Kas yra nuspėjamasis dirbtinis intelektas?

Nuspėjamasis dirbtinis intelektas skamba įmantriai, bet idėja paprasta: naudoti praeities duomenis, kad atspėtumėte, kas greičiausiai nutiks toliau. Nuo to, kuris klientas gali prarasti savo paslaugas, iki to, kada mašinai reikia aptarnavimo, svarbiausia paversti istorinius modelius į ateitį orientuotais signalais. Tai ne magija – tai matematikos ir painios realybės derinys su šiek tiek sveiko skepticizmo ir daugybe iteracijų.

Žemiau pateikiamas praktinis, lengvai peržvelgiamas paaiškinimas. Jei atėjote čia ir svarstėte, kas yra nuspėjamasis dirbtinis intelektas ir ar jis naudingas jūsų komandai, šis paaiškinimas padės jums vienu prisėdimu suprasti, kas yra „gerai“.☕️

Straipsniai, kuriuos galbūt norėsite perskaityti po šio:

🔗 Kaip integruoti dirbtinį intelektą į savo verslą
Praktiniai žingsniai, kaip integruoti dirbtinio intelekto įrankius išmanesniam verslo augimui.

🔗 Kaip naudoti dirbtinį intelektą, kad būtumėte produktyvesni
Atraskite efektyvius dirbtinio intelekto darbo eigą, kuri taupo laiką ir didina efektyvumą.

🔗 Kas yra dirbtinio intelekto įgūdžiai?
Sužinokite pagrindines dirbtinio intelekto kompetencijas, būtinas ateičiai pasirengusiems specialistams.

Kas yra nuspėjamasis dirbtinis intelektas? Apibrėžimas 🤖

Nuspėjamoji dirbtinio intelekto technologija naudoja statistinę analizę ir mašininį mokymąsi, kad rastų istorinių duomenų modelius ir prognozuotų tikėtinus rezultatus – kas perka, kas nepavyksta, kada išauga paklausa. Tiksliau sakant, ji derina klasikinę statistiką su mašininio mokymosi algoritmais, kad įvertintų artimos ateities tikimybes arba vertes. Ta pati dvasia kaip ir nuspėjamosios analizės; kita etiketė, ta pati ateities prognozavimo idėja [5].

Jei mėgstate oficialias nuorodas, standartų įstaigas ir techninius vadovus, prognozavimą galite apibrėžti kaip signalų (tendencijos, sezoniškumo, autokoreliacijos) išgavimą iš laike sutvarkytų duomenų, siekiant numatyti būsimas vertes [2].

Kuo naudingas nuspėjamasis dirbtinis intelektas ✅

Trumpas atsakymas: tai lemia sprendimus, o ne tik ataskaitų suvestines. Geras poveikis kyla iš keturių savybių:

• Veiksmingumas – rezultatai susiejami su tolesniais veiksmais: patvirtinimas, maršrutas, pranešimas, patikrinimas.

• Tikimybių suvokimas – gaunate sukalibruotas tikimybes, o ne tik vibracijas [3].

• Pasikartojantys – kartą įdiegti modeliai veikia nuolat, tarsi tylus bendradarbis, kuris niekada nemiega.

• Išmatuojamas – sėkmė, tikslumas, vidutinis efektyvumas (RMSE) – visa kita.

Būkime atviri: kai nuspėjamasis dirbtinis intelektas veikia gerai, jis atrodo beveik nuobodus. Atvyksta įspėjimai, kampanijos nusitaiko pačios į save, planuotojai anksčiau užsako atsargas. Nuobodulys yra gražus.

Trumpas anekdotas: matėme, kaip vidutinės rinkos komandos pateikė nedidelį gradiento didinimo modelį, kuris tiesiog įvertino „atsargų trūkumo riziką per ateinančias 7 dienas“, naudodamas vėlavimus ir kalendoriaus funkcijas. Jokių gilių tinklų, tik švarūs duomenys ir aiškios ribos. Pergalė nebuvo staigus – tai buvo mažiau skubių skambučių operacijų metu.

Nuspėjamasis dirbtinis intelektas ir generatyvinis dirbtinis intelektas – trumpas skirtumas ⚖️

• Generatyvusis dirbtinis intelektas kuria naują turinį – tekstą, vaizdus, ​​kodą – modeliuodamas duomenų pasiskirstymą ir imdamas iš jo pavyzdžius [4].

