Mis on ennustav tehisintellekt?

Ennustav tehisintellekt kõlab uhkelt, aga idee on lihtne: kasutada varasemaid andmeid, et ennustada, mis tõenäoliselt edasi juhtub. Alates sellest, milline klient võib kliendist loobuda, kuni hetkeni, mil masin vajab hooldust, on tegemist ajalooliste mustrite muutmisega tulevikku suunatud signaalideks. See pole maagia – see on matemaatika kohtumine segase reaalsusega, vähese tervisliku skeptitsismi ja paljude iteratsioonidega.

Allpool on praktiline ja hõlpsasti loetav selgitus. Kui tulite siia mõtlema, mis on ennustav tehisintellekt ja kas see on teie meeskonnale kasulik, siis see aitab teil ühe istumisega „aha”-st „okei”-ni jõuda.☕️

Artiklid, mida võiksite pärast seda lugeda:

🔗 Kuidas tehisintellekti oma ettevõttesse integreerida
Praktilised sammud tehisintellekti tööriistade integreerimiseks nutikama ärikasvu saavutamiseks.

🔗 Kuidas tehisintellekti abil produktiivsem olla
Avastage tõhusad tehisintellektiga seotud töövood, mis säästavad aega ja suurendavad tõhusust.

🔗 Mis on tehisintellekti oskused
Õpi tulevikuks valmis spetsialistidele olulisi tehisintellekti võtmepädevusi.

Mis on ennustav tehisintellekt? Definitsioon 🤖

Ennustav tehisintellekt kasutab statistilist analüüsi ja masinõpet, et leida ajaloolistes andmetes mustreid ja prognoosida tõenäolisi tulemusi – kes ostab, mis ebaõnnestub, millal nõudlus järsult suureneb. Veidi täpsemalt öeldes ühendab see klassikalise statistika masinõppe algoritmidega, et hinnata lähituleviku tõenäosusi või väärtusi. Sama vaim mis ennustaval analüütikal; erinev silt, sama idee edasiste sündmuste prognoosimiseks [5].

Kui teile meeldivad ametlikud viited, standardiorganisatsioonid ja tehnilised käsiraamatud, siis käsitlege prognoosimist kui signaalide (trend, hooajalisus, autokorrelatsioon) eraldamist ajaliselt järjestatud andmetest tulevaste väärtuste ennustamiseks [2].

Mis teeb ennustava tehisintellekti kasulikuks ✅

Lühike vastus: see suunab otsuseid, mitte ainult armatuurlaudu. Hea külg tuleneb neljast omadusest:

• Teostatavus – väljundid viitavad järgmistele sammudele: kinnitamine, marsruutimine, sõnumi saatmine, kontrollimine.

• Tõenäosusteadlik – saate kalibreeritud tõenäosusi, mitte ainult vibratsioone [3].

• Korduvkasutatavus – kui mudelid on juurutatud, töötavad need pidevalt, nagu vaikne kolleeg, kes kunagi ei maga.

• Mõõdetav – edu, täpsus, RMSE – kõik, mida vaja – edu on kvantifitseeritav.

Olgem ausad: kui ennustav tehisintellekt on hästi teostatud, tundub see peaaegu igav. Märguanded saabuvad, kampaaniad seavad sihikule iseennast, planeerijad tellivad inventari varem. Igavus on ilus.

Kiire anekdoot: oleme näinud keskmise suurusega meeskondi pakkumas pisikest gradienti suurendavat mudelit, mis lihtsalt hindas „järgmise 7 päeva laoseisu riski“, kasutades viivitusi ja kalendrifunktsioone. Sügavaid võrke polnud, lihtsalt puhtad andmed ja selged läviväärtused. Võit ei olnud välk – see oli vähem segamini kõnesid operatsioonides.

Ennustav tehisintellekt vs. genereeriv tehisintellekt – kiire jaotus ⚖️

• Generatiivne tehisintellekt loob uut sisu – teksti, pilte, koodi – andmejaotuste modelleerimise ja nendest valimite võtmise teel [4].

