Kas ir paredzošā mākslīgā intelekta (MI) metode?

Prognozējošā mākslīgā intelekta ideja izklausās izsmalcināta, taču tās būtība ir vienkārša: izmantot pagātnes datus, lai uzminētu, kas, iespējams, notiks tālāk. Sākot ar to, kurš klients varētu atteikties no pakalpojuma, līdz brīdim, kad iekārtai būs nepieciešama apkope, runa ir par vēsturisko modeļu pārvēršanu nākotnes signālos. Tā nav maģija — tā ir matemātikas sajaukums ar haotisko realitāti, ar nelielu veselīgu skepsi un daudzām iterācijām.

Zemāk ir sniegts praktisks, viegli pārskatāms skaidrojums. Ja jūs šeit ieradāties, domājot par to, kas ir paredzošā mākslīgā intelekta būtība un vai tā ir noderīga jūsu komandai, šī rokasgrāmata palīdzēs jums vienā piegājienā no “jā” līdz “viss kārtībā”.☕️

Raksti, kurus jūs varētu vēlēties izlasīt pēc šī raksta:

🔗 Kā integrēt mākslīgo intelektu savā uzņēmumā
Praktiski soļi mākslīgā intelekta rīku integrēšanai gudrākai uzņēmējdarbības izaugsmei.

🔗 Kā izmantot mākslīgo intelektu, lai palielinātu produktivitāti
Atklājiet efektīvas mākslīgā intelekta darbplūsmas, kas ietaupa laiku un palielina efektivitāti.

🔗 Kas ir mākslīgā intelekta prasmes?
Apgūstiet galvenās mākslīgā intelekta kompetences, kas ir būtiskas nākotnes profesionāļiem.

Kas ir paredzošā mākslīgā intelekta (MI) definīcija 🤖

Prognozējošā mākslīgā intelekta (MI) platforma izmanto statistisko analīzi un mašīnmācīšanos, lai atrastu modeļus vēsturiskajos datos un prognozētu iespējamos rezultātus — kas pērk, kas neizdodas, kad pieprasījums strauji pieaug. Nedaudz precīzāk izsakoties, tā apvieno klasisko statistiku ar mašīnmācīšanās algoritmiem, lai novērtētu varbūtības vai vērtības par tuvāko nākotni. Tā pati būtība kā paredzošajai analītikai; atšķirīgs apzīmējums, tā pati ideja par to, kā prognozēt, kas notiks tālāk [5].

Ja jums patīk formālas atsauces, standartu institūcijas un tehniskās rokasgrāmatas, prognozēšana tiek definēta kā signālu (tendences, sezonalitātes, autokorelācijas) iegūšana no laika ziņā sakārtotiem datiem, lai prognozētu nākotnes vērtības [2].

Kas padara paredzamo mākslīgo intelektu noderīgu ✅

Īsā atbilde: tas ietekmē lēmumus, ne tikai informācijas paneļus. Labā puse rodas no četrām īpašībām:

• Rīcība — rezultāti atbilst nākamajiem soļiem: apstiprināšana, maršrutēšana, ziņojumapmaiņa, pārbaude.

• Varbūtību apzinošs — jūs iegūstat kalibrētas ticamības, ne tikai vibrācijas [3].

• Atkārtojami — pēc izvietošanas modeļi darbojas nepārtraukti, gluži kā kluss kolēģis, kas nekad neguļ.

• Izmērāmi — panākumi, precizitāte, vidējās vidējās kļūdas (RMSE) — visu, ko vien vēlaties — panākumi ir izmērāmi.

Būsim godīgi: kad paredzošā mākslīgā intelekta tehnoloģija ir labi izstrādāta, tā šķiet gandrīz garlaicīga. Pienāk brīdinājumi, kampaņas pašas sevi mērķē, plānotāji pasūta inventāru agrāk. Garlaicība ir skaista.

Īsa anekdote: esam redzējuši vidēja lieluma komandas ieviešam nelielu gradienta palielināšanas modeli, kas vienkārši novērtēja "krājumu trūkuma risku nākamajās 7 dienās", izmantojot nobīdes un kalendāra funkcijas. Nav dziļu tīklu, tikai tīri dati un skaidri sliekšņi. Uzvara nebija zibens — tā bija mazāk negaidītu izsaukumu operācijās.

Prognozējošā mākslīgā intelekta un ģeneratīvā mākslīgā intelekta sadalījums ⚖️

• Ģeneratīvais mākslīgais intelekts veido jaunu saturu — tekstu, attēlus, kodu —, modelējot datu sadalījumus un veicot no tiem izlasi [4].

