迪卡侬使用Chronos-2在AWS上实现大规模需求预测
问题
迪卡侬需要为全球数万种产品进行周度销售预测，涵盖12周补货和52周战略规划。原有方法（DeepAR、Holt-Winters、TFT）需要每周重新训练，扩展新区域需约6个月且工程复杂度高，运营开销大，且预测精度有待提升。
解决方案
迪卡侬评估多个时间序列基础模型后选择Chronos-2，利用AutoGluon集成进行LoRA微调，在AWS EC2上部署每周批量推理，每6个月微调一次模型。架构包括PySpark数据准备、MLflow模型注册、Airflow编排和Databricks任务触发。
结果
在东南亚和拉丁美洲供应区投入生产后，12周预测WAPE分别降低11和15个百分点，52周WAPE分别降低6和9个百分点。新区域部署时间从约6个月缩短至2-3个月，推理时间从10-15分钟降低至40-75秒，微调频率从每周降至每6个月，单次推理成本约0.03美元。
成本
成本信息待确认。
案例分析
使用场景：需求预测与供应链优化
实施证据：根据原文，Chronos-2已在东南亚和拉丁美洲供应区投入生产，结果即来自这些区域。生产架构使用Amazon EC2 m6i.8xlarge（CPU推理）和g5.4xlarge（GPU微调），每周批量推理由Databricks作业触发，数据管道通过Airflow编排，模型通过MLflow注册版本。迪卡侬计划2026年完成全多区域生产推广，中东和非洲为下一扩展目标。
指标：SEA区域12周WAPE：39% → 28%（降低11个百分点）；LATAM区域12周WAPE：53% → 38%（降低15个百分点）；SEA区域52周WAPE：44% → 38%（降低6个百分点）；LATAM区域52周WAPE：55% → 46%（降低9个百分点）；新区域部署时间：约6个月 → 2-3个月；推理时间：10-15分钟（含再训练）→ 40-75秒（分别对应7,000和15,000个时间序列）；推理成本：约0.03美元/周；每个WAPE百分点改进对应0.3天库存节省和0.3点产品可用性提升
经验：在自有数据上基准测试至关重要：全球排行榜不能替代领域特定数据上的评估，一些全球排名较高的模型在零售数据上表现较差。；微调解锁全部潜力：即使每6个月低频微调（LoRA）也能显著提升零样本推理精度。；从聚焦方法开始迭代：先部署单一微调模型，逐步添加协变量，降低风险并尽早交付价值。；基础模型民主化预测：Chronos-2在单个CPU实例上即可运行，无需GPU，推理成本极低。