↓ Aller au contenu
Kwak Jazz
  1. Tags/

MLflow

Modèles de fondation pour séries temporelles : prévoir la consommation électrique du lendemain de 3 517 bâtiments tertiaires

Modèles de fondation pour séries temporelles : prévoir la consommation électrique du lendemain de 3 517 bâtiments tertiaires

··3761 mots
Séries Temporelles Forecasting Modèles De Fondation Chronos-2 LightGBM Énergie Backtest Conformal Prediction Dagster MLflow Python
La veille TSFM appliquée à un responsable d’équilibre fictif, sur données publiques réelles : LightGBM, Chronos-2 et leur mélange contre la prévision J-1 de RTE, publiée et débiaisée. Un MAPE de 2,7 % sur le portefeuille contre 5,6 % sans modèle, un router qui ne bat pas le mélange, un cold-start à la naïve, Timestral et TimesFM 3.0 en addendum, un service Dagster et sa surveillance rejouée.
Impact causal en séries temporelles : mesurer ce que les promotions d'une chaîne d'épicerie rapportent vraiment

Impact causal en séries temporelles : mesurer ce que les promotions d'une chaîne d'épicerie rapportent vraiment

··2897 mots
Inférence Causale Séries Temporelles Contrefactuel BSTS Tests Placebo Double ML Dagster MLflow Python Retail
Le contrefactuel BSTS de la veille appliqué aux promotions d’une chaîne d’épicerie fictive sur les données Favorita : campagnes détectées plutôt que supposées, registre de donneurs, couverture mesurée sur vérité plantée (0,83 à 0,90 contre 0,5 à 0,7 pour les estimateurs iid), séisme en banc d’essai, Double ML, pipeline Dagster et monitoring.