› Prognozowanie szeregów czasowych w trybie zero-shot - czyli bez dostępu do danych treningowych ze źródłowego zbioru - to jedno z trudniejszych zadań w uczeniu maszynowym.
› Jednym ze sposobów na poprawienie jakości takich prognoz jest tzw.
› retrieval augmentation: model przed wystawieniem prognozy przeszukuje bazę historycznych danych i pobiera fragmenty, które wyglądają podobnie do aktualnego zapytania, a następnie traktuje je jako dodatkowy kontekst.
› Problem polega jednak na tym - i to jest punkt wyjścia całej pracy - że nawet kandydaci, którzy sami w sobie byliby lepszą prognozą niż wyjście modelu bazowego, niekoniecznie poprawiają ostateczny wynik po połączeniu z tym modelem.