Previsione Probabilistica per le Supply Chain

00:00:03 Previsioni probabilistiche: introduzione e panoramica.
00:01:34 Incertezza e accuratezza nella previsione probabilistica.
00:02:25 Previsioni probabilistiche: gestione delle asimmetrie nella supply chain.
00:04:33 Confini sfuggenti ed eventi improbabili nelle previsioni probabilistiche.
00:07:43 Il ruolo dei modelli matematici nella previsione probabilistica.
00:09:15 Valutazione dell’accuratezza di una previsione probabilistica.
00:11:14 Svantaggi delle previsioni classiche rispetto a quelle probabilistiche.
00:13:07 Affidamento delle industrie sulle previsioni classiche e limiti di Excel.
00:15:23 Migliori applicazioni della previsione probabilistica.
00:18:43 Settori in cui non è necessaria la previsione probabilistica.
00:20:03 Adozione e motivazioni della previsione probabilistica.
00:22:34 Prospettive future della previsione probabilistica.
00:24:27 Metodi futuri: omissione del calcolo esplicito delle probabilità.
00:25:37 Focalizzarsi su futuri e domande rilevanti.
00:26:14 Incertezze nella linea temporale della domanda di prodotto.
00:27:03 Scenari “What-if”: impatto degli aggiustamenti dei prezzi.
00:27:56 Importanza dell’esplorazione selettiva.

Riassunto

In questa discussione con Kieran Chandler, Joannes Vermorel, fondatore di Lokad, chiarisce la natura e i vantaggi della previsione probabilistica per le supply chain. A differenza delle previsioni deterministiche, le previsioni probabilistiche sono considerate come una gamma di risultati, ognuno con una certa probabilità. Questo approccio è considerato un modo migliore per affrontare le asimmetrie della supply chain, come le diverse implicazioni della sovrastima e della sottostima della domanda. Non si limita alle medie, ma valuta un continuum di scenari potenziali. Sebbene complesso, i progressi nella potenza di calcolo e nell’apprendimento profondo stanno rendendo la previsione probabilistica più accessibile. Vermorel prevede un futuro in cui la previsione abbraccia l’incertezza e integra una moltitudine di variabili, promettendo una rappresentazione più dettagliata e realistica dei futuri possibili.

Riassunto Esteso

In questo episodio di Lokad TV, Kieran Chandler avvia un dialogo con Joannes Vermorel, fondatore di Lokad, discutendo della previsione probabilistica, dei suoi vantaggi, dell’implementazione e dell’utilizzo nelle imprese.

Vermorel chiarisce che le previsioni probabilistiche indicano un tipo di previsioni in cui la conoscenza futura rimane imperfetta. A differenza delle previsioni deterministiche che prevedono un singolo risultato definitivo, le previsioni probabilistiche delineano uno spettro di risultati potenziali, ognuno associato a una particolare probabilità. L’idea è abbracciare l’incertezza intrinseca agli eventi futuri. Questo metodo potrebbe non garantire una precisione assoluta, ma potenzialmente offre una migliore possibilità di rilevanza per la presa di decisioni.

Secondo Vermorel, il principale vantaggio delle previsioni probabilistiche rispetto alle previsioni tradizionali risiede nella capacità di gestire le asimmetrie nelle supply chain. Sottolinea che la sovrastima e la sottostima della domanda potrebbero portare a risultati asimmetrici. Ad esempio, nel settore aerospaziale, sovrastimare la domanda potrebbe comportare un surplus di viti che costa 50 euro, mentre sottostimare potrebbe comportare la messa a terra di un aeromobile, con costi di ritardo di centinaia di migliaia di euro.

Vermorel sottolinea che i metodi di previsione tradizionali spesso mirano a un risultato medio. Tuttavia, evidenzia che nelle supply chain i costi sono solitamente determinati da eventi estremi. Illustra ulteriormente il problema con esempi dai settori aerospaziale e della grande distribuzione alimentare, dove un eccesso di inventario può comportare scarti e perdite finanziarie.

