief Scientist bei Half Space. Heute wird er mit uns über mehrere interessante Anwendungen der probabilistischen Prognose sprechen. Willkommen bei Lokad, schön, Sie kennenzulernen.
Pierre Pinson: Vielen Dank, dass Sie mich heute eingeladen haben.
Conor Doherty: Und vielen Dank, dass Sie uns beigetreten sind. Wir freuen uns sehr, Sie hier zu haben. Nun, Pierre, ich habe dort eine sehr kurze Einführung gegeben; Sie haben tatsächlich einen ziemlich umfangreichen Lebenslauf. Könnten Sie zunächst allen einen Einblick in Ihren Hintergrund und Ihre Tätigkeit geben, da Sie an mehreren Projekten in verschiedenen Bereichen beteiligt sind?
Pierre Pinson: Ja, vielen Dank. Zunächst einmal bin ich derzeit Professor am Imperial College in London. Ich leite einen Lehrstuhl, der sich auf datenzentriertes Design Engineering konzentriert. Da immer mehr Daten fließen, müssen wir Wert aus den Daten generieren, und das ist das Ziel meiner Forschung und meiner Lehre. Natürlich ist eine der interessantesten und ersten Anwendungen, an die wir bei Daten denken, die Prognose. Das mache ich seit den letzten 20 Jahren und konzentriere mich auf verschiedene Arten von Anwendungsbereichen, hauptsächlich Energie, weil es heute so viele relevante und benötigte Prognosen für die Energie gibt, aber auch für Logistik, Business Analytics usw.
Conor Doherty: Viele interessante Bereiche und viel Überschneidung mit dem, was wir tun möchten. Wie sind Sie überhaupt zur probabilistischen Prognose gekommen?
Pierre Pinson: Nun, ich wollte eigentlich nie probabilistische Prognosen machen, das muss ich gestehen. Ich war sehr am Wetter und erneuerbarer Energie interessiert und mir wurde angeboten, eine Doktorarbeit über Prognosen für erneuerbare Energien, für Windparks, zu machen, wissen Sie, wie viel die Windparks morgen produzieren werden. Das Problem ist, ein Prognostiker liegt immer falsch, und mein Doktorvater sagte: “Nun, wir möchten wissen, wie falsch sie liegen, aber es sollte nicht nur eine Metrik sein, oder? Wie gut oder schlecht ist eine Prognose im Durchschnitt. Wir möchten wissen, ob meine Prognose, wenn ich jetzt auf morgen schaue, gut oder nicht gut sein wird?” Und so bin ich zur probabilistischen Prognose gekommen, weil man dann diese Idee hat, unter der Bedingung, was ich heute weiß, mich morgen zu projizieren und wie kann ich irgendwie die Unsicherheit dessen beschreiben, was passieren könnte, und vielleicht das wahrscheinlichste Ergebnis, das erwartete Ergebnis und welches Intervall für das, was passieren könnte.
Conor Doherty: Nun, das ist interessant, und ich werde gleich auf Sie, Joannes, zurückkommen, aber wenn Sie über das sprechen, was eine gute Prognose in der Meteorologie ausmacht, welche Metriken verwenden Sie, um die Effektivität zu messen? Es kann nicht nur heißen “nun, es hat heute nicht geregnet, daher war es zu 100% genau.” Welche Metriken gibt es dafür?
Pierre Pinson: Ja, deshalb ist es tatsächlich eine Wissenschaft für sich, wissen Sie, wie man eine Prognose bewertet und entscheidet, ob es eine gute Prognose war oder nicht. Im Prinzip, wenn Sie eine Prognose für eine kontinuierliche Variable haben, wie Windgeschwindigkeit oder Temperatur, denken wir bei der Prognosequalität an den Abstand zwischen dem, was Sie vorhergesagt haben und dem, was tatsächlich passiert ist. Dann gibt es verschiedene Möglichkeiten, diesen Abstand zu manipulieren. Sie können eine Summe der quadrierten Abstände oder quadrierten Fehler nehmen, Sie können den Durchschnitt des absoluten Unterschieds zwischen den beiden betrachten usw. Es gibt also viele Metriken, die zeigen, wie gut oder schlecht die Prognose ist. Das Problem ist, es ist nur eine Zahl. Wenn ich Ihnen also sage, dass meine Prognose im Durchschnitt um zwei falsch liegt, könnten Sie sagen: “Okay, großartig”, aber macht das eine gute oder schlechte Prognose für meine Anwendung aus? Und das war oft das Problem in den letzten Jahrzehnten der Entwicklung in der Prognose, dass wir die Prognosequalität, also wie gut Sie in Bezug auf diesen Abstand sind, mit dem Prognosewert verknüpfen müssen, wie gut es sein wird, wenn ich diese Prognose für meine Entscheidungsprobleme verwende.
Conor Doherty: Gibt es da Ähnlichkeiten mit unserer Herangehensweise?
