00:00:08 紹介とロブ・ハインドマンの予測に関する経歴。
00:01:31 実世界の予測手法とソフトウェアの持続可能性。
00:04:08 豊富なデータを活用した各分野での予測技術の適用。
00:05:43 サプライチェーンにおける様々な産業への対応の課題。
00:07:30 エンタープライズソフトウェアとデータ収集の複雑性への対処。
00:08:00 時系列予測とその代替アプローチ。
00:09:05 Lokadが直面する予測分析の課題。
00:11:29 学術ソフトウェア開発における長寿命性とモチベーション。
00:13:12 ポイント予測から確率的予測への移行。
00:15:00 学術的手法の欠陥と実務での実装問題。
00:16:01 コンペティションにおけるシンプルモデルの成果。
00:16:56 エレガントで簡潔な手法の重要性。
00:18:48 モデルにおける精度、複雑さ、コストのバランス。
00:19:25 予測用Rパッケージの堅牢性と動作速度。
00:20:31 ビジネスにおける堅牢性、精度、実装コストのバランス。
00:21:35 予測における問題固有の手法の重要性。
00:23:00 予測手法やライブラリの寿命の予測。
00:25:29 ロブの予測ライブラリ維持への取り組み。
00:26:12 Fableの紹介と時系列予測への応用。
00:27:03 オープンソースの世界とその予測ツールへの影響への感謝。
概要
インタビューでは、Kieran Chandler、Lokadの創設者Joannes Vermorel、およびMonash大学統計学教授ロブ・ハインドマンが、実世界の予測手法の持続可能性について議論する。ハインドマンのオープンソース予測ソフトウェアは数百万人にダウンロードされ、時の試練に耐え、企業の予測問題の約90%を解決可能である。ゲストは、供給チェーン業界という多様なニーズを持つ対象に対応する際の課題と、効果的かつ使いやすいソフトウェアの重要性を強調する。また、優れた予測手法の開発におけるオープンソースソフトウェアと協力の意義についても論じる。
詳細な概要
このインタビューでは、Kieran ChandlerがLokadの創設者Joannes VermorelおよびMonash大学統計学教授ロブ・ハインドマンと共に、実世界の予測手法の持続可能性について議論する。ハインドマンのオープンソース予測ソフトウェアは数百万人にダウンロードされ、他の多くのソフトウェアツールとは異なり、時の試練に耐えている。
Vermorelは、典型的な学術ソフトウェアを超え、彼自身の多くの成果を組み込み、統計解析のための人気のR言語に基づく一貫したフレームワークを提供する包括的なライブラリ群を作り上げたハインドマンの業績をembeddingとして評価している。
ハインドマンの学術研究はサプライチェーンの予測に限定されず、大量のデータを扱うあらゆる分野への予測技法の応用に関心を持っている。彼の研究には、オーストラリア政府向けの電力消費、死亡率、人口、観光客数、そして最近ではCOVID-19症例の予測が含まれている。予測に加え、彼は異常検知や探査的なデータ分析にも取り組んでいる。
サプライチェーン業界という多様なニーズに対応する際の課題について議論する中で、Vermorelは、エンタープライズソフトウェア（ERP、MRP、WMS）がデータを認識し記録する方法がしばしば半ば偶然的であると説明している。
また、予測のために収集されたわけではないデータ使用の複雑さや、あるエンタープライズリソースプランニング（ERP）システムから別のシステムへの移行についても触れ、異なるIT環境や企業ソフトウェア導入時の歴史的偶発性に適応できる予測手法の必要性について論じる。
Vermorelは、ファッションのように時系列分析に適さない文脈、すなわち需要工学や新製品の導入が予測問題に影響を与える状況において、予測の重要性を強調している。彼は、予測に基づくフィードバックループや行動、さらに製品の品ぞろえやプロモーション戦略などの各要因を管理する予測モデルの必要性を訴えている。この多面的なアプローチは、Lokadが直面する複雑な予測分析の課題に対処する上で不可欠である。