Parlando degli estremi, Vermorel precisa che non ci sono confini rigidi, ma piuttosto un continuum di eventi poco frequenti. Per un prodotto tipico, potrebbe esserci una probabilità del 5% di osservare il doppio della domanda giornaliera, una probabilità dell'1% di osservare quattro volte la domanda giornaliera e una probabilità minima di osservare dieci volte la domanda giornaliera. La previsione probabilistica non si limita alla media, ma indaga una serie di possibili risultati.

Sebbene Vermorel riconosca la sfida di valutare infinite possibilità future, sostiene che le moderne risorse computazionali consentano di incorporare una vasta gamma di rischi. Eventi estremi come il naufragio di una spedizione sono improbabili, ma ritardi in dogana o altri problemi logistici potrebbero essere considerati, poiché potrebbero avere effetti simili sull’approvvigionamento.

Vermorel procede a svelare la natura affascinante delle previsioni probabilistiche. Introduce la necessità di metriche adeguate per valutare l’accuratezza delle previsioni probabilistiche, assegnando idealmente maggior peso agli eventi con probabilità più elevate assegnate dal modello.

Tracciando un parallelo con una previsione ipotetica sulla vittoria dell’Italia nella Coppa del Mondo, Vermorel dimostra che la precisione di un modello si riflette nella misura in cui le probabilità assegnate si avvicinano agli eventi effettivi. Confronta le previsioni probabilistiche con le previsioni tradizionali, affermando che mentre le prime potrebbero non essere intrinsecamente più accurate, presentano informazioni più ricche considerando una gamma più ampia di risultati potenziali.

Vermorel prosegue spiegando che le previsioni probabilistiche possono essere “ridotte” a previsioni classiche prendendo una media. Tuttavia, questo processo omette informazioni preziose sugli eventi estremi o “tail” - quelli con domanda sorprendentemente alta o bassa. Questi eventi sono spesso più impattanti dal punto di vista finanziario nei contesti delle supply chain, dove le deviazioni dalla media possono portare a esiti costosi come le rotture di stock o la cancellazione dell’inventario.

Nonostante questi vantaggi, Vermorel riconosce che molte industrie continuano a utilizzare tecniche di previsione classiche, spesso utilizzando Excel. Precisa che ciò è dovuto all’accessibilità e alla comodità di Excel nel creare previsioni semplici. Passare alle previsioni probabilistiche richiederebbe di abbandonare Excel a causa della complessità e dell’intensità computazionale di considerare un gran numero di futuri potenziali.

Vermorel fa notare che le industrie contraddistinte da un’alta incertezza, come la moda, la manutenzione aerospaziale, il commercio elettronico e la vendita al dettaglio a livello di negozio, sono ideali per le previsioni probabilistiche. Queste industrie si confrontano con l’imprevedibilità, dalle capricciose tendenze della moda alle esigenze sporadiche di parti specifiche per aeromobili, dalla lunga coda delle vendite online alle fluttuazioni delle vendite a livello di negozio nei grandi mercati.

Vermorel individua situazioni in cui le previsioni probabilistiche potrebbero

essere meno adatte, come industrie o casi in cui gli esiti futuri possono essere previsti con precisione. Ad esempio, la produzione di cemento o determinate linee di produzione automobilistica, dove i contratti a lungo termine offrono una chiara visibilità sulle future esigenze. Qui, i metodi di previsione tradizionali sono sufficienti. Il vero valore delle previsioni probabilistiche, osserva Vermorel, emerge in situazioni con una notevole incertezza, in cui gli esiti futuri non possono essere previsti con precisione.