Joannes Vermorel: Das ist sehr interessant, denn bei Lokad sind wir auf probabilistische Prognosen auf einem völlig anderen Weg gekommen, und das, was du beschreibst, kommt dem gebildeten Urteil, das ich nach einigen Jahren gewonnen habe, viel näher als dem Ausgangspunkt. Mein erster Ansatz war etwas viel banaleres. Es war die Tatsache, dass wir tatsächlich viele Dinge in Lieferketten prognostizierten und einfach Nullen prognostizierten. Ich habe diese Anekdote schon ein paar Mal erzählt, weil wir bei unseren ersten Versuchen, Dinge aus dem Verkauf für Mini-Märkte zu prognostizieren, bei denen die meisten Produkte im Durchschnitt nullmal pro Tag verkauft werden, das nächstgelegene Ganzzahlige bekommen haben. In Ihrem typischen Mini-Markt werden etwa 95% der Produkte an jedem beliebigen Tag mit null Einheiten verkauft. Und das Problem war buchstäblich, dass wir dieses Problem hatten, und so begannen wir, eine Prognoseverzerrung zu haben, die uns zu Quantilen führte. Und während wir mit Quantilen spielten, erkannten wir, dass wir wahrscheinlich alle Quantile auf einmal haben sollten, und wir gingen zu probabilistischen Prognosen über. Aber heutzutage, wenn ich erklären muss, warum probabilistische Prognosen wichtig sind, denke ich, dass wir es so angehen, dass ja, Ihre Prognose verzweifelt ungenau ist, das wissen wir. Meine Prognose, im Fall, dass ich ein Anbieter bin, ist verzweifelt ungenau, aber das ist nicht dasselbe wie zu sagen, dass ich überhaupt keine Ahnung habe, wie diese Ungenauigkeiten sein werden. Tatsächlich habe ich eine ziemlich gebildete Meinung über den Bereich der Möglichkeiten. Alles ist möglich, aber nicht alles ist gleich wahrscheinlich. In Ihrer gebildeten Meinung über den Bereich der Möglichkeiten ist alles möglich, aber nicht alles ist gleich wahrscheinlich, und es gibt eine Struktur zur Analyse des Fehlers. Können Sie das näher erläutern?
Pierre Pinson: Das Bizarre und Faszinierende für die Menschen ist die Vorstellung, dass es eine Struktur für diese Fehleranalyse gibt. Die Menschen denken intuitiv, dass Unsicherheit daraus resultiert, dass sie Dinge nicht wissen, und dann sagen Sie ihnen, dass es eine Struktur gibt, in dem, was sie nicht wissen. Das klingt verwirrend. Als ich anfing, für probabilistische Prognosen zu werben, war die erste Reaktion, die ich bekam, dass es egal ist, was passiert, ich würde nie Unrecht haben, weil meine Prognose immer die Chance berücksichtigen würde, dass etwas passiert. Die Leute sahen es als das ultimative Verteidigungsmittel für den Anbieter.
Joannes Vermorel: Es ist interessant, Ihre Anekdoten zu hören, aber man könnte es auch aus einer anderen Perspektive betrachten. Es gibt das “große Maus-Paradoxon” aus der Psychologie und dem Marketing, bei dem überzeugte Menschen in einem Raum mehr Anerkennung erhalten, auch wenn sie möglicherweise falsch liegen. Die meisten Menschen bevorzugen eine deterministische Prognose, weil sie ihnen ein Gefühl von Vertrauen gibt, obwohl sie wissen, dass sie falsch sein wird. Eine probabilistische Prognose bereitzustellen, ist tatsächlich transparenter und fairer, aber die Menschen müssen das akzeptieren und gegen ihre kognitive Verzerrung für den Determinismus angehen.
Wenn wir zugeben, dass wir nicht genau sein können, aber wir eine ziemlich gute Vorstellung von der Bandbreite der Möglichkeiten geben können, sind wir transparenter und möglicherweise besser in Bezug auf die Prognosequalität. Das größte Problem für uns, die wir mit probabilistischer Prognose arbeiten, besteht darin, dass die Menschen die Idee akzeptieren, Unsicherheit anzunehmen und sie in der Entscheidungsfindung zu nutzen. Es wird tatsächlich zu besseren Ergebnissen führen. Diese Art von Determinismus in Ihrem Leben ist ein großes Problem, mit dem wir als Menschen, die mit probabilistischer Prognose arbeiten, konfrontiert sind. Wir müssen den Menschen irgendwie klarmachen, dass sie sich mit der Idee entspannen müssen, dass dieser eine Punkt informativ und wahr sein soll. Sie müssen die Tatsache akzeptieren, dass es besser sein wird, solange Sie Unsicherheit quantifizieren und in der Entscheidungsfindung nutzen können. Sie können nur besser werden.
Conor Doherty: Was denkst du darüber, Joannes?
Joannes Vermorel: Es ist sehr interessant, diese Idee der Zugeben der eigenen Schwäche. Wenn man in die Zeit von Claude Bernard zurückgeht, der das Kontrollexperiment erfunden hat, hat er einen ganzen Fall gegen die Verwendung von Statistik und Wahrscheinlichkeiten gemacht. Sein Punkt ist eigentlich sehr gut gemacht. Er argumentierte, dass wenn man etwas hat, das variiert, bedeutet das nur, dass man ein schlechtes Experiment hat und die Dinge nicht genug kontrolliert. Er war im Bereich der Medizin tätig und sagte, dass es, wenn es Variabilität gibt, eine dritte Variable gibt, die es erklärt. Also war er gegen die Idee, Statistik und Wahrscheinlichkeiten zu verwenden, weil es aus seiner Sicht ein Eingeständnis war, ein unvollständiges Verständnis zu haben und ein fauler Wissenschaftler zu sein. Am Ende hat man diese schicken Statistiken, die nur eine Ausrede für die eigenen Unzulänglichkeiten sind. Wie ist deine Perspektive zu diesem Einwand, Pierre?