• Prognozējošā mākslīgā intelekta metode prognozē rezultātus — klientu aizplūšanas risku, pieprasījumu nākamajā nedēļā, saistību neizpildes varbūtību —, novērtējot nosacītas varbūtības vai vērtības no vēsturiskiem modeļiem [5].

Iedomājieties ģeneratīvus risinājumus kā radošu studiju, bet paredzošus risinājumus kā laika apstākļu pakalpojumu. Tas pats instrumentu komplekts (ML), dažādi mērķi.

Tātad… kas praksē ir paredzošā mākslīgā intelekta (MI) tehnoloģija? 🔧

1. Apkopojiet apzīmētus vēsturiskos datus — rezultātus, kas jūs interesē, un ievades datus, kas tos varētu izskaidrot.

2. Inženierijas funkcijas — pārveidojiet neapstrādātus datus par noderīgiem signāliem (kavēšanās, mainīgā statistika, teksta iegulšana, kategoriski kodējumi).

3. Apmācīt modeļa atbilstības algoritmus, kas apgūst ievades un rezultātu savstarpējās attiecības.

4. Novērtējiet un validējiet atliktos datus ar metriku, kas atspoguļo uzņēmuma vērtību.

5. Izvietojiet un nosūtiet prognozes savā lietotnē, darbplūsmā vai brīdināšanas sistēmā.

6. Uzraudzīt — sekot līdzi veiktspējai, novērot datu / koncepcijas novirzes un uzturēt pārapmācību/atkārtotu kalibrēšanu. Vadošie ietvari skaidri norāda uz novirzēm, neobjektivitāti un datu kvalitāti kā pastāvīgiem riskiem, kuriem nepieciešama pārvaldība un uzraudzība [1].

Algoritmi ir dažādi — no lineāriem modeļiem līdz koku ansambļiem un neironu tīkliem. Autoritatīvi dokumenti katalogizē ierastākās aizdomas par algoritmu — loģistisko regresiju, nejaušos mežus, gradienta palielināšanu un citas —, izskaidrojot kompromisus un piedāvājot varbūtības kalibrēšanas iespējas, ja nepieciešami labi uzvedoši rādītāji [3].

Būvelementi — dati, etiķetes un modeļi 🧱

• Dati — notikumi, darījumi, telemetrija, klikšķi, sensoru rādījumi. Strukturētas tabulas ir izplatītas, taču tekstu un attēlus var pārveidot skaitliskās funkcijās.

• Etiķetes — ko jūs prognozējat: iegādāts vai neiegādāts, dienas līdz neveiksmei, pieprasījuma apjoms dolāros.

• Algoritmi

  • Klasifikācija , ja rezultāts ir kategorisks klientu aizplūšana vai nē.

  • Regresija , ja rezultāts ir skaitlisks — pārdoto vienību skaits.

  • Laikrindas , kurās svarīga ir secība — vērtību prognozēšana laika gaitā, kur tendencei un sezonalitātei nepieciešama skaidra apstrāde [2].

Laikrindu prognozēšana pievieno sezonalitāti un tendences jauktajām metodēm, piemēram, eksponenciālā izlīdzināšana vai ARIMA saimes modeļi ir klasiski rīki, kas joprojām kalpo kā bāzes līnijas līdzās mūsdienu mašīnmācībai [2].

Bieži sastopami lietošanas gadījumi, kas faktiski tiek piegādāti 📦

• Ieņēmumi un izaugsme

  • Potenciālo klientu vērtēšana, konversiju pieaugums, personalizēti ieteikumi.

• Risks un atbilstība

  • Krāpšanas atklāšana, kredītrisks, AML karodziņi, anomāliju atklāšana.

• Piegāde un darbība

  • Pieprasījuma prognozēšana, darbaspēka plānošana, krājumu optimizācija.

• Uzticamība un apkope

  • Iekārtu paredzamā apkope — rīkojieties pirms kļūmes.

• Veselības aprūpe un sabiedrības veselība

  • Paredzēt atkārtotu uzņemšanu, steidzamu triāžu vai slimību riska modeļus (ar rūpīgu validāciju un pārvaldību)

Ja kādreiz esat saņēmis īsziņu ar tekstu “šis darījums izskatās aizdomīgs”, esat saskāries ar paredzošo mākslīgo intelektu reālajā dzīvē.