La conversazione poi si sposta sul motivo per cui le previsioni probabilistiche stanno diventando sempre più popolari, nonostante non siano un concetto nuovo. Vermorel individua due fattori principali: la diminuzione del costo della potenza di elaborazione e l’emergere di metodi statistici come il deep learning. Dieci anni fa, le risorse computazionali necessarie per i calcoli probabilistici erano estremamente costose. Con la diminuzione dei costi, questi metodi sono diventati più accessibili. Inoltre, i progressi nel deep learning, un sottoinsieme dell’IA basato sulla modellazione probabilistica, hanno ulteriormente favorito l’aumento delle previsioni probabilistiche.

Parlando del futuro delle previsioni probabilistiche, Vermorel afferma con sicurezza che non ci sarà un ritorno ai metodi classici. Le previsioni probabilistiche offrono una maggiore comprensione del futuro, rendendo controproducente tornare a metodi che offrono meno informazioni. Tuttavia, ammette le complessità coinvolte, specialmente quando gli scenari di previsione coinvolgono molteplici fattori o prodotti. Gli scenari da esplorare si espandono in modo esponenziale con ogni elemento aggiunto, rendendo quasi impossibili i calcoli espliciti di probabilità. Questo, secondo Vermorel, spingerà i metodi futuri verso calcoli che non cercano di esprimere tutte le probabilità, un approccio già utilizzato dal deep learning.

La discussione si conclude con Vermorel che dipinge un quadro di come le previsioni future potrebbero tenere conto dell’incertezza e integrare variabili complesse. Considerando tutti i futuri potenziali, comprese le variazioni nella domanda di prodotti, i tempi di fornitura e gli aggiustamenti dei prezzi, le possibilità diventano praticamente illimitate. Tuttavia, Vermorel sottolinea che l’obiettivo non dovrebbe essere quello di esaminare singolarmente ogni possibile futuro, ma di utilizzare tecniche matematiche che consentano l’esplorazione di molti scenari possibili senza necessariamente elencarli. Sebbene questo approccio presenti numerose sfide, apre anche nuove opportunità di esplorazione nel campo delle previsioni.

Trascrizione completa

Kieran Chandler: Oggi su Lokad TV, parleremo esattamente di cosa sono le previsioni probabilistiche, perché possono essere vantaggiose e anche come possono essere implementate nelle aziende per migliorare il loro funzionamento. Quindi Joannes, un argomento di interesse al momento, abbiamo così tanti appassionati di sport e scommettitori che cercano di capire chi vincerà esattamente la Coppa del Mondo. Forse un buon punto di partenza è: cosa sono le previsioni probabilistiche?

Joannes Vermorel: Le previsioni probabilistiche rappresentano una classe di previsioni in cui si dispone di informazioni imperfette sul futuro. Si ha un’idea dei futuri probabili, dei futuri che hanno una possibilità di accadere, rispetto ai futuri che non hanno possibilità di accadere. Tipicamente, quando le persone pensano alle previsioni, le considerano definitive, come ad esempio “Questa squadra vincerà”. Ma il punto è che non si sa con certezza; è solo una certa probabilità che questa squadra vincerà. Una previsione più accurata consiste nel avere un elenco di squadre molto forti che hanno collettivamente una probabilità molto alta di vincere. Non è soddisfacente come sapere il vincitore, ma nessuno può mai saperlo a causa dell’incertezza in gioco. Le previsioni probabilistiche riguardano l’affermazione sul futuro che coinvolge le probabilità. Abbracciano proprio l’idea che non si sa tutto sul futuro e non si pretende di saperlo.

Kieran Chandler: Quindi qual è il principale vantaggio rispetto alle tecniche di previsione più tradizionali?