ハインドマンは、彼の時系列ソフトウェアが企業の予測問題の約90%を解決できると説明する一方で、残りの10%には異なる手法が必要であると指摘する。また、短命な学術ソフトウェアの問題について、論文発表に専念し長期的なソフトウェア維持への報酬がないことが原因であると述べ、実務家との協力や手法の十分な文書化、長寿命性の確保に注力できなくなる問題を招いていると説明する。
このインタビューは、適応可能な手法の必要性、時系列以外の文脈での考慮、フィードバックループや意思決定が予測モデルに与える影響など、サプライチェーンの最適化と予測の複雑な課題を浮き彫りにしている。また、学術研究と実務との乖離も強調されている。
両ゲストは、効果的で使いやすいユーザーフレンドリーなソフトウェアの開発が、世界に変化をもたらすために重要であると強調する。
ハインドマンは、過去15年間で学術文献においてポイント予測から確率的予測へのシフトについて言及する。Lokadは、サプライチェーンの予測においてこの変化をソフトウェアに取り入れた最初の企業の一つである。ハインドマンの初期ソフトウェアはポイント予測に注力していたため、彼の新しいパッケージは確率的予測を優先している。
Vermorelは、数値的不安定性、過剰な計算時間、複雑な実装といった多くの学術論文に潜む欠陥に加え、精度とシンプルさのバランスの重要性を指摘する。過度に複雑なモデルは実用的でないか、必要以上である可能性があるとし、M5コンペティションでLokadが比較的シンプルなモデルによって高い精度を達成した例を挙げる。
ハインドマンは、ソフトウェア開発、計算、精度の各コストのバランスが重要であると同意する。両者は、ハインドマンのライブラリに見られるような、幅広い適用性を持つ簡潔でエレガントな予測手法を高く評価している。
この会話は、予測モデルにおける精度と複雑さの間のトレードオフについて疑問を提起する。Vermorelは、ディープラーニングモデルに見られるような非常に複雑な構造を代償にしてわずかな精度向上を追求する知恵に疑問を呈する。両者は、細部の改善に翻弄されず、本質的な良い予測に焦点を当てることの重要性を強調する。
ハインドマンは、予測手法を開発する際には精度と計算コストの両面を考慮することが重要であると強調する。彼は、自身の予測パッケージがコンサルティングプロジェクトに端を発しており、迅速で信頼性が高く、様々な文脈に適用可能であることがその堅牢性の根拠であると説明する。
Vermorelは、予測手法が問題にもたらす付加価値を考慮する重要性を強調する。彼は、単純なパラメトリックモデルと、勾配ブースティングツリーのようなより複雑な手法を対比し、場合によってはシンプルなモデルで十分であることを示す。また、ファッション業界や自動車アフターマーケットなど、代替品や互換性が大きな課題となる分野での予測の特有の困難さについても論じる。
インタビュー参加者は、過度な洗練に惑わされるべきではないと強調する。それは必ずしもより優れた科学的または正確な結果をもたらすものではない。Vermorelは、基本的な時系列予測手法は今後20年間有効であり続ける一方、現行ハードウェアに依存する複雑な手法は陳腐化するだろうと予測する。
ロブ・ハインドマンは、特に数千の時系列を同時に予測するプロセスを簡素化するオープンソースソフトウェアパッケージ「Fable」の開発について語る。彼は、少なくとも今後10年間はこのパッケージを維持するという強い意志を示し、協力とアクセス性を重視するオープンソースソフトウェアの利点を強調する。
Vermorelとハインドマンの双方は、彼らの仕事におけるオープンソースソフトウェアの重要性と、優れた予測手法の開発に向けた協力の可能性を強調する。ハインドマンは、2005年から存在する公共ライブラリの維持に注力しており、それが一般の人々にデータ解析を身近にする役割を果たしていることにも言及する。
全体として、このインタビューは、複雑で急速に変化する世界における予測の課題と、効果的なソリューション開発におけるソフトウェアと協力の重要性を浮き彫りにしている。オープンソースソフトウェアと公共アクセスに焦点を当てることで、より広い聴衆にデータ解析と予測を提供する価値が示されている。
