Jak jsem se zmínil v první části dvoudílného pojednání o umělé inteligenci při předpovídání poptávky, plánovači poptávky se až donedávna spoléhali na statistické modely. Tyto modely však měly řadu známých omezení. Především nezahrnovaly kontextuální interní a externí údaje, jako jsou akce, sezónnost, předpovědi počasí, výpadky zásob nebo jiné faktory poptávky. Za druhé, nezohledňovaly kanibalizaci nebo halo efekty mezi jednotlivými produkty.
Dnes však přední dodavatelé maloobchodních technologií, včetně mé společnosti, vytvořili modelovací algoritmy, které využívají vysoce sofistikované strojové učení, umělou inteligenci a hluboké učení a nahrazují tak statistický přístup. Tyto sofistikované modely využívají aktuální kontextová data pro generování mnohem přesnějších předpovědí. Aspekt strojového učení tohoto přístupu navíc znamená, že když modelům v průběhu času poskytujete data o akcích, výprodejích, sezónních událostech atd., model se z aktuálních a historických dat dále učí a je schopen vytvářet stále přesnější předpovědi.
Výhody přechodu od prognózování zaměřeného na model k prognózování zaměřenému na data jsou zjevně přesvědčivé. Přesto mají někteří maloobchodníci obavy z přijetí výrazně odlišného přístupu a cítí se nepřipraveni identifikovat relevantní zdroje dat a nejsou si jisti, jak optimálně poskytnout správná data novým modelům. – Namísto toho, aby model ručně upravovali, aby získali statistický výsledek, který se zdá být dobře odpovídající. Náš tým ve společnosti SymphonyAI pomáhá zákazníkům identifikovat a využívat relevantní dostupná data – a to nejen v rámci maloobchodu, ale i z externích zdrojů. Naše expertní modely zase aplikují pokročilé algoritmy strojového učení, což modelům umožňuje se neustále učit, jak jsem již zmínil, a také identifikovat a nakonec překonat případné chyby v předpovědích, které poukazují na potřebu dalších dat nebo přesnějších zdrojů dat.
Jak jsme se dostali k tomuto bodu zlomu od statistických modelů k modelům založeným na umělé inteligenci? Několikadenní série soutěží pořádaných akademiky nazvaná M Competitions byla organizována s cílem pomoci vědcům naučit se, jak zlepšit přesnost předpovědí. V roce 2018 bylo v soutěži M4 poprvé použito hluboké učení (deep learning, DL) jako doplněk tradičních čistě statistických přístupů k předpovídání. I tehdy bylo ML použito ve velmi omezené míře – například ve shrnutí soutěže se uvádí, že ze 17 nejpřesnějších metod bylo 12 kombinací statistických postupů[i].
Počínaje soutěží M5, která probíhala od března do června 2020, došlo k výraznému posunu. Iterace soutěží M obsahovala čistě kontextový soubor maloobchodních dat. Poprvé na těchto datech ML jasně a rozhodujícím způsobem překonávala tradiční statistické metody. Přechod na přístup zaměřený na data je pro maloobchodníky bezpochyby správnou cestou – a SymphonyAI je lídrem v aplikaci tohoto typu ML, který výrazně překonává tradiční statistické benchmarky. Čím větší úsilí je vynaloženo na důslednou kvalitu dat a obohacení modelu o cenná kontextová data, tím přesnější je předpověď. Kromě toho jsme přizpůsobili umělou inteligenci pro předpovídání poptávky tak, aby byla velmi zaměřená na maloobchod, a to díky využití našich vlastních hlubokých zkušeností s maloobchodem i podnětů od naší celosvětové zákaznické základny inovativních maloobchodníků. Výsledkem je přístup, který využívá nejmodernější vědecké poznatky, ale zároveň je optimalizován pro reálné maloobchodní prostředí – a to s ověřenými výsledky.
V posledním blogu z této série, od mého kolegy Troye Prothera, se budeme zabývat některými z těchto reálných dopadů prostřednictvím zkušeností našich maloobchodníků, kteří využili naši umělou inteligenci pro předpovídání poptávky ve svých vlastních prostředích.
[i] The M4 Competition: Results, findings, conclusion and way forward, by Spryos Markdakis, Evanglos Spiliotis and Vassilios Assimakopoulos. International Journal of Forecasting, Volume 37, Issue 3, July-September 2021, pp. 1308-1309.