Joannes Vermorel: Il principale vantaggio è che le previsioni probabilistiche ti danno un punto di vista per affrontare tutte le asimmetrie che hai nella supply chain. Quello che intendo per asimmetrie è il fatto che il costo di sovrastimare o sottostimare la domanda non è simmetrico. Ad esempio, prendiamo l’aerospaziale. Se sovrastimi la tua domanda, potresti avere una vite in magazzino che non userai mai. Ma se sottostimi il tuo bisogno di viti, puoi avere un aereo bloccato solo perché manca una vite, e ciò potrebbe costarti centinaia di migliaia di euro in riorientamento dei passeggeri e ritardi. Il problema con le previsioni classiche è che miri alla media. Ma nella supply chain, non è necessariamente la media che vuoi garantire. I tuoi costi sono tipicamente molto più influenzati dagli estremi. Se hai troppo inventario nel settore della vendita al dettaglio di alimentari, potresti doverlo scartare completamente, perdendo tutto l’investimento.

Kieran Chandler: Quindi se parliamo di questi estremi, sono fondamentalmente dei limiti, giusto? Quindi come possiamo stabilire dove sono questi limiti?

I limiti possono essere sfuggenti; è una questione di probabilità. Ad esempio, se di solito hai in un negozio una domanda di, diciamo, cinque unità al giorno per un determinato prodotto, allora potresti avere una probabilità del 5% di osservare dieci unità richieste in qualsiasi giorno, una probabilità del 1% di averne richieste 20, e una probabilità quasi zero di averne richieste 50 in qualsiasi giorno. Quindi, non c’è un limite finale, è un continuum di eventi che diventano sempre più rari, e puoi valutare le probabilità di ciò. Tuttavia, in questo continuum, stai dicendo che stai prevedendo ogni singola possibilità? Sicuramente, devi tracciare una linea da qualche parte. Non puoi sapere esattamente cosa succederà domani. Ad esempio, se ti stanno consegnando dei prodotti, c’è una probabilità che la nave su cui arrivano possa affondare. Puoi davvero considerare ogni singolo futuro possibile?

Joannes Vermorel: C’è un limite a ciò che possiamo valutare a causa delle risorse di calcolo. Sì, abbiamo computer con molta memoria e potenza di elaborazione, ma dobbiamo limitare il numero di caratteristiche che valutiamo a un numero finito. Tuttavia, i computer hanno risorse di calcolo enormi. Quindi, anche se il numero di futuri che possono valutare è finito, può comunque essere estremamente grande. Ad esempio, per un prodotto che di solito vende solo poche unità al giorno, puoi ancora valutare in modo conveniente la probabilità di vendere mille unità anche se è una possibilità remota di una su un milione. Allo stesso modo, per il rischio di un naufragio della nave, è forse una possibilità su un milione, ma un computer può eseguire miliardi di calcoli al secondo.

Mentre potremmo non considerare il rischio di un naufragio della nave, possiamo valutare il rischio che una nave venga trattenuta indefinitamente in dogana. Ciò può accadere e può causare un ritardo di tre mesi a causa di problemi con il processo doganale. Un tale ritardo sarebbe quasi equivalente al naufragio della nave, per quanto riguarda la tua spedizione. Ad esempio, se ti aspetti costumi da bagno, la stagione sarà finita quando li riceverai. Sarà inverno e il tuo prodotto sarà inutile.

Kieran Chandler: Sì, una nave sul fondo dell’oceano è davvero un esempio estremo. Parliamo dei modelli matematici che hai menzionato. Come sappiamo quale è il migliore da usare? Da quello che ho capito, ci sono diverse previsioni e diverse tecniche di previsione a seconda del modello matematico che usiamo.

Joannes Vermorel: Prima di tutto, hai bisogno di un modello matematico che generi distribuzioni di probabilità, il che è molto diverso dai modelli che potresti usare in Excel. Quando le persone pensano alle previsioni, immaginano tipicamente una sorta di media mobile. Considerano quale è stata la domanda la settimana scorsa o l’anno scorso, fanno la media del periodo di tempo rilevante e ottengono una previsione. Non è un metodo sbagliato, ma produce una singola stima puntiforme.

