00:00:08 イントロダクションとSpyros Makridakisの経歴。
00:01:36 初期における統計的予測への懐疑。
00:04:44 小売業と消費財における予測の進化。
00:05:44 Spyrosによる最初の予測研究の結果。
00:07:21 M5コンペティションと予測業界へのその意義。
00:08:01 予測コンペティションにおけるLokadのパフォーマンス。
00:09:01 シンプルなモデルとコンペティションにおけるその有効性。
00:10:20 年々進化する予測手法。
00:11:46 コンピューターの導入と予測への影響。
00:14:32 テストシナリオと実世界での適用、及び方法論的バイアス。
00:16:00 変動の激しい時系列予測の課題についての議論。
00:17:20 予測を科学と捉える認識の変化。
00:18:28 予測における過信と非現実的な期待の問題。
00:21:00 予測における不確実性とファットテールイベントへの対処。
00:23:01 極端な事象を考慮した予測モデルへの構造的事前情報の注入。
00:24:00 テールイベントが予測モデルに与える影響について議論。
00:24:46 より強靭なサプライチェーンの意思決定のための構造的事前情報の注入。
00:25:52 ブラックスワンイベントを理解するためにNassim Talebの著作を推奨。
00:26:35 Mコンペティションからの成果：シンプルさ、不確実性の理解、及びリスクマネジメント。
要約
このインタビューでは、Kieran ChandlerがLokadの創設者Joannes Vermorelと、ニコシア大学の教授であるSpyros Makridakisと共に予測について議論しています。彼らはM-Competitionsの影響、シンプルな手法の有効性、そして予測における不確実性の役割について探求します。VermorelはM5コンペティションでの体験を共有し、シンプルなモデルの力と不確実性を理解する重要性を強調しています。Makridakisは実証的証拠の重要性と、リスクに直面した際の備えの必要性を強調します。彼らは予測の限界と、不確実性の受容をクライアントに伝える難しさについても指摘しています。
詳細な要約
このインタビューでは、ホストのKieran ChandlerがLokadの創設者であるJoannes Vermorel、およびM-Competitionsのオーガナイザーでありニコシア大学の教授でもあるSpyros Makridakisと対話します。議論は予測科学と、M-Competitionsが業界に与えた影響に焦点を当てています。
Spyros Makridakisは、教師としての経歴と、学界及び業界双方に影響を及ぼしたM-Competitionsのオーガナイザーとしての背景を語ります。インタビューは後にM5コンペティションについてさらに掘り下げられます。
Joannes Vermorelは、2007年にLokadを設立した際に直面した懐疑論について語ります。当時、一部の人々は統計的予測が信頼できないと考えていました。時が経つにつれて、この見解は業界からほぼ消え、Vermorelは予測分野を科学的な試みとして正規化する上で、MakridakisのM-Competitionsの功績を評価しています。
Makridakisは、テキサス州の現状を例に挙げながら予測の重要性を強調します。テキサスではスーパーマーケットが完全に品切れとなっており、普段はWalmartやTargetのような企業が毎週何百万もの商品の需要を予測しているため、消費者は必要なものを見つけることができます。ストックアウトが発生すると、人々は問題が起こった時にのみその有効性に気付くのです。
Makridakisは自身の初期のキャリアを振り返り、さまざまな精度に関する初の研究と、異なる予測手法の評価を行ったことを語ります。その結果、シンプルな手法が高度な手法よりも精度が高く、手法の組み合わせによって精度が向上することが示され、当初は懐疑的に受け止められたものの、これらの知見は後に実証され、予測分野に大きな影響を与えました。
彼らは予測手法、M5コンペティション、及び技術がこの分野に与えた影響について議論します。
Makridakisは、ディープ-ラーニングを用いた新しい予測手法が、大量のモデルを生成しその中央値を最良の予測とするプロセスを説明します。VermorelはM5コンペティションでの自身の経験を共有し、Lokadが909チーム中6位にランクインしたことをquantile forecastingの観点から述べます。彼は主要競合他社がトップ100に入っていないことや、市場シェアとコンペティションでの成績の乖離を強調します。
