Prévisions classiques des séries temporelles (2008)
En 2008, Lokad a été lancé avec un moteur de prévisions proposé en tant que Software-as-a-Service (SaaS). Le slogan original de la société était prévisions as a service. Ce moteur fournissait des prévisions ponctuelles de séries temporelles. Au fil des années, Lokad a mûri en introduisant des technologies prédictives plus avancées et en adoptant une perspective plus large de la supply chain au-delà de ses racines initiales de prévisions de la demande. L’ancien moteur de prévisions a été progressivement abandonné au milieu des années 2010 et finalement arrêté en 2020.
L’ancien moteur (désormais obsolète), introduit en 2008, fonctionnait comme un méta-modèle qui contenait un ensemble de modèles de prévisions—principalement de la variété autorégressive—ainsi qu’un classificateur utilisé comme sélecteur de modèles. Ce sélecteur choisissait le modèle le plus adapté pour chaque série temporelle. De 2008 à 2012, le moteur a été progressivement amélioré avec des modèles supplémentaires et un sélecteur plus raffiné.
Les améliorations ultérieures incluaient des modèles non paramétriques influencés par les approches de machine learning populaires à l’époque. Ces modèles utilisaient une perspective concurrente des séries temporelles, permettant au moteur d’appliquer des coefficients de saisonnalité appropriés même pour des séries temporelles qui ne disposaient pas d’une année complète de données historiques. De même, cela permettait au moteur de prévoir des lancements de produits en tirant parti des similitudes identifiées par des tags assignés aux séries temporelles.
Alors que Lokad n’utilisait jamais les données d’un client pour améliorer les prévisions d’un autre client—un engagement qui demeure valable—il n’existait qu’un seul moteur de prévisions partagé entre tous les clients, utilisant les mêmes méta-paramètres. Par conséquent, Lokad a dû définir des paramètres par défaut de haute qualité qui fonctionneraient bien dans des scénarios variés. De manière indirecte, les connaissances en ingénierie acquises grâce à un client finissaient par bénéficier aux autres (et vice versa).
Finalement, ce moteur a été abandonné à mesure que Lokad développait des technologies supérieures. Bien que l’approche de sélection de modèles puisse sembler être un concours de modèles concurrents, elle entraînait une instabilité substantielle dans les prévisions. L’ajout d’une seule journée supplémentaire de données historiques pouvait inciter le sélecteur à changer de modèle pour de nombreuses séries temporelles, provoquant des fluctuations erratiques. Ce problème est inhérent à tout système de prévisions reposant sur une compétition interne et est désormais considéré comme une conception dépassée chez Lokad.
L’absence de sortie probabiliste était le deuxième problème significatif. Les prévisions ponctuelles de séries temporelles ignorent complètement l’incertitude, rendant les décisions basées sur ces prévisions très fragiles. En effet, si les résultats réels s’écartent des prévisions, la performance économique se détériore souvent nettement. Lokad a résolu cette limitation en introduisant une technologie de prévisions probabilistes.
Enfin, en tant que troisième problème majeur, la rigidité d’une perspective limitée aux séries temporelles posait une limite sérieuse. Les séries temporelles—représentées sous forme de vecteurs unidimensionnels—offrent une expressivité limitée pour les données historiques. Même dans les situations de supply chain où les prévisions ponctuelles pourraient suffire, un cadre purement basé sur les séries temporelles ne parvient généralement pas à saisir toute la complexité des contextes réels.
L’ancien moteur de prévisions classique a été définitivement abandonné en 2020, suite au lancement de notre technologie de differentiable programming. Bien que les prévisions ponctuelles de séries temporelles ne soient plus recommandées, differentiable programming peut aisément produire à la fois des prévisions ponctuelles de séries temporelles et des prévisions probabilistes.