რა არის პროგნოზირებადი ხელოვნური ინტელექტი?

პროგნოზირებადი ხელოვნური ინტელექტი საკმაოდ ფანტასტიურად ჟღერს, მაგრამ იდეა მარტივია: წარსული მონაცემების გამოყენებით, სავარაუდოდ, რა მოხდება შემდეგ. საქმე ეხება ისტორიული ნიმუშების მომავალზე ორიენტირებულ სიგნალებად გადაქცევას, დაწყებული იმით, თუ რომელი მომხმარებელი შეიძლება გადავიდეს მომსახურებიდან დაწყებული, დამთავრებული იმით, თუ როდის დასჭირდება მანქანას მომსახურება. ეს არ არის მაგია - ეს არის მათემატიკური ანალიზი, რომელიც არეულობასთან შეჯახებას წარმოადგენს, ჯანსაღი სკეპტიციზმითა და უამრავი იტერაციით.

ქვემოთ მოცემულია პრაქტიკული, ადვილად ასახსნელი ახსნა. თუ აქ შემოხვედით და გაინტერესებთ, რა არის პროგნოზირებადი ხელოვნური ინტელექტი? და სასარგებლოა თუ არა ის თქვენი გუნდისთვის, ეს სტატია ერთ წამში დაგეხმარებათ „კარგიდან“ „კარგამდე“.☕️

სტატიები, რომელთა წაკითხვაც შეიძლება მოგეწონოთ ამის შემდეგ:

🔗 როგორ ჩართოთ ხელოვნური ინტელექტი თქვენს ბიზნესში
პრაქტიკული ნაბიჯები ხელოვნური ინტელექტის ინსტრუმენტების ინტეგრირებისთვის ბიზნესის უფრო ჭკვიანი ზრდისთვის.

🔗 როგორ გამოვიყენოთ ხელოვნური ინტელექტი უფრო პროდუქტიული გახდომისთვის
აღმოაჩინეთ ეფექტური ხელოვნური ინტელექტის სამუშაო პროცესები, რომლებიც ზოგავს დროს და ზრდის ეფექტურობას.

🔗 რა არის ხელოვნური ინტელექტის უნარები?
გაეცანით ხელოვნური ინტელექტის ძირითად კომპეტენციებს, რომლებიც აუცილებელია მომავლისთვის მზად პროფესიონალებისთვის.

რა არის პროგნოზირებადი ხელოვნური ინტელექტი? განმარტება 🤖

პროგნოზირებადი ხელოვნური ინტელექტი იყენებს სტატისტიკურ ანალიზსა და მანქანურ სწავლებას ისტორიულ მონაცემებში კანონზომიერებების მოსაძებნად და სავარაუდო შედეგების პროგნოზირებისთვის - ვინ ყიდულობს, რა ვერ ახერხებს, როდის იზრდება მოთხოვნა. უფრო ზუსტი ტერმინებით, ის აერთიანებს კლასიკურ სტატისტიკას მანქანური სწავლების ალგორითმებთან, რათა შეაფასოს ალბათობები ან მნიშვნელობები უახლოეს მომავალში. იგივე სულისკვეთება, რაც პროგნოზირებად ანალიტიკას; განსხვავებული იარლიყი, იგივე იდეა იმის პროგნოზირების შესახებ, თუ რა მოხდება შემდეგ [5].

თუ ფორმალური ცნობები მოგწონთ, სტანდარტიზაციის ორგანოები და ტექნიკური სახელმძღვანელოები პროგნოზირებას განიხილავენ, როგორც სიგნალების (ტენდენცია, სეზონურობა, ავტოკორელაცია) ამოღებას დროითი დალაგების მონაცემებიდან მომავალი მნიშვნელობების პროგნოზირებისთვის [2].

რა ხდის პროგნოზირებად ხელოვნურ ინტელექტს სასარგებლოს ✅

მოკლე პასუხი: ის განაპირობებს გადაწყვეტილებებს და არა მხოლოდ დაფებს. სიკეთე ოთხი თვისებიდან მოდის:

• ქმედითობა - გამოაქვს შემდეგი ნაბიჯების რუკა: დამტკიცება, მარშრუტიზაცია, შეტყობინება, შემოწმება.

