Mistralov Timestral prognozira brojke: gdje bi mogao pomoći hrvatskim kompanijama

Koliko robe naručiti za sljedeći tjedan, kakvu potrošnju energije očekivati i kada bi broj korisničkih zahtjeva mogao porasti? To su pitanja za koja je važniji obrazac u brojkama nego sposobnost sastavljanja uvjerljivog teksta. Mistral AI 15. listopada predstavio je Timestral, obitelj modela za prognoziranje vremenskih nizova, odnosno podataka poredanih kroz vrijeme.^[1]

To je koristan podsjetnik koliko je široko područje umjetne inteligencije. Za hrvatsku kompaniju koja raspolaže godinama podataka o prodaji ili potrošnji konkretan bi projekt mogao početi upravo u tim tablicama. Dobar razgovorni asistent i dobar sustav za planiranje pritom rješavaju različite zadatke.

Četiri veličine i prognoza s rasponom

Timestral dolazi u četiri veličine, od 5 do 209 milijuna parametara. Mistral navodi podršku za prognoziranje više povezanih nizova i probabilističke rezultate: uz moguću buduću vrijednost model daje informacije o rasponu ishoda. Tvrtka objavljuje i vlastite usporedne rezultate, ali INTELIGENT nije proveo neovisan test njegove točnosti.^[1]

U praksi razlika izgleda ovako: planeru nabave uz procjenu potražnje treba i informacija koliko bi ona mogla odstupati. Širok raspon može značiti da se narudžbu isplati podijeliti ili ostaviti mogućnost dopune. Takva odluka ovisi o roku isporuke, cijeni skladištenja i šteti od nestašice, pa sam model ne određuje poslovno pravilo.

Službeni repozitorij predviđa izvođenje na procesoru ili grafičkoj kartici. Kod je objavljen pod licencom Apache 2.0, a težine modela pod izmijenjenom licencom MIT. Te dvije razine treba zasebno pregledati prije ugradnje u poslovni proizvod.^[2]

Gdje bi pilot imao smisla

Zamislimo maloprodajni lanac koji želi procijeniti tjednu potražnju za jednom skupinom proizvoda. To je ilustrativan scenarij, bez tvrdnje da određeni hrvatski lanac već koristi Timestral. Prvi posao bio bi povezati datume i količine te označiti promocije, zatvorene poslovnice i dane kada robe nije bilo na polici.

Posljednja je stavka posebno važna. Nula prodanih komada može značiti da kupci nisu bili zainteresirani, ali i da proizvod nisu mogli kupiti. Ako se ta razlika izgubi, model dobiva pogrešnu sliku potražnje. Dodatni problem nastaje kada se između razdoblja promijeni način bilježenja podataka ili asortiman.

Sličan pokus mogao bi se postaviti za hotelsku potrošnju energije ili broj zahtjeva servisnom timu. Prije izbora alata trebalo bi odlučiti što se prognozira, koliko unaprijed i koja se odluka na temelju toga donosi. Tjedni plan osoblja traži drukčiju razinu detalja od dugoročnog proračuna.

Najprije usporedba s jednostavnim pravilom

Za prvi test vrijedi sačuvati dio povijesnih podataka koji model tijekom pripreme neće vidjeti. Zatim njegovu prognozu usporediti s onim što se stvarno dogodilo i s jednostavnim početnim pravilom, primjerice ponavljanjem usporedivog prošlog razdoblja. Time se dobiva odgovor donosi li složenije rješenje korist u konkretnom poslu.

Rezultate treba razdvojiti po situacijama. Prosječno dobra prognoza može zakazati baš tijekom ljetne sezone ili najveće promocije. Timu nabave korisnije je znati koliko često model ozbiljno podcijeni potražnju nego vidjeti jednu privlačnu ukupnu ocjenu.

Prije povezivanja s naručivanjem robe potrebno je odrediti i tko može zaustaviti automatizaciju, koji se iznosi dodatno odobravaju te kako se bilježi odluka. Timestral otvara još jednu mogućnost za rad s poslovnim podacima. Vrijednost će pokazati dobro postavljen pilot, s brojkama koje se mogu provjeriti i odlukom koju netko stvarno treba donijeti.