• Nuspėjamasis dirbtinis intelektas prognozuoja rezultatus – klientų praradimo riziką, paklausą kitą savaitę, įsipareigojimų nevykdymo tikimybę – įvertindamas sąlygines tikimybes arba vertes pagal istorinius modelius [5].

Įsivaizduokite generatyvųjį mąstymą kaip kūrybinę studiją, o nuspėjamąjį – kaip orų prognozavimo paslaugą. Tas pats įrankių rinkinys (ML), skirtingi tikslai.

Taigi… kas praktiškai yra nuspėjamasis dirbtinis intelektas? 🔧

1. Surinkite paženklintus istorinius duomenis – rezultatus, kurie jums rūpi, ir duomenis, kurie galėtų juos paaiškinti.

2. Inžinerinės funkcijos – neapdorotus duomenis paverskite naudingais signalais (vėlavimai, slenkanti statistika, teksto įterpimai, kategoriniai kodavimai).

3. Apmokyti modeliui tinkančius algoritmus, kurie mokosi ryšių tarp įvesties duomenų ir rezultatų.

4. Įvertinkite ir patvirtinkite riboto naudojimo duomenis naudodami rodiklius, kurie atspindi verslo vertę.

5. Įdiekite ir siųskite prognozes į savo programą, darbo eigą arba įspėjimų sistemą.

6. Stebėkite našumą, stebėkite duomenų / koncepcijos poslinkį ir palaikykite perkvalifikavimą / pakartotinį kalibravimą. Pirmaujančios sistemos aiškiai įvardija poslinkį, šališkumą ir duomenų kokybę kaip nuolatines rizikas, kurioms reikalingas valdymas ir stebėjimas [1].

Algoritmai yra labai įvairūs – nuo ​​tiesinių modelių iki medžių ansamblių ir neuroninių tinklų. Autoritetingi dokumentai kataloguoja įprastus įtartinus modelius – logistinę regresiją, atsitiktinius miškus, gradiento stiprinimą ir kt. – su paaiškintais kompromisais ir tikimybių kalibravimo parinktimis, kai reikia gerai veikiančių balų [3].

Statybiniai blokai – duomenys, etiketės ir modeliai 🧱

• Duomenys – įvykiai, operacijos, telemetrija, paspaudimai, jutiklių rodmenys. Struktūrizuotos lentelės yra įprastos, tačiau tekstą ir vaizdus galima konvertuoti į skaitines funkcijas.

• Etiketės – ką prognozuojate: įsigyta ar neįpirkta, dienos iki gedimo, paklausos vertė doleriais.

• Algoritmai

  • Klasifikavimas, kai rezultatas yra kategorinis klientų praradimas arba ne.

  • Regresija, kai rezultatas yra skaitinis – kiek vienetų parduota.

  • Laiko eilutės, kai tvarka svarbi – verčių prognozavimas laikui bėgant, kai tendencija ir sezoniškumas reikalauja aiškaus paaiškinimo [2].

Laiko eilučių prognozavimas prideda sezoniškumą ir tendencijas prie mišrių metodų, tokių kaip eksponentinis išlyginimas arba ARIMA šeimos modeliai, kurie yra klasikiniai įrankiai, kurie vis dar išlieka pagrindiniais lygiais su šiuolaikine mašinine mokymusi [2].

Įprasti naudojimo atvejai, kai iš tikrųjų siunčiama 📦

• Pajamos ir augimas

  • Potencialių klientų vertinimas, konversijų didinimas, suasmenintos rekomendacijos.

• Rizika ir atitiktis

  • Sukčiavimo aptikimas, kredito rizika, AML žymos, anomalijų aptikimas.

• Tiekimas ir operacijos

  • Paklausos prognozavimas, darbo jėgos planavimas, atsargų optimizavimas.

• Patikimumas ir priežiūra

  • Numatomoji įrangos priežiūra – imkitės veiksmų prieš gedimą.

• Sveikatos priežiūra ir visuomenės sveikata

  • Numatyti pakartotinį hospitalizavimą, skubų triažo poreikį arba ligų rizikos modelius (atidžiau patvirtinant ir valdant)

Jei kada nors gavote SMS žinutę su pranešimu „ši operacija atrodo įtartina“, esate susidūrę su nuspėjamuoju dirbtiniu intelektu.

