Ի՞նչ է կանխատեսող արհեստական ​​բանականությունը։

Կանխատեսող արհեստական ​​բանականությունը հնչում է տարօրինակ, բայց գաղափարը պարզ է. օգտագործել անցյալի տվյալները՝ կռահելու համար, թե ինչ է հավանաբար տեղի ունենալու հաջորդը: Սկսած նրանից, թե որ հաճախորդը կարող է հեռանալ, մինչև այն ժամանակը, երբ մեքենան սպասարկման կարիք ունի, խոսքը պատմական օրինաչափությունները ապագային ուղղված ազդանշանների վերածելու մասին է: Սա կախարդանք չէ, այլ մաթեմատիկական հաշվարկ է, որը հանդիպում է խառնաշփոթ իրականությանը՝ մի փոքր առողջ սկեպտիցիզմով և բազմաթիվ կրկնություններով:

Ստորև բերված է գործնական, հեշտ ընթերցվող բացատրություն։ Եթե այստեղ եք եկել՝ մտածելով, թե ինչ է կանխատեսող արհեստական ​​բանականությունը և արդյոք այն օգտակար է ձեր թիմի համար, սա ձեզ մեկ նստաշրջանում կհասցնի «հը՞» -ից մինչև «հա՞»՝ «լավ»։☕️

Հոդվածներ, որոնք կարող են ձեզ դուր գալ կարդալ սրանից հետո.

🔗 Ինչպես ներառել արհեստական ​​բանականությունը ձեր բիզնեսում
Գործնական քայլեր՝ արհեստական ​​բանականության գործիքները ինտեգրելու համար՝ բիզնեսի ավելի խելացի աճի համար։

🔗 Ինչպես օգտագործել արհեստական ​​բանականությունը՝ ավելի արդյունավետ լինելու համար
Բացահայտեք արդյունավետ արհեստական ​​բանականության աշխատանքային հոսքեր, որոնք խնայում են ժամանակ և բարձրացնում արդյունավետությունը։

🔗 Ի՞նչ են արհեստական ​​բանականության հմտությունները
Սովորեք ապագային պատրաստ մասնագետների համար անհրաժեշտ արհեստական ​​բանականության հիմնական կարողությունները։

Ի՞նչ է կանխատեսող արհեստական ​​բանականությունը։ Սահմանում 🤖

Կանխատեսող արհեստական ​​բանականությունը (AI) օգտագործում է վիճակագրական վերլուծություն և մեքենայական ուսուցում՝ պատմական տվյալներում օրինաչափություններ գտնելու և հավանական արդյունքները կանխատեսելու համար՝ ով է գնում, ինչն է ձախողվում, երբ է պահանջարկը կտրուկ աճում: Ավելի ճշգրիտ ասած՝ այն համատեղում է դասական վիճակագրությունը մեքենայական ուսուցման ալգորիթմների հետ՝ մոտ ապագայի հավանականությունները կամ արժեքները գնահատելու համար: Նույն ոգին ունի, ինչ կանխատեսող վերլուծությունը. տարբեր անվանում, նույն գաղափարը՝ կանխատեսելու, թե ինչ է լինելու հաջորդը [5]:

Եթե ​​դուք սիրում եք ֆորմալ հղումներ, ստանդարտացման մարմիններն ու տեխնիկական ձեռնարկները կանխատեսումը դիտարկում են որպես ժամանակային կարգով դասակարգված տվյալներից ազդանշանների (միտում, սեզոնայնություն, ավտոկորելյացիա) արդյունահանում՝ ապագա արժեքները կանխատեսելու համար [2]:

Ի՞նչն է կանխատեսող արհեստական ​​բանականությունը դարձնում օգտակար ✅

Կարճ պատասխան՝ այն որոշում է կայացնում, այլ ոչ թե միայն վահանակներ։ Լավը բխում է չորս հատկանիշներից.

• Գործողության հնարավորությունը - արտածում է հաջորդ քայլերի քարտեզը՝ հաստատել, ուղղորդել, հաղորդագրություն ուղարկել, ստուգել:

• Հավանականության գիտակցում - դուք ստանում եք տրամաչափված հավանականություններ, այլ ոչ թե միայն տատանումներ [3]:

• Կրկնելի - տեղակայվելուց հետո մոդելները անընդհատ աշխատում են, ինչպես լուռ գործընկեր, որը երբեք չի քնում։

• Չափելի ՝ բարձրացում, ճշգրտություն, RMSE - ինչ էլ որ ասեք՝ հաջողությունը քանակական է։

