Çfarë është IA Parashikuese?

IA parashikuese tingëllon e çuditshme, por ideja është e thjeshtë: përdorni të dhënat e kaluara për të hamendësuar se çfarë mund të ndodhë më pas. Nga se cili klient mund të largohet deri te kur një makinë ka nevojë për shërbim, bëhet fjalë për shndërrimin e modeleve historike në sinjale që shikojnë përpara. Nuk është magji - është matematikë që përballet me realitetin e çrregullt, me pak skepticizëm të shëndetshëm dhe shumë përsëritje.

Më poshtë është një shpjegim praktik dhe i lehtë për t’u lexuar. Nëse keni ardhur këtu duke menduar se çfarë është IA Parashikuese? dhe nëse është e dobishme për ekipin tuaj, kjo do t'ju çojë nga "ç'është e vërteta" në "ok" me një ulje të vetme.☕️

Artikuj që mund t'ju pëlqejnë të lexoni pas këtij:

🔗 Si ta përfshini inteligjencën artificiale në biznesin tuaj
Hapa praktikë për të integruar mjetet e inteligjencës artificiale për një rritje më të zgjuar të biznesit.

🔗 Si ta përdorni inteligjencën artificiale për të qenë më produktiv
Zbuloni rrjedha pune efektive të inteligjencës artificiale që kursejnë kohë dhe rrisin efikasitetin.

🔗 Cilat janë aftësitë e inteligjencës artificiale
Mësoni kompetencat kryesore të IA-së, të domosdoshme për profesionistët e gatshëm për të ardhmen.

Çfarë është IA Parashikuese? Një përkufizim 🤖

IA parashikuese përdor analiza statistikore dhe të mësuarit automatik për të gjetur modele në të dhënat historike dhe për të parashikuar rezultatet e mundshme - kush blen, çfarë dështon, kur kërkesa rritet. Në terma pak më të saktë, ajo përzien statistikat klasike me algoritmet e ML për të vlerësuar probabilitetet ose vlerat rreth të ardhmes së afërt. E njëjta frymë si analiza parashikuese; etiketë e ndryshme, e njëjta ide e parashikimit të asaj që vjen më pas [5].

Nëse ju pëlqejnë referencat formale, organet standarde dhe manualet teknike e kornizojnë parashikimin si nxjerrje të sinjaleve (trend, sezonalitet, autokorrelacion) nga të dhënat e renditura në kohë për të parashikuar vlerat e ardhshme [2].

Çfarë e bën të dobishme inteligjencën artificiale parashikuese ✅

Përgjigje e shkurtër: ajo nxit vendimet, jo vetëm tabelat e kontrollit. E mira vjen nga katër tipare:

• Veprimshmëria - jep një hartë për hapat e mëtejshëm: miratim, rrugëtim, mesazh, inspektim.

• I vetëdijshëm për probabilitetin - ju merrni gjasa të kalibruara, jo vetëm vibracione [3].

• Përsëritshme - pasi të vendosen, modelet funksionojnë vazhdimisht, si një koleg i qetë që nuk fle kurrë.

• I matshëm - ngritje, precizion, RMSE - çfarëdo që të doni - suksesi është i matshëm.

Le të jemi të sinqertë: kur inteligjenca artificiale parashikuese funksionon mirë, ndihet pothuajse e mërzitshme. Njoftimet mbërrijnë, fushatat synojnë veten, planifikuesit porosisin inventarin më herët. Të qenit e mërzitshme është e bukur.

Një anekdotë e shkurtër: kemi parë ekipe të tregut të mesëm të sjellin një model të vogël me rritje të gradientit që thjesht vlerësonte "rrezikun e mungesës së stokut në 7 ditët e ardhshme" duke përdorur vonesa dhe veçori kalendarike. Asnjë rrjetë e thellë, vetëm të dhëna të pastra dhe pragje të qarta. Fitorja nuk ishte e menjëhershme - ishte më pak thirrje të ngatërruara në operacione.

IA Parashikuese vs IA Gjeneruese - ndarja e shpejtë ⚖️

• IA gjeneruese krijon përmbajtje të re - tekst, imazhe, kod - duke modeluar shpërndarjen e të dhënave dhe duke marrë mostra prej tyre [4].