Pierre Pinson: Ich stimme zu, dass dies für bestimmte Problembereiche gilt, in denen es nur auf den Gesetzen der Physik beruht, in einer sehr kontrollierten Umgebung, und man denkt, dass der deterministische Ansatz ausreichend sein sollte. Man sollte sich nicht zu sehr um all diese Unsicherheiten und ein probabilistisches Rahmenwerk kümmern. Aber wenn man den allgemeineren Fall betrachtet, ist es fast eine philosophische Aussage über die Welt. Glauben wir, dass die Welt grundsätzlich deterministisch ist für alles, was passiert? Oder gibt es tatsächlich eine Art stochastisches Verhalten um uns herum? Sie wissen schon, einige stochastische Regeln, und das macht die grundlegende Idee des Determinismus nicht immer anwendbar. Wir sehen das beim Wetter, und wir haben versucht zu denken, wissen Sie, wenn wir mehr und mehr Messungen haben, wenn wir besser mit den Gesetzen der Physik umgehen können, sollten wir in der Lage sein, es als deterministischen Prozess zu betrachten und vorherzusagen. Und das ist eine gute Hoffnung, aber es gab, glaube ich, wiederholte Experimente in den letzten 100 Jahren, bei denen wir letztendlich festgestellt haben, dass vielleicht nicht alles deterministisch sein kann, und selbst diese Argumente, die Sie erwähnt haben, dieses unvollständige Wissen, denke ich, dass es so viele Dinge gibt, die wir modellieren und vorhersagen müssen, bei denen wir niemals genug Wissen haben werden, um uns in ein deterministisches Rahmenwerk zu stellen. Es ist einfach nicht möglich.
Conor Doherty: Nun, wenn ich an diesem Punkt einsteigen könnte, denn eine Frage, die ich vorhin stellen wollte, war, dass es sozusagen die Idee von Geschäft und Meteorologie zusammengefügt hat, weil es eine interessante Verbindung zwischen diesen beiden Punkten gibt, insbesondere vor dem Hintergrund Ihrer Erfahrung hier, denn Sie haben sowohl Geschäfts- als auch meteorologische Erfahrungen. Nehmen wir also an, Sie befinden sich in einem Raum, in dem Sie die probabilistische Prognose auf ein Geschäftsproblem angewendet haben, möglicherweise auf einen gewissen Widerstand gestoßen sind, wie “oh, ich möchte keine probabilistische Prognose verwenden, das sind die dunklen Künste”, aber genau dieselbe Person zieht 10 Sekunden später ihr iPhone heraus und sagt: “Oh, 60%ige Chance, dass es später regnet, besser einen Regenschirm mitnehmen.” Wie überwinden Sie in diesem Moment diese Art von kognitiver Dissonanz?
Pierre Pinson: Das ist ein sehr guter Punkt, und es gibt ein kulturelles Problem. Ich denke, wir haben gesehen, dass, wie Sie erwähnt haben, die Wettervorhersage ein wichtiges Feld ist, weil sie überall ist, jeder benutzt die Wettervorhersage und ist darauf sensibilisiert. Es ist sensibel für diese Informationen, also ist es tatsächlich ein Bereich, in dem gesehen wurde, dass, wenn wir die Art und Weise ändern, wie wir die Prognoseinformationen kommunizieren, es Dinge gibt, die funktionieren, es gibt Dinge, die nicht funktionieren. Es ist manchmal schwierig für die Menschen, wirklich einzuschätzen, worum es bei den Informationen geht, aber wir finden sie nützlich, egal was passiert. Wir wissen, dass wir sie nützlich finden, aber es ist ein Prozess, und ich denke, dasselbe müssen wir in verschiedenen Bereichen durchlaufen. Das kann im Geschäft sein, das kann bei technischen Problemen sein, das kann bei Versicherungen sein, es kann so viele Dinge geben, bei denen wir als Wissenschaftler oder Prognoseanbieter, das industrielle Ökosystem, dazu beitragen müssen, die Kultur zu verändern, damit die Menschen, Kunden oder Benutzer im Allgemeinen, tatsächlich erkennen, dass wir anders denken können und dass es Vorteile gibt.
Conor Doherty: Nun, um darauf zurückzukommen, denn Sie sagten, dass Sie festgestellt haben, wenn ich es richtig verstanden habe, dass es bestimmte Mechanismen gibt, um Informationen zu vermitteln, meteorologische Informationen oder meteorologische Vorhersagen, die bei den Menschen Anklang finden, und es gibt Mechanismen, die das nicht tun. Könnten Sie das bitte etwas genauer erläutern oder vielleicht ein Beispiel geben, damit die Menschen es verstehen können?