その後、VermorelはLokadが非常にシンプルなパラメトリックモデルを使用したことを指摘し、予測におけるシンプルな手法の力を実証しました。加えて、彼は予測において精度だけが重要な要素ではなく、不確実性の構造を理解することも非常に重要であると強調します。Makridakisもこれに同意し、M5コンペティションの結果、シンプルな機械学習手法が高度な手法よりも精度が高く効果的であることが示されたと述べます。
会話は予測におけるコンピューターの導入に移り、Makridakisは成功の鍵はシンプルさにあると説明します。彼は、過去への過剰適合（一般化）を避け、過去と未来の変化を考慮するために予測データを訓練用とテスト用に分割する重要性を説きます。Vermorelも同意し、まだ利用可能でないデータを正確に予測する困難さと、未来が過去と全く同じであるとは限らないという点を強調します。
彼らは予測の進化、データの過剰適合を避ける重要性、及び予測における不確実性の意義について議論します。
Vermorelは、20世紀末における予測理論の発展について説明し、VapnikとChervonenkisの研究がサポートベクターマシンのコンセプトに貢献したことを語ります。これらの機械は、構造的誤差と実証的誤差の両方の最小化の必要性を浮き彫りにし、実際の誤差に対する下限を示しました。
Makridakisは、予測コンペティションで一部のデータを控えることで、クリーンな予測手法を確立する手段としての意義を強調します。彼は、過去の事象に完璧に適合させるためにデータを過剰に適合させる誘惑が、将来の予測の正確性を損なう現実の状況と対照的であると述べます。
Vermorelは、Lokadでの経験から、例えばハイパーマーケットでのアルコール消費のような変動の激しい時系列に対して、より滑らかな予測が生成されたことにクライアントが驚いた例を共有します。競合他社はしばしば、過去の激しい変動をそのまま模倣した予測を提示し、それがクライアントにとってLokadの滑らかな予測に対する懐疑心を招いていました。
Makridakisは、予測を科学として捉える認識の変化について議論し、過去と未来を分け、過去のデータに過剰に適合させないことの重要性を強調します。彼はまた、予測における不確実性を考慮する重要性を強調し、クライアントがこの側面を評価しない場合でも、現実的な予測には不可欠であると述べます。
議論は予測に対する期待について行われました。Vermorelは、小売業界の一部の競合他社が非常に高い精度を誇大に主張するが、それは消費者行動の本質を考えると現実的ではないと指摘します。これにより、人々が予測に対し過剰な期待を抱き、それを絶対視しているかどうかが問われます。
会話は予測、その限界と課題、及び不確実性や稀な事象が供給チェーン最適化に与える影響について展開されます。
参加者は、一部のベンダーやコンサルタントが非常に精度の高い予測というアイデアを過大に宣伝し、ユーザーに非現実的な期待を抱かせる傾向について議論します。彼らは、予測は完璧ではなく、特に小売などの分野では不確実性が本質的であると強調します。Makridakisは、通常の不確実性だけでなく、稀で極端なイベントからなる「ファットテイル」不確実性が存在し、COVID-19パンデミックのような重大な混乱を引き起こす可能性があると指摘します。
Vermorelは、コンサルタントが過大な約束をする問題に同意し、確率的予測の課題は技術的な側面ではなく、不確実性の受容と制御の限界を伝えることにあると述べます。彼は、シンプルな予測モデルがテールイベントを考慮するための構造的事前情報を注入するのに有用であり、たとえその定量化が曖昧であっても、決定駆動最適化により、稀な事象に直面した際により堅牢で回復力のある解決策へと導くことができると説明します。
Makridakisは、何が機能し何が機能しないかを実証的証拠によって判断する重要性を強調します。M-Competitionsを通じて、シンプルさが最も効果的であること、そして過去のランダム性と予測不可能性を認めることの重要性が明らかになりました。彼は、予測に伴う不確実性とリスクを認識し、それに備える必要性を強調します。
このインタビューでは、予測の課題と限界、意思決定における不確実性の役割、及び供給チェーン最適化において稀な事象を組み入れる重要性について触れられています。
完全な文字起こし
Kieran Chandler: 予測に関して、私たちは何世代にもわたり検証されてきた確立された手法が存在すると当然のことのように考えがちです。しかし、そのような恵みを受けられなかった人物が、本日のゲストであるSpyros Makridakisです。彼は業界の先駆者の一人として、標準となった多くの手法を実際に発明しました。今日は彼のキャリアと、50年以上にわたる業界経験から何が学べるかについてお話を伺います。ではSpyros、本日はキプロスから生中継でご参加いただきありがとうございます。まずはゲストの皆様についてもう少しお伺いしたいので、自己紹介をお願いできますか。
