In der Welt des Geschäfts ist Timing entscheidend. Um Umsatz, Nachfrage, Einnahmen und Kapazitätsanforderungen vorherzusagen, müssen Organisationen auf präzise und zuverlässige zeitabhängige Prognosen zurückgreifen. Künstliche Intelligenz wird erwartet, dass sie das Geschäftsplanung beschleunigt und verbessert, insbesondere bei der zeitabhängigen Prognose. Zeitreihenprognosen spielen dabei eine zentrale Rolle, indem sie auf historischen Beobachtungen basieren, um zukünftige Werte vorherzusagen.

Die Auswertung von Zeitreihendaten kann komplex sein, da verschiedene Datentypen stark korreliert sein können. Für die Vorhersage komplexer Ereignisse wie Wetterphänomene müssen Interaktionen zwischen verschiedenen Variablen berücksichtigt werden. Um dies zu bewerkstelligen, müssen Modelle auf hochwertigen, kuratierten Daten trainiert werden, um energetisch effizient zu sein.

Forscher und Praktiker arbeiten daran, Hindernisse in der Zeitreihenprognose zu überwinden und das volle Potenzial der KI auszuschöpfen. Neue Ansätze mit kleineren, vorab trainierten Modellen könnten besser Vorhersageergebnisse liefern. Diese „winzigen“ Modelle können in verschiedenen Anwendungsfällen eingesetzt werden, um präzise Prognosen zu generieren und Abweichungen zu erkennen.

Kleine, schnelle Grundlagenmodelle, die flexibel und kosteneffizient sind, haben das Potenzial, die künftige Entwicklung im Unternehmensbereich maßgeblich zu beeinflussen. Sie könnten als zentrale Säulen der Unternehmens-KI eine wichtige Rolle spielen.

Dieser Artikel wurde im Rahmen des Expertenkanals von TechRadarPro produziert, in dem führende Köpfe der Technologiebranche vorgestellt werden. Die darin geäußerten Ansichten gehören dem Autor und nicht unbedingt TechRadarPro oder Future plc. Falls Sie einen Beitrag leisten möchten, erfahren Sie hier mehr: https://www.techradar.com/news/submit-your-story-to-techradar-pro