Prévisions Classiques des Séries Temporelles (2008)
En 2008, Lokad a été lancé avec un moteur de prévision proposé en tant que logiciel en tant que service (SaaS). Le slogan original de l’entreprise était prévision en tant que service. Ce moteur fournissait des prévisions classiques de séries temporelles ponctuelles. Au fil des ans, Lokad a mûri en introduisant des technologies prédictives plus avancées et en adoptant une perspective plus large de la supply chain au-delà de ses racines initiales de prévision de la demande. Le moteur de prévision original a été progressivement abandonné au milieu des années 2010 et finalement arrêté en 2020.
Le moteur original (maintenant obsolète), introduit en 2008, fonctionnait comme un méta-modèle contenant une suite de modèles de prévision—principalement de la variété autorégressive—ainsi qu’un classificateur utilisé comme sélecteur de modèle. Ce sélecteur choisissait le modèle le plus adapté pour chaque série temporelle. De 2008 à 2012, le moteur a été progressivement amélioré avec des modèles supplémentaires et un sélecteur plus raffiné.
Les améliorations ultérieures comprenaient des modèles non paramétriques influencés par les approches d’apprentissage automatique populaires à l’époque. Ces modèles utilisaient une perspective concurrente des séries temporelles, permettant au moteur d’appliquer des coefficients de saisonnalité appropriés même pour des séries temporelles n’ayant pas une année complète de données historiques. De même, cela permettait au moteur de prévoir les lancements de produits en exploitant les similitudes identifiées grâce aux tags attribués aux séries temporelles.
Bien que Lokad n’ait jamais utilisé les données d’un client pour améliorer les prévisions d’un autre client—un engagement qui reste valable—il n’y avait qu’un seul moteur de prévision partagé entre tous les clients, utilisant les mêmes méta-paramètres. Par conséquent, Lokad a dû mettre en place des paramètres par défaut de haute qualité qui fonctionneraient bien dans des scénarios variés. De manière indirecte, les connaissances en ingénierie acquises auprès d’un client ont fini par bénéficier aux autres (et vice versa).
Finalement, ce moteur a été abandonné alors que Lokad développait des technologies supérieures. Bien que l’approche de sélection de modèle puisse sembler être un concours de modèles concurrents, elle a entraîné une instabilité substantielle dans les prévisions. Ajouter juste un jour de données historiques supplémentaire pouvait inciter le sélecteur à changer de modèle pour de nombreuses séries temporelles, provoquant des fluctuations erratiques. Ce problème est inhérent à tout système de prévision reposant sur une concurrence interne et est maintenant considéré comme une conception obsolète chez Lokad.
Le manque de sortie probabiliste était le deuxième problème significatif. Les prévisions ponctuelles des séries temporelles négligent complètement l’incertitude, rendant les décisions basées sur ces prévisions très fragiles. En effet, si les résultats réels diffèrent de la prévision, la performance économique se dégrade souvent brusquement. Lokad a résolu cette limitation en introduisant la technologie de prévision probabiliste.
Enfin, en tant que troisième problème majeur, la rigidité d’une perspective uniquement basée sur les séries temporelles posait une limitation sérieuse. Les séries temporelles—représentées sous forme de vecteurs unidimensionnels—offrent une expressivité limitée pour les données historiques. Même dans des situations de supply chain où des prévisions ponctuelles pourraient suffire, un cadre purement basé sur les séries temporelles échoue généralement à capturer toute la complexité des contextes du monde réel.
Le moteur de prévision classique a été définitivement abandonné en 2020, suite au lancement de notre technologie de programmation différentiable. Bien que les prévisions ponctuelles des séries temporelles ne soient plus recommandées, la programmation différentiable peut facilement produire à la fois des prévisions ponctuelles des séries temporelles et des prévisions probabilistes.