Je, AI Inatabiri Mwenendo?

AI inaweza kuona mifumo ambayo jicho uchi halikosi, na kuonyesha ishara zinazoonekana kama kelele mwanzoni. Imefanywa sawa, inabadilisha tabia chafu kuwa uwezo wa kuona mbele - mauzo mwezi ujao, trafiki kesho, yatatokea baadaye robo hii. Imefanywa vibaya, ni kujiamini kwa shrug. Katika mwongozo huu, tutapitia mbinu kamili za jinsi AI Predict Trends, ambapo ushindi hutoka, na jinsi ya kuepuka kudanganywa na chati nzuri. Nitaidumisha, kwa muda mfupi wa mazungumzo ya kweli na kuinua nyusi mara kwa mara 🙃.

Makala unayoweza kupenda kusoma baada ya hii:

🔗 Jinsi ya kupima utendaji wa AI
Vipimo muhimu vya kutathmini usahihi, ufanisi na uaminifu wa mifumo ya AI.

🔗 Jinsi ya kuzungumza na AI
Vidokezo vya vitendo vya kuwasiliana na AI ili kuboresha ubora wa majibu.

🔗 AI inaongoza nini
Ufafanuzi wazi wa jinsi vidokezo huathiri tabia na matokeo ya AI.

🔗 Uwekaji lebo wa data ya AI ni nini
Utangulizi wa kuweka lebo data kwa ufanisi kwa miundo ya mafunzo ya mashine.

Kinachofanya Utabiri Mzuri wa Mwenendo wa AI ✅

Wakati watu wanauliza jinsi AI Predict Trends, kwa kawaida humaanisha: inatabirije kitu ambacho hakina uhakika bado kinajirudia. Utabiri mzuri wa mwelekeo una viungo vichache vya kuchosha-lakini-vyema:

• Takwimu zilizo na ishara - huwezi kufinya juisi ya machungwa kutoka kwa mwamba. Unahitaji maadili ya zamani na muktadha.

• Vipengele vinavyoonyesha hali halisi - msimu, likizo, matangazo, muktadha wa jumla, hata hali ya hewa. Sio zote, ni zile tu zinazosonga sindano yako.

• Miundo inayolingana na saa - mbinu zinazojua wakati ambazo zinaheshimu kuagiza, mapungufu na kuteleza.

• Tathmini inayoangazia uwekaji - majaribio ya nyuma ambayo yanaiga jinsi utakavyotabiri kweli. Hakuna kuchungulia [2].

• Ufuatiliaji wa mabadiliko - ulimwengu unabadilika; mfano wako unapaswa pia [5].

Hiyo ndiyo mifupa. Kilichobaki ni misuli, kano, na kafeini kidogo.

Bomba la Msingi: jinsi AI Inavyotabiri Mitindo kutoka kwa data mbichi hadi utabiri 🧪

1. Kusanya na kuoanisha data
   Lete pamoja mfululizo lengwa pamoja na mawimbi ya kigeni. Vyanzo vya kawaida: katalogi za bidhaa, matumizi ya matangazo, bei, fahirisi za jumla na matukio. Pangilia mihuri ya muda, shughulikia thamani zinazokosekana, sawazisha vitengo. Ni mbaya lakini muhimu.

2. Vipengele vya mhandisi
   Unda lagi, njia za kusongesha, quanties zinazosonga, bendera za siku ya wiki, na viashirio mahususi vya kikoa. Kwa marekebisho ya msimu, wataalamu wengi hutengana mfululizo katika vipengele vya mitindo, msimu na vilivyosalia kabla ya kuunda muundo; Programu ya X-13 ya Ofisi ya Sensa ya Marekani ndiyo marejeleo ya kisheria ya jinsi na kwa nini hii inafanya kazi [1].

3. Chagua familia ya mfano
   Una ndoo tatu kubwa:

• Takwimu za zamani : ARIMA, ETS, state-space/Kalman. Inatafsiriwa na haraka.

• Kujifunza kwa mashine : kuongeza upinde rangi, misitu nasibu yenye vipengele vinavyotambua wakati. Inaweza kunyumbulika katika misururu mingi.

• Kujifunza kwa kina : LSTM, CNN za Muda, Transfoma. Inatumika wakati una data nyingi na muundo changamano.