Pierre Pinson: Es wurden verschiedene Studien von Psychologen durchgeführt, die mit Wettervorhersagern zusammenarbeiten. Wenn Sie zum Beispiel eine Aussage über die Wahrscheinlichkeit von Regen machen würden, wie zum Beispiel, dass es eine 60%ige Chance auf Regen über London in den nächsten zwei Stunden gibt, interpretieren die Menschen das unterschiedlich. Einige Leute denken, dass es bedeutet, dass es 60% der Zeit über London regnen wird, während andere glauben, dass es eine 60%ige Chance auf Regen an einem bestimmten Ort in London gibt. Die Menschen haben Schwierigkeiten zu verstehen, was Wahrscheinlichkeit grundsätzlich bedeutet.
Joannes Vermorel: Ja, wir haben dieses Problem auch gesehen, als wir mit Benutzern oder Kunden zusammengearbeitet haben. Es steckt eine erhebliche Menge Arbeit darin, Methoden zur Wahrscheinlichkeitsvorhersage zu entwickeln und zu untersuchen, wie sie in der Praxis angewendet werden können. Aber es ist auch viel Arbeit erforderlich, um den Menschen zu helfen, zu verstehen, was die Informationen wirklich bedeuten und wie sie ihre Entscheidungsfindung beeinflussen können. Die Herausforderung besteht darin, den Menschen zu vermitteln, wie sie von einer probabilistischen Vorhersage zu einer Entscheidung gelangen können, die besser ist als wenn sie deterministische Vorhersagen verwendet hätten. Wenn sie es nicht verstehen, werden sie es nicht akzeptieren.
Conor Doherty: Wie machen Sie es klar? Verwenden Sie einen White-Box-Ansatz?
Joannes Vermorel: Wir tun etwas, das sowohl ähnlich als auch unterschiedlich ist. Mein Kampf, der aus einem Supply-Chain-Hintergrund kommt, besteht darin, mit Informationsüberlastung umzugehen. Die Menschen haben bereits zu viele Informationen. Selbst deterministische Vorhersagen können überwältigend sein, da sie oft stark aggregiert sind und verschiedene Probleme aufweisen. Wenn Sie in den Bereich der probabilistischen Vorhersage übergehen, wird es um zwei Größenordnungen schlimmer, mit Histogrammen für jeden Datenpunkt und noch mehr Komplexität, wenn Sie hochdimensionale Wahrscheinlichkeiten berücksichtigen.
Zunächst haben wir versucht, die Visualisierung und andere Aspekte zu verbessern, aber am Ende sind wir zu einer Lösung gekommen, bei der wir Wahrscheinlichkeiten aus der Benutzersicht entfernen. Wir treffen Entscheidungen auf der Grundlage von Wahrscheinlichkeiten, aber wir wandeln sie in Risikobewertungen um, die in Währung ausgedrückt werden. Zum Beispiel könnten wir einem Kunden mitteilen, dass das Risiko einer Überbestand X beträgt und das Risiko eines Fehlbestands Y beträgt. Wir quantifizieren Risikoklassen und Perspektiven, wobei die zugrunde liegende probabilistische Vorhersage die “Plumbing” für diese Bewertungen ist.
Natürlich ist dies nicht die perfekte Lösung, aber sie funktioniert für unsere Kunden. Manchmal lieben es Datenwissenschaftler Teams, mit Wahrscheinlichkeiten zu arbeiten, aber Supply-Chain-Experten, die weniger versiert in Wahrscheinlichkeiten sind, finden diesen Ansatz zugänglicher. Ich würde sagen, dass der Supply-Chain-Experte, der in Supply-Chain unglaublich kompetent ist, aber nicht so versiert in Wahrscheinlichkeiten, es sehr schwierig findet, ihr Interesse daran zu wecken, nur aufgrund der Informationsüberlastung, die das verlangt. Sehr schnell müssen diese Manager beurteilen, ob es überhaupt lohnt, sich diese Histogramme anzusehen. Das ist ein sehr schwieriger Verkaufspunkt, wenn Sie mit Menschen sprechen, die ihre Zeit sehr schätzen.
Pierre Pinson: Zustimmung, ich stimme vollkommen zu. Es gibt sehr unterschiedliche Verläufe. Wie Sie erwähnt haben, gibt es verschiedene Möglichkeiten, dieses Problem der Informationsüberlastung zu betrachten. Ich stimme Ihrer Strategie hier vollkommen zu. Ich denke, der Versuch, automatisierte Entscheidungsfindung zu haben oder optimale Entscheidungen vorzuschlagen, nachdem man das Kosten-Verlust-Verhältnis des Benutzers verstanden hat usw., ist etwas Gutes. Aber sie müssen trotzdem verstehen, wie Sie dorthin gekommen sind und warum sie es überhaupt vertrauen sollten, was lustig ist, denn als es deterministisch war, haben sie ihm vertraut. Und jetzt, da es das Wort Wahrscheinlichkeit gibt, vertrauen sie ihm nicht mehr. Aber das ist eine andere Geschichte. Die Schönheit von probabilistischen Informationen besteht darin, dass Sie diese zusätzliche Ebene sehr grundlegender Bewertungen, Risikobewertungen, geben können, was sie wirklich wollen, wenn sie sagen, dass sie probabilistisch akzeptieren. Bitte sagen Sie mir, welchem Risiko ich ausgesetzt bin. Dies ist die einfachste Art von Informationen, die Sie bereitstellen können, die die Vorteile der probabilistischen Vorhersage ohne diese Informationsüberlastung bietet, von der Sie gesprochen haben. Also, ich denke, es ist eine sehr gute Strategie.
