京东零售首次公开！6B参数时序大模型实现20000款商品自动补货预测
本次会议继续由DataFun社区主办，计划邀请30+位重量级数据科学家同台分享交流，深入辩证的探讨大模型时代数据科学在技术与应用的“变与不变”，立足不变夯实基础，顺应变化逐浪新潮流。
在4月19日下午的数据科学与供应链论坛，京东零售供应链部门石正新老师将出席此次会议，并带来主题分享：
专家介绍：
18年校招加入京东零售供应链部门，专注于供应链管理、采购自动化、时序大模型、可解释预测等的研究与应用，现作为库存算法专家，致力通过人工智能技术优化京东供应链效率，曾作为核心成员获得Gartner2024年全球供应链技术创新总决赛冠军。
演讲介绍：
销量预测是供应链决策的核心，直接影响库存与资金效率。传统时间序列模型因模型拟合能力和数据维度限制，难以应对电商场景下复杂需求波动，如新品、季节性商品、长尾商品。京东推出了 TimeHF，全球首个 6B 参数规模的工业级时序大模型。TimeHF 基于京东全场景销售及公开数据构建 210B 大小的高质量的时序数据集，设计了首个面向时序预测的 RLHF 框架（TPO算法），将专家经验通过 RLHF 机制嵌入模型，实现人类认知与 AI 的协同进化。TimeHF 在京东供应链实现 20,000 种商品的自动补货部署，预测准确率相对提升 33.21%。这一创新不仅可推动了 LTM 技术的发展，也为京东供应链管理带来了显著的工业效益。
演讲提纲
一、业务背景：供应链预测面临的痛点与机遇
二、方案选型：为何选择时序大模型（LTM），大尺寸模型能够捕捉时序数据更多的信息，覆盖京东不同场景的预测，可扩展性强、零样本预测能力高。
三、落地挑战与解决思路：高质量数据集的构建、大尺寸模型的训练及优化、时序预测的 RLHF 框架构建。
四：解决效果：预测效果以及落地实践
五：行业展望：大模型在供应链管理中的进一步应用
听众收益：
大规模时间序列数据集的构建与重要性： 演讲详细介绍了如何构建高质量、多样化的大规模时间序列数据集，包括数据增强、数据平衡和多样性排名等技术。听众将认识到，数据集的丰富性和复杂性对于训练高性能的时间序列模型至关重要。
掌握RLHF技术在时间序列预测中的应用：本次演讲首次展示了如何将强化学习与人类反馈（RLHF）技术应用于时间序列大模型（LTM）中，特别是通过时间序列策略优化（TPO）框架。这不仅为听众提供了一个全新的视角来理解如何利用人类专家的知识和经验来优化模型性能，还展示了这一方法在实际应用中的巨大潜力和效果。
了解大型时间序列模型（LTM）实际应用案例及其经济效益：演讲中提到的京东供应链系统中TimeHF模型的成功部署案例，展示了该技术在实际商业环境中的应用效果和经济效益。
报名方式
落地挑战和方案重点
1、大模型性能优化
2、大模型实际落地的可解释性
大会议程
