Previsioni classiche di serie temporali (2008)

Questa pagina descrive il ormai dismesso motore di previsione classico di Lokad. Dai un’occhiata a previsione probabilistica e programmazione differenziabile per alternative superiori.

Nel 2008, Lokad è stata lanciata con un motore di previsione offerto come Software-as-a-Service (SaaS). Lo slogan originale dell’azienda era previsione come servizio. Questo motore forniva previsioni puntuali classiche di serie temporali. Nel corso degli anni, Lokad è maturata introducendo tecnologie predittive più avanzate e adottando una prospettiva più ampia della supply chain oltre alle sue radici iniziali nella previsione della domanda. Il motore di previsione originale è stato gradualmente eliminato a metà degli anni 2010 e infine chiuso nel 2020.

Il motore originale (ora dismesso), introdotto nel 2008, operava come un meta-modello che conteneva una serie di modelli di previsione—per lo più di tipo autoregressivo—insieme a un classificatore utilizzato come selezionatore di modelli. Questo selezionatore sceglieva il modello più adatto per ogni serie temporale. Dal 2008 al 2012, il motore è stato progressivamente potenziato con modelli aggiuntivi e un selezionatore più raffinato.

I miglioramenti successivi includevano modelli non parametrici influenzati dagli approcci di machine learning popolari all’epoca. Questi modelli utilizzavano una prospettiva di serie temporali concorrenti, permettendo al motore di applicare coefficienti di stagionalità adeguati anche per serie temporali che non disponevano di un anno intero di dati storici. Allo stesso modo, ciò permetteva al motore di prevedere i lanci di prodotto sfruttando le somiglianze individuate attraverso i tag assegnati alle serie temporali.

Sebbene Lokad non abbia mai utilizzato i dati di un cliente per migliorare le previsioni di un altro cliente—un impegno che è tuttora valido—esisteva un unico motore di previsione condiviso tra tutti i clienti, che utilizzava gli stessi meta-parametri. Di conseguenza, Lokad doveva impostare parametri predefiniti di alta qualità che potessero funzionare bene in scenari diversi. In modo indiretto, le intuizioni ingegneristiche acquisite da un cliente finirono per beneficiare gli altri (e viceversa).

Alla fine, questo motore è stato eliminato man mano che Lokad sviluppava tecnologie superiori. Sebbene l’approccio di selezione del modello possa sembrare una gara tra modelli concorrenti, esso portava a una notevole instabilità nelle previsioni. L’aggiunta di un solo giorno in più di dati storici poteva indurre il selezionatore a cambiare modello per numerose serie temporali, causando fluttuazioni erratiche. Questo problema è insito in qualsiasi sistema di previsione basato sulla competizione interna ed è ora considerato un design obsoleto da Lokad.

La mancanza di output probabilistico era il secondo problema significativo. Le previsioni puntuali di serie temporali ignorano completamente l’incertezza, rendendo le decisioni basate su tali previsioni estremamente fragili. Infatti, se i risultati effettivi divergono dalla previsione, le prestazioni economiche tendono a degradarsi bruscamente. Lokad ha affrontato questa limitazione introducendo la tecnologia di previsione probabilistica.

Infine, come terzo problema importante, la rigidità di una prospettiva basata esclusivamente sulle serie temporali rappresentava una seria limitazione. Le serie temporali—rappresentate come vettori unidimensionali—offrono un’espressività limitata per i dati storici. Anche in situazioni di supply chain in cui le previsioni puntuali potrebbero essere sufficienti, un quadro puramente basato sulle serie temporali solitamente non riesce a catturare la piena complessità dei contesti reali.

Il motore di previsione classico è stato definitivamente eliminato nel 2020, in seguito al lancio della nostra tecnologia di programmazione differenziabile. Sebbene le previsioni puntuali di serie temporali non siano più raccomandate, la programmazione differenziabile può facilmente produrre sia previsioni puntuali di serie temporali sia previsioni probabilistiche.