4. Backtest kwa usahihi
   Uthibitishaji wa Mfululizo wa wakati hutumia asili ya kubadilika ili usiwahi kufanya mazoezi ya siku zijazo huku ukijaribu yaliyopita. Ni tofauti kati ya usahihi wa uaminifu na mawazo matamanio [2].

5. Utabiri, hesabu kutokuwa na uhakika, na uwasilishe
   ubashiri wa Kurejesha kwa vipindi, fuatilia hitilafu, na ujifunze upya huku ulimwengu unavyosogea. Huduma zinazodhibitiwa kwa kawaida ni vipimo vya usahihi wa uso (km, MAPE, WAPE, MASE) na madirisha ya kuweka nyuma nje ya kisanduku, ambayo hurahisisha utawala na dashibodi [3].

Hadithi ya vita vya haraka: katika uzinduzi mmoja, tulitumia siku ya ziada kwenye vipengele vya kalenda (likizo za kanda + bendera za matangazo) na kupunguza makosa ya upeo wa macho zaidi kuliko kubadilisha miundo. Ubora wa kipengele kipya cha mtindo-mandhari utayaona tena.

Jedwali la Kulinganisha: zana zinazosaidia AI Predict Trends 🧰

Isiyo kamili kwa makusudi - meza halisi na quirks chache za kibinadamu.

Ndio, maneno hayana usawa. Hayo ndiyo maisha halisi.

Kipengele cha Uhandisi ambacho hakika husogeza sindano 🧩

Jibu rahisi zaidi la jinsi AI Predict Trends ni hili: tunageuza mfululizo kuwa jedwali la kujifunza linalosimamiwa ambalo hukumbuka wakati. Hatua chache za kwenda:

• Lags & windows : ni pamoja na y[t-1], y[t-7], y[t-28], plus rolling means na std dev. Inakamata kasi na inertia.

• Ishara za msimu : mwezi, wiki, siku ya wiki, saa ya siku. Istilahi nne hupeana mikondo laini ya msimu.

• Kalenda na matukio : likizo, uzinduzi wa bidhaa, mabadiliko ya bei, matangazo. Athari za likizo za mtindo wa nabii ni vipengele vilivyo na vipaumbele.

• Mtengano : toa kijenzi cha msimu na utoe mfano salio wakati ruwaza ni imara; X-13 ni msingi uliojaribiwa vyema kwa hili [1].

• Virejeshi vya nje : hali ya hewa, faharisi za jumla, hakiki za kurasa, maslahi ya utafutaji.

• Vidokezo vya mwingiliano : misalaba rahisi kama promo_flag × siku_ya_wiki. Ni chakavu lakini mara nyingi hufanya kazi.

Ikiwa una misururu mingi inayohusiana-sema maelfu ya SKU-unaweza kukusanya maelezo kote kwa miundo ya daraja au ya kimataifa. Kwa mazoezi, modeli ya kimataifa iliyoimarishwa kwa upinde rangi yenye vipengele vinavyofahamu wakati mara nyingi hupiga ngumi juu ya uzito wake.

Kuchagua Familia za Mfano: ugomvi wa kirafiki 🤼♀️

• ARIMA/ETS
  : zinazoweza kufasirika, haraka, msingi thabiti. Hasara: urekebishaji wa kila mfululizo unaweza kuwa mbaya kwa kiwango. Usanifu wa sehemu otomatiki unaweza kusaidia kufichua maagizo, lakini usitarajie miujiza.

• ya kuongeza gradient
  : hushughulikia vipengele vya jedwali, thabiti hadi mawimbi mchanganyiko, bora kwa mfululizo mwingi unaohusiana. Hasara: ni lazima uwe na vipengele vya wakati vyema na uheshimu sababu.

• ya kujifunza kwa kina
  : hunasa mifumo isiyo ya mstari na misururu. Hasara: njaa ya data, ni ngumu zaidi kutatua. Unapokuwa na muktadha tajiri au historia ndefu, inaweza kung'aa; vinginevyo, ni gari la michezo katika trafiki ya saa-haraka.

• Mseto na vikundi
  Hebu tuwe waaminifu, kuweka msingi wa msimu na nyongeza ya gradient na kuchanganya na LSTM nyepesi ni raha isiyo ya kawaida ya hatia. Nimerudi nyuma kwenye "usafi wa modeli moja" mara nyingi zaidi kuliko ninavyokubali.

