Ce livre explore l’intersection de l’intelligence artificielle (IA) et de la prévision, offrant un aperçu des capacités actuelles et des implications potentielles de la première pour la théorie et la pratique de la prévision. Il contient 14 chapitres qui abordent divers sujets, tels que le concept d’IA, son impact sur la prise de décision économique, les méthodes de prévision traditionnelles et basées sur l’apprentissage automatique, les défis de la prévision de la demande, les modèles de prévision mondiaux, y compris les illustrations clés, l’état de implémentations à la pointe de la technologie, meilleures pratiques et avancées notables, méta-apprentissage et prévision basée sur les fonctionnalités, assemblage, apprentissage en profondeur, évolutivité dans les applications industrielles et d’optimisation, et évaluation des performances de prévision.

Le livre se penche sur les défis et les opportunités de l’utilisation de l’IA dans les prévisions de séries chronologiques, discute des moyens d’améliorer la précision des prévisions, de gérer les données non stationnaires et de résoudre les problèmes d’évolutivité des données et d’efficacité de calcul. Il explore également l’interprétabilité et l’explicabilité des modèles d’IA dans les prévisions, ainsi que l’utilisation de techniques d’apprentissage d’ensemble pour améliorer les performances. Il se concentre à la fois sur les concepts théoriques et les applications pratiques et offre des informations précieuses aux chercheurs, praticiens et professionnels, principalement dans le domaine de la prévision de séries chronologiques avec l’IA. Pour prouver l’applicabilité de l’IA, les éditeurs ont demandé au ChatGPT de préparer cette Préface, qui est reproduite ici avec des modifications éditoriales insignifiantes, y compris la description de chacun de ses 14 chapitres.

Chapitre 1 : Dans ce chapitre, les auteurs se demandent si l’IA se rapproche de l’intelligence humaine ou si elle est fondamentalement différente. Ils explorent les réalisations de l’IA par rapport à l’intelligence humaine et mettent en évidence la nature complémentaire de ces deux formes d’intelligence. En outre, le chapitre traite des capacités actuelles et des défis futurs de l’IA, y compris la faisabilité de l’intelligence générale artificielle (AGI) et le potentiel d’augmentation de l’intelligence humaine grâce à l’augmentation de l’intelligence (IA).

Chapitre 2 : Ce chapitre se penche sur les implications économiques de l’IA et sur la façon dont les attentes concernant l’avenir de l’IA peuvent façonner la prise de décision. L’auteur explore la possibilité que les individus modifient leurs comportements d’épargne et d’investissement en fonction de leurs croyances concernant l’extrême richesse ou les résultats catastrophiques résultant des développements futurs de l’IA. Ils discutent également du potentiel de conflit découlant des attentes concernant la valeur militaire de l’IA et de l’importance des économies d’échelle dans le développement de l’IA. En outre, le chapitre examine l’impact potentiel des booms économiques liés à l’IA sur les décisions d’emprunt et de politique publique.

Chapitre 3 : Ce chapitre se concentre sur la prévision de séries chronologiques, une application essentielle de l’IA dans divers domaines. L’auteur donne un aperçu des principales avancées dans les méthodes de prévision des séries chronologiques, allant des techniques statistiques traditionnelles aux méthodes sophistiquées d’apprentissage automatique et d’apprentissage en profondeur. Il discute des avantages et des inconvénients des différentes méthodes et met en évidence les conditions dans lesquelles ces méthodes sont censées être plus performantes. L’auteur propose également des orientations pour les recherches futures afin d’améliorer davantage la précision et l’applicabilité des méthodes de prévision des séries chronologiques.

Chapitre 4 : Dans ce chapitre, les auteurs abordent les enjeux de la prévision de la demande de nouveaux produits, une tâche cruciale pour les entreprises compte tenu des enjeux importants liés aux lancements de produits. Ils discutent de la nature complexe et dynamique de la prévision de la demande dans le contexte de la concurrence économique, de l’évolution des attentes des clients et des technologies émergentes. Ils soulignent le taux d’échec élevé des nouveaux lancements et l’importance de prévisions précises de la demande pour la prise de décision. Le chapitre souligne la nécessité de méthodes de prévision de la demande robustes et précises pour atténuer les risques et optimiser les résultats commerciaux. Il passe également en revue plusieurs études de cas qui montrent comment l’apprentissage automatique peut améliorer la précision des prévisions de nouveaux produits.

Chapitre 5 : Ce chapitre donne un aperçu du domaine émergent des modèles de prévision mondiaux, qui ont montré des résultats prometteurs dans les compétitions de prévision et les applications dans le monde réel. L’auteur discute de la valeur des modèles globaux dans le contexte du Big Data et comment ils surpassent les modèles univariés traditionnels lorsqu’ils traitent de grandes collections de séries chronologiques connexes. Il met également en évidence les étapes de préparation des données pour l’ajustement des modèles globaux et fournit un bref historique de leur évolution. Le chapitre se termine par un aperçu des cadres open source disponibles pour la mise en œuvre de modèles globaux.