Անկեղծ լինենք. երբ կանխատեսող արհեստական ​​բանականությունը լավ է արվում, այն գրեթե ձանձրալի է թվում։ Ահազանգերը հասնում են, արշավները թիրախավորում են իրենց, պլանավորողները ավելի վաղ են պատվիրում պաշարներ։ Ձանձրալի լինելը գեղեցիկ է։

Հակիրճ պատմություն. մենք տեսել ենք, թե ինչպես են միջին շուկայի թիմերը թողարկում գրադիենտային խթանող փոքրիկ մոդել, որը պարզապես գնահատում էր «հաջորդ 7 օրվա պաշարների պակասի ռիսկը»՝ օգտագործելով լագերը և օրացույցի գործառույթները: Ոչ մի խորը ցանց, միայն մաքուր տվյալներ և հստակ շեմեր: Հաղթանակը ակնթարթային չէր, այլ գործողություններում ավելի քիչ խառնաշփոթ կանչեր:

Կանխատեսող արհեստական ​​բանականություն ընդդեմ գեներատիվ արհեստական ​​բանականության՝ արագ բաժանում ⚖️

• Գեներատիվ արհեստական ​​բանականությունը ստեղծում է նոր բովանդակություն՝ տեքստ, պատկերներ, կոդ՝ մոդելավորելով տվյալների բաշխումը և դրանցից նմուշառում կատարելով [4]:

• Կանխատեսող արհեստական ​​բանականությունը կանխատեսում է արդյունքները՝ արտահոսքի ռիսկը, հաջորդ շաբաթ պահանջարկը, չվճարման հավանականությունը՝ գնահատելով պայմանական հավանականությունները կամ արժեքները պատմական օրինաչափություններից [5]:

Մտածեք գեներատիվի մասին որպես ստեղծագործական ստուդիայի, իսկ կանխատեսողականի մասին՝ որպես եղանակի ծառայության։ Նույն գործիքակազմը (ML), տարբեր նպատակներ։

Այսպիսով… ի՞նչ է կանխատեսող արհեստական ​​բանականությունը գործնականում։ 🔧

1. Հավաքեք պիտակավորված պատմական տվյալներ՝ ձեզ հետաքրքրող արդյունքներ և դրանք բացատրող մուտքային տվյալներ։

2. Ինժեների առանձնահատկություններ՝ հում տվյալները վերածում են օգտակար ազդանշանների (լագեր, շարժվող վիճակագրություն, տեքստի ներդրում, կատեգորիկ կոդավորումներ):

3. Մարզել մոդելին համապատասխանեցման ալգորիթմներ, որոնք սովորում են մուտքային տվյալների և արդյունքների միջև կապերը։

4. Գնահատեք ՝ վավերացրեք չօգտագործված տվյալները՝ օգտագործելով բիզնեսի արժեքը արտացոլող չափանիշներ։

5. Տեղակայել - ուղարկել կանխատեսումներ ձեր հավելվածում, աշխատանքային հոսքում կամ ահազանգման համակարգում:

6. Մոնիթորինգ - հետևեք կատարողականին, ուշադրություն դարձրեք տվյալների / հասկացությունների շեղմանը և պահպանեք վերապատրաստումը/վերահաշվարկը: Առաջատար շրջանակները հստակորեն նշում են շեղումը, կողմնակալությունը և տվյալների որակը որպես շարունակական ռիսկեր, որոնք պահանջում են կառավարում և մոնիթորինգ [1]:

Ալգորիթմները տատանվում են գծային մոդելներից մինչև ծառերի համույթներ և նեյրոնային ցանցեր: Հեղինակավոր փաստաթղթերը թվարկում են սովորական կասկածները՝ լոգիստիկ ռեգրեսիան, պատահական անտառները, գրադիենտի ուժեղացումը և այլն՝ բացատրված փոխզիջումներով և հավանականության կարգավորման տարբերակներով, երբ ձեզ անհրաժեշտ են լավ կազմակերպված միավորներ [3]:

Կառուցողական բլոկներ՝ տվյալներ, պիտակներ և մոդելներ 🧱

• Տվյալներ ՝ իրադարձություններ, գործարքներ, հեռաչափություն, սեղմումներ, սենսորների ցուցմունքներ: Կառուցվածքային աղյուսակները տարածված են, բայց տեքստը և պատկերները կարող են փոխակերպվել թվային տարրերի:

• Պիտակներ ՝ ինչ եք կանխատեսում. գնված vs չգնված, ձախողմանը մնացած օրեր, պահանջարկի դոլարներ։

