Ինչպե՞ս է արհեստական ​​բանականությունը կանխատեսում միտումները։

Արհեստական ​​բանականությունը կարող է նկատել օրինաչափություններ, որոնք անզեն աչքը չի նկատում, ի հայտ բերելով ազդանշաններ, որոնք առաջին հայացքից աղմուկ են թվում: Ճիշտ արված դեպքում այն ​​անկարգ վարքագիծը վերածում է օգտակար կանխատեսման՝ վաճառքը հաջորդ ամիս, երթևեկության աճը վաղը, իսկ եռամսյակի վերջում՝ կորուստները: Սխալ արված դեպքում դա վստահորեն ուսերը թոթվելն է: Այս ուղեցույցում մենք կանդրադառնանք այն մեխանիզմներին, թե ինչպես է արհեստական ​​բանականությունը կանխատեսում միտումները, որտեղից են գալիս հաղթանակները և ինչպես խուսափել գեղեցիկ գրաֆիկներից խաբվելուց: Ես կշարունակեմ գործնական լինել՝ մի քանի իրական խոսակցությունների պահերով և երբեմն-երբեմն հոնքերը բարձրացնելով 🙃:

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

🔗 Ինչպես չափել արհեստական ​​բանականության արդյունավետությունը
Արհեստական ​​բանականության համակարգերի ճշգրտությունը, արդյունավետությունը և հուսալիությունը գնահատելու հիմնական չափանիշները։

🔗 Ինչպես խոսել արհեստական ​​բանականության հետ
Գործնական խորհուրդներ արհեստական ​​բանականության հետ շփվելու համար՝ արձագանքի որակը բարելավելու համար։

🔗 Ի՞նչ է արհեստական ​​բանականության հուշումը
Հստակ բացատրություն այն մասին, թե ինչպես են հուշումները ազդում արհեստական ​​բանականության վարքագծի և արդյունքի վրա։

🔗 Ի՞նչ է արհեստական ​​բանականության տվյալների պիտակավորումը
Ներածություն մեքենայական ուսուցման մոդելների ուսուցման համար տվյալների արդյունավետ պիտակավորմանը։

Ինչն է դարձնում արհեստական ​​ինտելեկտի միտումների կանխատեսումը լավը ✅

Երբ մարդիկ հարցնում են, թե ինչպես է արհեստական ​​բանականությունը կանխատեսում միտումները, նրանք սովորաբար նկատի ունեն. ինչպե՞ս է այն կանխատեսում անորոշ, բայց կրկնվող մի բան։ Լավ միտումների կանխատեսումն ունի մի քանի ձանձրալի, բայց գեղեցիկ բաղադրիչներ.

• Տվյալներ ազդանշանով . դուք չեք կարող քարից նարնջի հյութ քամել: Ձեզ անհրաժեշտ են անցյալի արժեքներ և համատեքստ:

• Հատկանիշներ, որոնք արտացոլում են իրականությունը ՝ սեզոնայնություն, տոներ, ակցիաներ, մակրո համատեքստ, նույնիսկ եղանակ։ Ոչ բոլորը, միայն նրանք, որոնք ազդում են ձեր վրա։

• Ժամացույցին համապատասխանող մոդելներ ՝ ժամանակի գիտակցմամբ մեթոդներ, որոնք հաշվի են առնում հերթականությունը, բացթողումները և շեղումը։

• Գնահատում, որը արտացոլում է տեղակայումը ՝ հետադարձ թեստեր, որոնք մոդելավորում են, թե ինչպես եք իրականում կանխատեսելու։ Առանց հայացք նետելու [2]:

• Փոփոխության մոնիթորինգ . աշխարհը փոխվում է. ձեր մոդելը նույնպես պետք է փոխվի [5]:

Դա կմախքն է։ Մնացածը մկաններ են, ջլեր և մի փոքր կոֆեին։

Հիմնական խողովակաշարը. ինչպես է արհեստական ​​բանականությունը կանխատեսում միտումները՝ հում տվյալներից մինչև կանխատեսում 🧪

