Zero-Shot-Forecasting
Zero-Shot-Forecasting bezeichnet die Fähigkeit eines KI-Modells, Vorhersagen für Datenreihen zu treffen, die es während des Trainings nie gesehen hat — ohne zusätzliches Nachtraining. Das Verfahren ist besonders relevant, wenn Unternehmen schnell Prognosen für neue Produkte, Märkte oder Situationen brauchen, für die noch keine ausreichende Datenhistorie vorliegt.
Stell dir vor, du sollst den Umsatz eines Produkts vorhersagen, das erst seit drei Wochen auf dem Markt ist. Ein klassisches Prognosemodell braucht Jahre an historischen Daten — und scheitert hier schlicht. Zero-Shot-Forecasting löst dieses Problem auf andere Weise: Ein Modell, das auf Millionen von Zeitreihen aus völlig anderen Bereichen trainiert wurde, bekommt die wenigen verfügbaren Datenpunkte gezeigt und liefert trotzdem eine brauchbare Prognose. Es überträgt dabei Muster, die es an anderswo gelernten Daten erkannt hat, auf die neue, unbekannte Situation. « Zero Shot » bedeutet dabei wörtlich null Trainingsbeispiele für den konkreten Fall — das Modell sah diese spezifische Zeitreihe im Training nie.
Warum Zero-Shot-Forecasting einen Unterschied macht
Herkömmliche Verfahren zur Zeitreihenprognose — also zur Vorhersage von Werten, die sich über die Zeit entwickeln — brauchen viele historische Datenpunkte aus genau dem Bereich, den sie vorhersagen sollen. Ein Modell, das Stromverbrauch prognostiziert, kann nicht einfach auf Verkaufszahlen angewendet werden. Das schränkt ihren Einsatz stark ein.
Zero-Shot-Modelle sind davon unabhängig. Sie können sofort auf neue Datenbereiche angewendet werden — ohne Anpassung, ohne Wartezeit, ohne Aufwand für das Sammeln von Trainingsdaten. Gerade in der Wirtschaft ist das wertvoll: Neue Produktlinien, ungewohnte Märkte oder seltene Ereignisse haben per Definition keine lange Datenhistorie. Wer dort schnell handeln muss, profitiert von einem Modell, das trotzdem eine belastbare Schätzung liefert.
Ein häufiges Missverständnis: « Zero Shot » bedeutet nicht, dass das Modell gar nichts weiß. Es hat sehr wohl gelernt — nur nicht an diesem speziellen Fall. Der Unterschied ist vergleichbar mit einem erfahrenen Meteorologen, der auch in einer Stadt, in der er noch nie war, das Wetter deuten kann, weil er die grundlegenden Muster von Wolken, Wind und Jahreszeiten kennt.
Wie ein Zero-Shot-Modell Prognosen erstellt
Die Grundidee ist, ein Modell auf einer enormen Vielfalt von Zeitreihen zu trainieren — Temperaturdaten, Börsenkurse, Webseitenbesuche, Energieverbrauch, Lieferkettendaten. Das Modell lernt dabei keine spezifischen Fakten, sondern strukturelle Muster: Wie sehen Trends aus? Wie verhalten sich saisonale Schwankungen? Welche Formen nehmen Ausreißer an? Dieses abstrakte Musterwissen lässt sich dann auf neue Zeitreihen übertragen.
Technisch setzen aktuelle Zero-Shot-Forecasting-Modelle häufig auf Transformer-Architekturen — dieselbe Grundstruktur, die auch großen Sprachmodellen wie ChatGPT zugrunde liegt. Statt Wörter verarbeiten sie Zeitreihenpunkte als Eingabe. Das Modell bekommt die bisherigen Werte einer Reihe und gibt vorhergesagte zukünftige Werte aus. Trainiert werden solche Modelle auf teils über einer Milliarde einzelner Zeitreihenpunkte aus öffentlichen und kommerziellen Datensätzen.
Ein bekanntes Beispiel ist das Modell TimeGPT des Unternehmens Nixtla, das ohne jegliches Nachtraining auf unbekannten Datensätzen antritt. Google und Meta haben mit Forschungsprojekten wie TimesFM und Lag-Llama ähnliche Ansätze vorgestellt. Diese Modelle werden oft als « Foundation Models für Zeitreihen » bezeichnet — in Anlehnung an die großen Sprachmodelle, die ebenfalls als universelle Grundlage für viele Aufgaben dienen.
Zero-Shot-Forecasting in Produkten und Schlagzeilen
Im Bereich Einzelhandel und Logistik ist Zeitreihenprognose eine der wichtigsten Anwendungen überhaupt. Unternehmen wie Amazon oder Zalando planen ihren Lagerbestand auf Basis solcher Modelle. Zero-Shot-Ansätze werden dort interessant, wenn neue Produkte eingeführt werden oder wenn Daten aus neuen Regionen fehlen — klassische Schwachstellen traditioneller Systeme.
In der Finanzbranche taucht Zero-Shot-Forecasting in Diskussionen über KI-gestützte Prognosetools auf. Die Frage ist dabei immer, wie verlässlich solche Modelle bei völlig unbekannten Marktsituationen sind — etwa nach einem Börsencrash, für den es kaum historische Parallelen gibt.
Auch in der Klimaforschung und im Gesundheitswesen — etwa bei der Prognose von Krankenhausauslastungen — wird das Verfahren erprobt. Hier fehlen oft Daten für seltene Ereignisse, genau das Szenario, für das Zero-Shot-Forecasting konzipiert ist. Die Technologie ist noch jung, aber sie entwickelt sich schnell: 2023 und 2024 wurden mehrere solcher Grundlagenmodelle für Zeitreihen erstmals öffentlich zugänglich gemacht.