Kuidas tehisintellekt trende ennustab?

Tehisintellekt suudab märgata mustreid, mida palja silm ei märka, tuues esile signaale, mis esmapilgul näevad välja nagu müra. Õigesti tehes muudab see segase käitumise kasulikuks ettenägelikkuseks – müük järgmisel kuul, liiklus homme, klientide lahkumine selle kvartali lõpus. Valesti tehes on see enesekindel õlakehitus. Selles juhendis vaatame täpselt, kuidas tehisintellekt ennustab trende, kust tulevad võidud ja kuidas vältida ilusate graafikute petmist. Jään asja praktiliseks, lisades paar otsekohest hetke ja aeg-ajalt ka kulmukergituse 🙃.

Artiklid, mida võiksite pärast seda lugeda:

🔗 Kuidas tehisintellekti jõudlust mõõta
Tehisintellekti süsteemide täpsuse, tõhususe ja usaldusväärsuse hindamise peamised mõõdikud.

🔗 Kuidas tehisintellektiga rääkida
Praktilised näpunäited tehisintellektiga suhtlemiseks vastuste kvaliteedi parandamiseks.

🔗 Mis on tehisintellekti prompt?
Selge selgitus selle kohta, kuidas küsimused mõjutavad tehisintellekti käitumist ja väljundit.

🔗 Mis on tehisintellekti andmete märgistamine?
Sissejuhatus andmete efektiivsesse sildistamisse masinõppe mudelite treenimiseks.

Mis teeb tehisintellektist hea trendiennustuse ✅

Kui inimesed küsivad, kuidas tehisintellekt trende ennustab, peavad nad tavaliselt silmas, kuidas see ennustab midagi ebakindlat, kuid korduvat. Heal trendiennustusel on paar igavat, aga ilusat koostisosa:

• Signaaliga andmed – apelsinimahla ei saa kivist välja pigistada. Vaja on varasemaid väärtusi ja konteksti.

• Reaalsust peegeldavad omadused – hooajalisus, pühad, sooduspakkumised, makrokontekst, isegi ilm. Mitte kõik, vaid need, mis su tähelepanu suunavad.

• Kellaajaga sobivad mudelid – ajateadlikud meetodid, mis austavad järjekorda, lünki ja triivi.

• Hindamine, mis peegeldab juurutamist – tagasiulatuvad testid, mis simuleerivad tegelikku ennustust. Piilumist pole vaja [2].

• Muutuste jälgimine – maailm muutub; teie mudel peaks samamoodi muutuma [5].

See on skelett. Ülejäänu on lihased, kõõlused ja natuke kofeiini.

Põhikanal: kuidas tehisintellekt ennustab trende toorandmete põhjal prognoosiks 🧪

1. Andmete kogumine ja joondamine
   . Sihtjada ja eksogeensete signaalide kokkuviimine. Tüüpilised allikad: tootekataloogid, reklaamikulud, hinnad, makroindeksid ja sündmused. Ajatemplite joondamine, puuduvate väärtuste käsitlemine, ühikute standardiseerimine. See on küll ebaglamuurne, aga kriitilise tähtsusega.

2. Insenerifunktsioonid
   Loo mahajäämused, libisevad keskmised, liikuvad kvantiilid, nädalapäeva märgid ja valdkonnapõhised indikaatorid. Hooajaliseks korrigeerimiseks lagundavad paljud praktikud enne modelleerimist aegrea trendi-, hooaja- ja jäägikomponentideks; USA rahvaloendusbüroo X-13 programm on kanooniline viide selle toimimise kohta [1].

3. Vali mudelperekond.
   Sul on kolm suurt valikut:

• Klassikaline statistika : ARIMA, ETS, olekuruum/Kalman. Tõlgendatav ja kiire.

• Masinõpe : gradiendi võimendamine, ajatundlike funktsioonidega juhuslikud metsad. Paindlik paljude seeriate puhul.

• Süvaõpe : LSTM, ajalised CNN-id, transformaatorid. Kasulik, kui on palju andmeid ja keerukas struktuur.

4. Õige tagasiulatuva
   saab ajaseeriaid ristvalideerida, kasutades jooksvat päritolu, nii et mineviku testimisel ei pea kunagi tulevikku treenima. See ongi erinevus ausa täpsuse ja soovmõtlemise vahel [2].