1. Հավաքագրեք և համապատասխանեցրեք տվյալները։
   Միավորեք թիրախային շարքը և արտաքին ազդանշանները։ Տիպիկ աղբյուրներ՝ ապրանքների կատալոգներ, գովազդային ծախսեր, գներ, մակրո ինդեքսներ և իրադարձություններ։ Համապատասխանեցրեք ժամանակային դրոշմանիշները, կարգավորեք բացակայող արժեքները, ստանդարտացրեք միավորները։ Սա ոչ հմայիչ է, բայց կարևոր։

2. Ինժեների առանձնահատկություններ։
   Ստեղծեք լագեր, գլորվող միջիններ, շարժվող քվանտիլներ, շաբաթվա օրվա դրոշակներ և տիրույթին բնորոշ ցուցանիշներ։ Սեզոնային ճշգրտման համար շատ մասնագետներ մոդելավորումից առաջ շարքը բաժանում են միտման, սեզոնային և մնացորդային բաղադրիչների։ ԱՄՆ մարդահամարի բյուրոյի X-13 ծրագիրը կանոնիկ հղում է այն բանի համար, թե ինչպես և ինչու է սա աշխատում [1]:

3. Ընտրեք մոդելային ընտանիք։
   Դուք ունեք երեք մեծ դույլ։

• Դասական վիճակագրություն ՝ ARIMA, ETS, վիճակային տարածություն/Կալման։ Մեկնաբանելի և արագ։

• Մեքենայական ուսուցում . գրադիենտային ուժեղացում, ժամանակի վրա ազդող գործառույթներով պատահական անտառներ: Ճկունություն բազմաթիվ շարքերի համար:

• Խորը ուսուցում ՝ LSTM, ժամանակային CNN-ներ, տրանսֆորմերներ։ Օգտակար է, երբ ունեք շատ տվյալներ և բարդ կառուցվածք։

4. Հետադարձ թեստավորումը ճիշտ է։
   Ժամանակային շարքերի խաչաձև վավերացումը օգտագործում է շարժվող սկզբնակետ, այնպես որ անցյալը ստուգելիս երբեք չեք մարզվում ապագայով։ Սա է տարբերությունը անկեղծ ճշգրտության և ցանկալի մտածողության միջև [2]:

5. Կանխատեսեք, քանակականացրեք անորոշությունը և ուղարկեք
   վերադարձվող կանխատեսումները ընդմիջումներով, վերահսկեք սխալը և վերափոխեք աշխարհը տեղաշարժվելուն զուգընթաց: Կառավարվող ծառայությունները սովորաբար վերցնում են ճշգրտության չափանիշներ (օրինակ՝ MAPE, WAPE, MASE) և պատուհանների հետադարձ թեստավորում են անմիջապես, ինչը հեշտացնում է կառավարումը և վահանակները [3]:

Հակիրճ պատմություն պատերազմի մասին. մեկ թողարկման ժամանակ մենք մեկ լրացուցիչ օր ծախսեցինք օրացույցի առանձնահատկությունների վրա (տարածաշրջանային տոներ + գովազդային դրոշներ) և զգալիորեն նվազեցրինք վաղ հորիզոնի սխալները, քան մոդելները փոխելիս։ Հատկանիշների որակը գերազանցեց մոդելի նորույթին. թեմա, որը կրկին կտեսնեք։

Համեմատական ​​աղյուսակ. գործիքներ, որոնք օգնում են արհեստական ​​ինտելեկտին կանխատեսել միտումները 🧰

Միտումնավոր անկատար՝ իրական սեղան՝ մի քանի մարդկային առանձնահատկություններով։

Այո, բառակապակցությունը անհավասար է։ Սա իրական կյանքն է։

Հատկանիշների ճարտարագիտություն, որն իրականում շարժում է ասեղը 🧩

Արհեստական ​​բանականության կողմից միտումների կանխատեսման ամենապարզ և օգտակար պատասխանը հետևյալն է. մենք շարքը վերածում ենք վերահսկվող ուսուցման աղյուսակի, որը հիշում է ժամանակը: Մի քանի կարևոր քայլեր՝

• Հետընթացներ և պատուհաններ . ներառում են y[t-1], y[t-7], y[t-28], գումարած գլորման միջոցները և ստանդարտ շեղումը։ Այն գրանցում է իմպուլսը և իներցիան։