• ალბათობის გათვალისწინებით - თქვენ იღებთ დაკალიბრებულ ალბათობებს და არა მხოლოდ ვიბრაციებს [3].

• განმეორებადი - განლაგების შემდეგ, მოდელები განუწყვეტლივ მუშაობენ, როგორც ჩუმი კოლეგა, რომელიც არასდროს სძინავს.

• გაზომვადი - ამწევი უნარი, სიზუსტე, RMSE - რაც არ უნდა დაარქვათ - წარმატება რაოდენობრივად გაზომვადია.

მოდით, ვიყოთ გულახდილები: როდესაც პროგნოზირებადი ხელოვნური ინტელექტი კარგად არის შესრულებული, ის თითქმის მოსაწყენად გამოიყურება. შეტყობინებები მოდის, კამპანიები საკუთარ თავს უმიზნებენ, დამგეგმავები ინვენტარს უფრო ადრე უკვეთავენ. მოსაწყენი ყოფნა მშვენიერია.

მოკლე ანეკდოტი: ჩვენ ვნახეთ, როგორ უშვებდნენ საშუალო ბაზრის გუნდებს გრადიენტის გამაძლიერებელი პატარა მოდელი, რომელიც უბრალოდ აფასებდა „მარაგების დეფიციტის რისკს მომდევნო 7 დღის განმავლობაში“ შეფერხებებისა და კალენდრის ფუნქციების გამოყენებით. არანაირი ღრმა ქსელი, მხოლოდ სუფთა მონაცემები და მკაფიო ზღვრები. გამარჯვება არ იყო მყისიერი - ეს იყო ოპერაციებში ნაკლები scramble-calls.

პროგნოზირებადი ხელოვნური ინტელექტი გენერაციული ხელოვნური ინტელექტის წინააღმდეგ - სწრაფი გაყოფა ⚖️

• გენერაციული ხელოვნური ინტელექტი ქმნის ახალ კონტენტს - ტექსტს, სურათებს, კოდს - მონაცემთა განაწილებისა და მათგან ნიმუშების აღების მოდელირებით [4].

• პროგნოზირებადი ხელოვნური ინტელექტი პროგნოზირებს შედეგებს - გადინების რისკს, მოთხოვნას შემდეგ კვირას, დეფოლტის ალბათობას - ისტორიული ნიმუშებიდან პირობითი ალბათობების ან მნიშვნელობების შეფასებით [5].

გენერაციულზე იფიქრეთ, როგორც შემოქმედებით სტუდიაზე, ხოლო პროგნოზირებადზე, როგორც ამინდის სერვისზე. იგივე ინსტრუმენტების ნაკრები (ML), სხვადასხვა მიზნებით.

მაშ ასე… რა არის პროგნოზირებადი ხელოვნური ინტელექტი პრაქტიკაში? 🔧

1. შეაგროვეთ ეტიკეტირებული ისტორიული მონაცემები - თქვენთვის მნიშვნელოვანი შედეგები და ის მონაცემები, რომლებიც შეიძლება მათ ახსნას გულისხმობდეს.

2. ინჟინრის ფუნქციები - ნედლი მონაცემების სასარგებლო სიგნალებად გადაქცევა (შეფერხებები, მოძრავი სტატისტიკა, ტექსტის ჩასმა, კატეგორიული კოდირება).

3. მოდელისადმი მორგებული ალგორითმების მომზადება, რომლებიც სწავლობენ შემავალ და შედეგებს შორის კავშირებს.

4. შეაფასეთ - დაადასტურეთ შეჩერებული მონაცემები ბიზნესის ღირებულების ამსახველი მეტრიკებით.

5. განათავსეთ - გაგზავნეთ პროგნოზები თქვენს აპლიკაციაში, სამუშაო პროცესში ან შეტყობინების სისტემაში.

