POOL: KI-gestützt externe Einflussgrößen für Forecasts nutzen

Hallo und willkommen bei „future“. In diesem Video zeige ich dir, wie du mit Hilfe künstlicher Intelligenz passende externe Einflussgrößen für deine Anwendungsfälle findest und für deine Vorhersagen verwenden kannst. Was ich dir heute zeige, sind Möglichkeiten, wie du mit futureNOW arbeiten kannst. Das von uns bereitgestellte Frontend ermöglicht einen besonders einfachen Einstieg ins datenbasierte Forecasting. Das, was du in diesem Video lernst, kannst du aber auch dann nutzen, wenn du eine automatisierte Lösung in deinen Workflow integrieren möchtest. Hierfür steht dir die umfangreiche Toolbox futureEXPERT zur Verfügung, die du am einfachsten mit dem Python-Client verwendest.

Ich beginne mit dem fertigen CHECK-IN. Ich habe hier meinen Datensatz aufbereitet. Meine Daten beinhalten die Verkaufszahlen verschiedener Produkte in einer kleinen Eisdiele in Würzburg. Ich wähle das Produkt davon aus, für das ich Forecasts erstellen möchte, klicke auf „Weiter mit“ und gehe zu „Forecast via NOW“. Dort bestätige ich noch einmal das Vorhersageobjekt und bin jetzt im Forecast-Modul. In diesem Fenster kann ich auswählen, für wie viele Tage Forecasts erstellt werden sollen und könnte hier auch ein anderes Vorhersageobjekt auswählen. Mehr müsste ich gar nicht machen, um Forecasts starten zu können. Ich habe aber die Möglichkeit, Indikatoren bzw. Einflussgrößen als Kovariaten zu meiner Konfiguration hinzuzufügen, wovon ich auch Gebrauch machen möchte. Durch einen Klick auf das „Plus“ wähle ich aus, woher ich die Einflussgrößen beziehen möchte. Ich kann einen Datensatz aus meinen hochgeladenen Daten auswählen oder eine andere Zeitreihe, welche ich mit dem CHECK-IN aufbereitet habe. Heute schauen wir uns die Möglichkeiten an, die uns der POOL bietet. Der POOL ist eine von uns bereitgestellte breite Auswahl von aufbereiteten externen Einflussgrößen, die für viele unterschiedliche Anwendungsfälle nützlich sind. Deswegen klicke ich auf „POOL“. Es öffnet sich ein Fenster und wir sehen die verschiedenen Quellen, aus denen wir die Indikatoren beziehen können - zum Beispiel das Deutsche Statistische Bundesamt, die OECD, aber auch Kalenderdaten, Schulferien oder Wetterinformationen. Man könnte jetzt auf eine dieser Quellen klicken und eine Übersicht zu den verschiedenen Einflussfaktoren dieser Quelle bekommen. Ich kann aus dem Quellenfilter auch die entsprechende Quelle wieder entfernen und sehe dann alle Einflussgrößen. Oder ich gebe in das Suchfeld einen bestimmten Begriff ein, zum Beispiel „Temperatur“ oder „Ferien“, und wir sehen verschiedene Indikatoren, die zu dem jeweiligen Suchbefehl passen. Insgesamt haben wir hier eine Auswahl von 170 verschiedenen Indikatoren. Ich möchte das jetzt nicht alles sichten, das ist mir ein bisschen zu viel Arbeit, und genau dafür gibt es das Feature ‘AI selection’. Die ‘AI selection’-Auswahl ist ein Feature, das ein Large Language Model nutzt und wir entwickelt haben, um über eine sprachliche Beschreibung schnell zu den Daten passende Einflussgrößen für den Anwendungsfall, den meine Zeitreihe widerspiegelt, zu finden.

Ich gebe hier an, dass es sich um die „Eisverkäufe in meiner Eisdiele in Würzburg“ handelt. Die AI-Selection ist in der Lage ist, geografische Informationen aus dem Prompt herauszuziehen und sie in das Scoring der Einflussgrößen einfließen zu lassen. Ich könnte dieses Feature auch ausschalten und die geografischen Daten über die Einstellungen angeben. Aber wir sehen hier, dass das Tool Europa, Deutschland, Bayern, Würzburg richtig erkannt hat. Insgesamt gilt: Je genauer ich mit meiner Kontext-Beschreibung bin, desto leichter fällt es der KI, die wirklich gut passenden Größen zu finden. Es sucht jetzt im Hintergrund alle Einflussgrößen aus dem POOL durch und erstellt für jede einen Score. Der Score ist die Einschätzung des KI-Modells zur Passgenauigkeit der entsprechenden Einflussgröße zur Beschreibung meiner Daten. Außerdem wird automatisch erkannt, wie sich die Einflussgröße zu meinen Daten verhält – in Form der Einflussrichtung. Jetzt sehe ich eine Vorauswahl der Indikatoren, die das höchste Potenzial haben, sortiert nach ihren Scores. Von dieser Liste wähle ich dann ein Subset aus. Ich möchte die Schulferien, die Temperatur (täglicher Maximalwert) und dann noch die Feiertage nutzen. Das sind drei verschiedene Einflussgrößen, die nach meinem Empfinden sehr gut zu der Zeitreihe passen. Wenn wir ein bisschen herunterscrollen, sehen wir zum Beispiel auch, dass der LKW-Maut-Fahrleistungsindex einen eher schlechten Score bekommen hat, was sich mir auch total erschließt. Jetzt klicke ich auf „Indikator hinzufügen“ und unten wird angezeigt, dass sie erfolgreich übernommen wurden. Somit kann ich Forecasts erstellen, die unter Berücksichtigung der entsprechenden Kovariaten berechnet werden. Das Ganze dauert einen kleinen Moment und jetzt sollten gleich die Ergebnisse da sein. Sobald diese fertig sind, kann ich mir die Forecasts in einem Plot anschauen und als CSV herunterladen.

Die AI-Selection hat mir also geholfen, schnell Daten zu identifizieren, die inhaltlich zu meinem Anwendungsfall passen und die Qualität meiner Forecasts potenziell verbessern. Probier es einfach mal mit deinem eigenen Use Case aus! Viel Spaß beim Herumprobieren und bis zum nächsten Mal.