両インタビュー参加者は、高品質な予測手法の開発において、オープンソースであることが広くアクセス可能で協力を促進する点を高く評価している。
全文トランスクリプト
Kieran Chandler: 予測は常に進化し続ける古来の実践であり、そのため多くのソフトウェアは時の試練に耐えられない。今日のゲストであるロブ・ハインドマンは、数百万人にダウンロードされたオープンソースソフトウェアを実装しており、本日は彼と共に実世界の予測手法の持続可能性について議論する。ロブ、オーストラリアからライブで参加してくれてありがとう。そちらでは少し遅い時間かもしれないが、まずは自己紹介をお願いできるかな。
Rob Hyndman: ありがとう、Kieran。こちらオーストラリアは今夜8時なので、そんなに遅くはないよ。私はMonash大学で統計学の教授を務め、計量経済学およびビジネス統計学部の責任者をしている。26年前からこの大学に在籍しており、そのほとんどの期間、2005年から2018年にかけてInternational Journal of Forecastingの編集長やInternational Institute of Forecastersのディレクターも務めた。学術論文を多く執筆し、予測に関する書籍もいくつか出版している。テニスもよくするよ。
Kieran Chandler: いいね。僕も夏になるとテニスを楽しむので、いつか一緒に試合できるといいね。Joannes、今日は実世界の予測手法の持続可能性と、ソフトウェアが持続可能で長期間使われ続けるという考えについて話す。そもそもその背景にはどんな考えがあるのだろうか？
Joannes Vermorel: 多くのソフトウェアは、様々な理由で時間と共に衰退してしまう。科学的ソフトウェアの場合、その作られ方に注目する必要がある。通常、論文の発表をサポートするために作られるため、実質的には使い捨てのソフトウェアとなる。ハインドマン教授の業績で特に注目すべきは、学術界でありがちな使い捨てソフトウェアの作成、論文の発表、次の論文への移行という流れを超え、彼自身や同僚の多くの成果を組み込み、非常に一貫したフレームワークを提供する膨大なライブラリ群を構築した点にある。Rという非常に人気のある統計解析環境に基づくこの成果は、数十年にわたりその価値を証明している。今日見られるソフトウェアの多くは古く、Unixから派生した基礎的なものや、より洗練されたものは非常に稀である。データサイエンスに関しても、線形代数などの基本的な構成要素を除けば、時の試練に耐える例は多くはない。
Kieran Chandler: … 分析というと、本当に考えてみると、そんなに多くの聴衆と耐久性を持つソフトウェアの例を十数個挙げられるかもしれない。しかし実際には、そうはいかないと思う。ここには通常の学術研究を超える非常に注目すべき何かがあると信じている。ロブ、ではあなたの学術研究についてもう少し話してもらおう。あなたは明らかに、私たちが扱うサプライチェーンの世界だけに焦点を当てているわけではない。では、予測手法を応用する他の分野にはどのようなものがあるのだろうか？
Rob Hyndman: 多くのデータを入手できるものであれば、何でも興味があります。例えば、電力消費の予測を行っており、数十年前まで遡る非常に良質なデータが豊富にあります。死亡率や人口の予測、そして最近ではパンデミックの最中という予測が非常に難しい観光客数に取り組んでおり、オーストラリア政府がその仕組みを検討するのを支援しています。さらに、オーストラリア政府向けにはCOVID-19の症例予測にも取り組んでいます。これは疫学分野で何かに初めて挑戦する試みで、疫学的モデリングのアプローチを多く学び、それをいくつかの予測アンサンブルに組み込む必要がありました。基本的に、データが十分にあれば、それをモデル化することに興味があるのです。また、異常検知や大規模データ集合の探索的データ解析なども行っています。多くの企業や政府組織と仕事をしており、もし彼らが大量のデータを含む問題を持ち込んできた場合、現在の方法よりもより良い予測を考えることに興味があります.