• IA parashikuese parashikon rezultatet - rrezikun e humbjes së klientëve, kërkesën javën tjetër, probabilitetin e mospagesës - duke vlerësuar probabilitetet ose vlerat e kushtëzuara nga modelet historike [5].

Mendojeni gjeneruesin si një studio krijuese dhe parashikuesin si një shërbim moti. I njëjti kuti mjetesh (ML), objektiva të ndryshëm.

Pra… çfarë është IA Parashikuese në praktikë? 🔧

1. Mblidhni të dhëna historike të etiketuara - rezultate që ju interesojnë dhe të dhënat që mund t'i shpjegojnë ato.

2. Karakteristikat e inxhinierit - shndërrojnë të dhënat e papërpunuara në sinjale të dobishme (vonesa, statistika në lëvizje, ngulitje teksti, kodime kategorike).

3. Trajnoni algoritme të përshtatjes së modelit që mësojnë marrëdhëniet midis inputeve dhe rezultateve.

4. Vlerësoni - validoni të dhënat e mbetura me metrika që pasqyrojnë vlerën e biznesit.

5. Vendosni - dërgoni parashikime në aplikacionin, rrjedhën e punës ose sistemin e alarmimit tuaj.

6. Monitoroni - gjurmoni performancën, shikoni për të të dhënave / koncepteve dhe mirëmbani rikualifikimin/rikalibrimin. Kornizat kryesore i përmendin në mënyrë të qartë devijimet, paragjykimet dhe cilësinë e të dhënave si rreziqe të vazhdueshme që kërkojnë qeverisje dhe monitorim [1].

Algoritmet variojnë nga modelet lineare te ansamblet e pemëve dhe rrjetet nervore. Dokumentet autoritare katalogojnë dyshimet e zakonshme - regresioni logjistik, pyjet e rastësishme, rritja e gradientit dhe më shumë - me kompromise të shpjeguara dhe opsione të kalibrimit të probabilitetit kur keni nevojë për rezultate të sjella mirë [3].

Blloqet ndërtuese - të dhënat, etiketat dhe modelet 🧱

• Të dhëna - ngjarje, transaksione, telemetri, klikime, lexime të sensorëve. Tabelat e strukturuara janë të zakonshme, por teksti dhe imazhet mund të konvertohen në veçori numerike.

• Etiketat - çfarë po parashikoni: blerje kundrejt mosblerjes, ditët deri në dështim, dollarët e kërkesës.

• Algoritmet

  • Klasifikimi kur rezultati është kategorik-çarun apo jo.

  • Regresioni kur rezultati është numerik - sa njësi janë shitur.

  • Seritë kohore kur rendi ka rëndësi - parashikimi i vlerave në kohë, ku trendi dhe sezonaliteti kanë nevojë për trajtim të qartë [2].

Parashikimi i serive kohore shton sezonalitet dhe trend në metodat e përziera si zbutja eksponenciale ose modelet e familjes ARIMA, të cilat janë mjete klasike që ende mbajnë vendin e tyre si linja bazë së bashku me ML moderne [2].

Raste përdorimi të zakonshme që dërgohen në të vërtetë 📦

• Të ardhurat dhe rritja

  • Vlerësimi i klientëve potencialë, rritja e konvertimeve, rekomandimet e personalizuara.

• Rreziku dhe pajtueshmëria

  • Zbulimi i mashtrimit, rreziku i kreditit, flagët e AML, zbulimi i anomalive.

• Furnizim dhe operacione

  • Parashikimi i kërkesës, planifikimi i fuqisë punëtore, optimizimi i inventarit.

• Besueshmëria dhe mirëmbajtja

  • Mirëmbajtje parashikuese e pajisjeve - veprim para dështimit.

• Kujdesi shëndetësor dhe shëndeti publik

  • Parashikoni ri-pranimet në spital, urgjencën e triazhit ose modelet e rrezikut të sëmundjes (me validim dhe qeverisje të kujdesshme)

Nëse keni marrë ndonjëherë një SMS me mesazhin "ky transaksion duket i dyshimtë", atëherë keni hasur në mënyrë të jashtëzakonshme inteligjencën artificiale parashikuese.

