Længe før nogen havde hørt om Transformer-arkitekturen eller Attention Is All You Need (2017), arbejdede forskere, statistikere, aktuarer, ingeniører, økonomer og naturvidenskabsfolk med metoder, som i dag klassificeres som AI eller Machine Learning.

Eksempler er bl.a.:

• Lineær regression
• Logistisk regression
• Bayesiansk statistik
• Markov-kæder
• K-nearest neighbour
• Fuzzy logic
• Neural networks
• Decision trees
• Clustering
• Optimeringsalgoritmer
• Signalbehandling og Fourier-analyse

Listen er meget længere.

Meget af den matematik, der ligger bag moderne AI, er derfor ikke ny. Tværtimod bygger området på klassiske discipliner som lineær algebra, sandsynlighedsregning, matematisk statistik, informationsteori, operationsanalyse, numerisk analyse, differentialligninger og optimeringsteori.

Det betyder også, at der sidder mange mennesker rundt omkring med mange års erfaring inden for centrale AI-metoder, selv om de måske aldrig har kaldt sig selv AI-eksperter. Og dem der i dag kalder sig AI-eksperter er på den anden side ikke altid eksperter i klassisk forstand, da de ofte mangler dybden og bredden. Er man fx. ekspert fordi man er god til at skrive prompts og kan lave simple agenter?….

Det nye og revolutionerende er naturligvis Deep Learning, de meget store og komplekse neurale netværk og især Transformer-arkitekturen. Men det er vigtigt at forstå, at disse teknologier står på skuldrene af et enormt eksisterende vidensfundament.

Samtidig er det interessant, at moderne LLM’er i stigende grad fungerer som en slags dispatcher eller orkestrator.

Når en opgave skal løses, er LLM’en ikke nødvendigvis selv den optimale model til alt. Den kan derimod analysere problemet og vælge eller kombinere de metoder, der passer bedst til opgaven:

• Regression til forecasting
• Bayesianske modeller til sandsynligheder
• Optimering til planlægning
• Klassiske ML-modeller til klassifikation
• LLM’er til dialog og formidling

Set i det perspektiv er fremtidens AI ikke én model, men et samarbejde mellem mange forskellige modeller og metoder, hvor LLM’en fungerer som den intelligente koordinator.

Derfor bliver jeg altid lidt skeptisk, når AI udelukkende omtales som LLM’er. Transformer-modeller er uden tvivl et enormt gennembrud, men AI’s historiske fundament er langt bredere, langt ældre og langt dybere, end mange er klar over.

The post AI er ikke kun LLM’er og Transformer-modeller first appeared on .

Forecasting er en central del af mange forretningsprocesser, hvad enten det drejer sig om salgsforecasting, forudsigelse af fremtidige salgstal, prognoser for uplanlagt vedligehold, forecast af henvendelser til kundeservice eller mange andre processer.

Klassiske metoder:
Holt‑Winters‑modellen er en af de klassiske forecasting‑metoder og er særligt effektiv til at håndtere sæsonvariationer og trends i data. Modellen anvender eksponentiel udglatning til at forudsige fremtidige værdier baseret på historiske data og estimerer niveau, trend og sæson. Ligesom de klassiske ARIMA‑modeller er Holt‑Winters velegnet til forecasting baseret på tidsseriedata med regelmæssige mønstre.

AI‑baserede metoder:
AI tilbyder en række fordele i forhold til klassiske metoder. AI‑modeller, såsom neurale netværk og maskinlæring, kan håndtere komplekse og ikke‑lineære sammenhænge i data, som klassiske metoder ofte har svært ved. Derudover kan AI‑modeller lære og tilpasse sig over tid, hvilket gør dem mere robuste over for ændringer i data. Typiske modeller omfatter Recurrent Neural Networks (RNN), Long Short‑Term Memory (LSTM) og Transformers (som anvendes i GenAI/LLM’er som ChatGPT og Copilot).

Kombination af metoder:
En kombination af klassiske metoder og AI kan give det bedste fra begge verdener. Klassiske metoder kan fungere som et solidt baseline‑udgangspunkt, mens AI kan finjustere og forbedre prognoserne ved at håndtere mere komplekse mønstre og usikkerhed. AI kan også bidrage til at optimere parametrene for niveau, trend og sæson i Holt‑Winters‑modellen og dermed yderligere forbedre prognosernes præcision.

NB: Holt‑Winters‑modellen har mange år på bagen, men den er relativt enkel at implementere og samtidig ekstremt effektiv. Derfor har den stadig sin fulde berettigelse – også i dag, hvor AI spiller en stadig større rolle.

The post Forecasting – klassiske metoder versus AI first appeared on .