• Ennustav tehisintellekt prognoosib tulemusi – klientide lahkumise riski, järgmise nädala nõudlust ja maksejõuetuse tõenäosust –, hinnates tingimuslikke tõenäosusi või väärtusi ajalooliste mustrite põhjal [5].

Mõtle generatiivsest kui loomingulisest stuudiost ja ennustavast kui ilmateenusest. Sama tööriistakast (ML), erinevad eesmärgid.

Niisiis… mis on ennustav tehisintellekt praktikas? 🔧

1. Koguge sildistatud ajaloolisi andmeid – tulemusi, mis teid huvitavad, ja sisendeid, mis neid selgitada võivad.

2. Insenerifunktsioonid – muuda toorandmed kasulikeks signaalideks (mahajäämused, jooksvad statistikad, teksti manustamised, kategoorilised kodeeringud).

3. Treeni mudelile vastavaid algoritme, mis õpivad sisendite ja tulemuste vahelisi seoseid.

4. Hinnake ja valideerige ooteandmeid mõõdikutega, mis kajastavad ettevõtte väärtust.

5. Juurutage ja saatke ennustusi oma rakendusse, töövoogu või hoiatussüsteemi.

6. Jälgige toimivust, jälgige andmete / kontseptsiooni triivi ning hallake ümberõpet/kalibreerimist. Juhtivad raamistikud nimetavad triivi, eelarvamusi ja andmete kvaliteeti selgesõnaliselt pidevateks riskideks, mis vajavad juhtimist ja jälgimist [1].

Algoritmid ulatuvad lineaarsetest mudelitest puude ansambliteni ja närvivõrkudeni. Usaldusväärsed dokumendid kataloogivad tavapäraseid kahtlusaluseid – logistilist regressiooni, juhuslikke metsi, gradiendi võimendamist ja palju muud –, selgitades kompromisse ja pakkudes tõenäosuse kalibreerimise võimalusi, kui vajate hästi käituvaid tulemusi [3].

Ehitusplokid - andmed, sildid ja mudelid 🧱

• Andmed – sündmused, tehingud, telemeetria, klikid, andurite näidud. Struktureeritud tabelid on levinud, kuid teksti ja pilte saab teisendada numbrilisteks tunnusteks.

• Sildid – mida te ennustate: ostetud vs mitteostetud, päevade arv ebaõnnestumiseni, nõudluse maht dollarites.

• Algoritmid

  • Klassifikatsioon selle põhjal, kas tulemus on kategooriline klientide lahkuminek või mitte.

  • Regressioon , kui tulemus on numbriline – müüdud ühikute arv.

  • Ajaseeriad , kus järjekord loeb – väärtuste prognoosimine ajas, kus trend ja hooajalisus vajavad selgesõnalist käsitlemist [2].

Ajaseeria prognoosimine lisab segameetoditele hooajalisust ja trendi, näiteks eksponentsiaalne silumine või ARIMA-perekonna mudelid on klassikalised tööriistad, mis sobivad endiselt tänapäevase masinõppe kõrval alusandmetena [2].

Levinumad kasutusjuhud, mis tegelikult kohale toimetavad 📦

• Tulud ja kasv

  • Müügivihjete hindamine, konversioonide suurendamine, isikupärastatud soovitused.

• Risk ja vastavus

  • Pettuste avastamine, krediidirisk, rahapesuvastased märgid, anomaaliate avastamine.

• Varustus ja toimingud

  • Nõudluse prognoosimine, tööjõu planeerimine, varude optimeerimine.

• Töökindlus ja hooldus

  • Seadmete ennetav hooldus – tegutse enne riket.

• Tervishoid ja rahvatervis

  • Ennustada uuesti haiglasse sattumist, kiireloomulisust või haigusriski mudeleid (hoolika valideerimise ja juhtimise abil)

Kui oled kunagi saanud SMS-i teatega „see tehing tundub kahtlane”, oled ennustava tehisintellektiga päriselus kokku puutunud.

Võrdlustabel - ennustava tehisintellekti tööriistad 🧰

Märkus: hinnad on üldised – avatud lähtekoodiga tarkvara on tasuta, pilvepõhine tarkvara on kasutuspõhine, ettevõtted varieeruvad. Realismi huvides on jäetud sisse väike iseärasus...