Spyros Makridakis: ご存知の通り、私は長年教師を務めてきました。そこで予測の研究を始めたのです。その後、その分野を離れ、15年前に退職しましたが、現在はキプロスの大学で活動を続けています。また、貴社がM4およびM5コンペティションに参加していることも承知しております。私は過去40年間、これらのコンペティションの運営に携わってきました。ですから、私の貢献と、Makridakisコンペティションが予測業界、そしてその成果を活用する企業や学界にどのような影響を与えたかをご存じいただけると思います。
Kieran Chandler: 素晴らしいですね！では、後ほどM5コンペティションについて議論しましょう。まずは、過去50年にわたる予測科学の歴史を振り返りたいと思います。Joannes、いかがでしょうか？
Joannes Vermorel: はい、興味深いのは、私が2007年にLokadを創業した際、統計的予測という考え自体に対して非常に懐疑的な人々がまだ多く存在していたことです。当時、私は既に始めていたものの未完の機械学習の博士課程を続けるべきか、あるいはLokadというプロジェクトを進めるべきか迷っていました。スタートアップ・インキュベーターに応募した際、初回の応募が却下されたのは、審査員の中に統計的予測は全くのナンセンスだと固く信じる二人がいたためです。まるで「占いを売ることをビジネスプランとするスタートアップは受け入れられない」と言われたかのようでした。もちろん、占いで金を稼ぐことは可能で、古くから行われてきたことです。しかし、そのような企業がインキュベーターに入るという考えは到底許されるものではありませんでした。面白いことに、それはほぼ最後の世代の考えだったと思います。私がLokadを運営しているこの十数年の間に、この信念を持ち続ける者はほとんどいなくなりました。本当に、これはまさに現場で実践された科学そのものでした。
Kieran Chandler: Joannes、Spyros、本日はご参加いただきありがとうございます。Joannes、あなたの貢献とM-Competitionsは、予測分野を正当な科学として定着させる上で極めて重要な役割を果たしたと考えています。予測はもはやフリンジな科学ではなく普通の科学となりました。現在テキサスで起こっている状況は興味深いです。スーパーマーケットは完全に品切れとなっており、食品やその他の必需品が見つからない状況です。予測について話すとき、私は普段スーパーマーケットに行けばほしいものが手に入ることを考えるよう伝えています。スーパーマーケットには何百万もの商品があり、それぞれの商品の需要を予測しています。WalmartやTargetのような企業は、毎週何百万もの商品の需要を予測しているため、消費者は自分の欲しいものを見つけることができるのです。供給が不足すると、たとえば現在のテキサスのような状況では、人々は驚くものですが、実際にはその時にのみ問題が発生するということが、予測の優秀さを証明しています。
Spyros Makridakis: 全くその通りです、キアラン。私の研究によって、予測手法はさまざまな面で形作られてきました。若い教授として初めてキャリアを始めたとき、状況は全く異なっていました。異なる予測手法がどの程度正確に予測できるかについての最初の研究を行ったのですが、その結果は当時の統計学者たちを驚かせました。ロイヤル・スタティスティカル・ソサエティでロンドンにて結果を発表したところ、皆が私を攻撃し、「我々は予測の経験が浅いためこの結果が出た」と言われたのです。非常に単純な手法が高度なものより精度が高く、複数の手法を組み合わせれば精度が向上することが分かりました。これらの発見は、最高の手法が見つかるはずであり、より高度な手法の方が正確だと信じていた当時の統計学者たちにとっては受け入れがたいものでした。しかし今では、ディープラーニングを用いた新しい技術が500種類のモデルで予測を行い、その中央値を取ることで最良の予測を実現しているのです.
Kieran Chandler: ジョアンネス、M5コンペティションはあなたがそれほど前に参加された大会ですね。ベンダーの視点から見ると、M5コンペティションはあなたにとってどのような意味を持っていますか？
Joannes Vermorel: M5コンペティションは非常に楽しいものです。私たちの予測能力を披露し、業界内の他者と協力する数少ない機会の1つです。これにより、手法を向上させ、分野全体の競争力が保たれ、イノベーションと進歩が促進されます.