5. Prognoosige, kvantifitseerige ebakindlust ja saatke
   tagastusprognoosid intervallidega, jälgige vigu ja koolitage ümber vastavalt maailma muutumisele. Hallatud teenused toovad sageli esile täpsusmõõdikud (nt MAPE, WAPE, MASE) ja tagasiulatuva testimise aknad koheselt, mis muudab juhtimise ja armatuurlauad lihtsamaks [3].

Kiire sõjalugu: ühe turuletoomise käigus pühendasime kalendrifunktsioonidele (piirkondlikud pühad + promolipud) lisapäeva ja vähendasime varajase horisondi vigu märgatavalt rohkem kui mudelite vahetamist. Funktsioonide kvaliteet edestas mudeli uudsust – teema, mida te uuesti näete.

Võrdlustabel: tööriistad, mis aitavad tehisintellektil trende ennustada 🧰

Ebatäiuslik meelega - päris laud mõne inimliku iseärasusega.

Jah, sõnastus on ebaühtlane. See on päris elu.

Funktsioonitehnika, mis tegelikult muudab muutusi 🧩

Lihtsaim ja kasulik vastus küsimusele, kuidas tehisintellekt trende ennustab, on järgmine: me muudame seeria juhendatud õppetabeliks, mis mäletab aega. Mõned praktilised nipid:

• Mahajäämused ja aknad : hõlmavad y[t-1], y[t-7], y[t-28], pluss veeremiskeskmised ja standardhälbe. See hõlmab impulssi ja inertsi.

• Hooajalisuse signaalid : kuu, nädal, nädalapäev, tund. Fourier' terminid annavad sujuvad hooajalised kõverad.

• Kalender ja sündmused : pühad, tooteesitlused, hinnamuutused, pakkumised. Prohveti stiilis pühadeefektid on lihtsalt funktsioonid, millel on eelnevad funktsioonid.

• Dekompositsioon : lahuta hooajaline komponent ja modelleeri ülejäänud osa, kui mustrid on tugevad; X-13 on selleks hästi testitud lähtetase [1].

• Välised regressorid : ilm, makroindeksid, lehevaatamised, otsinguhuvi.

• Interaktsioonivihjed : lihtsad ristid, näiteks promo_flag × day_of_week. See on küll kohmakas, aga toimib tihti.

Kui teil on mitu omavahel seotud seeriat – näiteks tuhandeid SKU-sid –, saate nende kohta teavet koondada hierarhiliste või globaalsete mudelite abil. Praktikas on globaalne gradiendiga võimendatud mudel ajatundlike funktsioonidega sageli üle oma kaalu.

Näidisperede valimine: sõbralik kaklus 🤼♀️

• ARIMA/ETS
  plussid: tõlgendatavad, kiired ja kindlad baasjooned. Miinused: seeriapõhine häälestamine võib mastaabis keeruliseks muutuda. Osaline autokorrelatsioon aitab järjestusi paljastada, kuid ärge oodake imesid.

• Gradiendi võimendamine
  Plussid: käsitleb tabelina esinevaid tunnuseid, vastupidav segatud signaalidele, suurepärane paljude seotud seeriatega. Miinused: ajatunnuseid tuleb hästi kavandada ja põhjuslikkust arvestada.

• Süvaõpe
  Plussid: tabab mittelineaarsust ja seeriatevahelisi mustreid. Miinused: andmenõudlik, keerulisem siluda. Kui sul on rikas kontekst või pikk ajalugu, võib see särada; muidu on see tipptunni liikluses sportauto.

• Hübriid ja ansamblid
  Olgem ausad, hooajalise baastooni täiendamine gradientvärviga ja kerge LSTM-iga segamine on üsna tavaline süümepiinade moodi nauding. Olen „ühe mudeli puhtuse“ omast rohkem kordi taganenud, kui ma tunnistan.

Põhjuslikkus vs korrelatsioon: käsitle ettevaatlikult 🧭

See, et kaks joont koos sihivad, ei tähenda, et üks mõjutab teist. Grangeri põhjuslikkus testib, kas potentsiaalse mõjutaja lisamine parandab sihtmärgi ennustust, arvestades selle enda ajalugu. See puudutab ennustavat kasulikkust lineaarsete autoregressiivsete eelduste korral, mitte filosoofilist põhjuslikkust – peen, kuid oluline erinevus [4].

Tootmises kontrollitakse endiselt valdkonna tundmise põhjal mõistlikkust. Näide: nädalapäevade mõjud on jaemüügi puhul olulised, kuid eelmise nädala reklaamiklikkide lisamine võib olla üleliigne, kui kulutus on juba mudelis sees.

