Wiele modeli, pewniejsza prognoza. Co zespołowe podejście do szeregów czasowych zmienia w planowaniu instytucji

Klasyczna zasada mówi, że średnia z kilku prognoz jest zwykle lepsza niż najlepsza pojedyncza prognoza. To nie magia, to statystyka. Różne modele popełniają różne błędy w różnych warunkach, a ich kombinacja wygładza te odchylenia. Ensemble forecasting, czyli prognozowanie zespołowe, stosowano od lat w meteorologii, finansach i energetyce. Problem był jeden: żeby uruchomić kilka modeli, trzeba było każdy z osobna wytrenować na danych instytucji. To kosztowało czas, dane i kompetencje.

Zmienia to pojawienie się fundacyjnych modeli szeregów czasowych, wstępnie wytrenowanych na setkach zbiorów danych temporalnych z różnych dziedzin. IBM udostępnił w ramach rodziny Granite takie modele, gotowe do użycia zero-shot albo do szybkiego dostrojenia. Ensemble w tym kontekście oznacza uruchomienie kilku wariantów tego samego modelu z różnymi konfiguracjami, horyzontami predykcji albo zakresami danych, a następnie agregację wyników. Bez budowania potoku ML od zera. Bez miesięcy przygotowań.

Co to oznacza dla polskich urzędów i instytucji publicznych

Planowanie w instytucji publicznej niemal zawsze opiera się na prognozach. Ile wpłynie podatku lokalnego w kolejnym kwartale? Ilu pacjentów trafi do izby przyjęć w sezonie grypowym? Jak zmieni się zapotrzebowanie na miejsca w żłobkach w ciągu trzech lat? Dziś te pytania są albo odpowiadane intuicją, albo prostymi modelami liniowymi. Ani jeden, ani drugi sposób nie radzi sobie dobrze z nieregularnościami, sezonowością i zdarzeniami jednorazowymi.

Fundacyjny model szeregów czasowych, uruchomiony w trybie ensemble, ma kilka konkretnych zalet dla instytucji. Nie wymaga dużych zbiorów historycznych. Klasyczne modele statystyczne potrzebują lat danych. Modele fundacyjne rozumieją wzorce temporalne z natury i potrzebują mniej historii, żeby dać użyteczną predykcję. To ważne dla nowych jednostek albo danych, które zaczęto zbierać niedawno.

Druga zaleta to odporność na anomalie. Pandemia, jednorazowa zmiana przepisów, nowy zakład pracy w gminie, który nagle zmienia demografię usług. Jeden model może się na tym wyłożyć. Kilka modeli z różnymi wagami danych historycznych reaguje inaczej, a ich kombinacja jest stabilniejsza. W praktyce: prognoza, która nie wariuje po jednym niecodziennym kwartale.

Trzecia kwestia to wdrożenie bez chmury. Modele z rodziny Granite są dostępne na otwartych licencjach. Instytucja z wymaganiami dotyczącymi lokalizacji danych może postawić je na własnym serwerze. Ensemble z kilku lekkich modeli nie wymaga dużej infrastruktury GPU, zwłaszcza jeśli chodzi o predykcję, a nie trening.

• Prognozy budżetowe i wpływów podatkowych z uwzględnieniem sezonowości i trendów wieloletnich
• Planowanie obsady w jednostkach z nieregularnym obciążeniem: ratownictwo medyczne, pomoc społeczna, obsługa klientów urzędu
• Zarządzanie zapasami i zasobami w szpitalach, szkołach, instytucjach kultury
• Monitoring wskaźników lokalnych z automatycznym sygnałem, gdy prognoza odbiega od normy

Nie każda instytucja potrzebuje własnego zespołu data science, żeby korzystać z tych możliwości. Gotowe modele fundacyjne obniżają poprzeczkę. Pytanie nie brzmi już "czy nas stać na AI w prognozowaniu", tylko "od czego zacząć i jakie dane mamy pod ręką". Jeśli chcesz sprawdzić, które prognozy w Twojej instytucji warto zautomatyzować, zapraszamy na bezpłatny audyt.