Si i parashikon inteligjenca artificiale trendet?

IA mund të dallojë modele që syri i lirë nuk i vëren, duke nxjerrë në pah sinjale që në shikim të parë duken si zhurmë. Nëse bëhet siç duhet, e shndërron sjelljen e çrregullt në një parashikim të dobishëm - shitjet muajin tjetër, trafiku nesër, rrjedhja e trafikut më vonë këtë tremujor. Nëse bëhet gabim, është një ngritje supesh me vetëbesim. Në këtë udhëzues, do të shqyrtojmë mekanikën e saktë se si IA parashikon trendet, nga vijnë fitoret dhe si të shmangim mashtrimin nga grafikët e bukur. Do ta mbaj praktikën, me disa momente bisede të vërteta dhe herë pas here ngritjen e vetullave 🙃.

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

🔗 Si të matni performancën e inteligjencës artificiale
Metrikat kryesore për vlerësimin e saktësisë, efikasitetit dhe besueshmërisë së sistemeve të inteligjencës artificiale.

🔗 Si të flasësh me IA-në
Këshilla praktike për komunikimin me inteligjencën artificiale për të përmirësuar cilësinë e përgjigjes.

🔗 Çfarë është nxitja e inteligjencës artificiale
Shpjegim i qartë se si nxitjet ndikojnë në sjelljen dhe rezultatin e IA-së.

🔗 Çfarë është etiketimi i të dhënave të inteligjencës artificiale
Hyrje në etiketimin efektiv të të dhënave për trajnimin e modeleve të të mësuarit automatik.

Çfarë e bën parashikimin e mirë të trendit të inteligjencës artificiale ✅

Kur njerëzit pyesin se si i parashikon IA Trendet, ata zakonisht nënkuptojnë: si e parashikon diçka të pasigurt, por që përsëritet. Parashikimi i mirë i trendit ka disa përbërës të mërzitshëm, por të bukur:

• Të dhëna me sinjal - nuk mund të shtrydhësh lëng portokalli nga një gur. Të duhen vlera dhe kontekst i kaluar.

• Karakteristika që pasqyrojnë realitetin - sezonaliteti, festat, promovimet, makro konteksti, madje edhe moti. Jo të gjitha, vetëm ato që të vënë në lëvizje.

• Modele që i përshtaten orës - metoda të vetëdijshme për kohën që respektojnë renditjen, boshllëqet dhe zhvendosjen.

• Vlerësim që pasqyron vendosjen - teste prapavepruese që simulojnë mënyrën se si do ta parashikoni vërtet. Pa shikim të shpejtë [2].

• Monitorimi për ndryshim - bota ndryshon; edhe modeli juaj duhet të ndryshojë [5].

Ky është skeleti. Pjesa tjetër janë muskuj, tendona dhe pak kafeinë.

Linja Kryesore e Rrjedhës: si i Parashikon IA Trendet nga të dhënat e papërpunuara në Parashikim 🧪

1. Mbledh dhe përputh të dhënat.
   Bashkoni seritë e synuara plus sinjalet ekzogjene. Burime tipike: katalogët e produkteve, shpenzimet për reklama, çmimet, indekset makro dhe ngjarjet. Përputhni vulat kohore, trajtoni vlerat që mungojnë, standardizoni njësitë. Nuk është joshëse, por kritike.

2. Karakteristikat e inxhinierit
   Krijoni vonesa, mesatare rrotulluese, kuantile lëvizëse, flamuj të ditës së javës dhe tregues specifikë të domenit. Për rregullimin sezonal, shumë praktikues zbërthejnë një seri në komponentë trendi, sezonalë dhe të mbetur para modelimit; programi X-13 i Byrosë së Regjistrimit të Popullsisë në SHBA është referenca kanonike për mënyrën dhe pse funksionon kjo [1].

3. Zgjidh një familje model.
   Ke tre kova të mëdha:

• Statistikat klasike : ARIMA, ETS, hapësira e gjendjes/Kalman. I interpretueshëm dhe i shpejtë.

• Mësim automatik : përforcim gradienti, pyje të rastësishme me veçori që marrin parasysh kohën. Fleksibël në shumë seri.

• Mësim i thellë : LSTM, CNN-të e përkohshme, transformatorët. I dobishëm kur keni shumë të dhëna dhe strukturë komplekse.

4. Testimi i saktë i prapavlefshmërisë.
   Validimi i kryqëzuar i serive kohore përdor një origjinë rrotulluese, kështu që nuk stërviteni kurrë për të ardhmen gjatë testimit të së kaluarës. Ky është ndryshimi midis saktësisë së sinqertë dhe mendimit të dëshiruar [2].