Quando vuoi muoverti verso il mondo probabilistico, hai bisogno di qualcosa che generi una distribuzione di probabilità. Hai a disposizione una varietà di modelli matematici. Il più famoso è il modello di Poisson, o se vuoi essere davvero sofisticato, puoi dare un’occhiata ai modelli binomiali negativi. Queste sono diverse classi di modelli parametrici, ma puoi anche avere modelli non parametrici.

Kieran Chandler: Capisco che l’uso di un modello matematico più sofisticato può generare probabilità che possono aiutare a prevedere la domanda. Tuttavia, questo non sembra essere la fine del processo. Qualunque cosa accada, il tuo modello può sempre dire “te l’avevo detto”. Se prevede 10 unità di domanda e ne osserviamo 10, il modello è corretto. Se osserviamo 100 unità, il modello dice comunque che c’era una probabilità che ciò accadesse. Quindi come sappiamo se un modello è buono o no?

Joannes Vermorel: Hai ragione. Ecco perché abbiamo bisogno di metriche migliori, metriche adatte alle previsioni probabilistiche. Se il tuo modello assegna una probabilità alta a un evento che effettivamente si verifica, allora il tuo modello sta funzionando bene. Ad esempio, se prevedo che l’Italia ha un'80% di probabilità di vincere la Coppa del Mondo e non vince, il modello è impreciso. Tuttavia, se dico che l’Italia ha una probabilità del 5% e non vince, allora il modello è ragionevolmente accurato. Queste metriche misurano quanto peso, in termini di probabilità, stai mettendo su cose che stanno effettivamente accadendo.

Kieran Chandler: È interessante che tu menzioni l’accuratezza. Come si confronta l’accuratezza di una previsione probabilistica con una previsione tradizionale? Sembra che misurino cose molto diverse.

Joannes Vermorel: Infatti, lo fanno. Una previsione probabilistica non è, per definizione, più accurata di una previsione classica. Tuttavia, una distribuzione di probabilità può essere ridotta a una previsione classica prendendo la media. Il problema è che perdi tutte le informazioni sulle code - gli eventi in cui la domanda potrebbe essere sorprendentemente alta o bassa. Puoi misurare l’accuratezza di una previsione probabilistica con una metrica tradizionale come l’errore percentuale medio assoluto, ma non ha molto senso. L’obiettivo è catturare più informazioni sugli eventi sorprendenti. Vuoi che la tua previsione sia accurata dove conta davvero dal punto di vista finanziario. Nella gestione della supply chain, questa non è sempre la situazione media.

Kieran Chandler: Quindi, in sostanza, il vantaggio delle previsioni probabilistiche è che ti permettono di avere una visione più ampia e di produrre previsioni più ricche?

Joannes Vermorel: Sì, esattamente. Ti danno più dimensioni, più profondità per capire il futuro.

Kieran Chandler: Ma nonostante questo, molti nell’industria continuano a utilizzare tecniche di previsione tradizionali. Perché le persone sono ancora soddisfatte di utilizzare questi metodi?

Joannes Vermorel: Non direi necessariamente che sono felici di utilizzare queste tecniche. La realtà è che la maggior parte delle supply chain si basa ancora pesantemente su strumenti come Excel, che non sono progettati in modo conveniente per produrre previsioni probabilistiche.

Kieran Chandler: Le previsioni, intendo dire, è possibile produrre una previsione poetica ma non è nemmeno lontanamente conveniente. Produrre una previsione classica significa semplicemente costruire una sorta di ricetta di media mobile e poi sei a posto. Tuttavia, quando si vuole passare al mondo probabilistico, bisogna rinunciare a Excel. Non solo devi smettere di generare la previsione in Excel, ma devi anche smettere di prendere le decisioni in Excel. Perché è così?

