Praxisprojekt (Team) KI-unterstützte Zeitreihenprognosen in einem logistischen Kontext

Zeitreihenprognosen spielen in verschiedenen wirtschaftlichen Kontexten, wie z. B. bei der Vorhersage von Aktienkursen oder Umsatzprognosen, eine äußerst wichtige Rolle. Trotz der Entwicklung verschiedener Bibliotheken für Vorhersagealgorithmen in den letzten Jahren ist es nach wie vor schwierig, diese Techniken in Unternehmen ohne die Beteiligung von Experten einzusetzen. Mit dem öffentlichen Durchbruch von ChatGPT besteht die Hoffnung, dass Large Language Models (LLMs) in Zukunft die Rolle dieser Experten übernehmen können, so dass Nichtfachleute durch den Dialog mit LLMs erfolgreich Vorhersageanwendungen implementieren können. In diesem Projekt soll untersucht werden, ob der derzeitige Stand der LLMs ausreicht, um diese Erwartungen zu erfüllen. Es wird ein Laborexperiment mit einem umfangreichen Datensatz aus einem Wirtschaftsbereich durchgeführt. Einige Projektteilnehmer werden die Rolle von Versuchspersonen und andere die Rolle von Laborleitern übernehmen. Die Aufgabe der Probanden ist es, eine auf LLM-Unterstützung basierende Vorhersageanwendung zu entwickeln und deren Vorhersagequalität bzw. Einsatzfähigkeit zu bewerten. Die Rolle der Laborleiter besteht darin, den Laboraufbau vorzubereiten, den Wissensstand der Probanden bezüglich der Zeitreihenprognose zu Beginn und am Ende des Projekts zu bewerten und den Lernfortschritt zu dokumentieren. Das Projekt ist als eine Challenge angelegt. Parallel zum Projektteam wird ein Experte SAP-basierte Prognosemodelle für das identische Anwendungsszenario anlegen. Der Vergleich der Ergebnisse soll Hinweise liefern, ob, bzw in welchem Umfang der aktuelle Stand von KI-Tools Expertenwissen substituieren kann. Als Grundlage dienen reale Geschäfts- und Wetterdaten (> 50 Mio Datensätze).

Lernergebnisse: – Verständnis von Large Language Models (LLMs) und deren Anwendung im Kontext von Zeitreihenprognosen in wirtschaftlichen Szenarien. – Praktische Erfahrung im Umgang mit Zeitreihendaten und der Abfrage von LLMs. – Experimentelles Denken und kritische Bewertung von Modellen zur Zeitreihenprognose. – Methoden des wissenschaftlichen Arbeitens, insbesondere in experimentellen Laborversuchen, und effektive Kommunikation und Präsentation von Ergebnissen.

Man siehe auch https://prox.innovation-hub.de