Tagasiulatuv testimine ja mõõdikud: kus enamik vigu peitub 🔍

Selleks, et hinnata, kuidas tehisintellekt realistlikult trende ennustab, jäljendage oma tegelikku prognoosimist:

• Jooksva päritoluga ristvalideerimine : korduvalt varasemate andmete põhjal treenimine ja järgmise osa ennustamine. See austab ajalist järjekorda ja hoiab ära edasised lekked [2].

• Veamõõdikud : vali oma otsustele sobivad. Protsendimõõdikud, näiteks MAPE, on populaarsed, kuid kaalutud (WAPE) või skaalavabad (MASE) mõõdikud toimivad portfellide ja agregaatide puhul sageli paremini [3].

• Ennustusintervallid : ära anna lihtsalt punkti. Anna edasi ebakindlust. Juhid armastavad harva vahemikke, aga nad armastavad ka vähem üllatusi.

Väike nüanss: kui üksused võivad olla nullid, muutuvad protsentuaalsed mõõdikud veidraks. Eelista absoluutseid või skaleeritud vigu või lisa väike nihe – ole lihtsalt järjepidev.

Triiv toimub: muutuste tuvastamine ja nendega kohanemine 🌊

Turud nihkuvad, eelistused nihkuvad, andurid vananevad. Kontseptsiooni nihe on üldine näitaja, mis kirjeldab sisendite ja eesmärgi vahelise seose arengut. Nihet saab jälgida statistiliste testide, libiseva akna vigade või andmete jaotuse kontrollide abil. Seejärel valige strateegia: lühemad treeningaknad, perioodiline ümberõpe või adaptiivsed mudelid, mis uuenevad võrgus. Valdkonna uuringud näitavad mitut tüüpi nihkeid ja kohanemispoliitikaid; ükski poliitika ei sobi kõigile [5].

Praktiline juhend: määrake reaalajas prognoosi vea korral häirekünnised, õppige ajakava alusel ümber ja hoidke varuvariandi baasjoon valmis. Pole glamuurne, aga väga tõhus.

Seletatavus: musta kasti avamine seda lõhkumata 🔦

Sidusrühmad küsivad, miks prognoos tõusis. Mõistlik. Mudeli-agnostilised tööriistad, näiteks SHAP, omistavad ennustuse teoreetiliselt põhjendatud viisil omadustele, aidates teil näha, kas hooajalisus, hind või sooduspakkumiste olek mõjutasid numbrit. See ei tõesta põhjuslikku seost, kuid parandab usaldust ja veaotsingut.

Minu enda testides kipuvad lühiajalistes jaemüügiprognoosides domineerima iganädalane hooajalisus ja sooduspakkumised, samas kui pikaajalistes prognoosides kaldutakse makromajanduslike näitajate poole. Teie tulemus varieerub – meeldivalt.

Pilve- ja MLOps-teenused: saatmisprognoosid ilma teibita 🚚

Kui eelistate hallatud platvorme:

• Google Vertex AI Forecast pakub juhendatud töövoogu aegridade sisestamiseks, AutoML-prognooside käitamiseks, tagasiulatuvalt testimiseks ja lõpp-punktide juurutamiseks. See sobib hästi ka moodsa andmevirnaga.

• Amazon Forecast keskendub laiaulatuslikule juurutamisele, kasutades standardiseeritud tagasiulatuvaid teste ja täpsusmõõdikuid, mida saab API kaudu hankida, mis aitab juhtimise ja juhtpaneelide [3] puhul.

Mõlemad variandid vähendavad standardset lähenemist. Lihtsalt üks silm peal peab olema kuludel ja teine ​​andmete päritolul. Kaks silma peal – keeruline, aga teostatav.

Minijuhtumi ülevaade: toorklikkidest trendisignaalini 🧭✨

Kujutame ette, et prognoosite tasuta rakenduse igapäevaseid registreerumisi:

1. Andmed : kuva igapäevased registreerumised, reklaamikulud kanalite kaupa, saidi katkestused ja lihtne reklaamikalender.

2. Omadused : mahajäämused 1, 7, 14; 7-päevane libisev keskmine; nädalapäeva märgid; binaarne promo märgis; Fourier' hooajaline termin; ja dekompositsioonitud hooajaline jääk, seega mudel keskendub mittekorduvale osale. Hooajaline dekompositsioon on ametlikus statistikas klassikaline käik – töömahukas nimi, suur tasu [1].

