EXAONE Demand 1.0 : une approche spécialisée pour prévoir la demande à partir d’historiques courts

Le défi de la demande pour les modèles fondationnels

Les modèles fondationnels de séries temporelles (TSFM) sont généralement préentraînés sur des données issues de domaines variés. Les séries de demande ne représentent toutefois qu’une faible part de ces corpus. Il en résulte un décalage : les données de demande présentent des caractéristiques rarement observées dans d’autres types de séries, notamment des historiques courts, des zéros fréquents, une censure due aux ruptures de stock et des événements exogènes qui ne sont pas enregistrés dans la série.

Pour répondre à ce problème, les auteurs proposent EXAONE Demand, une architecture destinée à mieux prendre en compte les dynamiques propres à la demande, plutôt que de s’appuyer uniquement sur la généralité des modèles existants. Leur point de départ est qu’un modèle entraîné sur des données génériques risque de mal saisir les irrégularités des ventes, en particulier dans les secteurs très variables ou pour les produits à faible rotation.

Architecture : un corpus spécialisé et un adaptateur

La proposition repose sur deux composants. Le premier est un corpus consacré à la demande, qui rassemble 11,3 millions de séries et 48,4 milliards d’observations issues de 73 sources. Les données ouvertes représentant insuffisamment certains comportements, les auteurs y ajoutent un générateur synthétique destiné à les simuler.

Le second composant est un adaptateur conçu pour la demande et ajouté à un modèle général dont les paramètres restent gelés. Il comprend des branches de faible rang, une pour chacune des quatre classes de demande — lisse, intermittente, erratique et « lumpy » — ainsi qu’un routeur. Celui-ci exploite huit statistiques invariantes à l’échelle de la série en entrée pour déterminer la contribution de chaque branche.

Entraînement : deux versions pour examiner le rôle des données

Les auteurs construisent deux versions d’EXAONE Demand afin d’étudier l’apport des données réelles. La première est entraînée sur un mélange de données de demande du monde réel et de données synthétiques ; la seconde utilise uniquement le corpus synthétique. Cette comparaison vise à distinguer la contribution des données réelles de celle de la simulation.

Le choix de conserver gelé le modèle général tout en entraînant l’adaptateur spécialisé correspond à une stratégie qui limite les paramètres à ajuster. Il ne suffit cependant pas, à lui seul, à établir que l’entraînement ou le déploiement coûte moins cher dans des conditions pratiques : le résumé disponible ne fournit pas de mesures permettant d’évaluer ces coûts.

Les résultats comparatifs rapportés dans le préprint

Le rapport technique indique que les deux versions d’EXAONE Demand surpassent 36 modèles fondationnels de séries temporelles sur 22 jeux de données retenus pour l’évaluation. Les auteurs rapportent également un gain supplémentaire lorsque l’entraînement inclut des données de demande réelles, par rapport à la version entraînée uniquement sur des données synthétiques.

Ces résultats sont ceux que communique le préprint ; ils ne constituent pas, à eux seuls, une validation indépendante. Le résumé ne précise pas les métriques, les valeurs des écarts, ni leur stabilité selon les jeux de données ou les secteurs. Il ne permet donc pas de déterminer quelle ampleur aurait l’avantage en pratique, ni dans quelles situations il se maintient.

Limites et validations externes encore nécessaires

La page de l’article sur arXiv le présente comme un rapport technique soumis en septembre 2026. Les éléments disponibles ne permettent pas d’établir qu’il a fait l’objet d’une évaluation par les pairs. Il faut donc distinguer les résultats annoncés par les auteurs d’une confirmation indépendante de leur méthode ou de leurs conclusions.

Le résumé ne suffit pas non plus à vérifier comment le générateur synthétique a été construit, dans quelle mesure il influence les résultats, ou si le code, les données et les poids du modèle sont accessibles pour reproduire les expériences. Enfin, les 22 jeux de données décrits ne démontrent pas, à eux seuls, que le modèle fonctionne dans tous les secteurs, face à des événements exogènes extrêmes ou dans d’autres conditions opérationnelles. Des reproductions indépendantes et des évaluations sur des données pertinentes pour ces contextes seraient nécessaires pour apprécier sa portée pratique.

Poursuivre l’exploration

Corrections et transparence

Si vous repérez une information incorrecte ou obsolète, envoyez-nous la page et la source à vérifier.