Kieran Chandler: 素晴らしい。今の時期、観光業は非常に興味深い業界だと想像できます。予測の観点から見ると、本当に例外的な現象です。ヨハネス、我々の焦点は明らかにサプライチェーン業界にありますが、その中に限らず、非常に幅広い受け手に対応しているため、さまざまなニーズを持つ多くの人々に対応する際、どのような課題に直面するのでしょうか？
Joannes Vermorel: まず第一に、これは私たちの世界の捉え方そのものの問題です。死亡率などの統計のような、科学的測定に相当するものが存在しないのです。企業向けソフトウェア―ERP、MRP、WMSのような―は、ほぼ偶発的にデータを生成または記録します。そもそもデータ収集がそのソフトウェア導入の目的ではなかったため、記録は残りますが、時系列で測定して予測するためのツールとして設計されていません。これはほとんど偶然の副産物であり、多くの複雑な問題を引き起こします。課題の一つは、予測手法や研究を絞り込んだ際に、あるERPから別のERPへ移行してもその手法が使えるかどうかという点です。システムを変更すると、非常に混沌とした偶然性が予測プロセスにどのような影響を与えるかを考えなければなりません。
Kieran Chandler: 次に議論したいのは、各種企業向けソフトウェアツールの展開に関する異なるIT環境や歴史的な偶然性の問題です。もし方法を完全に変えなければならなければ、知識や手法が蓄積されることはありません。この分野で何かできることはあるのでしょうか？そしてロカッドの視点では、我々が最も興味を持つ予測は、自然には時系列として現れないものなのです。もし問題が時系列としてうまく枠付けられない場合でも、何か予測に類するものは必要ですが、その現れ方は非常に異なります。ロブ、時系列予測の代替手法の利用についてどう考えますか？
Rob Hyndman: ええ、ジョアンネスが述べたように、必要なモデルはデータ次第です。私の時系列ソフトウェアは多くの問題に対応していますが、全てではありません。ある企業では、データセットの構成や記録方法が特定の形になっており、それを修正するか、別の解決策を講じなければならない場合があります。私が作ったソフトウェアで最も人気のあるものは、企業の予測問題の90％を解決しますが、残る10％については異なるアプローチが必要です。
Kieran Chandler: ジョアンネス、あなたの経験では、そんな10％の問題はどのくらいの頻度で発生しますか？
Joannes Vermorel: 非常に微妙な問題です。ロカッドでの予測の旅を通して、その奥深さに気づかされました。まず、私たちは一点予測から確率的予測へとシフトし、問題の見方が変わりました。しかしそれ以上に深い意味があり、たとえばファッション業界では、製造するものを決定するために需要を予測したいという問題があります。しかし、何を生産するかを決める際には、製品を多くまたは少なく導入する柔軟性があるため、予測可能な時系列が存在するかどうかは、実はあなたの判断次第なのです。ファッションでは、例えば品揃えに製品を一つ追加すること自体が予測問題の一部となります。需要を予測するだけでなく、需要を操作する必要があるのです。我々の過程で、古典的な一点予測の視点とは全く直交する角度から捉える本質的な不確実性があることに気付きました。しかし、同時に多くのフィードバックループにも対処しなければなりません。
Kieran Chandler: では、ジョアンネス、予測モデルがサプライチェーン最適化にどのような影響を与えるか教えていただけますか？
Joannes Vermorel: 予測を行うと、より情報に基づいた行動が取れるようになります。これが予測モデルの組み立て方に大きく影響します。そして、製品のラインナップ、価格帯、メッセージ、さらにはプロモーションといった変数を追加することも可能です。ファッションの例で言うと、必要な数量を予測し、その後、店舗で一部の製品を他よりも長期間置くと決定します。これが観察内容に大きく影響するのです。ロカッドが予測分析で直面した課題は、純粋な時系列視点を複雑にする多くの角度から現れる問題に対応することでした。
Kieran Chandler: さて、ロブ、ここで学術的観点からも話を進めましょう。多くの人が論文のためだけにソフトウェアを作成し、ほとんど使われなくなってしまいます。なぜ、作成されたソフトウェアに十分な長期的利用性がないと思われるのでしょうか？
Rob Hyndman: ほとんどの学者の動機を考える必要があります。彼らは論文を書き授業を行うために給料をもらっています。論文が書かれた後、実装のためにソフトウェアを出すよう奨励されることもありますが、学者にとってそれは本来の報酬ではなく、ソフトウェアを長期間維持するインセンティブもほとんどありません。誰かがそれを続けるのは、単に情熱や愛情からであり、彼らの主要な仕事ではないのです。これが学術界の問題だと思います。新しい手法を次々と発表して出版することに注力するあまり、実務者との連携や、手法を十分に文書化し長期的に使えるユーザーフレンドリーなソフトウェアを提供することに対する重視が不足しているのです。