• Ալգորիթմներ

  • Դասակարգում , երբ արդյունքը կատեգորիկ է, թե ոչ։

  • Ռեգրեսիա , երբ արդյունքը թվային է՝ քանի միավոր է վաճառվել։

  • Ժամանակային շարքեր , երբ կարգը կարևոր է՝ ժամանակի ընթացքում արժեքների կանխատեսում, որտեղ միտումը և սեզոնայնությունը պահանջում են հստակ քննարկում [2]:

Ժամանակային շարքերի կանխատեսումը սեզոնայնություն և միտում է ավելացնում խառն մեթոդներին, ինչպիսիք են էքսպոնենցիալ հարթեցումը կամ ARIMA-ընտանիքի մոդելները, դասական գործիքներ են, որոնք դեռևս ծառայում են որպես բազային գծեր ժամանակակից մեքենայական ուսուցման հետ մեկտեղ [2]:

Հաճախակի օգտագործման դեպքեր, որոնք իրականում առաքվում են 📦

• Եկամուտ և աճ

  • Լիդերի գնահատում, կոնվերսիայի բարձրացում, անհատականացված առաջարկություններ։

• Ռիսկ և համապատասխանություն

  • Խարդախության հայտնաբերում, վարկային ռիսկ, դրամական միջոցների դեմ պայքարի նշաններ, անոմալիաների հայտնաբերում։

• Մատակարարում և շահագործում

  • Պահանջարկի կանխատեսում, աշխատուժի պլանավորում, պաշարների օպտիմալացում։

• Հուսալիություն և սպասարկում

  • Սարքավորումների կանխատեսողական սպասարկում՝ գործողություններ ձեռնարկել խափանումից առաջ։

• Առողջապահություն և հանրային առողջություն

  • Կանխատեսել վերահոսպիտալացումը, տեսակավորման հրատապությունը կամ հիվանդության ռիսկի մոդելները (ուշադիր վավերացմամբ և կառավարմամբ)

Եթե ​​երբևէ ստացել եք «այս գործարքը կասկածելի է թվում» գրությամբ SMS, ապա դուք հանդիպել եք կանխատեսող արհեստական ​​բանականության։

Համեմատական ​​աղյուսակ - կանխատեսող արհեստական ​​բանականության գործիքներ 🧰

Նշում. գները ընդհանուր են՝ բաց կոդը անվճար է, ամպային տարբերակը՝ օգտագործման վրա հիմնված, ձեռնարկությունները՝ տարբեր։ Իրատեսության համար թողնված է մեկ-երկու փոքրիկ առանձնահատկություն…

պրսկրիպտիվ վերլուծության հետ

Կանխատեսողականը պատասխանում է թե ինչ է հավանական տեղի ունենալու ։ Պրեսկրիպտիվը գնում է ավելի հեռու՝ ի՞նչ պետք է անենք դրա հետ կապված ՝ ընտրելով գործողություններ, որոնք օպտիմալացնում են արդյունքները սահմանափակումների պայմաններում։ Մասնագիտական ​​​​հասարակությունները պրեսկրիպտիվ վերլուծությունը սահմանում են որպես մոդելների օգտագործում՝ օպտիմալ գործողություններ առաջարկելու համար, այլ ոչ թե պարզապես կանխատեսումներ [5]: Գործնականում կանխատեսումը սնուցում է դեղատոմսը։

Մոդելների գնահատում՝ կարևոր չափանիշներ 📊

Ընտրեք որոշմանը համապատասխանող չափանիշներ՝

• Դասակարգում

  • Ճշգրտություն՝ կեղծ դրականներից խուսափելու համար, երբ ահազանգերը թանկ են։

  • Հիշե՛ք, որ ավելի շատ իրական իրադարձություններ որսալու համար, երբ վրիպումները թանկ են արժենում։

  • AUC-ROC՝ շեմային տարբեր մակարդակների դասակարգման որակը համեմատելու համար։

• Ռեգրեսիա

  • RMSE/MAE՝ ընդհանուր սխալի մեծության համար։

  • MAPE, երբ հարաբերական սխալները կարևոր են։

• Կանխատեսում

  • MASE, sMAPE ժամանակային շարքերի համեմատելիության համար։

  • Կանխատեսման միջակայքերի ծածկույթ

Ինձ դուր է գալիս մի կանոն. օպտիմալացրեք ձեր բյուջեին համապատասխանող չափանիշը՝ սխալ չլինելու համար։