6. მონიტორინგი - შესრულების თვალყურის დევნება, მონაცემების / კონცეფციების გადახრის თვალყურის დევნება და ხელახალი ტრენინგის/კალიბრაციის შენარჩუნება. წამყვანი ჩარჩოები აშკარად მიუთითებენ გადახრაზე, მიკერძოებაზე და მონაცემთა ხარისხზე, როგორც მუდმივ რისკებზე, რომლებიც საჭიროებენ მმართველობას და მონიტორინგს [1].

ალგორითმები მოიცავს წრფივ მოდელებს, ხის ანსამბლებსა და ნეირონულ ქსელებს. ავტორიტეტული დოკუმენტები აღწერს ჩვეულებრივ ეჭვმიტანილებს - ლოგისტიკური რეგრესია, შემთხვევითი ტყეები, გრადიენტის გაძლიერება და სხვა - კომპრომისების ახსნით და ალბათობის კალიბრაციის ვარიანტებით, როდესაც კარგად აწყობილი ქულები გჭირდებათ [3].

საშენი ბლოკები - მონაცემები, ეტიკეტები და მოდელები 🧱

• მონაცემები - მოვლენები, ტრანზაქციები, ტელემეტრია, დაწკაპუნებები, სენსორების ჩვენებები. სტრუქტურირებული ცხრილები გავრცელებულია, მაგრამ ტექსტისა და სურათების რიცხვით მახასიათებლებად გარდაქმნა შესაძლებელია.

• ეტიკეტები - რას პროგნოზირებთ: შეძენილი vs. არშეძენილი, წარუმატებლობამდე დარჩენილი დღეები, მოთხოვნის რაოდენობა დოლარებში.

• ალგორითმები

  • კლასიფიკაცია, როდესაც შედეგი კატეგორიული გადინებისაა ან არგაცვლისა.

  • რეგრესია, როდესაც შედეგი რიცხვითია - გაყიდული ერთეულის რაოდენობა.

  • დროის სერიები , როდესაც თანმიმდევრობას მნიშვნელობა აქვს - მნიშვნელობების პროგნოზირება დროთა განმავლობაში, სადაც ტენდენცია და სეზონურობა საჭიროებს ცალსახა განხილვას [2].

დროის სერიების პროგნოზირება სეზონურობას და ტენდენციას მატებს მიქს მეთოდებს - ექსპონენციალური დაგლუვების ან ARIMA-ოჯახის მოდელების მსგავსი კლასიკური ინსტრუმენტებია, რომლებიც თანამედროვე მანქანური სწავლების პარალელურად საბაზისო ნიშნულებსაც წარმოადგენენ [2].

ხშირად გამოყენებული შემთხვევები, რომლებიც რეალურად იგზავნება 📦

• შემოსავალი და ზრდა

  • ლიდების შეფასება, კონვერსიის გაზრდა, პერსონალიზებული რეკომენდაციები.

• რისკი და შესაბამისობა

  • თაღლითობის გამოვლენა, საკრედიტო რისკი, ფულის გათეთრების ნიშნები, ანომალიების გამოვლენა.

• მიწოდება და ოპერაციები

  • მოთხოვნის პროგნოზირება, სამუშაო ძალის დაგეგმვა, ინვენტარიზაციის ოპტიმიზაცია.

• საიმედოობა და მოვლა

  • აღჭურვილობის პროგნოზირებადი ტექნიკური მომსახურება - მოქმედება გაუმართაობამდე.

• ჯანდაცვა და საზოგადოებრივი ჯანდაცვა

  • განმეორებითი ჰოსპიტალიზაციის, ტრიაჟის გადაუდებლობის ან დაავადების რისკის მოდელების პროგნოზირება (ფრთხილი ვალიდაციისა და მართვის გზით)

თუ ოდესმე მიგიღიათ SMS შეტყობინება წარწერით „ეს ტრანზაქცია საეჭვოდ გამოიყურება“, ესე იგი, პროგნოზირებად ხელოვნურ ინტელექტს ნამდვილად წააწყდით.

