GenAI maakt forecasting op basis van tijdreeksen toegankelijk voor elk industrieel bedrijf.
De meeste industriële bedrijven beschikken al over de gegevens die ze nodig hebben voor betrouwbare forecasting: er zijn machines die het energieverbruik per seconde registreren, sensoren die het gedrag van activa de klok rond volgen en systemen die continu volumes, transacties en operationele gebeurtenissen registreren.
Toch worden die gegevens door de meeste bedrijven niet gebruikt. Niet omdat de use cases ontbreken, maar omdat forecasting op basis van tijdreeksen meestal te complex en te duur is om te implementeren.
Sirris heeft onderzoek gedaan naar een nieuwe aanpak met GenAI-foundation-modellen op basis van tijdreeksen. De resultaten tonen aan dat betrouwbare forecasting mogelijk is zonder een data science-team.
Wat GenAI verandert
Bedenk wat een betere forecasting zou betekenen voor uw activiteiten. In alle sectoren komen dezelfde uitdagingen steeds terug. Het forecasten van de vraag naar energie waarbij kan worden geanticipeerd op verbruikspieken voor ze op de factuur staan, van CNC-machines tot windmolenparken.
Tot voor kort vergde het bouwen van de modellen om ze aan te pakken maanden specialistisch werk dat de meeste bedrijven eenvoudigweg niet konden verantwoorden.
Productie- of serviceplanningen op basis van echte vraagsignalen in plaats van buikgevoel. Verkoop- en kostenschattingen gebaseerd op historische patronen in plaats van giswerk in spreadsheets. Dit zijn geen randgevallen. Het zijn dagelijkse operationele uitdagingen voor industriële bedrijven van elke omvang en sector.
De kost van niet forecasten
Een nieuwe categorie AI-modellen, die bekend staat als foundationmodellen op basis van tijdreeksen, verandert het kostenplaatje.
Modellen zoals Chronos-bolt en TimesFM zijn gratis beschikbaar, draaien op een standaardlaptop en vereisen geen training met specifieke gegevens. Je voert historische gegevens in en ontvangt meteen voorspellingen.
Taken waar vroeger een ML-engineer voor nodig was, zoals algoritmeselectie, feature engineering en modeltraining, zijn niet meer nodig bij het gebruik van voorgetrainde foundationmodellen.
Sirris evalueerde die modellen via benchmarkexperimenten en vergeleek ze met gevestigde industriële voorspellingsmethoden. De conclusie is opvallend: ze presteren even goed, en in sommige gevallen zelfs beter dan traditionele specialistische forecasting-oplossingen die op vlak van ontwikkeling veel meer inspanning vereisen.
De tweede barrière: ontwikkelingsinspanning
Zelfs met een sterk voorspellingsmodel moet er nog software omheen gebouwd worden. Sirris testte of GenAI-coderingsassistenten ook die belemmering konden wegnemen. Met behulp van een GenAI-coderingsassistent bouwden we in slechts 7 minuten een compleet forecasting proof-of-concept.
Een taak die voordien dagen aan ontwikkelingswerk vergde, werd vrijwel onmiddellijk voltooid.
- Zonder gespecialiseerd team
- Zonder ML-expertise
- Zonder dure licenties
- Zonder maanden van ontwikkeling
Wat betekent dit in de praktijk?
In de praktijk kan die aanpak op veel operationele uitdagingen in de industrie worden toegepast.
- Voorspellend onderhoud
Anticipeer op storingen voordat ze stilstand veroorzaken in productie, energie of nutsvoorzieningen. - Energie voorspellen
Voorspel verbruikspieken en optimaliseer de inkoop of het gebruik van energie. - Productie- en capaciteitsplanning
Stem productieoutput af op reële vraagsignalen. - Verkoop- en vraagprognoses
Verbeter de nauwkeurigheid van commerciële en operationele prognoses. - Kosten schatten
Bouw betrouwbaardere operationele en projectkostenmodellen.
Voor elk van die use- cases is de drempel om een werkende forecasting-baseline te bouwen drastisch verlaagd.
Wat ooit een data science-team vereiste, kan nu veel sneller en goedkoper in een prototype worden gegoten door iemand met domeinkennis en de juiste tools.