Chapitre 6 : Ce chapitre explore comment de grandes quantités de données peuvent être exploitées pour améliorer la précision des prévisions des modèles d’IA. L’auteur discute des défis et des avantages de l’utilisation de modèles d’IA pour la prévision de séries chronologiques, soulignant l’applicabilité universelle des modèles mondiaux et les aspects statistiques de l’apprentissage croisé. Le chapitre se termine par des recommandations aux praticiens pour améliorer les performances des modèles de prévision de l’IA en ajustant à la fois les modèles et les ensembles de données disponibles.

Chapitre 7 : Dans ce chapitre, les auteurs examinent ce que l’on appelle la dérive conceptuelle, qui fait référence aux changements dans la distribution des données sous-jacentes au fil du temps, et son effet négatif sur les modèles d’IA. Ils mettent en évidence les défis de la dérive conceptuelle dans divers domaines et examinent les méthodes existantes pour la gérer, telles que la pondération adaptative, afin de fournir un aperçu de leurs forces et de leurs limites. Les auteurs suggèrent de nouvelles façons de gérer la dérive des concepts dans les modèles mondiaux d’apprentissage automatique et font des suggestions pour les recherches futures dans le domaine.

Chapitre 8 : Ce chapitre se concentre sur la combinaison de prévisions produites par des ensembles de réseaux de neurones à anticipation pour la prévision de séries temporelles. Il examine les avantages de l’utilisation de combinaisons de prévisions, telles que l’amélioration de la précision et de la robustesse, et les défis associés à l’utilisation des réseaux de neurones, tels que leur nature stochastique et le grand nombre d’hyperparamètres. Le chapitre évalue empiriquement les performances de modèles individuels et d’ensembles de modèles à l’aide d’ensembles de données du concours M4 et constate que l’assemblage de réseaux de neurones avec différentes initialisations et hyperparamètres peut améliorer considérablement les performances de prévision, mais au prix d’un temps de calcul accru.

Chapitre 9 : Ce chapitre explore l’intérêt croissant pour la prévision de séries chronologiques avec méta-apprentissage, qui est une méthode prometteuse pour la sélection et la combinaison automatiques de modèles lorsqu’il s’agit de traiter un grand nombre de séries chronologiques. Le chapitre passe en revue le développement actuel des méthodes de méta-apprentissage dans la prévision des séries chronologiques, résume un cadre général de méta-apprentissage et discute des éléments clés de l’établissement d’un système de méta-apprentissage efficace. Il introduit également une bibliothèque python qui vise à mettre le méta-apprentissage à la disposition des chercheurs et des praticiens dans un cadre unifié et facile à utiliser. Le chapitre se termine par des évaluations expérimentales de la bibliothèque sur deux ensembles de données open source, montrant des performances prometteuses de méta-apprentissage dans la prévision de séries chronologiques dans diverses disciplines, et propose des suggestions pour de nouvelles recherches universitaires dans ce domaine.

Chapitre 10 : Ce chapitre décrit les méthodes de pointe basées sur les caractéristiques pour la prévision dans des domaines complexes, tels que l’économie, où les performances de prévision des différentes méthodes varient en fonction de la nature de la série chronologique. Il couvre la sélection de modèles basés sur les fonctionnalités et les approches de combinaison, avec des références aux implémentations de logiciels open source.

Chapitre 11 : Ce chapitre se concentre sur la prévision de la demande dans l’industrie de la mode en ligne, qui présente des défis uniques liés aux volumes de données importants, à l’irrégularité, à la rotation élevée du catalogue et à l’hypothèse d’un inventaire fixe. Les auteurs élaborent sur l’approche de données et de modélisation qu’ils ont utilisée pour prévoir la demande à l’aide de l’apprentissage en profondeur, soulignant l’efficacité de la méthode proposée.

Chapitre 12 : Ce chapitre préconise l’intégration des méthodes de prévision et d’optimisation dans la recherche opérationnelle, car elles sont largement utilisées dans le milieu universitaire et la pratique afin de faire face aux incertitudes et de prendre des décisions éclairées. Il explore les problèmes qui nécessitent à la fois une prévision et une optimisation et discute de la nature de leur relation et de leur potentiel d’intégration.

Chapitre 13 : Ce chapitre présente une nouvelle méthode d’analyse de la politique monétaire et de prévision de l’inflation, appelée LSTVAR-ANN, qui impose différentes dynamiques économiques au cours des différentes périodes du cycle économique. Il donne un aperçu de l’impact de la politique monétaire sur différentes périodes économiques, les composantes du cycle économique et les prévisions d’inflation.

Chapitre 14 : Ce chapitre présente le cadre de prévision de la valeur ajoutée (FVA) en tant que méthode alternative pour évaluer les performances de prévision et évaluer correctement les avancées des modèles de prévision de l’IA.

Ce livre inspirera les chercheurs, les praticiens et les professionnels à élargir et approfondir leurs connaissances du domaine, à découvrir des techniques uniques et à partager des idées.