Joannes Vermorel: 予測モデルはどんどん複雑になり、堅牢なものにするのは容易ではありません。ロカッドでは、モデルを動かし続けるために多くの古いコードを維持しなければなりません。単に素晴らしいモデルを考案するだけではなく、そのモデルが何をし、なぜそうするのかを説明できる仕組みが必要です。モデルが十分に文書化され、実際に使える状態でなければなりません。これは決して簡単なことではありませんが、モデルを採用してもらいたいなら重要なことです。
Rob Hyndman: 時代が進むにつれて変化し、新しい手法が開発される中で、予測の進展を反映した新たなソフトウェアやツールを提供する必要がある点も興味深いです。ジョアンネスが述べた通り、確率的予測への転換はここ15年ほどで学術文献に現れ、ロカッドはそれを迅速に取り入れて確率的予測を実現しました。おそらく、世界で最初のサプライチェーン予測企業の一つだったのでしょう。私の初期のソフトウェアは確率的予測を出していましたが、常に一点予測に重点が置かれていました。
Kieran Chandler: ここ数年で展開が進むにつれて、重点は逆転し、まず確率的予測があり、その後に一点予測が続くようになりました。
Joannes Vermorel: 私が多くの学術出版物に対して抱く批判の一つは、通常、手法に多数の隠れた欠陥が含まれてしまうということです。ベンチマークでは上回る手法であっても、実際に実装しようとすると、数値的に極めて不安定であったり、計算時間が途方もなく長かったりして、玩具データセットでさえ数日かかってしまうことが明らかになります。 そして、実装が非常に複雑なため、理論上は正しくできたとしても実際には必ず愚かなバグが発生し、何も達成できなくなってしまう問題や、手法が長い一連のメタパラメータに対して非常に微妙な依存関係を持ち、20個ほどの不明瞭なパラメータを文書化されていない方法で調整しなければならない、といった問題も生じ得ます。 Rob Hyndman: とても興味深いのは、時の試練に耐える手法を見ると、非常にクラシックな手法でさえ、洗練された最新の手法に対して驚くほど良い結果を出している点です。昨年のM5コンペティションでは、ロカッドは909チーム中、点予測の精度で6位に入りました。しかし、私たちは非常にシンプルな、いわば教科書的なパラメトリック予測モデルに、ETSモデリングの小技を加えることで、散弾銃的効果と確率分布を実現したのです。 Joannes Vermorel: これこそが、あなたのライブラリの成功の秘訣だと信じています。私がこれらの手法で本当に好きなのは、ほとんどがエレガントに実装され、簡潔である点です。適用性の面では、最小限の労力と手間で精度を得るという、極めて真実で有効な側面があるのです。一方で、ディープラーニング陣営の、非常に複雑で扱いにくい手法とは対照的です。非常に困難な問題に取り組む際にディープラーニングを使うこと自体には何も反対しませんが、例えば… Kieran Chandler: エピソードへようこそ。本日は、ロカッドの創設者ジョアンネス・ヴェルモレル氏と、モナシュ大学経済統計学部門長であり統計学教授のロブ・ハインドマン氏をお迎えし、機械翻訳とモデルの精度について議論します。 Joannes Vermorel: 私は、パラメータが数百万もあり、非常に複雑かつ不透明なモデルが、1％だけ精度を上げたとしても、本当に科学的に優れているのかという知恵に異議を唱えます。絶対に優れているとは言えず、1000倍も複雑になる代わりに1％だけ精度が上がったとしても、気を散らされるべきではありません。全く迷子になってしまう危険性があります。良い科学、特に予測においては、余計な混乱を招く些細な精度向上に惑わされず、優れた予測の本質に焦点を当てるべきです。 Rob Hyndman: ソフトウェアの開発や実際の計算にかかるコストと、精度向上のコスト、この両方のバランスを取らなければなりません。学術界では、計算やコード開発のコストを考慮せずに、精度のみに注目する傾向があります。ジョアンネス、その点は同意します。コードの保守や計算に過度の時間がかかる場合、最も精度の高い手法が必ずしも望ましいとは限りません。私の予測パッケージは、コンサルティングプロジェクトを通じて開発されたため堅牢です。これらの機能は様々な文脈で適用され、信頼性が求められた結果、安定して稼働しています。企業から「動かない」と言われることがないよう、また、公開前に多くのデータを見た結果、計算も迅速である必要がありました。ほとんどの企業は、豪華なベイジアンモデルのMCMC計算で数日待たされるのではなく、合理的な時間内に予測を求めています。 Kieran Chandler: ジョアンネス、ビジネスの観点から、堅牢性、精度、そして実装コストのバランスはどのように取っていますか？ Joannes Vermorel: 結局のところ、テーブルに何を加えるかという点に尽きます。例えば、M5コンペティションで使用した超単純なパラメトリックモデルと、優勝した非常に洗練された勾配ブースター・ツリー手法との間で、1％の精度差を得たとします。その追加された複雑さに見合う価値があるのでしょうか？優勝手法は、非常に洗練されたデータ拡張スキームを用いた勾配ブースター・ツリーを使用し、データセットを劇的に拡大する手法でした。 Kieran Chandler: それは非常に大きなもので、結果的にデータセットは約20倍に膨れ上がります。そして、その上に超高負荷で複雑なモデルを適用するのです。つまり、根本的に新しく、深いものを提供しているのか、そしてそのバランスをどう取るのかが問われます。