Kieran Chandler: 皆さん、本日のインタビューへようこそ。今日は、Lokadの創設者であるジョアンネス・ヴェルモレル氏と、ニコシア大学の教授、未来研究所のディレクター、さらにINSEADの意思決定科学名誉教授であるスピロス・マクリダキス氏にお越しいただいています。ジョアンネス、あなたはMコンペティションに参加されていますが、もう少し詳しく教えていただけますか？
Joannes Vermorel: はい、Mコンペティションは世界的に認められたイベントで、マーケティングに重点を置く展示会とは異なり、スキルに基づいて競う場です。興味深いことに、トップ100社を見渡しても、最大の競合他社は一社も参加していませんでした。これは、彼らが提供しているのは予測であるという事実から考えると驚くべきことです。つまり、実際のテストでの結果と、この市場で観察される典型的な市場シェアとの間には大きな乖離があるのです。もう一つコメントしたいのは、私たちのモデルのシンプルさです。Lokadは、分位予測部門で909チーム中6位という成績を収めましたが、使用したのは曜日、月初・月末、そして年の週番号という3つの非常に基本的なパラメトリックモデルだけでした。ESSMを用いて、グラディエントブースター・ツリーと大規模なデータ拡張スキームを用いた最良のモデルと比べて、1%以内の精度の結果を達成しました。興味深いのは、使用した複雑性がわずか0.001に過ぎなかった点です。これは、非常にシンプルな手法でも強力になり得ることを示していると思います。また、コンペティションは、古典的な意味での精度だけが重要な要素ではないことも示しました。不確実性の構造をよりよく理解するなど、予測の他の側面も重要なのです。これが確率的予測の本質であり、私たちLokadはこの分野にほぼ10年間取り組んできました.
Spyros Makridakis: おっしゃる通りです、ジョアンネス。第1回Mコンペティションでは、単純な統計手法が高度なものよりも正確でした。そしてM5コンペティションでは、単純な機械学習手法がディープラーニングのような高度な機械学習手法よりも正確であることが分かりました。精度と不確実性の両方のチャレンジにおいて、最上位の競技者は単純な機械学習手法を用い、Walmartのデータに対して最も正確かつ効果的な予測を実現しました。M5コンペティションの興味深い点の1つは、皆がコンピュータベースの予測技術を使用していることです.
Kieran Chandler: そしてそれは現在、業界全体で標準となっていますが、スピロ、あなたが教授としてキャリアを始めた頃は、まさにコンピュータの黎明期以前のことでした。では、コンピュータの導入はあなたのやり方をどのように変えたのでしょうか？どのような機会をもたらしたのですか？
Spyros Makridakis: 機会というのは、物事を単純にしてくれたという点にあります。予測には2つの側面があり、1つは過去のデータに適合させる部分、これは容易な方です。競技を始める前は、人々は未来も過去と全く同じだと考え、過去に過度に適合させていました。予測データを訓練用とテスト用に分けるという発想はなかったのです。つまり、訓練部分ではなく、テスト部分、すなわち未来に対してできる限り正確な予測を試みる必要があるのです。未来は過去と全く同じではなく、変化するため、過去に過度に適合させるのは避けるべきです。私たちは、その変化がどのように生じるのかを見極め、未来の予測精度を向上させるために活用しているのです。これは大きな違いであり、過去では未来が過去と同じになると考えられていたのに対し、実際には決してそうならないことが明らかになっています.
Kieran Chandler: それについて同意いただけますか、ジョアンネス？ 過去を振り返ると、何十年にもわたって予測手法がどのように進化してきたかをどうお考えですか？
Joannes Vermorel: スピロス・マクリダキスが指摘していることは根本的な問題だと思います。持っていないデータに対して正確であろうとするという、いわば矛盾した状況が存在します。精度を測定する際、定義上は手元にあるデータに対してその精度を計ることになりますが、実際に求めるべきは、持っていないデータに対する誤差の最小化です。この問題は、20世紀末にヴァーニックとチェルヴォネンキスの理論によって部分的に解決されました。非常に抽象的な理論であり、そこから複雑なサポートベクターマシンが生まれました。彼らは、実測誤差と構造誤差という概念を形式化し始めました。構造誤差とは、持っていないデータに対して生じる、本当の誤差を最小化するという考え方です。実測誤差と構造誤差の両方を最小化する必要があり、これがサポートベクターマシンの本質なのです。サポートベクターマシンは非常に理論的な視点を持ち、いくつかの分野で機械学習技術として大きな成功を収めました。彼らの最も重要な貢献は、より理論的な観点から現状を明確にしたことだと思います。そして、実際に成果を出すためには、データの一部を実際にホールドバックするようなコンペティションに参加するのが、正確な予測を得るための一つの方法だと考えています.