Տեղակայման իրականություն՝ շեղում, կողմնակալություն և մոնիթորինգ 🌦️

Մոդելները վատթարանում են։ Տվյալները փոխվում են։ Վարքագծի փոփոխություններ։ Սա ձախողում չէ, սա աշխարհի շարժումն է։ Առաջատար շրջանակները կոչ են անում տվյալների և հասկացությունների շեղման , ընդգծում են կողմնակալությունը և տվյալների որակի ռիսկերը, ինչպես նաև խորհուրդ են տալիս փաստաթղթավորում, մուտքի վերահսկում և կյանքի ցիկլի կառավարում [1]:

• Հայեցակարգի շեղում - մուտքային տվյալների և նպատակի միջև փոխհարաբերությունները զարգանում են, ուստի երեկվա օրինաչափությունները այլևս լավ չեն կանխատեսում վաղվա արդյունքները։

• Մոդելի կամ տվյալների շեղում - մուտքային բաշխումները փոխվում են, սենսորները փոխվում են, օգտագործողի վարքագիծը ձևափոխվում է, արտադրողականությունը նվազում է: Հայտնաբերեք և գործեք:

Գործնական ուղեցույց. վերահսկեք ցուցանիշները արտադրության մեջ, անցկացրեք շեղման թեստեր, պահպանեք վերապատրաստման ռիթմը և գրանցեք կանխատեսումները՝ համեմատած արդյունքների հետ՝ հետփորձարկման համար: Պարզ հետևողական ռազմավարությունը գերազանցում է բարդ ռազմավարությունը, որը դուք երբեք չեք կիրառում:

Պարզ մեկնարկային աշխատանքային հոսք, որը կարող եք պատճենել 📝

1. Սահմանեք որոշումը ՝ ի՞նչ կանեք կանխատեսման հետ տարբեր շեմերի դեպքում։

2. Տվյալների հավաքագրում ՝ պատմական օրինակներ հավաքագրեք հստակ արդյունքներով։

3. Բաժանում - մարզում, վավերացում և իսկապես դիմակայելու թեստ։

4. Բազային գիծ - սկսեք լոգիստիկ ռեգրեսիայից կամ փոքր ծառերի համույթից: Բազային գծերը անհարմար ճշմարտություններ են ասում [3]:

5. Բարելավել - հատկանիշների ինժեներիա, խաչաձև վավերացում, ուշադիր կանոնավորացում։

6. Ship - API վերջնակետ կամ խմբային աշխատանք, որը կանխատեսումներ է գրում ձեր համակարգի համար։

7. Դիտարկում ՝ որակի համար նախատեսված վահանակներ, շեղման ազդանշաններ, վերագործարկման ակտիվացուցիչներ [1]:

Եթե ​​դա շատ է թվում, ուրեմն այդպես է, բայց դուք կարող եք դա անել փուլերով։ Փոքրիկ հաղթանակները բարդ են։

Տվյալների տեսակներ և մոդելավորման օրինաչափություններ - արագ արդյունքներ 🧩

• Աղյուսակային գրառումներ ՝ գրադիենտային խթանման և գծային մոդելների համար հիմնական հիմք [3]:

• Ժամանակային շարքեր - հաճախ օգտվում են միտումների/սեզոնայնության/մնացորդների բաժանումից մինչև մեքենայական շարքերի մշակումը: Դասական մեթոդները, ինչպիսին է էքսպոնենցիալ հարթեցումը, մնում են ուժեղ բազային գծեր [2]:

• Տեքստ, պատկերներ - ներկառուցել թվային վեկտորների մեջ, այնուհետև կանխատեսել աղյուսակային ձևով։

• Գրաֆիկներ ՝ հաճախորդների ցանցեր, սարքերի միջև փոխհարաբերություններ. երբեմն գրաֆիկական մոդելը օգնում է, երբեմն՝ չափազանց շատ ինժեներական մշակում։ Գիտեք, թե ինչպես է լինում։

Ռիսկերը և պաշտպանիչ ցանկապատերը, որովհետև իրական կյանքը խառնաշփոթ է 🛑

• Կողմնակալություն և ներկայացուցչականություն - թերներկայացված համատեքստերը հանգեցնում են անհավասար սխալների: Փաստաթղթավորեք և վերահսկեք [1]:

• Արտահոսք - հատկանիշներ, որոնք պատահաբար ներառում են ապագա տեղեկատվության թույնի վավերացում:

• Կեղծ համակցություններ ՝ մոդելները կպչում են կարճ ճանապարհներին։

• Չափից շատ հարմարվելը ՝ հիանալի մարզման ժամանակ, տխուր՝ արտադրության մեջ։

• Կառավարում - հետևեք տոհմին, հաստատումներին և մուտքի վերահսկմանը՝ ձանձրալի է, բայց կարևոր [1]:

Եթե ​​ինքնաթիռը վայրէջք կատարելու համար չեք հույսը դնի տվյալների վրա, ապա մի հույսը դրեք դրանց վրա՝ վարկը մերժելու համար։ Մի փոքր չափազանցություն է, բայց հասկացաք իմաստը։

Խորը ուսումնասիրություն. կանխատեսել շարժվող բաները ⏱️

Պահանջարկը, էներգիայի բեռը կամ վեբ երթևեկությունը կանխատեսելիս ժամանակային շարքերի վրա հիմնված մտածողությունը։ Արժեքները դասավորված են, ուստի դուք պետք է հարգեք ժամանակային կառուցվածքը։ Սկսեք սեզոնային միտումների վերլուծությամբ, փորձեք էքսպոնենցիալ հարթեցում կամ ARIMA-ընտանիքի բազային գծեր, համեմատեք խթանված ծառերի հետ, որոնք ներառում են ուշացած հատկանիշներ և օրացույցային էֆեկտներ։ Նույնիսկ փոքր, լավ կարգավորված բազային գիծը կարող է գերազանցել աչքի ընկնող մոդելին, երբ տվյալները նոսր են կամ աղմկոտ։ Ճարտարագիտական ​​ձեռնարկները հստակորեն բացատրում են այս հիմունքները [2]:

Հաճախակի տրվող հարցերի մինի բառարան 💬

• Ի՞նչ է կանխատեսող արհեստական ​​բանականությունը (ԿԱ): Մարդկային մեքենայական ուսուցում (ՄԱ) գումարած վիճակագրություն, որը կանխատեսում է հավանական արդյունքները պատմական օրինաչափություններից: Նույն ոգին, ինչ կանխատեսող վերլուծության դեպքում, կիրառվում է ծրագրային ապահովման աշխատանքային հոսքերում [5]:

• Ինչո՞վ է այն տարբերվում գեներատիվ արհեստական ​​բանականությունից։ Ստեղծագործությունն ընդդեմ կանխատեսման։ Գեներատիվը ստեղծում է նոր բովանդակություն, կանխատեսողականը գնահատում է հավանականությունները կամ արժեքները [4]:

• Արդյո՞ք ինձ անհրաժեշտ է խորը ուսուցում: Ոչ միշտ: Բարձր ROI-ով շատ օգտագործման դեպքեր գործում են ծառերի կամ գծային մոդելների վրա: Սկսեք պարզից, ապա աստիճանաբար զարգացրեք [3]:

• Իսկ ի՞նչ կասեք կանոնակարգերի կամ շրջանակների մասին: Ռիսկերի կառավարման և կառավարման համար օգտագործեք վստահելի շրջանակներ. դրանք շեշտը դնում են կողմնակալության, շեղման և փաստաթղթավորման վրա [1]:

Շատ երկար է։ Չեմ կարդացել։🎯

Կանխատեսող արհեստական ​​բանականությունը առեղծվածային չէ։ Դա երեկվանից սովորելու կարգապահ պրակտիկա է՝ այսօր ավելի խելացի գործելու համար։ Եթե գնահատում եք գործիքներ, սկսեք ձեր որոշումից, այլ ոչ թե ալգորիթմից։ Սահմանեք հուսալի բազային գիծ, ​​տեղակայեք այնտեղ, որտեղ այն փոխում է վարքագիծը և անդադար չափեք։ Եվ հիշեք՝ մոդելները հնանում են ինչպես կաթը, ոչ թե գինին, ուստի պլանավորեք մոնիթորինգը և վերապատրաստումը։ Մի փոքր համեստությունը շատ բան է նշանակում։

Հղումներ

1. NIST - Արհեստական ​​բանականության ռիսկերի կառավարման շրջանակ (AI RMF 1.0): Հղում

2. NIST ITL - Ճարտարագիտական ​​վիճակագրության ձեռնարկ. Ժամանակային շարքերի վերլուծության ներածություն։ Հղում

3. scikit-learn - Վերահսկվող ուսուցման օգտագործողի ուղեցույց։ Հղում

4. NIST - Արհեստական ​​​​բանականության ռիսկերի կառավարման շրջանակ. Գեներատիվ արհեստական ​​​​բանականության պրոֆիլ։ Հղում

5. INFORMS - Գործառնական հետազոտություններ և վերլուծություններ (վերլուծության տեսակների ակնարկ): Հղում

Գտեք արհեստական ​​բանականության վերջին նորույթները պաշտոնական արհեստական ​​բանականության օգնականների խանութում

Մեր մասին