შედარების ცხრილი - პროგნოზირებადი ხელოვნური ინტელექტის ინსტრუმენტები 🧰

შენიშვნა: ფასები ზოგადი შტრიხებითაა მოცემული - ღია კოდი უფასოა, ღრუბელი გამოყენებაზე დაფუძნებულია, საწარმოები კი - სხვადასხვა. რეალიზმისთვის ერთი-ორი პატარა თავისებურებაა დატოვებული..

როგორ შევადაროთ პროგნოზირებადი ხელოვნური ინტელექტი პრესკრინტიულ ანალიტიკას 🧭

პროგნოზირება პასუხობს კითხვას, თუ რა მოხდება სავარაუდოდ . პრესკრიპტივა უფრო შორს მიდის - რა უნდა გავაკეთოთ ამასთან დაკავშირებით , ვირჩევთ ქმედებებს, რომლებიც ოპტიმიზაციას უკეთებს შედეგებს შეზღუდვების პირობებში. პროფესიული საზოგადოებები პრესკრიპტირებად ანალიტიკას განსაზღვრავენ, როგორც მოდელების გამოყენებას ოპტიმალური ქმედებების რეკომენდაციისთვის და არა მხოლოდ პროგნოზების [5]. პრაქტიკაში, პროგნოზირება კვებავს პრესკრიპტს.

მოდელების შეფასება - მნიშვნელოვანი მეტრიკები 📊

აირჩიეთ მეტრიკები, რომლებიც შეესაბამება გადაწყვეტილებას:

• კლასიფიკაცია

  • სიზუსტე ცრუ დადებითი შედეგების თავიდან ასაცილებლად, როდესაც შეტყობინებები ძვირია.

  • გაიხსენეთ , რომ უფრო მეტი რეალური მოვლენა დაიჭიროთ, როდესაც გამოტოვებები ძვირი ჯდება.

  • AUC-ROC ზღურბლებს შორის რანგის ხარისხის შესადარებლად.

• რეგრესია

  • RMSE/MAE შეცდომის საერთო სიდიდისთვის.

  • MAPE, როდესაც ფარდობითი შეცდომები მნიშვნელოვანია.

• პროგნოზირება

  • MASE, sMAPE დროითი სერიების შედარებისთვის.

  • პროგნოზირების ინტერვალების დაფარვა

ერთი წესი, რომელიც მომწონს: ოპტიმიზაცია გაუკეთეთ თქვენს ბიუჯეტთან შესაბამის მეტრიკას არასწორი შედეგის მისაღწევად.

განლაგების რეალობა - დრიფტი, მიკერძოება და მონიტორინგი 🌦️

მოდელები უარესდება. მონაცემები იცვლება. ქცევა იცვლება. ეს არ არის წარუმატებლობა - ეს არის სამყაროს ცვლილება. წამყვანი ჩარჩოები მოუწოდებენ მონაცემთა და კონცეფციების გადახრის , ხაზს უსვამენ მიკერძოებას და მონაცემთა ხარისხის რისკებს და რეკომენდაციას უწევენ დოკუმენტაციას, წვდომის კონტროლს და სასიცოცხლო ციკლის მართვას [1].

• კონცეფციის დრიფტი - შემავალ მონაცემებსა და მიზანს შორის ურთიერთობები ვითარდება, ამიტომ გუშინდელი ნიმუშები ხვალინდელი დღის შედეგებს კარგად ვეღარ წინასწარმეტყველებს.

• მოდელის ან მონაცემების დრიფტი - შეყვანის განაწილება იცვლება, სენსორები იცვლება, მომხმარებლის ქცევა იცვლება, მუშაობის ხარისხი იკლებს. აღმოაჩინეთ და იმოქმედეთ.

პრაქტიკული სახელმძღვანელო: წარმოების პროცესში მეტრიკის მონიტორინგი, დრიფტის ტესტების ჩატარება, გადამზადების კადენციის შენარჩუნება და პროგნოზებისა და შედეგების რეგისტრაცია უკუტესტირებისთვის. მარტივი თვალთვალის სტრატეგია ჯობნის რთულ სტრატეგიას, რომელსაც არასდროს იყენებთ.