Palyginimo lentelė – nuspėjamojo dirbtinio intelekto įrankiai 🧰

Pastaba: kainos yra bendros – atvirojo kodo paslaugos yra nemokamos, debesijos paslaugos priklauso nuo naudojimo, o įmonių kainos skiriasi. Paliekama viena ar dvi mažytės ypatybės, kad būtų realistiškiau..

Kuo nuspėjamasis dirbtinis intelektas skiriasi nuo norminės analizės 🧭

Prognozavimas atsako į tai, kas greičiausiai nutiks . Preskriptyvumas eina toliau – ką turėtume daryti , pasirinkdami veiksmus, kurie optimizuoja rezultatus esant apribojimams. Profesinės draugijos preskriptyviąją analizę apibrėžia kaip modelių, o ne tik prognozių, naudojimą optimaliems veiksmams rekomenduoti [5]. Praktiškai prognozavimas papildo receptą.

Modelių vertinimas – svarbūs rodikliai 📊

Pasirinkite sprendimą atitinkančius rodiklius:

• Klasifikacija

  • Tikslumas, siekiant išvengti klaidingų teigiamų rezultatų, kai įspėjimai yra brangūs.

  • Prisiminkite , kad užfiksuotumėte daugiau tikrų įvykių, kai praleidimai yra brangūs.

  • AUC-ROC , siekiant palyginti rango kokybę tarp slenksčių.

• Regresija

  • RMSE/MAE bendram paklaidos dydžiui.

  • MAPE, kai santykinės paklaidos yra svarbios.

• Prognozavimas

  • MASE, sMAPE laiko eilučių palyginimui.

  • Prognozių intervalų aprėptis

Man patinka nykščio taisyklė: optimizuokite rodiklį, kuris atitinka jūsų biudžetą, kad jis nebūtų klaidingas.

Diegimo realybė – poslinkis, šališkumas ir stebėsena 🌦️

Modeliai degraduoja. Duomenys keičiasi. Elgesys keičiasi. Tai ne nesėkmė – tai judantis pasaulis. Pirmaujančios sistemos ragina nuolat stebėti duomenų ir koncepcijų dreifą , pabrėžia šališkumą ir duomenų kokybės riziką bei rekomenduoja dokumentaciją, prieigos kontrolę ir gyvavimo ciklo valdymą [1].

• Koncepcijos poslinkis – ryšiai tarp įvesties duomenų ir tikslo kinta, todėl vakarykščiai modeliai nebespėja gerai rytojaus rezultatų.

• Modelio arba duomenų dreifas – įvesties pasiskirstymo poslinkis, jutiklių kaita, naudotojų elgesio pokyčiai, našumo sumažėjimas. Aptikti ir imtis veiksmų.

Praktinis vadovas: stebėkite metriką gamyboje, atlikite dreifo testus, palaikykite perkvalifikavimo ritmą ir registruokite prognozes bei rezultatus, kad galėtumėte atlikti praeities testavimą. Paprasta stebėjimo strategija pranoksta sudėtingą, kurios niekada netaikote.

Paprastas pradedančiųjų darbo eigos pratimas, kurį galite nukopijuoti 📝

1. Apibrėžkite sprendimą – ką darysite su prognoze esant skirtingoms riboms?

2. Surinkite duomenis – rinkite istorinius pavyzdžius su aiškiais rezultatais.

3. Padalijimas – mokymas, patvirtinimas ir tikrasis išlaikymo testas.

4. Pradinė padėtis – pradėkite nuo logistinės regresijos arba nedidelio medžių ansamblio. Pradinės padėties duomenys atskleidžia nepatogias tiesas [3].

5. Tobulinti – funkcijų inžinerija, kryžminis patvirtinimas, kruopštus reguliavimas.

6. „Ship“ – API galinis taškas arba paketinė užduotis, kuri įrašo prognozes į jūsų sistemą.

7. Stebėjimas – kokybės, poslinkio signalizacijų, perkvalifikavimo trigerių ataskaitų suvestinės [1].

Jei tai skamba daug, tai ir yra daug – bet galite tai daryti etapais. Mažas skaičius laimi sudėtinį skaičių.

Duomenų tipai ir modeliavimo modeliai – trumpi apžvalgos 🧩

• Lentelių formos įrašai – gradiento stiprinimo ir tiesinių modelių pagrindas [3].

• Laiko eilutės – dažnai naudingiau yra suskaidyti į tendencijas / sezoniškumą / liekanas prieš mašininį mokymąsi. Klasikiniai metodai, tokie kaip eksponentinis išlyginimas, išlieka stipriomis bazinėmis linijomis [2].