• Սեզոնայնության ազդանշաններ ՝ ամիս, շաբաթ, շաբաթվա օր, օրվա ժամ։ Ֆուրիեի անդամները տալիս են հարթ սեզոնային կորեր։

• Օրացույց և միջոցառումներ ՝ տոներ, ապրանքների թողարկումներ, գների փոփոխություններ, ակցիաներ: Մարգարեի ոճով տոնական էֆեկտները պարզապես նախորդ հատկանիշներով առանձնահատկություններ են:

• Բեկում . հանել սեզոնային բաղադրիչը և մոդելավորել մնացորդը, երբ օրինաչափությունները ուժեղ են. X-13-ը լավ ստուգված բազային գիծ է սրա համար [1]:

• Արտաքին ռեգրեսորներ ՝ եղանակ, մակրո ինդեքսներ, էջի դիտումներ, որոնման հետաքրքրություն։

• Փոխազդեցության հուշումներ ՝ պարզ խաչեր, օրինակ՝ promo_flag × day_of_week: Այն կոպիտ է, բայց հաճախ աշխատում է:

Եթե ​​դուք ունեք մի քանի փոխկապակցված շարքեր, օրինակ՝ հազարավոր SKU-ներ, կարող եք դրանց միջև տեղեկատվություն համախմբել հիերարխիկ կամ գլոբալ մոդելների միջոցով: Գործնականում, ժամանակի վրա կենտրոնացած գործառույթներով գլոբալ գրադիենտային ուժեղացված մոդելը հաճախ գերազանցում է իր կշիռը:

Մոդելային ընտանիքների ընտրություն. ընկերական կռիվ 🤼♀️

• ARIMA/ETS-ի
  առավելությունները՝ մեկնաբանելի, արագ, կայուն բազային գծեր։ Թերությունները՝ յուրաքանչյուր շարքի կարգավորումը կարող է դժվար լինել մասշտաբի առումով։ Մասնակի ավտոկորելյացիան կարող է օգնել բացահայտել կարգերը, բայց մի սպասեք հրաշքների։

• Գրադիենտի ուժեղացում
  ։ Առավելություններ՝ կարգավորում է աղյուսակային հատկանիշները, կայուն է խառը ազդանշանների նկատմամբ, հիանալի է բազմաթիվ կապակցված շարքերի հետ։ Թերություններ՝ դուք պետք է լավ նախագծեք ժամանակային հատկանիշները և հարգեք պատճառահետևանքային կապը։

• Խորը ուսուցում
  ։ Առավելություններ՝ ֆիքսում է ոչ գծայինությունը և խաչաձև շարքերի օրինաչափությունները։ Թերություններ՝ տվյալների նկատմամբ մեծ պահանջարկ ունի, ավելի դժվար է վրիպակազերծել։ Երբ ունեք հարուստ համատեքստ կամ երկար պատմություն, այն կարող է փայլել, հակառակ դեպքում այն ​​սպորտային մեքենա է գագաթնակետային ժամերին։

• Հիբրիդ և համադրություններ։
  Անկեղծ ասած, սեզոնային բազային գծի և գրադիենտային բուսթերի համադրությունը և թեթև LSTM-ի հետ համադրությունը ոչ հազվադեպ հանցավոր հաճույք է։ Ես «մեկ մոդելի մաքրության» սկզբունքից ավելի շատ անգամներ եմ հետ կանգնել, քան խոստովանում եմ։

Պատճառահետևանքային կապն ընդդեմ կորելյացիայի. վարվեք զգուշությամբ 🧭

Այն փաստը, որ երկու գծերը միասին են շարժվում, չի նշանակում, որ մեկը մյուսին է ազդում: Գրեյնջերի պատճառահետևանքային կապը ստուգում է, թե արդյոք թեկնածու-դրամատիկ գործոնի ավելացումը բարելավում է թիրախի կանխատեսումը՝ հաշվի առնելով դրա սեփական պատմությունը: Խոսքը գծային ավտոռեգրեսիվ ենթադրությունների պայմաններում կանխատեսողական օգտակարության մասին է, այլ ոչ թե փիլիսոփայական պատճառահետևանքային կապի մասին՝ նուրբ, բայց կարևոր տարբերություն [4]:

Արտադրության մեջ դուք դեռ ստուգում եք ձեր ողջամտությունը՝ օգտագործելով տիրույթի գիտելիքները: Օրինակ՝ շաբաթվա օրերի ազդեցությունը կարևոր է մանրածախ առևտրի համար, բայց անցյալ շաբաթվա գովազդի սեղմումների ավելացումը կարող է ավելորդ լինել, եթե ծախսն արդեն իսկ մոդելում է:

Հետփորձարկում և չափանիշներ. որտեղ են թաքնված սխալների մեծ մասը 🔍

Արհեստական ​​բանականության կողմից միտումների իրատեսական կանխատեսումը գնահատելու համար ընդօրինակեք այն, թե ինչպես եք կանխատեսելու իրական ժամանակում.

• Գլանաձև ծագման խաչաձև վավերացում . բազմիցս մարզվել նախորդ տվյալների վրա և կանխատեսել հաջորդ հատվածը։ Սա հարգում է ժամանակային կարգը և կանխում ապագա արտահոսքը [2]:

• Սխալի չափանիշներ . ընտրեք այն, ինչը համապատասխանում է ձեր որոշումներին: MAPE-ի նման տոկոսային չափանիշները տարածված են, բայց կշռված չափանիշները (WAPE) կամ մասշտաբից զերծ չափանիշները (MASE) հաճախ ավելի լավ են գործում պորտֆելների և ագրեգատների համար [3]:

• Կանխատեսման միջակայքեր . մի՛ տվեք միայն մեկ կետ։ Հաղորդեք անորոշության մասին։ Ղեկավարները հազվադեպ են սիրում տատանումներ, բայց նրանք սիրում են ավելի քիչ անակնկալներ։

Փոքրիկ խնդիր. երբ տարրերը կարող են զրո լինել, տոկոսային չափանիշները տարօրինակ են դառնում: Նախընտրեք բացարձակ կամ մասշտաբային սխալները, կամ ավելացրեք փոքր շեղում՝ պարզապես եղեք հետևողական:

Դրիֆտը տեղի է ունենում. փոփոխության հայտնաբերում և հարմարվողականություն 🌊

Շուկաները փոխվում են, նախասիրությունները՝ շեղվում, սենսորները հնանում են: Հայեցակարգի շեղումը համընդհանուր երևույթ է, երբ մուտքային տվյալների և նպատակի միջև փոխհարաբերությունները փոխվում են: Դուք կարող եք վերահսկել շեղումը վիճակագրական թեստերի, սահող պատուհանի սխալների կամ տվյալների բաշխման ստուգումների միջոցով: Այնուհետև ընտրեք ռազմավարություն՝ ավելի կարճ ուսուցման պատուհաններ, պարբերական վերապատրաստում կամ առցանց թարմացվող ադապտիվ մոդելներ: Դաշտային հարցումները ցույց են տալիս շեղման բազմաթիվ տեսակներ և ադապտացման քաղաքականություններ. ոչ մի միասնական քաղաքականություն չի համապատասխանում բոլորին [5]:

Գործնական ուղեցույց. սահմանեք զգոնության շեմեր ուղիղ կանխատեսման սխալի դեպքում, վերագործարկեք ժամանակացույցով և պատրաստ պահեք պահեստային բազային գիծը։ Ոչ այնքան հմայիչ, որքան շատ արդյունավետ։

Բացատրելիություն՝ սև արկղը բացելը՝ առանց այն կոտրելու 🔦

Հետաքրքրված կողմերը հարցնում են, թե ինչու է կանխատեսումը բարձրացել։ Հիմնավորված է։ Մոդել-ագնոստիկ գործիքները, ինչպիսիք են SHAP-ը , տեսականորեն հիմնավորված կերպով վերագրում են կանխատեսումը հատկանիշներին՝ օգնելով ձեզ տեսնել, թե արդյոք սեզոնայնությունը, գինը կամ գովազդային կարգավիճակը ազդել են թվի վրա։ Դա չի ապացուցի պատճառահետևանքային կապը, բայց բարելավում է վստահությունը և բարելավում է սխալների վերացումը։

Իմ սեփական փորձարկումների համաձայն, շաբաթական սեզոնայնությունը և գովազդային դրոշակները հակված են գերիշխել կարճաժամկետ մանրածախ առևտրի կանխատեսումներում, մինչդեռ երկարաժամկետները տեղաշարժվում են դեպի մակրո պրոքսիներ։ Ձեր կիլոմետրաժը հաճելիորեն կտարբերվի։