Joannes Vermorel: La tua decisione sarà un’esplorazione di tutti i futuri possibili. Valuterai tutte le decisioni possibili e rifletterai su quelle decisioni rispetto a tutti i futuri possibili per valutare l’esito economico di ogni singola decisione. In questo modo, puoi selezionare direttamente la migliore decisione basata su tutti i possibili risultati. Improvvisamente, vedi, hai un gran numero di caratteristiche da considerare e un gran numero di decisioni da valutare rispetto a futuri possibili ancora più grandi. Diventa molto più intensivo dal punto di vista computazionale e fondamentalmente incompatibile con Excel.

Kieran Chandler: Quindi, se ho capito correttamente, la ragione per cui le persone non lo fanno è principalmente perché mancano degli strumenti necessari. Si rivolgono a Excel non perché lo preferiscono, ma perché ERP non è riuscito a fornire il tipo di analisi del rischio sofisticata di cui hanno bisogno per prendere le decisioni corrette per la loro supply chain. Quindi, se parliamo di quelle industrie, in quali settori funziona meglio la previsione probabilistica? Dove stai ottenendo i migliori risultati per una previsione probabilistica?

Joannes Vermorel: Le previsioni probabilistiche brillano davvero quando c’è incertezza. Ad esempio, se vuoi produrre previsioni di consumo di elettricità a livello nazionale, puoi farlo con un alto grado di precisione. Puoi avere una previsione accurata al 0,5% se vuoi prevedere il consumo di elettricità della Francia per intervalli di un’ora, probabilmente fino a 48 ore in anticipo. Questa è una situazione in cui conosci quasi perfettamente il futuro. Lo stesso vale se vuoi prevedere quanta traffico avrai sulle strade, puoi avere previsioni molto accurate perché è altamente prevedibile. Ma se ti sposti verso settori in cui l’incertezza è maggiore, è lì che le previsioni probabilistiche diventano più preziose.

Kieran Chandler: Puoi darmi alcuni esempi di questi settori?

Joannes Vermorel: Assolutamente. Settori come la moda, dove le tendenze sono molto erratiche, sono buoni esempi. La moda ha molta incertezza irriducibile. Anche l’aerospaziale e la manutenzione in generale hanno un grande grado di incertezza, non perché gli aeromobili siano incerti, ma perché hai molte parti che sono raramente necessarie. Non sai quando avrai bisogno di una parte e hai così tante parti di ricambio e aeromobili che non è come vendere bottiglie di latte in un mercato aperto dove vendi centinaia di unità ogni giorno. È molto più erratico.

L’e-commerce in generale è un altro esempio. La lunga coda dei prodotti è effettivamente molto lunga e la maggior parte delle vendite proviene da prodotti con vendite intermittenti ed erratiche. E non dimentichiamo tutto ciò che accade al punto vendita e a livello di negozio. Anche se guardi cosa succede in un negozio, anche in un ipermercato che può avere fino a centomila referenze, hai solo, in Europa ad esempio, circa 2.000 prodotti che venderai cinque unità o più ogni singolo giorno. Tutti gli altri prodotti venderanno meno di cinque unità al giorno. Quindi, sono numeri piccoli e la natura erratica è grande. Le previsioni probabilistiche brillano qui perché ti danno una visione dei rischi che hai per le decisioni di inventario che prendi.

Kieran Chandler: Quindi, in conclusione, le previsioni probabilistiche brillano in settori in cui c’è un alto livello di incertezza?

Joannes Vermorel: Esattamente.

Kieran Chandler: Quindi, quando hai molta incertezza e devi ottimizzare le tue decisioni considerando tutte le possibilità, sia quelle con una domanda sorprendentemente bassa che quelle con una domanda sorprendentemente alta. Ok, abbiamo parlato molto dei vantaggi delle previsioni probabilistiche. Abbiamo parlato di dove funzionano bene. Ma come è per quei settori in cui non è così appropriato usarle? Ci sono settori in cui le previsioni classiche sono sufficienti?