Conor Doherty: Nun, wir haben angefangen, die Themen zusammenzuführen, wie Meteorologie und Geschäft. Also, zu diesem Punkt, Pierre, weil Sie viel Erfahrung in beiden Bereichen haben, welche Beispiele für wichtige meteorologische Vorhersagen oder meteorologische Daten haben Sie genommen und in einem geschäftlichen oder logistischen Kontext angewendet?
Pierre Pinson: Die Wettervorhersageinformationen, die Sie als Eingabe für Entscheidungen verwenden möchten, haben sehr wenige Variablen, die äußerst wichtig sind, und dann nimmt die Bedeutung der Variable schnell ab. Die wichtigsten Variablen sind die Temperatur, die so viele andere Prozesse in unserem Leben beeinflusst, und dann gibt es Niederschlag. In letzter Zeit gibt es auch den Wind, denn früher, vor etwa 30 Jahren, als Wettervorhersager über den Wind sprachen, haben sie fast aus Spaß Windvorhersagen erstellt, weil sich niemand allzu sehr darum gekümmert hat. Es ging nur darum, ob es windig wird oder nicht. Und vielleicht, wenn Sie segeln, sind Sie etwas mehr daran interessiert. Aber heute sind Windgeschwindigkeitsvorhersagen aufgrund von Energieanwendungen äußerst wichtig, da bereits ein kleiner Vorhersagefehler bei der Windgeschwindigkeit zu großen Vorhersagefehlern bei der morgen verfügbaren Energie führt. Stellen Sie sich also ein Land wie Dänemark vor, in dem im Durchschnitt die Hälfte der Energie aus Wind stammt. Es ist sehr wichtig, gute Windvorhersagen zu haben. Dies sind die relevantesten Variablen, und jetzt geht es auch in Richtung Sonneneinstrahlung aufgrund von Solarenergie. Aber ich würde sagen, dies sind die wichtigsten Variablen, und danach werden diese Wettervariablen in Bezug auf ihre Auswirkungen heute überall verwendet. Ich meine, wenn Sie sich die Bedeutung der Wettervorhersage und die Qualität der Wettervorhersagen in unserem täglichen Leben ansehen, sowohl im geschäftlichen Kontext als auch im Alltagsleben, ist dies äußerst wichtig.
Conor Doherty: Sicherlich müssen bei Vorlaufzeiten für Waren, die aus dem Ausland verschickt werden, probabilistische Prognosen für Lieferketten berücksichtigt werden, basierend auf dem, was Pierre gerade beschrieben hat.
Joannes Vermorel: In der gesamten Geschichte von Lokad hatten wir meiner Meinung nach nur zwei Fälle, in denen wir tatsächlich Wetterdaten in Lieferketten-Situationen verwendet haben. Das könnte wiederum an mangelndem Talent, mangelnder Hingabe oder vielen anderen Dingen liegen. Aber das Fazit war, dass wir vor einem Jahrzehnt einen großen europäischen Stromversorger hatten und einen Vertrag hatten, um ihre Stromnachfrageprognose unter Berücksichtigung des Wetters zu verbessern. Und das ist für mich der einzige Fall, in dem die Verwendung von Wetterdaten einen sehr klaren Vorteil gebracht hat. Es funktioniert, und das Fazit war, dass wir uns bereits sehr aggregierte Prognosen angesehen haben, im Wesentlichen nach Regionen. Die Prognose war auch ohne das Wetter bereits sehr genau, ich meine, etwa 2% genau, weil sie sehr aggregiert waren. Aber übrigens handelte es sich nur um die Stromnachfrage, nicht nur, und die Stromnachfrage nur von einem Tag auf den nächsten. Sie haben also nur 24 Stunden im Voraus geschaut, und die aggregierten Regionen wären zum Beispiel ein Land wie Belgien oder vielleicht Frankreich, aufgeteilt in fünf Gebiete, auf ziemlich hoher Ebene.
Ohne Wetter hätten Sie eine Prognose, eine Zeitreihenprognose, die zu 2% genau war, und die meisten Ungenauigkeiten wurden durch schnelle Wetteränderungen verursacht. Wenn es kalt ist, neigt es dazu, kalt zu bleiben, aber dann, wenn plötzlich ein Wetterwechsel stattfindet, haben Sie diesen Sprung und sehen ihn nicht. Also, das war eher so, dass Sie eine Prognose hatten, die im Durchschnitt zu 0,5% genau war, aber dann würden Sie vielleicht 5 oder 6% Ungenauigkeit an dem Tag ansammeln, an dem sich das Wetter änderte. Und durch die Einbeziehung des Wetters hatten sie bereits eine Genauigkeit von etwa 0,5% erreicht, und mit Lokad haben wir praktisch die gleiche Art von Genauigkeit erreicht, aber nur mit Modellen, die tatsächlich viel einfacher und handhabbarer in Bezug auf die Computersoftware waren. Es war also eine spezielle Art von Unterfangen.
