A Predict-then-Correct Loop Based on Few-Shot Continuous Contextual Bandit for Demand Forecasting
Dit artikel stelt een "predict-then-correct"-framework voor dat een statische machine learning-voorspelling combineert met een few-shot continuous contextual bandit-correctiebeleid om de nauwkeurigheid van de vraagvoorspelling in de detailhandel aanzienlijk te verbeteren en voorraadkosten te verlagen, met name in scenario's met schaarse labels en snel verschuivende vraagpatronen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat je probeert te raden hoeveel mensen er zullen verschijnen bij de jaarlijkse bake sale van je school. Je hebt een superintelligent computerprogramma dat naar de gegevens van vorig jaar kijkt, de weersvoorspelling en de prijs van cupcakes om een voorspelling te doen. Dit is wat wetenschappers "demand forecasting" (vraagvoorspelling) noemen, en het is de ruggengraat van het op voorraad houden van de juiste hoeveelheid spullen in winkels. Maar hier komt het lastige deel bij: wat als dit jaar totaal anders is? Misschien zorgt een nieuwe virale trend ervoor dat iedereen opeens een specifieke smaak wil, of houdt een plotselinge regenbui iedereen thuis. Het oude computerprogramma, getraind op de saaie gegevens van vorig jaar, weet dit nog niet. Het is als een GPS die nog niet is bijgewerkt met nieuwe wegafsluitingen; het blijft je de weg wijzen recht in een muur.
In de wereld van de detailhandel is dit een enorm probleem. Winkels hebben miljoenen verschillende artikelen (zoals verschillende smaken frisdrank of schoenmaten), en soms verschijnen er nieuwe artikelen zonder enige geschiedenis. Als de winkel de plank misslaat, hebben ze ofwel te weinig producten (boze klanten), of te veel liggen in de schappen (verspild geld). Traditioneel gezien zou je, om een slechte gok te corrigeren, alles moeten stoppen, de computer een berg nieuwe gegevens moeten voeren en hem vanaf nul opnieuw moeten trainen. Maar dat duurt te lang. Tegen de tijd dat de computer het geleerd heeft, kan de trend al voorbij zijn. Dit artikel onderzoekt een slimmere manier om deze verrassingen aan te pakken zonder op de "reset"-knop te drukken.
De onderzoekers achter deze studie, Zhiwei Lei, Benedict Jun Ma en Ilya Jackson, stellen een slimme tweestaps-truc voor die ze "Predict-then-Correct" (PtC) noemen. Denk aan het hebben van een ervaren chef (het eerste computermodel) die een geweldige basissoep maakt op basis van een klassiek recept. Vervolgens, in plaats van de soep weg te gooien en opnieuw te beginnen wanneer een klant om "een beetje meer pit" vraagt, heb je een snelle sous-chef (het correctiesysteem) die de soep proeft en precies de juiste hoeveelheid zout of peper toevoegt in real-time.
Zo werkt hun "sous-chef". Eerst doet het hoofdcomputermodel zijn beste gok over hoeveel mensen van een product zullen kopen. Vervolgens stapt een speciaal "contextual bandit"-systeem in. "Contextual" betekent simpelweg dat het naar de huidige situatie kijkt (is het een feestdag? is het weekend?). "Bandit" is een chique naam voor een leersysteem dat verschillende acties probeert en kijkt welke beloning oplevert. In dit geval is de "actie" het aanpassen van de voorspelling van de chef naar boven of beneden. Het systeem probeert een kleine aanpassing, kijkt of de werkelijke verkopen hiermee beter overeenkomen, en krijgt een "beloning" als het goed zat. Als het fout was, leert het systeem om dit de volgende keer niet weer te doen.
De echte magie gebeurt wanneer er weinig gegevens zijn om van te leren, zoals wanneer een gloednieuw product wordt gelanceerd. Normaal gesproken raken computers in de war en vergeten ze wat ze eerder wisten wanneer ze proberen te leren van slechts een paar nieuwe cijfers. Dit artikel stelt een "few-shot" strategie voor, wat lijkt op het lesgeven aan een student met slechts een paar oefenopgaven. Om dit werkend te krijgen, zoekt het systeem naar andere producten die vergelijkbaar zijn met het nieuwe product (zoals een nieuwe pittige frisdrank te vergelijken met een oude pittige frisdrank) om zo wat aanwijzingen te lenen. Het gebruikt ook een "Top-p masked update"-regel. Stel je voor dat het brein van de computer duizenden knoppen heeft. In plaats van al die knoppen tegelijk te draaien (wat de machine zou kunnen breken), zorgt deze regel ervoor dat alleen de kleine, gevoelige knoppen worden bijgesteld die een klein beetje aanpassing nodig hebben, terwijl de grote, belangrijke knoppen die de hoofdkennis vasthouden, ongemoeid blijven. Dit voorkomt dat de computer "vergeet" wat hij in het verleden heeft geleerd.
Het team testte deze methode met echte gegevens van Walmart en een groot drankenbedrijf. Ze ontdekten dat hun "Predict-then-Correct"-lus een duidelijke winnaar was. Over verschillende soorten producten heen — of het nu ging om stabiele artikelen die veel verkochten, een paar stabiele artikelen, of vreemde, onvoorspelbare artikelen — verminderde de nieuwe methode de voorspellingsfouten aanzienlijk. In één test verbeterde het de gemiddelde nauwkeurigheid met 9,52% vergeleken met het gebruik van alleen het oorspronkelijke computermodel. Nog belangrijker is dat wanneer ze deze betere voorspellingen gebruikten om te beslissen hoeveel voorraad ze moesten bestellen, de winkels minder geld uitgaven aan het aanhouden van extra voorraad of het verliezen van verkopen door lege schappen.
Het artikel voert expliciet aan dat je niet je modellen elke keer dat de markt verandert volledig opnieuw moet trainen, of dat je enorme hoeveelheden nieuwe gegevens nodig hebt om een correctie uit te voeren. Ze laten ook zien dat het simpelweg toevoegen van een reinforcement learning-laag zonder voorzichtig te zijn over hoe je het model bijwerkt, de situatie juist kan verslechteren en tot instabiliteit kan leiden. In plaats daarvan suggereren hun bevindingen dat een lichtgewicht, adaptieve laag die de bestaande voorspelling in real-time bijstelt, het ideale evenwicht is. Het overbrugt de kloof tussen het trage, zware leren uit het verleden en de snelle, chaotische realiteit van het heden, en bewijst dat de beste manier om een voorspelling te verbeteren soms niet is om opnieuw te beginnen, maar om simpelweg naar de feedback te luisteren en de knop bij te stellen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.