მარტივი საწყისი სამუშაო პროცესი, რომლის კოპირებაც შეგიძლიათ 📝

1. განსაზღვრეთ გადაწყვეტილება - რას იზამთ პროგნოზით სხვადასხვა ზღურბლზე?

2. მონაცემების შეგროვება - ისტორიული მაგალითების შეგროვება ნათელი შედეგებით.

3. გაყოფილი - მატარებელი, ვალიდაცია და ნამდვილად შემაკავებელი ტესტი.

4. საბაზისო - დაიწყეთ ლოგისტიკური რეგრესიით ან პატარა ხის ანსამბლით. საბაზისო მაჩვენებლები არასასიამოვნო სიმართლეს ამბობს [3].

5. გაუმჯობესება - მახასიათებლების ინჟინერია, ჯვარედინი ვალიდაცია, ფრთხილად რეგულარიზაცია.

6. გაგზავნა - API-ის საბოლოო წერტილი ან პაკეტური დავალება, რომელიც თქვენს სისტემაში პროგნოზებს წერს.

7. Watch - ხარისხის დაფები, დრიფტის სიგნალიზაცია, გადამზადების ტრიგერები [1].

თუ ეს ბევრს ჰგავს, ასეა - მაგრამ ამის გაკეთება ეტაპობრივად შეგიძლიათ. პატარა მოგება ნაზავია.

მონაცემთა ტიპები და მოდელირების ნიმუშები - სწრაფი ნახვები 🧩

• ტაბულური ჩანაწერები - გრადიენტის გამაძლიერებელი და წრფივი მოდელების საშინაო ბაზა [3].

• დროის სერიები - ხშირად სარგებლობენ ტენდენციად/სეზონურობად/ნარჩენებად დაშლით ML-მდე. კლასიკური მეთოდები, როგორიცაა ექსპონენციალური დაგლუვება, ძლიერ საბაზისო ხაზებად რჩება [2].

• ტექსტი, სურათები - ჩასვით რიცხვით ვექტორებში, შემდეგ კი პროგნოზირება ცხრილის მსგავსად.

• გრაფიკები - მომხმარებელთა ქსელები, მოწყობილობების ურთიერთობები - ზოგჯერ გრაფიკული მოდელი გვეხმარება, ზოგჯერ კი ზედმეტი ინჟინერია. იცით, როგორ არის საქმე.

რისკები და დამცავი ბარიერები - რადგან რეალური ცხოვრება არეული და არეულია 🛑

• მიკერძოება და წარმომადგენლობითობა - არასაკმარისად წარმოდგენილი კონტექსტები არათანაბარ შეცდომას იწვევს. დოკუმენტირება და მონიტორინგი [1].

• გაჟონვა - ფუნქციები, რომლებიც შემთხვევით მოიცავს მომავალში ინფორმაციის შხამის დადასტურებას.

• ცრუ კორელაციები - მოდელები მალსახმობებს ეჭიდებიან.

• ზედმეტი მორგება - შესანიშნავია ვარჯიშის დროს, სამწუხაროა წარმოებაში.

• მმართველობა - მემკვიდრეობის, დამტკიცებების და წვდომის კონტროლის თვალყურის დევნება - მოსაწყენი, მაგრამ კრიტიკულია [1].

თუ თვითმფრინავის დასაჯდომად მონაცემებს არ დაეყრდნობით, სესხის გაცემაზე უარის თქმისთვისაც ნუ დაეყრდნობით მათ. ცოტა გადაჭარბებულია, მაგრამ არსი გესმით.