Das war das erste Mal, dass ich gesagt habe, dass es wirklich gut funktioniert. Das zweite war mit FMCG-Marken, die mithilfe von Wettervorhersagen im Wesentlichen Nachfrageanstiege prognostizieren wollten. Leider waren die Ergebnisse größtenteils negativ. Was sehr gut funktionierte, und ich werde den Namen der Marke nicht nennen, aber sagen wir, es war ein Eisverkäufer, und sie wollten nur wissen, was nach dem Sommer sehr gut funktionierte. Die Frage war, haben wir mehr Eis verkauft, weil es sehr heiß war oder weil das Marketing sehr gut war. Als postmortale Technik, um die Situation zu erklären, funktionierte es gut. Das Problem bei der Vorhersage besteht jedoch darin, dass die Vorlaufzeiten in den meisten Supply-Chain-Situationen erheblich sind. Wenn Sie zum Beispiel Eis produzieren, müssen Sie Rohstoffe bestellen und Ihren Produktionsplan etwa sechs Wochen im Voraus vorbereiten. Zu diesem Zeitpunkt tendiert die Genauigkeit der Wettervorhersagen dazu, sich auf saisonale Durchschnittswerte zurückzubesinnen, die nicht ausreichend besser sind als der saisonale Durchschnitt, um Ihre Entscheidung zu ändern. In unserer Erfahrung erwies es sich als unglaublich schwierig, und wir hatten nur wenige Erfolge, aber es war in vielerlei Hinsicht sehr lehrreich.
Conor Doherty: Pierre, wenn es darum geht, probabilistische Prognosen in einem meteorologischen Kontext anzuwenden, wie lässt sich das auf einen logistischen oder geschäftlichen Kontext übertragen? Gibt es Ähnlichkeiten in Bezug auf Einschränkungen oder den Prozess?
Pierre Pinson: Eines der Hauptprobleme, das entscheidend ist, wenn wir an verschiedene Anwendungen denken, ob es sich um Meteorologie oder wetterempfindliche Branchen handelt, ist die Art des Prognoseprodukts, das als Eingabe für Entscheidungen nützlich ist. Typischerweise verwenden Wettervorhersagen Ensemble-Prognosen, die aus mehreren Trajektorien oder potenziellen Zukünften bestehen. Das Europäische Zentrum hat zum Beispiel 51 alternative Szenarien. Es gibt jedoch viele Arten von Entscheidungsprozessen, bei denen unterschiedliche Prognoseprodukte benötigt werden.
Im Handel ziehen es die Menschen zum Beispiel vor, Dichten zu verwenden, die vollständige Beschreibungen der Wahrscheinlichkeitsdichtefunktion sind. Einige bevorzugen Intervalle und vordefinierte Konfidenzniveaus als Eingabe für Entscheidungen. Andere fordern spezifische Quantile basierend auf ihren Kostenverlustüberlegungen an. Der Hauptunterschied, den ich zwischen Meteorologie und anderen Bereichen gesehen habe, besteht darin, dass wir viel Zeit damit verbringen müssen, über das richtige Prognoseprodukt nachzudenken, das als Eingabe verwendet werden soll. Wir müssen uns in die Welt unserer Kunden versetzen und den besten Weg finden, die komplexen Informationen aus probabilistischen Prognosen in das für sie Nützlichste umzusetzen. Die Prognose sollte also für die Kunden nützlich sein, und Ihr Ansatz konzentriert sich auch darauf. Können Sie mehr über die Bedenken hinsichtlich der Kosten für Cloud Computing und deren Auswirkungen auf Ihre Arbeit erläutern?
Joannes Vermorel: Ja, als Anbieter von Unternehmenssoftware ist einer der Hauptanliegen die Kosten für Cloud Computing, auf eine sehr banale Weise. Um Ihnen eine Vorstellung von der Größenordnung zu geben, verwaltet Lokads Kundenstamm derzeit etwa ein Petabyte an Daten, und das ist das, wofür wir derzeit an Microsoft, unserem Cloud-Hosting-Anbieter, bezahlen. Es ist ein gutes Geschäft für Microsoft und für Lokad, aber es gibt Kosten. Das meiste, worauf wir schauen, wird durch die Kosteneffizienz bestimmt, die wir in Bezug auf die Computerhardware haben können.
Histogramme und Wahrscheinlichkeitsdichten sind in der Regel am besten. Sie sind super reichhaltig, super schön und super einfach zu bedienen. Aber das Problem ist, dass dies in einer Dimension in Ordnung ist. Sie haben eine feste Kosten, also erhöhen Sie die Datenmenge um, sagen wir, 100, und Sie haben ein schönes Histogramm. Aber dann, wenn Sie zweidimensional gehen, weil Sie eine Matrix von Wahrscheinlichkeiten haben möchten, wird es komplizierter. Zum Beispiel möchten Sie die Wahrscheinlichkeiten betrachten, eine bestimmte Nachfrage nach einem Produkt zu haben, und die Wahrscheinlichkeiten, dieselbe Nachfrage nach einem anderen Produkt zu haben, aber gemeinsam. Der Grund dafür ist, dass diese Produkte Konkurrenten sind und wenn die Nachfrage nach einem Produkt steigt, liegt dies tendenziell an der Kannibalisierung des anderen. Sie möchten also Wahrscheinlichkeiten, die berücksichtigen, dass höchstwahrscheinlich, wenn die Nachfrage nach einem Produkt steigt, dies bedeutet, dass die Nachfrage nach einem anderen Produkt abnimmt, und umgekehrt. Wenn Sie es jetzt mit einer Matrix machen, haben Sie ein zweidimensionales Histogramm und der benötigte Speicherplatz nimmt signifikant zu. Es wird umso schlimmer, je höher die Dimensionen werden, was die Dinge sehr teuer macht.