5. Parashikoni, përcaktoni sasinë e pasigurisë dhe dërgoni
   parashikimet e kthimit me intervale, monitoroni gabimin dhe rikualifikoni ndërsa bota ndryshon. Shërbimet e menaxhuara zakonisht nxjerrin në pah metrika saktësie (p.sh., MAPE, WAPE, MASE) dhe testimin e dritareve menjëherë, gjë që e bën më të lehtë qeverisjen dhe panelet e kontrollit [3].

Një histori e shkurtër lufte: në një lançim, ne shpenzuam një ditë shtesë për veçoritë e kalendarit (festat rajonale + flamujt promovues) dhe i eliminuam gabimet e hershme dukshëm më shumë sesa duke ndërruar modelet. Cilësia e veçorive ia kaloi risisë së modelit - një temë që do ta shihni përsëri.

Tabela Krahasuese: mjete që ndihmojnë IA-në të Parashikojë Trendet 🧰

E papërsosur me qëllim - një tavolinë e vërtetë me disa veçori njerëzore.

Po, formulimi është i pabarabartë. Kjo është jeta reale.

Inxhinieri karakteristikash që vë në lëvizje gjilpërën 🧩

Përgjigja më e thjeshtë dhe e dobishme për mënyrën se si IA parashikon trendet është kjo: ne e shndërrojmë serinë në një tabelë të të mësuarit të mbikëqyrur që kujton kohën. Disa lëvizje kryesore:

• Gabimet dhe dritaret : përfshijnë y[t-1], y[t-7], y[t-28], plus mjetet rrotulluese dhe dev-in standard. Ai kap impulsin dhe inercinë.

• Sinjalet e sezonalitetit : muaji, java, dita e javës, ora e ditës. Termat e Furierit japin kurba të lëmuara sezonale.

• Kalendari dhe ngjarjet : festat, lançimet e produkteve, ndryshimet e çmimeve, promovimet. Efektet e festave në stilin e Profetit janë thjesht veçori me të kaluarat.

• Zbërthimi : zbrit një komponent sezonal dhe modelo pjesën e mbetur kur modelet janë të forta; X-13 është një vijë bazë e testuar mirë për këtë [1].

• Regresorë të jashtëm : moti, indekset makro, shikimet e faqeve, interesi i kërkimit.

• Këshilla për ndërveprim : kryqëzime të thjeshta si promo_flag × day_of_week. Është i ngatërruar, por shpesh funksionon.

Nëse keni seri të shumta të lidhura - le të themi mijëra SKU - mund të bashkoni informacione midis tyre me modele hierarkike ose globale. Në praktikë, një model global i përforcuar me gradient me karakteristika të ndërgjegjshme për kohën shpesh tejkalon peshën e tij.

Zgjedhja e Familjeve Model: një përleshje miqësore 🤼♀️

• ARIMA/ETS
  : vija bazë të interpretueshme, të shpejta dhe të forta. Disavantazhet: akordimi për seri mund të jetë i vështirë në shkallë. Autokorrelacioni i pjesshëm mund të ndihmojë në zbulimin e renditjeve, por mos prisni mrekulli.

• e përforcimit të gradientit
  : trajton tiparet tabelare, është rezistent ndaj sinjaleve të përziera, është i shkëlqyer me shumë seri të lidhura. Disavantazhet: duhet të ndërtoni mirë tiparet kohore dhe të respektoni kauzalitetin.

• Mësim i thellë
  Përparësitë: kap modelet jolineare dhe të serive të kryqëzuara. Disavantazhet: kërkon shumë të dhëna, është më e vështirë për t'u debuguar. Kur ke kontekst të pasur ose histori të gjata, mund të shkëlqejë; përndryshe, është një makinë sportive në trafikun e orëve të pikut.

• Hibride dhe ansamble.
  Të jemi të sinqertë, kombinimi i një baze sezonale me një përforcues gradienti dhe përzierja me një LSTM të lehtë nuk është një kënaqësi e pazakontë. Jam tërhequr nga "pastërtia e një modeli të vetëm" më shumë herë nga sa e pranoj.

Kauzaliteti kundrejt korrelacionit: trajtojeni me kujdes 🧭

Vetëm pse dy vija lëvizin së bashku nuk do të thotë se njëra nxit tjetrën. Kauzaliteti i Granger teston nëse shtimi i një faktori nxitës përmirëson parashikimin për objektivin, duke pasur parasysh historinë e tij. Bëhet fjalë për dobinë parashikuese sipas supozimeve lineare autoregresive, jo për kauzalitetin filozofik - një dallim delikat, por i rëndësishëm [4].

Në prodhim, ju ende kontrolloni gjendjen tuaj mendore me njohuritë e domenit. Shembull: efektet e ditëve të javës kanë rëndësi për shitjen me pakicë, por shtimi i klikimeve në reklama të javës së kaluar mund të jetë i tepërt nëse shpenzimet janë tashmë në model.

