BI-forskning får finansiering fra UC Berkeley

FORESIG er et samarbeidsprosjekt mellom BI, NTNU og UC Berkeley. Ved BI er det forskningssenteret AMOR (Senter for Anvendt Matematikk og Operasjonsanalyse) som har ansvar for prosjektet, og BI-professor Fabian Andsem Harang skal lede prosjektet sammen med professor Xin Guo ved UC Berkeley og professor Kurusch Ebrahimi-Fard ved NTNU. Samarbeid med næringslivet blir viktig for å utvikle løsninger som funker i praksis.

– Vi skal jobbe tett med Amazon i California og REMA 1000 i Norge, som bidrar med data og innsikt som gjør at vi kan teste ideene våre på ekte og relevante problemstillinger. Jeg er glad for at både Amazon og REMA 1000 ønsker å være med på å utvikle bedre matematiske modeller som kan styrke både bærekraft og drift i varehandelen, sier Fabian Andsem Harang, professor ved BI og leder av AMOR.

Prosjektet har blitt tildelt 25 000 dollar gjennom et stipend fra Peder Sather Center, et internasjonalt forsknings- og utdanningssamarbeid mellom det prestisjetunge amerikanske universitetet UC Berkeley og norske universiteter og høyskoler. 

– Finansieringen gir oss kraft nok til å satse skikkelig og gjennomføre reiser, forskningsopphold og workshops. Det er avgjørende for at vi skal kunne nå faglige gjennombrudd og for å levere løsninger som industrien faktisk kan ta i bruk, sier Harang.

Skal utvikle nye metoder for bedre prognoser

FORESIG står for «Forecasting with Signatures: From Theory to Applications». Målet er å utvikle nye matematiske metoder og prognosemodeller som fungerer bedre enn dagens metoder.

– Prognoser styrer alt fra lagre og innkjøp til prising, så treffsikkerhet er veldig viktig. Dagens metoder strever ofte med datagrunnlag som endrer seg raskt eller er uregelmessige, og mange KI-modeller trenger enorme mengder data og er lite brukervennlige, sier Harang.

Forskerne skal ta i bruk en statistisk tilnærming basert på signaturtransformasjoner, et matematisk rammeverk som fanger opp komplekse, ikke-lineære mønstre, tåler ustabile data, og som fungerer når datagrunnlaget er begrenset.

– Dette gjør at resultatene blir enklere å tolke, og i praksis betyr det bedre etterspørselsprognoser og mer dynamiske prismodeller som tilpasser seg markedet raskere. Enklere sagt kan det bidra til mindre overskuddslagre, mindre unødvendig svinn og færre tomme hyller, sier Harang.