Ähnlich verhält es sich, wenn Sie in Monte Carlo-Stil-Simulationen gehen, die sehr gut mit hochdimensionalen Dingen umgehen können. Das Problem ist jedoch, dass Sie mit vielen Szenarien abnehmende Erträge haben. Sie benötigen möglicherweise viele Szenarien, um überhaupt ein Risiko beobachten zu können, das ein wenig selten ist, wie zum Beispiel 10.000 Instanzen. Die meisten unserer Überlegungen beruhen darauf, dass wir die Rechenkosten im Griff behalten müssen. Es geht nicht nur um die Kosten, die wir an Microsoft zahlen, sondern auch darum, dass bei Verwendung von etwas Komplexerem die Berechnungen länger dauern und die Leute auf die Fertigstellung der Prognose warten müssen, bevor sie mit ihren Aufgaben fortfahren können.
Bei deterministischen Zeitreihentechniken, insbesondere bei den vor dem maschinellen Lernen verwendeten Techniken bis in die 90er Jahre, können Sie sie fast in Echtzeit haben, auch wenn Sie Zyklen und dergleichen haben. Sie sind super schnell und Sie können schnell Ergebnisse mit Methoden wie ARIMA oder exponentieller Glättung erhalten, all diese Dinge können sogar in Echtzeit erledigt werden, auch wenn Sie Zyklen und dergleichen haben. Aber wenn Sie etwas Superfancyes wie ein sehr tiefes Deep Learning-Netzwerk verwenden, kann dies Stunden dauern, um zu trainieren, und das ist für uns mit hohen Kosten verbunden. Aus unserer Sicht dominiert auch die Praktikabilität, und das ist ein großes Anliegen.
Conor Doherty: Pierre, eine der Dinge, die Sie tun, ist das Unterrichten am Imperial College London, und Sie treffen auf Studenten, die in Ihre Klasse kommen, um zum ersten Mal etwas über probabilistische Prognosen zu lernen. Bei Personen, die bereits über mathematische Kenntnisse verfügen und bereits überzeugt sind, die Unsicherheit anzunehmen, was ist Ihrer Erfahrung nach die größte Herausforderung, die sie beim Erlernen dieser Fähigkeiten haben, wenn sie Ihnen folgen?
Pierre Pinson: Was die Lehre von Prognosen betrifft, habe ich das mehr gemacht, als ich in Dänemark war, mit einem starken Fokus auf Energie. Ich denke, die Probleme sind immer die gleichen. Eines der ersten Probleme ist das, was wir zuvor gehört haben; es geht darum, es zu akzeptieren. Warum sollte ich überhaupt probabilistisch gehen? Ich muss sagen, dass ich normalerweise ziemlich viel Zeit damit verbringe, Probleme zu beschreiben, Entscheidungsprobleme zu beschreiben und den Studenten zu zeigen, dass man nur bessere Entscheidungen treffen kann, wenn man probabilistisch vorgeht. Es ist sehr wichtig für einen Entwickler oder Benutzer einer Prognose, einen Kunden auf beiden Seiten zu verstehen, dass man nur besser machen kann, wenn man probabilistisch vorgeht. Es wird Sie etwas kosten, aber wenn Sie es annehmen, wird es besser gehen. Es erfordert viel Arbeit, um sich selbst zu überzeugen und zu erkennen und zu verstehen, warum. Wenn Sie nicht verstehen, warum es besser wäre, haben Sie vielleicht Schwierigkeiten, es zu akzeptieren. Also, wir verbringen ziemlich viel Zeit damit.
Dann möchte ich, dass sie verstehen, dass es nicht schwierig ist, diese Prognosen zu erstellen. Sie haben einige der klassischen Modelle erwähnt, aber Sie können auch in Bezug auf grundlegende Zufallsvariablen denken. Wenn Sie eine probabilistische Prognose für etwas machen möchten, das gaußisch ist, wenn wir die klassische Punktprognose machen, sagen wir nur den Durchschnitt voraus. Und jetzt, da wir probabilistisch vorgehen wollen, müssen wir nur noch die Varianz vorhersagen, und dann haben wir eine vollständige probabilistische Prognose. Selbst wenn Sie nicht parametrisch vorgehen möchten, wenn Sie Quantile vorhersagen möchten, können Sie tatsächlich dieselben Modelle wie für den deterministischen Fall verwenden, Sie ändern nur die Verlustfunktion beim Training, und voila, Sie haben eine Quantilprognose. Ein wichtiger Aspekt ist, dass ich den Studenten beibringe, dass es nicht etwas ist, das um Größenordnungen komplexer ist, um es zu lernen und damit umzugehen.
Der letzte Teil ist die Überprüfung, denn wir haben auch früher diskutiert, dass einige Leute diese Idee haben, dass Sie es jetzt leicht nehmen können, oder? Denn wenn Sie probabilistisch vorgehen, könnten Sie sagen, was auch immer, und irgendwie werden Sie mir danach sagen, dass Sie nie falsch liegen. Aber es gibt sehr strenge Rahmenbedingungen für die Überprüfung probabilistischer Prognosen und tatsächlich zeigen, dass diese sinnvoll sind, Ihre Wahrscheinlichkeiten korrekt sind und Sie versuchen, Informationen zu konzentrieren, usw. Dies sind die Hauptblöcke, die ich mit meinen Studenten durchgehe, und meine Erfahrung ist, dass dies die Grundlagen sind, die Sie benötigen, wenn Sie probabilistische Prognosen in Ihrer Arbeit behandeln müssen.