ღრმა ჩაღრმავება: მოძრავი საგნების პროგნოზირება ⏱️

მოთხოვნის, ენერგეტიკული დატვირთვის ან ვებ ტრაფიკის პროგნოზირებისას, დროის სერიებზე აზროვნება მნიშვნელოვანია. მნიშვნელობები დალაგებულია, ამიტომ თქვენ პატივს სცემთ დროით სტრუქტურას. დაიწყეთ სეზონური ტენდენციის დაშლით, სცადეთ ექსპონენციალური დაგლუვება ან ARIMA-ოჯახის საბაზისო ხაზები, შეადარეთ გაძლიერებულ ხეებს, რომლებიც მოიცავს ჩამორჩენილ მახასიათებლებს და კალენდარულ ეფექტებს. მცირე, კარგად მორგებულ საბაზისო ხაზსაც კი შეუძლია აჯობოს თვალშისაცემი მოდელი, როდესაც მონაცემები მწირი ან ხმაურიანია. საინჟინრო სახელმძღვანელოები ნათლად განმარტავენ ამ ფუნდამენტურ პრინციპებს [2].

ხშირად დასმული კითხვების მსგავსი მინი ტერმინოლოგიური ლექსიკონი 💬

• რა არის პროგნოზირებადი ხელოვნური ინტელექტი? მანქანური სწავლება პლუს სტატისტიკა, რომელიც პროგნოზირებს სავარაუდო შედეგებს ისტორიული ნიმუშებიდან. პროგნოზირებადი ანალიტიკის იგივე სულისკვეთება, რომელიც გამოიყენება პროგრამული უზრუნველყოფის სამუშაო პროცესებში [5].

• რით განსხვავდება ის გენერაციული ხელოვნური ინტელექტისგან? შექმნა vs პროგნოზირება. გენერაციული ქმნის ახალ კონტენტს; პროგნოზირებადი აფასებს ალბათობებს ან მნიშვნელობებს [4].

• მჭირდება თუ არა ღრმა სწავლება? ყოველთვის არა. მაღალი ინვესტიციის მომტანი მრავალი გამოყენების შემთხვევა ხეებზე ან წრფივ მოდელებზე მუშაობს. დაიწყეთ მარტივად, შემდეგ კი ესკალაცია [3].

• რაც შეეხება რეგულაციებს ან ჩარჩოებს? რისკების მართვისა და მმართველობისთვის გამოიყენეთ სანდო ჩარჩოები - ისინი ხაზს უსვამენ მიკერძოებას, გადახრას და დოკუმენტაციას [1].

ძალიან გრძელია. არ წამიკითხავს!🎯

პროგნოზირებადი ხელოვნური ინტელექტი საიდუმლო არ არის. ეს არის დისციპლინირებული პრაქტიკა, რომლის დროსაც გუშინდელი დღიდან სწავლობ და დღეს უფრო ჭკვიანურად იმოქმედებ. თუ ინსტრუმენტებს აფასებთ, დაიწყეთ თქვენი გადაწყვეტილებით და არა ალგორითმით. დაადგინეთ საიმედო საწყისი ხაზი, განათავსეთ იქ, სადაც ის ქცევას ცვლის და დაუნდობლად გაზომეთ. და გახსოვდეთ - მოდელები რძესავით ბერდება და არა ღვინო - ამიტომ დაგეგმეთ მონიტორინგი და გადამზადება. ცოტაოდენი თავმდაბლობა დიდ როლს თამაშობს.

ცნობები

1. NIST - ხელოვნური ინტელექტის რისკების მართვის ჩარჩო (AI RMF 1.0). ბმული

2. NIST ITL - საინჟინრო სტატისტიკის სახელმძღვანელო: შესავალი დროითი სერიების ანალიზში. ბმული

3. scikit-learn - ზედამხედველობითი სწავლების მომხმარებლის სახელმძღვანელო. ბმული

4. NIST - ხელოვნური ინტელექტის რისკების მართვის ჩარჩო: გენერაციული ხელოვნური ინტელექტის პროფილი. ბმული

5. INFORMS - ოპერაციული კვლევა და ანალიტიკა (ანალიტიკის ტიპების მიმოხილვა). ბმული

იპოვეთ უახლესი ხელოვნური ინტელექტი ოფიციალურ ხელოვნური ინტელექტის ასისტენტების მაღაზიაში

ჩვენს შესახებ