🔥 Могут ли современные LLM предсказывать спрос?

Мы решили проверить это не в теории, а вживую и задали вопрос напрямую Gemini от Google. Перед этим мы дали модели прочитать вот эту статью, чтобы она понимала контекст, а не отвечала «в вакууме». И вот что она сказала.

🦢 Про «чёрных лебедей» Gemini честно признаёт: «Чёрные лебеди — ахиллесова пята любой математической модели, и я не исключение. Предсказать дату и масштаб я не могу. Но когда лебедь уже приземлился — я реагирую лучше классических моделей». Это, кстати, редкий случай, когда LLM не пытается казаться всезнающей.

⚠️ Где у LLM реальные ограничения Модель сама перечисляет свои слабые места: Отсутствие интуиции: она не «чувствует» рынок, а лишь статистически продолжает паттерны. Галлюцинации: в хаосе может выдать желаемое за действительное. Ограничение актуальности данных: модель не имеет доступа к реальному времени: если событие произошло сегодня, она узнает о нём только через подключённые инструменты поиска.

То есть LLM - это не «оракул», а инструмент, который работает в рамках данных, а не интуиции или опыта.

🎯 Когда LLM хуже классического ML Gemini формулирует это предельно честно: «Если у вас есть чистая таблица продаж за 3 года и нужен прогноз на завтра с точностью 1% — используйте классический ML. Я буду дорогой и менее точной надстройкой». И это ровно то, что мы видим в продакшене каждый день.

💡 Вывод LLM — мощный инструмент, но не замена ML‑моделям в операционном прогнозировании. Они полезны для анализа, объяснений, генерации гипотез, но не для точного прогноза спроса на завтра. А вот что действительно работает - дисциплина данных, корректная постановка задачи и проверенные ML‑модели, обученные на вашей истории.