Joannes Vermorel: Mein Kampf ist lustig, weil du wahrscheinlich privilegiert bist, indem du deine Studenten hast. Meine Aussichten haben in der Regel bereits eine Ausbildung in Form dessen erhalten, was Berater ihnen sagen. Lassen Sie uns heute Feinde machen. Das Problem besteht darin, dass es eine Anti-Advokatie gibt, wie die Lean-Bewegung. Die Lean-Bewegung und die Idee, zum Beispiel weniger zu verschwenden. Ich meine, als allgemeines Prinzip ist es besser, Verschwendung zu vermeiden. Per Definition ist Verschwendung etwas Unerwünschtes, daher ist es in Bezug auf die Aussage tautologisch. Niemand sagt, wir sollten Verschwendung um ihrer selbst willen produzieren, aber das ist Teil der Lean-Produktion und der Lean-Supply-Chain-Bewegung. Das Problem bei dieser Denkweise ist, dass Sie am Ende Dinge wie zum Beispiel lange Vorlaufzeiten haben können, die nicht unbedingt sehr verschwenderisch, aber dennoch sehr ineffizient sind, weil Sie versucht haben, Ihre Vorlaufzeiten so weit wie möglich zu komprimieren. Wenn Sie zum Beispiel Dinge so schnell wie möglich bewegen möchten, ist ein Flugzeug am besten, aber die Effizienz eines Flugzeugs in Bezug auf Treibstoff ist im Vergleich zu Zügen oder Frachtschiffen schrecklich. In sich selbst ist es ein Versuch, die Unsicherheit vollständig zu beseitigen, wenn man direkt auf Dinge wie Nullbestand, Nullverzögerung, Nullverschwendung zugeht, was die allgemeine Perspektive ist, die für bestimmte Bewegungen befürwortet wird. Wenn Sie keine Vorlaufzeit haben, warum sollten Sie dann eine Prognose erstellen? Sie müssen sich nur mit dem beschäftigen, was direkt vor Ihnen liegt. Wenn Sie keinen Bestand haben, warum müssen Sie dann potenzielle Risiken einer Überbestückung oder ähnliches verwalten? Meine interessante Sichtweise ist, dass ein Teil der Herausforderung darin besteht, dass Menschen, die in den ersten Jahren eines Kurses, der die Überlegenheit des probabilistischen Denkens demonstrierte, nicht profitierten, ein oder zwei, manchmal auch drei oder vier Jahrzehnte lang von Meinungsadvokaten von Beratern durchlaufen wurden, um alle Arten von Unsicherheiten aus ihrer Lieferkette zu entfernen. Einige der Unsicherheiten sind meiner Meinung nach die zufälligen, bei denen Sie einfach Unsicherheiten haben, die aufgrund eines schlechten Prozesses entstehen - diese sollten Sie entfernen. Wenn Menschen zum Beispiel nicht über die richtigen Fähigkeiten verfügen und einige Menschen einfach Müll machen, ist das nicht die Art von Unsicherheit, die Sie wollen. Aber es gibt andere Unsicherheiten, wie zum Beispiel die Tatsache, dass Frachtschiffe aufgrund des Wetters etwas langsamer sind, sodass sie nicht jedes Mal mit derselben Geschwindigkeit fahren werden. Aber es ist durchaus akzeptabel, diese Unsicherheit zu tolerieren, wenn Sie die Werkzeuge haben, um damit auf eine sinnvolle Weise umzugehen.
Pierre Pinson: Du hast recht. Typischerweise stellen wir dieses Problem als eine Kostenfrage dar, denn irgendwie gibt es Kosten, um Unsicherheiten zu beseitigen. Wenn Sie eine unendliche Menge Geld haben, das Sie bereit sind, in die Beseitigung aller Unsicherheiten zu investieren, könnten Sie es tun. Aber jede Art von Unsicherheit, abgesehen von denen, die entstehen, weil Sie etwas falsch machen oder einige Ineffizienzen, jede grundlegendere Unsicherheit in Ihrem Prozess, die Sie beseitigen möchten, wird Sie wahrscheinlich viel kosten. Es ist also ein typisches Problem, bei dem Sie sagen: “Okay, großartig, Sie möchten alle Unsicherheiten beseitigen, als ob es kostenlos wäre. Wenn es kostenlos wäre, hätten wir es auch getan.” Diese Kosten sind etwas, das wir entscheiden müssen, ob wir es tragen können. Wir haben eine Parallele, die im Energiebereich sehr interessant ist. Zum Beispiel arbeite ich viel mit erneuerbaren Energien. Wenn wir Speicher entwickeln würden, um eine unendliche Menge Energie zu speichern, die wir jederzeit und so lange wie wir wollen speichern können, wäre das Problem irgendwie gelöst. Einige Leute sagen, wir bräuchten keine Prognosen, wir müssten uns keine Sorgen machen. Aber die Entwicklung und Bereitstellung von Batterien in dieser Größenordnung