Salīdzināšanas tabula — rīki paredzošajam mākslīgajam intelektam 🧰

Piezīme: cenas ir vispārīgas — atvērtā pirmkoda programmatūra ir bezmaksas, mākonis ir atkarīgs no lietošanas veida, uzņēmumi atšķiras. Reālisma labad ir atstāta viena vai divas nelielas nianses…

Kā paredzamā mākslīgā intelekta metode atšķiras no preskriptīvās analītikas 🧭

sniedz atbildes uz to, kas, visticamāk, notiks . Preskriptīvā analīze sniedzas tālāk – ko mums vajadzētu darīt lietas labā , izvēloties darbības, kas optimizē rezultātus ierobežojumu apstākļos. Profesionālās biedrības definē preskriptīvo analītiku kā modeļu izmantošanu, lai ieteiktu optimālas darbības, nevis tikai prognozes [5]. Praksē prognozēšana ietekmē receptes.

Modeļu novērtēšana — svarīgi rādītāji 📊

Izvēlieties metrikas, kas atbilst lēmumam:

• Klasifikācija

  • Precizitāte , lai izvairītos no viltus pozitīviem rezultātiem, ja brīdinājumi ir dārgi.

  • Atgādiniet, lai pamanītu vairāk patiesu notikumu, kad kļūmes ir dārgas.

  • AUC-ROC, lai salīdzinātu rangu kvalitāti starp sliekšņiem.

• Regresija

  • RMSE/MAE kopējam kļūdas lielumam.

  • MAPE , ja relatīvās kļūdas ir svarīgas.

• Prognozēšana

  • MASE, sMAPE laikrindu salīdzināšanai.

  • Prognozēšanas intervālu pārklājums

Īkšķa likums, kas man patīk: optimizējiet rādītāju, kas atbilst jūsu budžetam, lai tas nebūtu nepareizs.

Izvietošanas realitāte — novirze, neobjektivitāte un uzraudzība 🌦️

Modeļi degradējas. Dati mainās. Uzvedība mainās. Tā nav neveiksme — tā ir pasaules kustība. Vadošie ietvari mudina uz nepārtrauktu datu un koncepciju novirzes , izceļ neobjektivitāti un datu kvalitātes riskus, kā arī iesaka dokumentāciju, piekļuves kontroli un dzīves cikla pārvaldību [1].

• Koncepcijas novirze — attiecības starp ievades datiem un mērķi mainās, tāpēc vakardienas modeļi vairs labi neparedz rītdienas rezultātus.

• Modeļa vai datu novirze — ievades sadalījuma izmaiņas, sensoru izmaiņas, lietotāja uzvedības izmaiņas, veiktspējas samazināšanās. Noteikt un rīkoties.

Praktiska rokasgrāmata: uzraugiet metriku ražošanas vidē, veiciet nobīdes testus, uzturiet atkārtotas apmācības ritmu un reģistrējiet prognozes salīdzinājumā ar rezultātiem atpakaļejošai testēšanai. Vienkārša izsekošanas stratēģija ir labāka par sarežģītu, kuru nekad neizmantojat.

Vienkārša iesācēja darbplūsma, ko varat kopēt 📝

1. Definējiet lēmumu — ko jūs darīsiet ar prognozi pie dažādiem sliekšņiem?

2. Apkopojiet datus — vāciet vēsturiskus piemērus ar skaidriem rezultātiem.

3. Sadalīšana — apmācība, validācija un patiesi noturīga pārbaude.

4. Bāzes līnija — sāciet ar loģistisko regresiju vai nelielu koku ansambli. Bāzes līnijas atklāj neērtas patiesības [3].

5. Uzlabot — funkciju inženierija, savstarpēja validācija, rūpīga regularizācija.

6. Piegāde — API galapunkts vai pakešdarbs, kas ieraksta prognozes jūsu sistēmā.

7. Skatīties — informācijas paneļi kvalitātes, novirzes trauksmju, pārapmācības aktivizētāju pārbaudei [1].

Ja tas izklausās daudz, tā tas arī ir, bet to var izdarīt pa posmiem. Mazais uzvar saliktajā summā.

Datu tipi un modelēšanas modeļi — īss pārskats 🧩

• Tabulveida ieraksti — gradienta pastiprināšanas un lineāro modeļu pamatplatforma [3].

• Laikrindas — pirms mašīnmācīšanās bieži vien gūst labumu no sadalīšanas tendencēs/sezonalitātē/atlikumos. Klasiskās metodes, piemēram, eksponenciālā izlīdzināšana, joprojām ir spēcīgas bāzes līnijas [2].