Kieran Chandler: 非常に洗練された方法論を実現するために、コンペティションというテストシナリオで採用しているアプローチは、実世界で行っているものとどのように異なるのでしょうか？実世界では常にすべてのデータにアクセスできるため、マクリダキス教授が指摘したような強い方法論的バイアスが生じます。データにぴったり適合する何かを作ってしまいたい誘惑に駆られるのは非常に理解できます.
Spyros Makridakis: それがかつては行われていた方法です。著名なボックス＝ジェンキンス法は、過去にできる限り適合させるものでしたが、そのために、過去にうまく適合しなくても未来をより正確に予測できる単純な手法に敗れていたのです。過度に適合してしまえば、予測の本質を失うことになります。未来は決して過去と全く同じではありません.
Joannes Vermorel: その通りです。私がLokadを始めたときの、非常に興味深い例があります。例えば、ハイパーマーケットにおけるアルコール消費のような非常に不規則な時系列データを顧客が目にすると、彼らは大変驚くものです。Lokad創業当初、確率的予測を行っていなかったため、古典的な予測手法を用いていましたが、非常に不規則な時系列に対して、私は元のデータよりもはるかに滑らかな予測を提示しました。多くの競合他社は、元の時系列と同様に不規則な予測を示していたのです。顧客はその滑らかな予測値に疑問を呈し、まだ顧客でなかった見込み客とは激論を交わしました。なぜなら、歴史的な不規則で尖った時系列と比べ、これほど滑らかな予測が正しいとは到底信じがたいからです。一方、競合他社は非常に尖った予測値を示し、歴史データそのものに見える結果を提示していました.
Kieran Chandler: それでは、スピロス、あなたのキャリアを通じて予測に対する認識がどのように変化してきたか非常に気になります。予測が科学とみなされるようになった転換点はいつで、主流に受け入れられるようになったのはいつ頃でしょうか？
Spyros Makridakis: まあ、それには時間がかかりました。初期の頃、古典的な統計学者たちは、時系列の変動を追うことが重要だと主張していましたが、それは予測の方法ではありません。ランダム性を予測することはできないと気づくまでには時間がかかりましたし、Mコンペティションが疑いようもなく証明したのは、過去と未来を分離し、過去に過度に適合させず、過去から未来への変化に適応するモデルが重要だということです。これが大きな変化となりました。そして今では、予測を見るだけでなく、その不確実性にも注目すべきだと受け入れられています。心理的な理由から、不確実性について語るのは好まれない面もありますが、予測する以上、不確実性があるのは避けられません.
Kieran Chandler: ジョアンネス、あなたの予測の不正確さはどの程度だと言えますか？ 顧客からは、焦点を当てる一方で、未来には多くの不確実性があるため予測できないと聞かれることが多いです.
Spyros Makridakis: それが現実です。現実的でなければならず、予測には信頼区間のような概念が伴うのです。ジョハネス、予測に対する期待があまりにも高く、人々がそれを完璧なものと期待するようになったと言えるでしょうか？
Joannes Vermorel: 興味深い質問ですね。私はニューヨークで開催されるNational Retail Federationの展示会に何度も参加しましたが、ほとんどの競合他社が小売分野で99%の精度を誇るといった、全く突飛な主張を頻繁にしていました。正直なところ、ハイパーマーケットのようにほとんどの商品が日々少量しか販売されない環境で、99%の精度が何を意味するのか分かりません。消費者が製品を最後の単位まで選ぶかどうかを予測できるというのは馬鹿げています。至る所で非常に正確な予測が可能だと誇大に売り込むベンダーを多く見ましたが、実際はそうではありません。彼らは、統計的予測が人口統計、電力消費、また水消費といった、不確実性の低い他の分野で得た科学的なオーラを利用して、ハイパーマーケットでも同じ精度が達成できると主張していますが、それは全く同じではありません。可能なことは多いですが、精度の面では桁違いなのです.
Spyros Makridakis: 予測を利用する側の最大の問題の一つは、コンサルタントが自信過剰な予測を売り込むために、期待が過度に高くなってしまうことです。現場で私たちがすべきことの一部は、「私たちは預言者ではない。特に小売などのデータは不確実性が非常に大きいと示しており、何かしらの対策が必要だ」と伝えることです。通常の不確実性だけでなく、有害な不確実性―例えば、有名なナシーム・タレブのブラックスワンイベントのように、我々の多くの予測を破壊し、パンデミックのような問題を引き起こすもの―についても言及しなければなりません。不確実性は避けられないのです.