Ամպ և MLOps. առաքման կանխատեսումներ առանց ժապավենի 🚚

Եթե ​​նախընտրում եք կառավարվող հարթակներ՝

• Google Vertex AI Forecast-ը տրամադրում է ուղղորդվող աշխատանքային հոսք ժամանակային շարքերի ներմուծման, AutoML կանխատեսումների իրականացման, հետադարձ թեստավորման և վերջնակետերի տեղակայման համար: Այն նաև լավ է համադրվում ժամանակակից տվյալների կույտի հետ:

• Amazon Forecast-ը կենտրոնանում է լայնածավալ տեղակայման վրա՝ ստանդարտացված հետփորձարկման և ճշգրտության չափանիշներով, որոնք կարող եք ստանալ API-ի միջոցով, ինչը օգնում է կառավարման և վահանակների հետ կապված հարցերում [3]:

Երկու ճանապարհներն էլ նվազեցնում են ստանդարտ մոտեցումը։ Պարզապես մի աչքը հետևեք ծախսերին, մյուսը՝ տվյալների փոխանցմանը։ Երկու աչքով էլ՝ բարդ, բայց իրագործելի։

Փոքրիկ դեպքի ուղեցույց. հում սեղմումներից մինչև միտման ազդանշան 🧭✨

Ենթադրենք, որ դուք կանխատեսում եք անվճար հավելվածի ամենօրյա գրանցումները։

1. Տվյալներ ՝ ամենօրյա գրանցումների, գովազդային ծախսերի վերաբերյալ տվյալներ ըստ ալիքների, կայքի անջատումների և պարզ գովազդային օրացույցի վերաբերյալ։

2. Հատկանիշներ ՝ 1, 7, 14 ուշացումներ, 7-օրյա շարժական միջին, շաբաթվա օրվա դրոշներ, երկուական պրոմո դրոշ, Ֆուրիեի սեզոնային տերմին և դեկոդավորված սեզոնային մնացորդ, որպեսզի մոդելը կենտրոնանա չկրկնվող մասի վրա: Սեզոնային դեկոդավորումը պաշտոնական վիճակագրության դասական քայլ է՝ աշխատատար անուն, մեծ շահույթ [1]:

3. Մոդել . սկսեք գրադիենտով ուժեղացված ռեգրեսորից որպես գլոբալ մոդել բոլոր աշխարհագրական տարածքներում։

4. Հետթեստ . գլորվող ծագում՝ շաբաթական ծալքերով։ Օպտիմալացրեք WAPE-ը ձեր հիմնական բիզնես հատվածում։ Ժամանակը հարգող հետթեստերը անվիճելի են հուսալի արդյունքների համար [2]:

5. Բացատրություն . շաբաթական ստուգեք հատկանիշների վերագրումը՝ տեսնելու համար, թե արդյոք գովազդային դրոշը իրականում ինչ-որ բան է անում, բացի սլայդներում գեղեցիկ տեսք ունենալուց։

6. Մոնիթորինգ . եթե ապրանքի փոփոխությունից հետո գովազդային ազդեցությունը թուլանում է կամ շաբաթվա օրերի օրինաչափությունները փոխվում են, ակտիվացրեք վերավարժանքը: Շեղումը սխալ չէ, այլ չորեքշաբթի է [5]:

Արդյունքը՝ հավաստի կանխատեսում՝ վստահության գոտիներով, գումարած վահանակ, որը ցույց է տալիս, թե ինչն է առաջ մղել ասեղը։ Ավելի քիչ բանավեճեր, ավելի շատ գործողություններ։

Թակարդներ և առասպելներ, որոնք պետք է աննկատ շրջանցել 🚧

• Միֆ. ավելի շատ գործառույթներ միշտ ավելի լավն են։ Ոչ։ Չափազանց շատ անտեղի գործառույթները հանգեցնում են գերհարմարեցման։ Պահպանեք այն, ինչը օգնում է հետադարձ թեստավորմանը և համապատասխանում է տիրույթի իմաստին։