Tabela Krahasuese - mjete për IA Parashikuese 🧰

Shënim: çmimet janë të përgjithshme - burimi i hapur është falas, cloud është i bazuar në përdorim, ndërmarrja ndryshon. Një ose dy veçori të vogla janë lënë për realizëm…

Si krahasohet IA Parashikuese me Analitikën Preskriptive

Parashikimi përgjigjet se çfarë ka të ngjarë të ndodhë . Preskriptimi shkon më tej - çfarë duhet të bëjmë në lidhje me të , duke zgjedhur veprime që optimizojnë rezultatet nën kufizime. Shoqëritë profesionale e përcaktojnë analizën preskriptive si përdorim të modeleve për të rekomanduar veprime optimale, jo vetëm parashikime [5]. Në praktikë, parashikimi ushqen recetën.

Vlerësimi i modeleve - metrika që kanë rëndësi 📊

Zgjidhni metrika që përputhen me vendimin:

• Klasifikimi

  • Saktësi për të shmangur pozitivet e rreme kur alarmet janë të kushtueshme.

  • Kujtohuni të kapni më shumë ngjarje të vërteta kur gabimet kushtojnë shumë.

  • AUC-ROC për të krahasuar cilësinë e renditjes nëpër pragje.

• Regresioni

  • RMSE/MAE për madhësinë e përgjithshme të gabimit.

  • MAPE kur gabimet relative kanë rëndësi.

• Parashikimi

  • MASE, sMAPE për krahasueshmërinë e serive kohore.

  • Mbulimi për intervalet e parashikimit - a përmbajnë në të vërtetë bandat tuaja të pasigurisë?

Një rregull i përgjithshëm që më pëlqen: optimizoni metrikën që përputhet me buxhetin tuaj për të mos qenë e gabuar.

Realiteti i vendosjes - devijim, paragjykim dhe monitorim 🌦️

Modelet degradojnë. Ndryshime të të dhënave. Ndryshime të sjelljes. Ky nuk është dështim - është bota që po lëviz. Kornizat kryesore kërkojnë monitorim të vazhdueshëm për devijimin e të dhënave dhe devijimin e koncepteve , nxjerrin në pah paragjykimet dhe rreziqet e cilësisë së të dhënave, dhe rekomandojnë dokumentimin, kontrollet e aksesit dhe qeverisjen e ciklit jetësor [1].

• Zhvendosja e konceptit - marrëdhëniet midis inputeve dhe objektivit evoluojnë, kështu që modelet e djeshme nuk i parashikojnë më shumë mirë rezultatet e nesërme.

• Zhvendosja e modelit ose e të dhënave - shpërndarjet e të dhënave ndryshojnë, sensorët ndryshojnë, sjellja e përdoruesit ndryshon, performanca bie. Zbulo dhe vepro.

Udhëzues praktik: monitoroni metrikat në prodhim, kryeni teste devijimi, mirëmbani një ritëm rikualifikimi dhe regjistroni parashikimet kundrejt rezultateve për testimin e përsëritur. Një strategji e thjeshtë ndjekjeje është më e mirë se një strategji e ndërlikuar që nuk e përdorni kurrë.

Një rrjedhë pune e thjeshtë fillestare që mund ta kopjoni 📝

1. Përcaktoni vendimin - çfarë do të bëni me parashikimin në pragje të ndryshme?

2. Mblidhni të dhëna - mblidhni shembuj historikë me rezultate të qarta.

3. Ndarje - trajnim, validim dhe një provë vërtet e qëndrueshme.

4. Vija bazë - filloni me regresion logjistik ose një ansambël të vogël pemësh. Vijat bazë tregojnë të vërteta të pakëndshme [3].

5. Përmirësim - inxhinieri e veçorive, validim i kryqëzuar, rregullim i kujdesshëm.

6. Dërgo - një pikë fundore API ose një punë grumbull që shkruan parashikime në sistemin tuaj.

7. Watch - panele për cilësinë, alarme devijimi, shkaktarë të rikualifikimit [1].

Nëse kjo tingëllon shumë, është - por mund ta bësh në faza. Fitore të vogla të kombinuara.

Llojet e të dhënave dhe modelet e modelimit - rezultate të shpejta 🧩

• Të dhënat tabelare - terreni bazë për modelet me rritje gradienti dhe lineare [3].

• Seritë kohore - shpesh përfitojnë nga zbërthimi në trend/sezonalitet/mbetje para ML. Metodat klasike si zbutja eksponenciale mbeten linja bazë të forta [2].