Testimi prapa dhe metrikat: ku fshihen shumica e gabimeve 🔍

Për të vlerësuar se si IA parashikon trendet në mënyrë realiste, imitoni mënyrën se si do të parashikoni në praktikë:

• Validimi i kryqëzuar me origjinë rrotulluese : stërvituni në mënyrë të përsëritur mbi të dhënat e mëparshme dhe parashikoni pjesën tjetër. Kjo respekton rendin kohor dhe parandalon rrjedhjet në të ardhmen [2].

• Metrikat e gabimit : zgjidhni atë që i përshtatet vendimeve tuaja. Metrikat me përqindje si MAPE janë të njohura, por metrikat e ponderuara (WAPE) ose ato pa shkallëzim (MASE) shpesh sillen më mirë për portofolet dhe agregatët [3].

• Intervalet e parashikimit : mos jepni vetëm një pikë. Komunikoni pasigurinë. Ekzekutivët rrallë i duan diapazonet, por ata pëlqejnë më pak surpriza.

Një problem i vogël: kur artikujt mund të jenë zero, metrikat e përqindjes bëhen të çuditshme. Preferoni gabime absolute ose të shkallëzuara, ose shtoni një kompensim të vogël - thjesht jini konsistent.

Zhvendosja ndodh: zbulimi dhe përshtatja ndaj ndryshimit 🌊

Tregjet ndryshojnë, preferencat ndryshojnë, sensorët plaken. Zhvendosja e konceptit është gjithëpërfshirëse kur marrëdhënia midis inputeve dhe objektivit evoluon. Ju mund të monitoroni për ndryshim me teste statistikore, gabime të dritares rrëshqitëse ose kontrolle të shpërndarjes së të dhënave. Pastaj zgjidhni një strategji: dritare më të shkurtra trajnimi, ritrajnim periodik ose modele adaptive që përditësohen në internet. Sondazhet në terren tregojnë lloje të shumta ndryshimi dhe politika adaptimi; asnjë politikë e vetme nuk i përshtatet të gjithave [5].

Udhëzues praktik: vendosni pragje alarmi në rast gabimi në parashikimin e drejtpërdrejtë, rikualifikohuni sipas një orari dhe mbani gati një vijë bazë rezervë. Jo joshëse - shumë efektive.

Shpjegueshmëria: hapja e kutisë së zezë pa e thyer atë 🔦

Palët e interesuara pyesin pse parashikimi u rrit. E arsyeshme. Mjete agnostike ndaj modelit, të tilla si SHAP, ia atribuojnë një parashikim karakteristikave në një mënyrë teorikisht të bazuar, duke ju ndihmuar të shihni nëse sezonaliteti, çmimi apo statusi promovues kanë ndikuar në rritjen e numrit. Nuk do të vërtetojë shkakësinë, por përmirëson besimin dhe korrigjimin e gabimeve.

Në testimet e mia, sezonaliteti javor dhe sinjalet promovuese kanë tendencë të dominojnë parashikimet e shitjes me pakicë në horizont të shkurtër, ndërsa ato në horizont të gjatë ndryshojnë drejt treguesve makro. Kilometrazhi juaj do të ndryshojë në mënyrë të këndshme.

Cloud & MLOps: parashikime të transportit pa shirit ngjitës 🚚

Nëse preferoni platforma të menaxhuara:

• Google Vertex AI Forecast ofron një rrjedhë pune të udhëhequr për marrjen e serive kohore, ekzekutimin e parashikimit AutoML, testimin e të dhënave dhe vendosjen e pikave fundore. Gjithashtu, funksionon mirë me një grumbull të dhënash moderne.

• Amazon Forecast përqendrohet në vendosjen në shkallë të gjerë, me metrika standarde të testimit të prapmë dhe saktësisë që mund të nxirrni përmes API-t, gjë që ndihmon me qeverisjen dhe panelet e kontrollit [3].

Secila rrugë zvogëlon standardin. Thjesht mbaj një sy te kostot dhe një tjetër te rrjedha e të dhënave. Dy sy plotësisht - e ndërlikuar, por e realizueshme.

Një udhëzues i shkurtër për rastin: nga klikimet e papërpunuara te sinjali i trendit 🧭✨

Le të imagjinojmë se po parashikoni regjistrime ditore për një aplikacion freemium:

1. Të dhëna : mbledh regjistrime ditore, shpenzime reklamash sipas kanalit, ndërprerje të faqes dhe një kalendar i thjeshtë promovues.

2. Karakteristikat : vonesat 1, 7, 14; një mesatare rrotulluese 7-ditore; flamuj të ditës së javës; flamur promocional binar; një term sezonal i Furierit; dhe një mbetje sezonale e zbërthyer, kështu që modeli përqendrohet në pjesën që nuk përsëritet. Zbërthimi sezonal është një lëvizje klasike në statistikat zyrtare, emër i mërzitshëm, fitim i madh [1].