• Միֆ. խորը ցանցերը գերազանցում են ամեն ինչ։ Երբեմն՝ այո, հաճախ՝ ոչ։ Եթե տվյալները կարճ են կամ աղմկոտ, դասական մեթոդները հաղթում են կայունության և թափանցիկության շնորհիվ։

• Թակարդ. արտահոսք։ Վաղվա տեղեկատվությունը պատահաբար այսօրվա մարզման մեջ ներառելը կփչացնի ձեր չափանիշները և կպատժի ձեր արտադրողականությունը [2]:

• Թակարդ՝ վերջին տասնորդականի հետևից ընկնելը։ Եթե ձեր մատակարարման շղթան անհարթ է, 7.3-ից 7.4 տոկոս սխալի միջև վիճելը թատրոն է։ Կենտրոնացեք որոշումների կայացման շեմերի վրա։

• Առասպել. պատճառահետևանքային կապը փոխկապակցվածությունից է։ Գրեյնջերի թեստերը ստուգում են կանխատեսողական օգտակարությունը, այլ ոչ թե փիլիսոփայական ճշմարտությունը՝ դրանք օգտագործել որպես պաշտպանիչ ցանկապատ, այլ ոչ թե որպես ավետարան [4]:

Կիրառման ստուգաթերթիկ, որը կարող եք պատճենել-տեղադրել 📋

• Սահմանեք հորիզոնները, ագրեգացման մակարդակները և այն որոշումը, որը դուք կկայացնեք։

• Կառուցեք մաքուր ժամանակի ինդեքս, լրացրեք կամ նշեք բացթողումները և համապատասխանեցրեք արտաքին տվյալները։

• Արհեստի լագերը, անկայուն վիճակագրությունը, սեզոնային դրոշները և այն քիչ դոմեյնային գործառույթները, որոնց դուք վստահում եք։

• Սկսեք ուժեղ բազային գծից, ապա անհրաժեշտության դեպքում անցեք ավելի բարդ մոդելի։

• Օգտագործեք շարժական ծագման հետադարձ թեստեր՝ ձեր բիզնեսին համապատասխանող չափանիշով [2][3]:

• Ավելացնել կանխատեսման միջակայքեր՝ ըստ ցանկության։

• Նավարկեք, վերահսկեք շեղումը և վերապատրաստվեք ժամանակացույցով, գումարած՝ տագնապներով [5]:

Շատ երկար էր, չկարդացի - Վերջնական դիտողություններ 💬

Պարզ ճշմարտությունն այն մասին, թե ինչպես է արհեստական ​​ինտելեկտը կանխատեսում միտումները. խոսքը ոչ թե կախարդական ալգորիթմների, այլ ավելի շատ կարգապահ, ժամանակի գիտակցմամբ դիզայնի մասին է։ Ստացեք տվյալները և գործառույթները ճիշտ, գնահատեք անկեղծորեն, բացատրեք պարզ և հարմարվեք իրականության փոփոխություններին։ Դա նման է ռադիոն մի փոքր յուղոտ կոճակներով կարգավորելուն՝ մի փոքր անկանոն, երբեմն ստատիկ, բայց երբ կայանը միանում է, այն զարմանալիորեն պարզ է։

Եթե ​​մեկ բան հանենք՝ հարգեք ժամանակը, հաստատեք ինչպես սկեպտիկը և շարունակեք մոնիթորինգը։ Մնացածը պարզապես գործիքակազմ և ճաշակ է։

Հղումներ

1. ԱՄՆ մարդահամարի բյուրո - X-13ARIMA-SEATS սեզոնային ճշգրտման ծրագիր ։ Հղում

2. Հինդման և Աթանասոպուլոս - Կանխատեսում. Սկզբունքներ և պրակտիկա (FPP3), §5.10 Ժամանակային շարքերի խաչաձև վավերացում ։ Հղում

3. Amazon Web Services - Կանխատեսողի ճշգրտության գնահատում (Amazon Forecast) : Հղում

4. Հյուստոնի համալսարան - Գրեյնջերի պատճառահետևանքային կապ (դասախոսության նշումներ) : Հղում

5. Գամա և այլք - Հայեցակարգի շեղման հարմարվողականության վերաբերյալ հետազոտություն (բաց տարբերակ): Հղում

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

Մեր մասին