Joannes Vermorel: バランスを取る方法は、本当に考慮すべき「部屋の中の象」を見落としていないかどうかを考えることにあります。例えば、ファッションについて話す場合、カニバリゼーションと代替が非常に強力であるのは明らかです。人々は、特定のバーコードの商品を求めてファッションストアに入るわけではありません。それは問題の正しい捉え方とは言えません。カニバリゼーションと代替は至るところに存在し、そのビジョンを包含する何かが必要です。例えば、自動車業界に目を向けると、自動車アフターマーケットの場合、人々は部品が好きだから車の部品を購入するのではなく、車に問題が生じたために修理をしたいから部品を購入するのです。結果として、車両と部品との間に非常に複雑な互換性マトリックスが存在することが判明します。ヨーロッパでは、100万以上の異なる車の部品と10万以上の異なる車両が存在し、通常、どんな問題に対しても、約12種類の互換性のある部品が存在するため、代替が可能です。しかしファッションとは異なり、その代替は完全に決定論的に現れます。代替はほぼ完全に把握され、完全に構造化されており、その不確実性がゼロであるという点を十分に活用できる手法が求められます。
問題ごとに、私がバランスを取る方法は、追加の複雑さに対して支払う価値があるかどうかを確認することにあります。例えば、Professor Hyndmanのライブラリと、例えばTensorFlowなどを比較してみると、ほとんどのモデルはおそらく数キロバイトのコードに過ぎません。一方、TensorFlowを見ると、コンパイルされた単一のライブラリだけで800メガバイトに及び、TensorFlowバージョン1を含めれば、ほぼ何十億行ものコードを含むことになります。
時には、人々は私たちがただのグレーの濃淡の問題について議論しているだけで、正解も不正解もないと考えるかもしれません。少しシンプルにするか、少し複雑にするかは単なる好みの問題です。しかし、私が観察した現実は、通常、単なるグレーの濃淡ではなく、桁違いの複雑さを持つ手法について語っているということです。例えば、私自身が予測を立てるとしたら、Professor Hyndmanのライブラリが今後20年後も存在している確率と、TensorFlowバージョン1が今後20年後も存在している確率はいかほどかという問いに対して、基本的な時系列手法が依然として有用であるという考えに大きく賭けるでしょう。
Kieran Chandler: 予測手法は今後20年後も存続するとお考えですか？
Joannes Vermorel: 過去5年間に生産されたグラフィックカードの特性に関して、偶発的に生じた何十億行もの無駄な複雑さを内包するものは消え去るでしょう。深層学習において驚異的な突破口があったことは否定しません。私が言いたいのは、対象としている問題に応じて大きく異なる付加価値を本当に理解する必要があるということです。複雑であることに気を取られてはなりません。洗練されているからといって、それが本質的により科学的で、正確で、妥当であるというわけではありません。見た目は印象的でTEDトーク風かもしれませんが、その点については十分に注意しなければなりません。
Kieran Chandler: Rob、最後の質問はあなたにお任せします。Joannesが述べたように、10年から20年後にも物事が存在しているという点についてですが、あなたのライブラリが今後も存続すると思いますか？また、これからの時代に有用になると考えている、今日の取り組みは何ですか？
Rob Hyndman: 私の最初のパブリックライブラリは2005年頃に作られ、これまでに15年間存続しています。たとえ他に取って代わられたと私が考えているものも含め、私はそれらすべてを維持することに全力を尽くしています。それほど大きな労力を要するものでもありません。私が現在取り組んでいる新しいパッケージはFableと呼ばれ、ほぼ同じ手法を実装していますが、ユーザーが同時に何千もの時系列を予測しやすいように、異なる方法で構築されています。Fableとそれに付随するパッケージはここ数年でリリースされ、私の最新の教科書でも採用されています。少なくとも今後10年間は広く使用されると期待しており、私ができる限りこれらを維持し、存続させるつもりです。パッケージのメンテナンスを手伝ってくれる非常に優秀なアシスタントにも恵まれており、彼もまたオープンソースの世界にコミットし、高品質なソフトウェアをオープンソースで提供することに尽力しています。
Kieran Chandler: 素晴らしいですね。そして、オープンソースの世界は誰もがそれにアクセスできることを可能にします。お二人ともお時間をいただき、本当にありがとうございました。ここでお別れとさせていただきます。ご視聴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。