Kuidas ennustav tehisintellekt võrdub ettekirjutava analüütikaga 🧭

Prediktiivne analüütika vastab küsimusele, mis tõenäoliselt juhtub . Preskriptiivne analüütika läheb kaugemale – mida me peaksime sellega ette võtma , valides tegevusi, mis optimeerivad tulemusi piirangute korral. Kutseühingud defineerivad preskriptiivset analüütikat kui mudelite kasutamist optimaalsete tegevuste soovitamiseks, mitte ainult prognooside [5]. Praktikas toetab ennustamine ettekirjutust.

Mudelite hindamine – olulised mõõdikud 📊

Valige otsusele vastavad mõõdikud:

• Klassifikatsioon

  • Täpsus valepositiivsete tulemuste vältimiseks, kui hoiatused on kallid.

  • Tuletage meelde, et tabada rohkem tõelisi sündmusi, kui möödalaskmised on kulukad.

  • AUC-ROC , et võrrelda edetabeli kvaliteeti läviväärtuste lõikes.

• Regressioon

  • RMSE/MAE üldise vea suurusjärgu jaoks.

  • MAPE, kui suhtelised vead on olulised.

• Prognoosimine

  • Ajaseeria võrreldavuse tagamiseks MASE ja sMAPE

  • Ennustusintervallide katvus

Rusikareegel, mis mulle meeldib: optimeerige vale mõõdik see, mis on teie eelarvega kooskõlas.

Juurutamise reaalsus – triiv, eelarvamused ja jälgimine 🌦️

Mudelid halvenevad. Andmed nihkuvad. Käitumine muutub. See ei ole läbikukkumine – see on maailma liikumine. Juhtivad raamistikud nõuavad andmete ja kontseptsioonide nihkumise , toovad esile eelarvamusi ja andmete kvaliteedi riske ning soovitavad dokumentatsiooni, juurdepääsu kontrolli ja elutsükli haldamist [1].

• Kontseptsiooni triiv – sisendite ja eesmärgi vahelised seosed arenevad, mistõttu eilsed mustrid ei ennusta enam homseid tulemusi kuigi hästi.

• Mudeli või andmete triiv – sisendjaotuse nihkumine, andurite muutumine, kasutajakäitumise muutumine, jõudluse langus. Tuvasta ja tegutse.

Praktiline käsiraamat: jälgige mõõdikuid tootmises, käivitage triiviteste, hoidke ümberõpperütmi ja logige ennustused vs tulemused tagasiulatuvaks testimiseks. Lihtne jälgimisstrateegia on parem kui keeruline, mida te kunagi ei kasuta.

Lihtne algajate töövoog, mida saad kopeerida 📝

1. Määratle otsus – mida sa ennustusega erinevatel läviväärtustel teed?

2. Koguge andmeid – koguge selgete tulemustega ajaloolisi näiteid.

3. Jagamine - treenimine, valideerimine ja tõeline läbilöögitest.

4. Baasjoon – alusta logistilise regressiooni või väikese puuansambliga. Baasjooned näitavad ebamugavaid tõdesid [3].

5. Täiustamine - tunnuste kavandamine, ristvalideerimine, hoolikas regulariseerimine.

6. Saatmine – API lõpp-punkt või pakktöö, mis kirjutab teie süsteemi ennustused.

7. Jälgige – kvaliteedi, triivihäirete ja ümberõppe päästikute armatuurlauad [1].

Kui see kõlab palju, siis see ongi palju – aga sa saad seda teha etappide kaupa. Pisike võidab liitmängu.

Andmetüübid ja modelleerimismustrid - kiire ülevaade 🧩

• Tabelipõhised kirjed - gradiendi võimendamise ja lineaarsete mudelite koduväljak [3].

• Ajaseeriad – sageli on kasulik enne masinõppe meetodi kasutamist trendiks/hooajalisuseks/jääkideks jaotamine. Klassikalised meetodid, näiteks eksponentsiaalne silumine, jäävad tugevateks baasjoonteks [2].

