Von Würzburg nach Vancouver: Forschung zu Time-Series Transformers auf der NeurIPS 2024 vorgestellt

Im Dezember 2024 waren Kai Günder und Magnus Maichle von unserem Team zusammen mit Ivane Antonov in Vancouver auf der NeurIPS, einer der wichtigsten Konferenzen für künstliche Intelligenz und maschinelles Lernen weltweit. Dort haben wir unsere Forschung zu Time-Series Transformers für das Bestandsmanagement beim Workshop „Time Series in the Age of Large Models“ vorgestellt.

Die Teilnahme war ein wichtiger Meilenstein für unsere Forschung am Lehrstuhl für Logistik und Quantitative Methoden der Universität Würzburg – der wissenschaftlichen Grundlage für unser Spin-off. In einem internationalen Umfeld, in dem führende Forschungsteams an der nächsten Generation von Foundation Models, Transformer-Architekturen und skalierbaren Lernverfahren arbeiten, konnten wir zeigen, wie sich moderne KI-Ansätze auf konkrete Herausforderungen in Logistik und Supply Chain Management übertragen lassen.

Was wir vorgestellt haben

Im Mittelpunkt stand das Paper „In-context Quantile Regression for Multi-product Inventory Management using Time-series Transformers“. Darin untersuchen wir, wie Transformer-Modelle für eine zentrale Herausforderung im Bestandsmanagement eingesetzt werden können: präzise probabilistische Nachfrageprognosen über viele Produkte hinweg zu erstellen — auch für neue oder bisher ungesehene Planungssituationen.

Unser Ansatz überträgt zentrale Ideen moderner Foundation Models auf Zeitreihen in der Logistik. Statt für jedes Produkt, jede Warengruppe oder jeden Anwendungsfall ein eigenes Modell zu trainieren, lernt das Modell Muster über viele Produkte hinweg. Dadurch kann es Wissen aus bestehenden Zeitreihen nutzen, um auch für neue Produkte bessere Vorhersagen zu treffen. Genau das ist entscheidend, wenn KI im Bestandsmanagement nicht bei besseren Einzelprognosen stehen bleiben, sondern operative Planung skalierbar automatisieren soll.

Was die NeurIPS für uns bedeutet hat

Die Konferenz bot dafür den idealen Rahmen. Der Workshop brachte Forschende zusammen, die an der Schnittstelle von Large Models, Time-Series Forecasting und realen Anwendungsfällen arbeiten. Besonders wertvoll war der Austausch mit internationalen Expertinnen und Experten aus Wissenschaft und Industrie — unter anderem zu Fragen wie: Wie lassen sich Foundation Models auf strukturierte Zeitreihendaten übertragen? Wie robust sind solche Modelle in realen Anwendungsfällen? Und wie können Unternehmen aus komplexen Prognosen bessere operative Entscheidungen ableiten? Gleichzeitig haben wir viel mitgenommen: Fragen zur Robustheit solcher Modelle in der Praxis, neue Impulse für unsere nächsten Forschungsschritte und Gespräche, die zeigen, wo die Entwicklung im Bereich Foundation Models für strukturierte Daten gerade hingeht.

Warum uns das antreibt

Unsere Forschung war für uns von Anfang an mehr als ein akademisches Thema. Sie adressiert ein praktisches Problem, das viele Unternehmen kennen: Bestandsentscheidungen müssen regelmäßig, über viele Produkte hinweg und unter Unsicherheit getroffen werden. Bessere probabilistische Prognosen sind dafür ein zentraler Baustein — nicht als Selbstzweck, sondern als Grundlage für bessere operative Entscheidungen.

Die Präsentation bei NeurIPS 2024 bestätigte, dass die Verbindung aus Time-Series Foundation Models und Bestandsmanagement auch international auf großes Interesse stößt. Gleichzeitig war der Austausch in Vancouver ein wichtiger Impuls für die nächsten Forschungsschritte und die Weiterentwicklung der zugrunde liegenden Technologie.

Wir freuen uns, diese Arbeit weiter voranzutreiben — von der wissenschaftlichen Grundlage hin zu KI-Systemen, die Bestandsplanung in der Praxis präziser, skalierbarer und automatisierter machen.