Joannes Vermorel: Sì, ad esempio, se produci cemento e hai clienti che ti danno un backlog di ordini per i prossimi tre anni, allora non hai bisogno di previsioni. Se conosci il futuro, può succedere anche per alcune linee di produzione nel settore automobilistico. Quando sai che 12 mesi dopo sai esattamente cosa produrrai perché è un grande produttore di automobili che ti dà una roadmap molto precisa e può deviare al massimo del cinque percento. Se non c’è più incertezza residua sui tuoi piani ed è solo una questione di esecuzione pura, allora effettivamente le previsioni probabilistiche non ti aiuteranno. Le previsioni probabilistiche ti aiuteranno solo se c’è una certa erraticità. Se non puoi conoscere il futuro perfettamente, se hai già la tua roadmap congelata per i prossimi 12 mesi, allora fondamentalmente non ti interessa delle previsioni probabilistiche.

Kieran Chandler: Ok, e perché le aziende stanno iniziando a utilizzare le previsioni probabilistiche ora? Voglio dire, non è una tecnologia particolarmente nuova, giusto? Quindi perché ora è il momento in cui iniziano a vederla utilizzata più comunemente nel settore?

Joannes Vermorel: Ci sono probabilmente diverse ragioni. Prima di tutto, richiede molta più potenza di calcolo, quindi si finisce con modelli statistici che consumano da 100 a 1.000 volte più potenza di calcolo. La buona notizia è che la potenza di elaborazione non è mai stata così economica, quindi raramente è il collo di bottiglia. Ma comunque, significa che dieci anni fa, la maggior parte di questi calcoli di probabilità erano estremamente costosi. È molto diverso poter gestire la tua supply chain con un budget di 2.000 euro al mese per la potenza di calcolo, o due milioni di euro al mese per la potenza di calcolo. Fa una grande differenza nella pratica. Ecco cosa significano tre ordini di grandezza in termini di costo. Quindi, chiaramente, il fatto che la potenza di calcolo sia molto più economica ha aiutato molto a rendere questi metodi molto più pratici. La seconda cosa è che c’è un’intera classe di metodi statistici noti come deep learning, da cui deriva il buzzword dell’intelligenza artificiale. Si tratta di deep learning e il deep learning si basa su previsioni probabilistiche. Potrebbe non interessarti o capire le tecniche, potresti semplicemente apprezzare il fatto di avere un software che fa il riconoscimento vocale per te, ma in realtà è guidato da calcoli probabilistici sotto il cofano. Prima abbiamo avuto più potenza di calcolo, poi abbiamo avuto teorie matematiche come il deep learning che sono emerse come migliori nei benchmark dell’IA. Ad esempio, quando l’IA è riuscita a superare giocatori come il campione del mondo di Go, è stato utilizzato un metodo probabilistico, non combinatorio.

Kieran Chandler: Ok, quindi sembra che le previsioni probabilistiche siano molto attuali, ma cosa ne sarà del futuro? Voglio dire, come vedi i prossimi passi per le previsioni probabilistiche? Puoi immaginare che dureranno a lungo, o come le vedi?

Joannes Vermorel: Sì, voglio dire, penso che il gatto sia fuori dalla scatola e non tornerà indietro. Probabilmente non torneremo più alle previsioni classiche. Una volta che hai una previsione probabilistica, sai molto di più sul futuro, quindi sarebbe molto strano tornare a un approccio che ti dava fondamentalmente molte meno informazioni.

Kieran Chandler: Meno informazioni sul futuro ora, anche se diciamo che vogliamo esplorare tutti i possibili futuri. Nella pratica, non esploriamo tutte le possibilità. Ad esempio, possiamo dire che ho una probabilità di vendere zero, una unità, due unità, tre unità di questo prodotto e posso fare un’analisi simile per un altro prodotto. Ma cosa dire della probabilità congiunta per quei due prodotti insieme?

