Previsioni classiche a serie temporali (2008)
Nel 2008, Lokad è stata lanciata con un motore di previsione offerto come Software-as-a-Service (SaaS). Lo slogan originale dell’azienda era previsione come servizio. Questo motore forniva previsioni classiche a serie temporali puntuali. Nel corso degli anni, Lokad si è evoluta introducendo tecnologie predictive più avanzate e adottando una prospettiva più ampia sulla supply chain oltre alle sue radici iniziali nella previsione della domanda. Il motore di previsione originale è stato gradualmente eliminato a metà degli anni 2010 e infine chiuso nel 2020.
Il motore originale (ormai dismesso), introdotto nel 2008, funzionava come un meta-modello che conteneva una serie di modelli di previsione—principalmente della varietà autorregressiva—insieme a un classificatore utilizzato come selettore di modelli. Questo selettore sceglieva il modello più adatto per ciascuna serie temporale. Dal 2008 al 2012, il motore è stato progressivamente potenziato con modelli aggiuntivi e un selettore più raffinato.
Gli ulteriori potenziamenti includevano modelli non parametrici influenzati dagli approcci di machine learning popolari all’epoca. Questi modelli utilizzavano una prospettiva temporale concorrente, consentendo al motore di applicare coefficienti di stagionalità appropriati anche per serie temporali che non avevano un intero anno di dati storici. Allo stesso modo, ciò ha permesso al motore di prevedere i lanci di prodotti sfruttando similitudini identificate attraverso tag assegnati alle serie temporali.
Sebbene Lokad non abbia mai utilizzato i dati di un cliente per migliorare le previsioni di un altro cliente—un impegno che rimane valido—c’era un solo motore di previsione condiviso tra tutti i clienti, utilizzando gli stessi meta-parametri. Di conseguenza, Lokad doveva impostare parametri predefiniti di alta qualità che si comportassero bene in scenari variabili. In modo indiretto, le intuizioni ingegneristiche acquisite da un cliente hanno finito per beneficiare gli altri (e viceversa).
Alla fine, questo motore è stato eliminato man mano che Lokad sviluppava tecnologie superiori. Anche se l’approccio di selezione del modello potrebbe sembrare una competizione tra modelli concorrenti, ha portato a una notevole instabilità nelle previsioni. Aggiungere solo un giorno in più di dati storici poteva spingere il selettore a cambiare modelli per numerose serie temporali, causando fluttuazioni erratiche. Questo problema è intrinseco a qualsiasi sistema di previsione che si basi sulla competizione interna ed è ora considerato un design obsoleto in Lokad.
La mancanza di output probabilistico era il secondo problema significativo. Le previsioni puntuali a serie temporali ignorano completamente l’incertezza, rendendo le decisioni basate su queste previsioni estremamente fragili. Infatti, se gli esiti effettivi deviano dalla previsione, le prestazioni economiche spesso degradano rapidamente. Lokad ha affrontato questa limitazione introducendo la tecnologia di previsione probabilistica.
Infine, come terzo problema principale, la rigidità di una prospettiva basata solo sulle serie temporali ha posto una seria limitazione. Le serie temporali—rappresentate come vettori unidimensionali—offrono una limitata espressività per i dati storici. Anche nelle situazioni della supply chain in cui le previsioni puntuali potrebbero essere sufficienti, un quadro puramente basato sulle serie temporali di solito non riesce a catturare l’intera complessità dei contesti del mondo reale.
Il motore di previsione classico è stato definitivamente eliminato nel 2020, a seguito del lancio della nostra tecnologia di programmazione differenziabile. Anche se le previsioni puntuali a serie temporali non sono più raccomandate, la programmazione differenziabile può facilmente produrre sia previsioni puntuali a serie temporali che previsioni probabilistiche.