• Teksts, attēli — iegult skaitliskos vektoros, pēc tam paredzēt kā tabulārā.

• Grafiki — klientu tīkli, ierīču attiecības — dažreiz palīdz grafu modelis, dažreiz tas ir pārspīlēts. Jūs jau zināt, kā tas ir.

Riski un barjeras — jo īstā dzīve ir haotiska 🛑

• Neobjektivitāte un reprezentativitāte — nepietiekami pārstāvēti konteksti rada nevienmērīgu kļūdu. Dokumentējiet un uzraugiet [1].

• Noplūde — funkcijas, kas nejauši ietver nākotnes informācijas saindēšanās validāciju.

• Viltus korelācijas — modeļi pieķeras īsceļiem.

• Pārmērīga pielāgošanās — lieliski treniņos, slikti ražošanā.

• Pārvaldība — izcelsmes izsekošana, apstiprinājumi un piekļuves kontrole — garlaicīga, bet kritiski svarīga [1].

Ja jūs nepaļautos uz datiem, lai nosēdinātu lidmašīnu, nepaļaujieties uz tiem, lai atteiktu aizdevumu. Nedaudz pārspīlēts, bet jūs saprotat domu.

Padziļināta izpēte: kustīgu lietu prognozēšana ⏱️

Prognozējot pieprasījumu, enerģijas slodzi vai tīmekļa datplūsmu, laika rindu domāšana. Vērtības ir sakārtotas, tāpēc tiek ņemta vērā laika struktūra. Sāciet ar sezonālo tendenču sadalījumu, izmēģiniet eksponenciālo izlīdzināšanu vai ARIMA saimes bāzes līnijas, salīdziniet ar uzlabotiem kokiem, kas ietver atpalikušas funkcijas un kalendāra efektus. Pat neliela, labi noregulēta bāzes līnija var pārspēt iespaidīgu modeli, ja dati ir reti vai trokšņaini. Inženierzinātņu rokasgrāmatas skaidri izskaidro šos pamatprincipus [2].

Bieži uzdoto jautājumu mini glosārijs 💬

• Kas ir paredzošā mākslīgā intelekta (MI) būtība? Mašīnmācīšanās (ML) un statistika, kas paredz iespējamos rezultātus, pamatojoties uz vēsturiskiem modeļiem. Tāds pats princips kā paredzošajai analītikai, pielietots programmatūras darbplūsmās [5].

• Ar ko tas atšķiras no ģeneratīvā mākslīgā intelekta? Izveide pretstatā prognozēšanai. Ģeneratīvais rada jaunu saturu; paredzošais novērtē varbūtības vai vērtības [4].

• Vai man ir nepieciešama dziļā mācīšanās? Ne vienmēr. Daudzi augstas atdeves lietošanas gadījumi darbojas uz kokiem vai lineāriem modeļiem. Sāciet vienkārši, pēc tam attīstiet [3].

• Kā ar noteikumiem vai sistēmām? Izmantojiet uzticamus riska pārvaldības un pārvaldības sistēmas — tās uzsver neobjektivitāti, novirzes un dokumentāciju [1].

Pārāk garš. Neizlasīju!🎯

Prognozējošā mākslīgā intelekta tehnoloģija nav noslēpumaina. Tā ir disciplinēta prakse mācīties no vakardienas pieredzes, lai šodien rīkotos gudrāk. Ja vērtējat rīkus, sāciet ar savu lēmumu, nevis algoritmu. Izveidojiet uzticamu bāzes līniju, izvietojiet to tur, kur tā maina uzvedību, un nenogurstoši mēriet. Un atcerieties — modeļi noveco kā piens, nevis vīns —, tāpēc plānojiet uzraudzību un pārkvalifikāciju. Nedaudz pazemības ir ļoti svarīga.

Atsauces

1. NIST — mākslīgā intelekta riska pārvaldības sistēma (AI RMF 1.0). Saite

2. NIST ITL — Inženierstatistikas rokasgrāmata: Ievads laika rindu analīzē. Saite

3. scikit-learn — uzraudzītas mācīšanās lietotāja rokasgrāmata. Saite

4. NIST — mākslīgā intelekta riska pārvaldības ietvars: Ģeneratīvais mākslīgā intelekta profils. Saite

5. INFORMS — Operāciju izpēte un analītika (analītikas veidu pārskats). Saite

Atrodiet jaunāko mākslīgo intelektu oficiālajā mākslīgā intelekta palīgu veikalā

Par mums