• Tekst, pildid – manustage numbrilistele vektoritele ja ennustage seejärel nagu tabelina.

• Graafikud – kliendivõrgustikud, seadmetevahelised seosed – mõnikord aitab graafimudel, mõnikord on see üleprojekteeritud. Tead küll, kuidas see on.

Riskid ja piirded - sest päris elu on räpane 🛑

• Eelarvamused ja representatiivsus – alaesindatud kontekstid põhjustavad ebaühtlast viga. Dokumenteerige ja jälgige [1].

• Leke – funktsioonid, mis kogemata sisaldavad tulevase teabe mürgistuse valideerimist.

• Valekorrelatsioonid – mudelid klammerduvad otseteede külge.

• Ülesõppimine - suurepärane treeningul, kurb tootmises.

• Juhtimine – päritolu jälgimine, kinnitused ja juurdepääsu kontroll – igav, aga kriitilise tähtsusega [1].

Kui sa ei toetuks lennuki maandumisel andmetele, siis ära toetu neile ka laenu tagasilükkamisel. Väike liialdus, aga sa said aru, miks.

Süvaanalüüs: liikuvate asjade prognoosimine ⏱️

Nõudluse, energiakoormuse või veebiliikluse prognoosimisel aegridade mõtlemine oluline. Väärtused on järjestatud, nii et austate ajalist struktuuri. Alustage hooajaliste trendide dekompositsiooniga, proovige eksponentsiaalset silumist või ARIMA-perekonna baasjooni, võrrelge võimendatud puudega, mis hõlmavad mahajäänud tunnuseid ja kalendriefekte. Isegi väike, hästi häälestatud baasjoon võib edestada efektset mudelit, kui andmed on õhukesed või mürased. Insenerikäsiraamatud käsitlevad neid põhitõdesid selgelt [2].

KKK-laadne minisõnastik 💬

• Mis on ennustav tehisintellekt? Konkreetne masinõpe koos statistikaga, mis ennustab ajalooliste mustrite põhjal tõenäolisi tulemusi. Sama põhimõte nagu ennustaval analüütikal, mida rakendatakse tarkvara töövoogudes [5].

• Mille poolest see erineb generatiivsest tehisintellektist? Loomine vs prognoosimine. Generatiivne loob uut sisu; ennustav hindab tõenäosusi või väärtusi [4].

• Kas mul on vaja süvaõpet? Mitte alati. Paljud kõrge investeeringutasuvusega kasutusjuhud põhinevad puudel või lineaarsetel mudelitel. Alusta lihtsalt ja seejärel suurenda [3].

• Aga kuidas on lood regulatsioonide või raamistikega? Kasutage riskijuhtimise ja juhtimise jaoks usaldusväärseid raamistikke – need rõhutavad eelarvamusi, kõrvalekaldeid ja dokumenteerimist [1].

Liiga pikk. Ei lugenud!🎯

Ennustav tehisintellekt ei ole müstiline. See on distsiplineeritud praktika, mille käigus õpitakse eilsest, et täna targemini tegutseda. Tööriistade hindamisel alustage oma otsusest, mitte algoritmist. Looge usaldusväärne baasjoon, rakendage see seal, kus see käitumist muudab, ja mõõtke järeleandmatult. Ja pidage meeles – mudelid vananevad nagu piim, mitte vein –, seega planeerige jälgimist ja ümberõpet. Natuke alandlikkust on oluline.

Viited

1. NIST - tehisintellekti riskijuhtimise raamistik (AI RMF 1.0). Link

2. NIST ITL - Inseneri statistika käsiraamat: Sissejuhatus aegridade analüüsi. Link

3. scikit-learn - Juhendatud õppe kasutusjuhend. Link

4. NIST - tehisintellekti riskijuhtimise raamistik: generatiivne tehisintellekti profiil. Link

5. INFORMS - Operatsioonide uurimine ja analüüs (analüüsi tüüpide ülevaade). Link

Leia uusim tehisintellekt ametlikust tehisintellekti abilise poest

Meist