3. Modeli : filloni me një regresor të përforcuar me gradient si një model global në të gjitha gjeografikisht.

4. Testi i prapmë : origjina rrotulluese me palosje javore. Optimizoni WAPE në segmentin tuaj kryesor të biznesit. Testet e prapme që respektojnë kohën janë të panegociueshme për rezultate të besueshme [2].

5. Shpjegoni : inspektoni atribuimet e veçorive çdo javë për të parë nëse flamuri promovues po bën vërtet ndonjë gjë tjetër përveçse duket bukur në diapozitiva.

6. Monitor : nëse ndikimi i promovimit zbehet ose modelet e ditëve të javës ndryshojnë pas një ndryshimi të produktit, aktivizoni një rikualifikim. Devijimi nuk është një gabim - është e mërkurë [5].

Rezultati: një parashikim i besueshëm me breza besimi, plus një panel kontrolli që tregon se çfarë e ndikoi situatën. Më pak debate, më shumë veprime.

Gracka dhe mite për t'i anashkaluar në heshtje 🚧

• Mit: më shumë veçori janë gjithmonë më mirë. Jo. Shumë veçori të parëndësishme sjellin mbipërshtatje. Mbani atë që ndihmon testimin e mëparshëm dhe përputhet me kuptimin e domenit.

• Mit: rrjetet e thella ia dalin mbanë gjithçkaje. Ndonjëherë po, shpesh jo. Nëse të dhënat janë të shkurtra ose të zhurmshme, metodat klasike fitojnë për shkak të stabilitetit dhe transparencës.

• Grackë: rrjedhje. Lëshimi aksidental i informacionit të nesërm në trajnimin e sotëm do të përmirësojë metrikët tuaj dhe do të ndëshkojë prodhimin tuaj [2].

• Grackë: ndjekja e decimalës së fundit. Nëse zinxhiri juaj i furnizimit është i çrregullt, argumentimi për një gabim midis 7.3 dhe 7.4 përqind është një teatër. Përqendrohuni te pragjet e vendimmarrjes.

• Mit: shkakësia nga korrelacioni. Testet e Granger kontrollojnë dobinë parashikuese, jo të vërtetën filozofike - përdorini ato si parmakë mbrojtëse, jo si ungjill [4].

Lista e Kontrollit të Implementimit që mund ta kopjoni dhe ngjisni 📋

• Përcaktoni horizontet, nivelet e grumbullimit dhe vendimin që do të merrni.

• Ndërtoni një indeks të pastër kohor, plotësoni ose sinjalizoni boshllëqet dhe bashkërenditni të dhënat ekzogjene.

• Gabimet në zanat, statistikat në lëvizje, flamujt sezonalë dhe pak veçoritë e domenit që u besoni.

• Filloni me një bazë të fortë, pastaj kaloni në një model më kompleks nëse është e nevojshme.

• Përdorni teste të prapambetura me origjinë rrotulluese me metrikën që përputhet me biznesin tuaj [2][3].

• Shto intervale parashikimi - jo opsionale.

• Anije, monitorim për devijim dhe ritrajnim sipas një orari plus alarme [5].

Shumë gjatë, nuk e lexova - Vërejtje përfundimtare 💬

E vërteta e thjeshtë rreth mënyrës se si IA parashikon trendet: ka më pak të bëjë me algoritme magjike dhe më shumë me dizajn të disiplinuar dhe të vetëdijshëm për kohën. Merrni të dhënat dhe veçoritë siç duhet, vlerësoni me ndershmëri, shpjegoni thjesht dhe përshtatuni me ndryshimin e realitetit. Është si të akordosh një radio me butona paksa të yndyrshëm - paksa të çrregullt, ndonjëherë statikë, por kur stacioni hyn, është çuditërisht i qartë.

Nëse ia lëmë mënjanë një gjë: respekto kohën, vlerëso si skeptik dhe vazhdo të monitorosh. Pjesa tjetër është thjesht aftësi dhe shije.

Referencat

1. Byroja e Regjistrimit të Popullsisë në SHBA - Programi i Përshtatjes Sezonale X-13ARIMA-SEATS . Lidhje

2. Hyndman & Athanasopoulos - Parashikimi: Parimet dhe Praktika (FPP3), §5.10 Validimi i kryqëzuar i serive kohore . Lidhje

3. Shërbimet Web të Amazon - Vlerësimi i Saktësisë së Parashikuesve (Parashikimi i Amazon) . Lidhje

4. Universiteti i Hjustonit - Shkakësia Granger (shënime leksionesh) . Lidhje

5. Gama et al. - Një studim mbi përshtatjen e zhvendosjes së konceptit (versioni i hapur). Lidhje

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

Rreth Nesh