• Tekstas, vaizdai – įterpti į skaitmeninius vektorius, tada numatyti kaip lentelinė sistema.

• Grafikai – klientų tinklai, įrenginių ryšiai – kartais grafų modelis padeda, kartais – per daug sudėtingas. Žinote, kaip būna.

Rizika ir apsauginiai turėklai – nes tikras gyvenimas yra chaotiškas 🛑

• Šališkumas ir reprezentatyvumas – nepakankamai reprezentuoti kontekstai lemia netolygią paklaidą. Dokumentuokite ir stebėkite [1].

• Nutekėjimas – funkcijos, kurios netyčia įtraukia būsimo informacijos užkrėtimo patvirtinimą.

• Neteisingos koreliacijos – modeliai laikosi trumpesnių kelių.

• Per didelis pritaikymas – puikus treniruočių metu, neigiamas gamyboje.

• Valdymas – kilmės stebėjimas, patvirtinimai ir prieigos kontrolė – nuobodus, bet labai svarbus [1].

Jei nesiremtumėte duomenimis, norėdami nusileisti lėktuvui, nesiremkite jais ir atsisakydami paskolos. Šiek tiek perdėta, bet supratote esmę.

Gilusis nardymas: judančių dalykų prognozavimas ⏱️

Prognozuojant paklausą, energijos apkrovą ar interneto srautą, laiko eilučių mąstymas. Vertės yra išdėstytos pagal tvarką, todėl atsižvelgiama į laiko struktūrą. Pradėkite nuo sezoninių tendencijų skaidymo, išbandykite eksponentinį išlyginimą arba ARIMA šeimos bazines linijas, palyginkite su padidintais medžiais, kuriuose yra atsilikimo požymių ir kalendoriaus efektų. Net maža, gerai suderinta bazinė linija gali pranokti blizgantį modelį, kai duomenys yra reti arba triukšmingi. Inžinerijos vadovėliuose aiškiai aprašomi šie pagrindai [2].

DUK tipo mini žodynėlis 💬

• Kas yra nuspėjamasis dirbtinis intelektas? ML ir statistika, kuri prognozuoja tikėtinus rezultatus pagal istorinius modelius. Ta pati idėja kaip ir nuspėjamosios analizės, taikoma programinės įrangos darbo eigose [5].

• Kuo jis skiriasi nuo generatyvinio dirbtinio intelekto? Kūrimas ir prognozavimas. Generatyvusis sukuria naują turinį; prognozinisis įvertina tikimybes arba vertes [4].

• Ar man reikia gilaus mokymosi? Ne visada. Daugelis didelės investicijų grąžos naudojimo atvejų taikomi medžiams arba linijiniams modeliams. Pradėkite nuo paprastų dalykų, o tada pereikite prie didesnių [3].

• O kaip dėl reglamentų ar sistemų? Naudokite patikimas rizikos valdymo ir valdymo sistemas – jose pabrėžiamas šališkumas, nukrypimai ir dokumentavimas [1].

Per ilga. Neskaičiau! 🎯

Nuspėjamasis dirbtinis intelektas nėra paslaptingas. Tai drausminga praktika mokytis iš vakar dienos, kad šiandien elgtumėmės protingiau. Jei vertinate įrankius, pradėkite nuo savo sprendimo, o ne nuo algoritmo. Nustatykite patikimą bazinį lygį, pritaikykite jį ten, kur jis keičia elgseną, ir negailestingai matuokite. Ir atminkite – modeliai sensta kaip pienas, o ne vynas – todėl planuokite stebėjimą ir perkvalifikavimą. Truputis nuolankumo labai padeda.

Nuorodos

1. NIST – Dirbtinio intelekto rizikos valdymo sistema (AI RMF 1.0). Nuoroda

2. NIST ITL – Inžinerinės statistikos vadovas: Įvadas į laiko eilučių analizę. Nuoroda

3. „scikit-learn“ – prižiūrimo mokymosi naudotojo vadovas. Nuoroda

4. NIST – dirbtinio intelekto rizikos valdymo sistema: generatyvinis dirbtinio intelekto profilis. Nuoroda

5. INFORMS – Operacijų tyrimai ir analitika (analitikos tipų apžvalga). Nuoroda

Raskite naujausią dirbtinį intelektą oficialioje dirbtinio intelekto asistentų parduotuvėje

Apie mus