Kieran Chandler: ジョハネス、それに同意されますか？ 以前、コンサルタントが予測に関して過大な約束をしているという話を少ししたことがありましたね.
Joannes Vermorel: はい、同意します。確率的予測において困難だったのは、その技術的側面ではなく、コンサルタントによって設定された高すぎる期待を管理することでした.
Kieran Chandler: ではジョアンネス、確率的予測の重要性と構造的事前情報の注入についてお話しされましたが、もう少し詳しく説明していただけますか？
Joannes Vermorel: もちろんです。確率というのはそれほど難しいものではありません。厄介だったのは、Lokadが確率的予測を採用しているという受け入れを伝えることでした。私たちの予測が粗末だったからではなく、たとえコンペティションで初めからトップにいなくても、決して劣っているわけではないのです。問題は、予測自体の粗末さではなく、制御を超えた要素が存在するという事実を受け入れてもらうことでした。そして、尾部事象の興味深い点は、突如としてあなたのDRを信頼するのが非常に難しくなるということです。これこそが、正直に言って私が非常に関心を持つ点です。つまり、比較的単純で管理可能な（いわゆる非尾部の）予測モデルを維持することで、ある程度の主観性は伴うものの、極めて稀で極端な事象を注入するための構造的事前情報を組み込むことができるのです.
Kieran Chandler: なるほど、それはどのようにサプライチェーン最適化に役立つのですか？
Joannes Vermorel: つまり、基本的にはそれがLokadで私たちが行っていることです。例えば、パンデミックのようなものは予測できません。しかし、私たちができるのは、しかもそれほど複雑なことではなく、「ええと、年間2%の確率で、会社に50%の打撃を与える低迷が起こる可能性がある」という事前仮定を注入できるということです。なぜそうするのか、詳しい理由は分かりませんが、それが合理的な仮定だと分かっているのです。もちろん主観的な要素もあります。なぜ2%なのか、なぜ50%の低迷のうち2%なのか？すべてが非常に主観的なものですが、面白いのは、予測モデルに尾部のリスク要素を注入すれば、その定量化は曖昧であっても、その上に供給チェーンの最適化を構築する際には、あまり多額の投資をせずとも、尾部リスクに対してずっと堅牢な決定へと導けるという点です。つまり、私たちが行っているのは、予測モデルをシンプルに保ち、非常に作り話のように思えるかもしれませんが、合理的な構造的事前仮定を注入することです。それらは正確ではありませんが、結果として日々の供給チェーンの決定が、稀に起こる事象に対してより強靭なものになるのです。そして、そのプロセスは非常にシンプルですが、実際にはブラックスワンを理解してもらうために多くの説得が必要となります。実際、私はよく「ナシーム・ニコラス・タレブの著作を読んでください」と言うのですが、別の偉大なギリシャの思想家であるナシーム・タレブによる600ページの本を勧めるのは、なかなか難しいのです。
Spyros Makridakis: ジョアネス、質問してもよろしいですか？あなたが構造的な事前仮定を注入しているように見えますが、それは予測モデルにおいてバイアスとみなされる可能性があります。このバイアスがモデルの予測精度に悪影響を及ぼすとお考えですか？
Joannes Vermorel: ええ、とても良い質問ですね、スピロス。そこには二つの側面があります。まず第一に…
Kieran Chandler: スピロス、あなたは業界に関わって半世紀になります。ご自身のキャリアを振り返ったとき、最も誇りに思うのは何ですか？
Spyros Makridakis: 私が最も誇りに思うのは、予測において何が効果的で何が効果的でないかという実証的な証拠を示せるという事実です。ただの言葉ではなく、Mコンペティションを通じて実験を行ってきたのです。これらの実験から、どの手法が有効でどの手法がそうでないかをお伝えできます。つまり、シンプルな方法が効果的であるということです。私たちは、過去の出来事に多くの偶然性が含まれており、すべてを正確に予測することはできないと理解しています。予測には不確実性があるためリスクが伴い、そのリスクを予見し、対策を講じる必要があるのです。
Kieran Chandler: 本日はお二人ともお時間をいただき、ありがとうございました。
Joannes Vermorel: どうもありがとうございました。
Spyros Makridakis: インタビューしていただき、ありがとうございました。
Kieran Chandler: 今週はこれで終わりです。ご視聴いただき、誠にありがとうございました。また次回のエピソードでお会いしましょう。