• Tekst, imazhe - integrohen në vektorë numerikë, pastaj parashikohen si në mënyrë tabelare.

• Grafikë - rrjete klientësh, marrëdhënie midis pajisjeve - ndonjëherë një model grafik ndihmon, ndonjëherë është inxhinieri e tepërt. E dini si është.

Rreziqe dhe parmakë mbrojtës - sepse jeta reale është e rrëmujshme 🛑

• Paragjykimi dhe përfaqësimi - kontekstet e nën-përfaqësuara çojnë në gabime të pabarabarta. Dokumentoni dhe monitoroni [1].

• Rrjedhje - karakteristika që aksidentalisht përfshijnë validimin e helmit të informacionit në të ardhmen.

• Korrelacione të rreme - modelet kapen pas rrugëve të shkurtra.

• Mbipërshtatje - e shkëlqyer në stërvitje, e trishtueshme në prodhim.

• Qeverisja - linja e gjurmëve, miratimet dhe kontrolli i aksesit - e mërzitshme, por kritike [1].

Nëse nuk do të mbështeteshe te të dhënat për të ulur një aeroplan, mos u mbështet te ato për të refuzuar një kredi. Paksa e ekzagjeruar, por e kupton thelbin.

Zhytje e thellë: parashikimi i gjërave që lëvizin ⏱️

Kur parashikohet kërkesa, ngarkesa e energjisë ose trafiku në internet, mbi seritë kohore ka rëndësi. Vlerat renditen, kështu që respektohet struktura kohore. Filloni me dekompozimin e trendit sezonal, provoni zbutjen eksponenciale ose linjat bazë të familjes ARIMA, krahasojeni me pemët e përforcuara që përfshijnë karakteristika të vonuara dhe efekte kalendarike. Edhe një linjë bazë e vogël dhe e akorduar mirë mund të tejkalojë një model të shkëlqyer kur të dhënat janë të pakta ose me zhurmë. Manualet e inxhinierisë i shpjegojnë këto baza qartë [2].

Fjalor i shkurtër me pyetje të shpeshta 💬

• Çfarë është IA Parashikuese? ML plus statistika që parashikojnë rezultatet e mundshme nga modelet historike. E njëjta frymë si analiza parashikuese, e aplikuar në rrjedhat e punës së softuerit [5].

• Si ndryshon nga IA gjeneruese? Krijimi kundrejt parashikimit. Gjenerimi krijon përmbajtje të re; parashikuesi vlerëson probabilitetet ose vlerat [4].

• A kam nevojë për të mësuarit e thellë? Jo gjithmonë. Shumë raste përdorimi me kthim të lartë të investimit funksionojnë në pemë ose modele lineare. Filloni thjeshtë, pastaj përshkallëzoni [3].

• Po rregulloret ose kornizat? Përdorni korniza të besueshme për menaxhimin e riskut dhe qeverisjen - ato theksojnë paragjykimin, devijimin dhe dokumentimin [1].

Shumë e gjatë. Nuk e lexova!🎯

IA parashikuese nuk është misterioze. Është praktika e disiplinuar e të mësuarit nga dje për të vepruar më me zgjuarsi sot. Nëse po vlerësoni mjete, filloni me vendimin tuaj, jo me algoritmin. Vendosni një bazë të besueshme, vendoseni aty ku ndryshon sjelljen dhe matni pa pushim. Dhe mos harroni - modelet plaken si qumështi, jo vera - prandaj planifikoni monitorimin dhe ritrajnimin. Pak përulësi ndihmon shumë.

Referencat

1. NIST - Korniza e Menaxhimit të Rrezikut të Inteligjencës Artificiale (AI RMF 1.0). Lidhje

2. NIST ITL - Manuali i Statistikave Inxhinierike: Hyrje në Analizën e Serive Kohore. Lidhje

3. scikit-learn - Udhëzues Përdoruesi për Mësim të Mbikëqyrur. Lidhje

4. NIST - Korniza e Menaxhimit të Rrezikut të IA-së: Profili Gjenerues i IA-së. Lidhja

5. INFORMS - Kërkime Operacionale dhe Analitikë (përmbledhje e llojeve të analizave). Lidhje

Gjeni IA-në më të fundit në Dyqanin Zyrtar të Asistentëve të IA-së

Rreth Nesh