Joannes Vermorel: Infatti. Improvvisamente, devo stimare forse cento scenari per considerare tutta la domanda per il mio prodotto A. Devo valutare cento scenari per tutta la domanda per il prodotto B. Ma cosa dire di guardare tutti gli scenari per il prodotto A e B insieme? Sarebbero diecimila scenari da considerare. E se aggiungo un terzo prodotto con cento scenari, sarebbero un milione di scenari da considerare. La situazione diventa rapidamente più complicata se si vogliono esprimere esplicitamente tutte le probabilità. Penso che vedremo sempre più in futuro metodi che non cercano nemmeno di esprimere quelle probabilità. Non si cerca nemmeno di calcolare tutte le possibilità per tutte le cose che possono accadere. Ci sono metodi che effettuano questi calcoli senza esprimere esplicitamente le probabilità. Questo è ciò che riguardano l’apprendimento profondo e le tecniche di intelligenza artificiale. Calcolano le probabilità, ma non esprimendo tutto come una probabilità. Il grande vantaggio è che puoi esplorare scenari sul futuro estremamente complicati, e molto al di là delle capacità di qualsiasi computer ragionevole, o anche di una flotta di computer.

Puoi comunque esplorare tutte quelle caratteristiche con trucchi matematici intelligenti. L’essenza dell’apprendimento profondo è che non esplorerai il futuro casualmente. Vuoi concentrarti sui futuri che sono più probabilmente rilevanti per la previsione. Quindi, vuoi concentrarti sulle aree che sono relativamente dense, dove c’è una maggiore probabilità che ci sia un futuro di interesse, invece di cercare casualmente di esplorare tutto.

Questo approccio sbloccherà tonnellate di scenari. Ad esempio, una delle cose che proveremo probabilmente a esplorare quest’anno sarà esplorare non solo tutti i possibili livelli di domanda per i prodotti, ma anche guardare a tutti i possibili orizzonti nel tempo. Vuoi una previsione per la domanda che può iniziare in qualsiasi momento e può terminare in qualsiasi momento, entrambi casualmente.

Questo è un modo, ad esempio, per riflettere uno scenario in cui hai una spedizione che arriva tramite una nave e hai incertezza. Non sai esattamente quando il prodotto smetterà di essere disponibile per la vendita nel tuo negozio, online o offline, e vuoi tenere conto di questa incertezza quando fai i tuoi piani per l’inventario.

Devi tenere conto del fatto che hai incertezza su quando le merci saranno ricevute e quando la domanda inizierà e finirà effettivamente. Se vuoi guardare ancora più avanti, sarebbe molto interessante iniziare a esplorare scenari ipotetici.

Come parte della nostra roadmap a lungo termine, abbiamo persino intenzione di iniziare a esplorare quali sono tutti i possibili futuri se si considerano tutti gli aggiustamenti dei prezzi che si possono fare sui tuoi prodotti. Vuoi vedere quali sono tutti i possibili futuri per la domanda se lasci i prezzi come sono e cosa succede se inizi a esplorare tutte le possibilità per tutti gli aggiustamenti di prezzo che puoi fare in più.

Quando inizi a pensare a tutti quei possibili futuri, i numeri diventano estremamente grandi. Il trucco è che non vuoi cercare di iterare individualmente su tutti quei futuri. Vuoi avere qualche tipo di tecnica matematica che ti permetta di esplorarne molti senza cercare di enumerarli.

Kieran Chandler: Beh, sembra che ci siano così tante possibilità. Sono contento che sia lasciato ai computer perché altrimenti il mio cervello probabilmente esploderebbe. Ma dobbiamo lasciarlo qui per oggi. Grazie per averci dedicato del tempo per parlare delle previsioni probabilistiche. È stato davvero interessante. Grazie. Questo è tutto per l’episodio di oggi. Torneremo la prossima settimana, ma fino ad allora, assicurati di essere iscritto ai nostri video e ci vedremo presto. Ciao per ora.