3. Mudel : alustage gradiendiga võimendatud regressoriga globaalse mudelina kõigis geograafilistes piirkondades.

4. Tagasiulatuv test : jooksev päritolu iganädalaste murdudega. Optimeerige WAPE-i oma peamise ärisegmendi jaoks. Ajaliselt korrektsed tagasiulatuvad testid ei ole usaldusväärsete tulemuste saamiseks tingitavad [2].

5. Selgitus : kontrollige igal nädalal funktsioonide omistamist, et näha, kas reklaamilipp teeb slaididel midagi muud peale selle, et see lahe välja näeb.

6. Jälgimine : kui reklaami mõju väheneb või nädalapäevade mustrid pärast tootemuudatust muutuvad, käivitage ümberõpe. Triiv ei ole viga – see on kolmapäev [5].

Väljund: usaldusväärne prognoos koos usaldusvahemikega ja juhtpaneel, mis näitab, mis muutusi põhjustas. Vähem arutelusid, rohkem tegusid.

Lõksud ja müüdid, millest vaikselt mööda hiilida 🚧

• Müüt: rohkem funktsioone on alati parem. Ei. Liiga palju ebaolulisi funktsioone soodustab üleliigset sobitamist. Säilita need, mis aitavad tagasiulatuvalt testida ja on kooskõlas domeeni mõttega.

• Müüt: süvavõrgud võidavad kõike. Mõnikord jah, sageli ei. Kui andmeid on vähe või need on mürarikkad, võidavad klassikalised meetodid stabiilsuse ja läbipaistvuse poolest.

• Lõks: leke. Homse info kogemata tänasesse treeningusse lisamine kahjustab teie mõõdikuid ja kahjustab teie tootlikkust [2].

• Lõks: viimase kümnendkoha tagaajamine. Kui teie tarneahel on tükiline, on 7,3–7,4-protsendilise veamäära vahel vaidlemine teatraalne. Keskenduge otsustuslävedele.

• Müüt: põhjuslik seos korrelatsioonist. Grangeri testid kontrollivad ennustavat kasulikkust, mitte filosoofilist tõesust – kasutage neid piirete, mitte õpetussõnadena [4].

Rakendamise kontroll-leht, mida saab kopeerida ja kleepida 📋

• Määrake silmapiirid, koondamistasemed ja otsus, mida te juhite.

• Looge puhas ajaindeks, täitke või märgistage lüngad ja ühtlustage eksogeenseid andmeid.

• Käsitöö mahajäämused, jooksvad statistikad, hooajalised lipud ja vähesed domeenifunktsioonid, mida usaldate.

• Alusta tugevast lähtejoonest ja vajadusel liigu keerukama mudeli juurde.

• Kasutage jooksva päritoluga tagasiulatuvaid teste mõõdikuga, mis sobib teie ettevõttega [2][3].

• Lisage ennustusintervallid – pole valikuline.

• Saatmine, triivi jälgimine ja ümberõpetamine vastavalt ajakavale ja teadetele [5].

Liiga pikk, ma ei lugenud seda - lõppsõnad 💬

Lihtne tõde tehisintellekti trendide ennustamise kohta: see ei puuduta niivõrd maagilisi algoritme kuivõrd distsiplineeritud ja ajatundlikku disaini. Hankige õiged andmed ja funktsioonid, hinnake ausalt, selgitage lihtsalt ja kohandage reaalsuse muutudes. See on nagu raadio häälestamine kergelt rasvaste nuppudega – veidi kohmakas, kohati staatiline, aga kui jaam tuleb, on see üllatavalt selge.

Kui te ühe asja kõrvale jätate: austage aega, valideerige nagu skeptik ja jälgige pidevalt. Ülejäänu on lihtsalt tööriistad ja maitse-eelistused.

Viited

1. USA rahvaloendusamet - X-13ARIMA-SEATS hooajalise korrigeerimise programm . Link

2. Hyndman ja Athanasopoulos - Prognoosimine: põhimõtted ja praktika (FPP3), §5.10 Ajaseeriate ristvalideerimine . Link

3. Amazon Web Services – ennustaja täpsuse hindamine (Amazon Forecast) . Link

4. Houstoni Ülikool - Grangeri põhjuslikkus (loengukonspekt) . Link

5. Gama jt - Kontseptsioonimuutuste kohanemise uuring (avatud versioon). Link

Leia uusim tehisintellekt ametlikust tehisintellekti abilise poest

Meist