Usababishi dhidi ya uwiano: shughulikia kwa uangalifu 🧭

Kwa sababu tu mistari miwili inayumba pamoja haimaanishi kuwa moja inaendesha nyingine. Granger causality hujaribu kama kuongeza kiendeshi mgombea kuboresha utabiri wa lengo, kutokana na historia yake yenyewe. Ni juu ya manufaa ya ubashiri chini ya dhana za kiotomatiki zenye mstari, si sababu za kifalsafa-tofauti fiche lakini muhimu [4].

Katika uzalishaji, bado unakagua na maarifa ya kikoa. Mfano: athari za siku ya wiki ni muhimu kwa rejareja, lakini kuongeza mibofyo ya tangazo la wiki iliyopita kunaweza kuwa ngumu ikiwa matumizi tayari yamo kwenye muundo.

Backtesting & Metrics: ambapo makosa mengi hujificha 🔍

Ili kutathmini jinsi AI Predict Trends kihalisi, iga jinsi utakavyotabiri ukiwa porini:

• Uthibitishaji mtambuka wa asili : fanya mazoezi mara kwa mara juu ya data ya awali na utabiri sehemu inayofuata. Hii inaheshimu mpangilio wa wakati na inazuia uvujaji wa siku zijazo [2].

• Vipimo vya hitilafu : chagua kinacholingana na maamuzi yako. Asilimia ya vipimo kama vile MAPE ni maarufu, lakini vipimo vilivyopimwa (WAPE) au visivyo na kipimo (MASE) mara nyingi hufanya kazi vyema kwa portfolios na jumla [3].

• Vipindi vya utabiri : usitoe tu uhakika. Kuwasiliana na kutokuwa na uhakika. Watendaji mara chache hawapendi safu, lakini wanapenda matukio machache ya kushangaza.

Gotcha ndogo: wakati vipengee vinaweza kuwa sifuri, vipimo vya asilimia huwa vya ajabu. Pendelea hitilafu kamili au zilizokuzwa, au ongeza urekebishaji mdogo-kuwa tu thabiti.

Drift hutokea: kugundua na kubadilika ili kubadilika 🌊

Masoko huhama, mapendeleo yanabadilika, umri wa vihisi. Dhana ya kuteleza ni mshiko-yote wakati uhusiano kati ya pembejeo na lengo unabadilika. Unaweza kufuatilia utelezi ukitumia majaribio ya takwimu, hitilafu za madirisha ya kuteleza, au ukaguzi wa usambazaji wa data. Kisha chagua mkakati: madirisha mafupi ya mafunzo, mafunzo ya mara kwa mara, au miundo inayobadilika ambayo inasasishwa mtandaoni. Tafiti za uga zinaonyesha aina nyingi za drift na sera za urekebishaji; hakuna sera moja inayofaa yote [5].

Kitabu cha kucheza kinachotumika: weka vizingiti vya tahadhari kuhusu hitilafu ya utabiri wa moja kwa moja, jizoeze upya kwa ratiba, na uweke njia msingi tayari. Sio ya kuvutia-inafaa sana.

Ufafanuzi: kufungua kisanduku cheusi bila kukivunja 🔦

Wadau wanauliza kwanini utabiri ulikua juu. Ya kuridhisha. Zana za modeli za ugunduzi kama vile SHAP inahusisha utabiri wa vipengele kwa njia ya kinadharia, kukusaidia kuona kama msimu, bei au hali ya ofa ilisukuma nambari hiyo. Haitathibitisha sababu, lakini inaboresha uaminifu na utatuzi.

Katika majaribio yangu mwenyewe, bendera za msimu na matangazo ya kila wiki huwa na utabiri wa rejareja wa upeo mfupi, huku zile za upeo wa macho zikielekea kwenye proksi kubwa. Maili yako yatatofautiana-ya kupendeza.

Cloud & MLOps: utabiri wa usafirishaji bila mkanda 🚚

Ukipendelea majukwaa yanayosimamiwa:

• Utabiri wa Google Vertex AI unatoa mtiririko wa kazi unaoongozwa wa kumeza mfululizo wa saa, kuendesha utabiri wa AutoML, urejeshaji nyuma, na kupeleka miisho. Pia inacheza vizuri na mrundikano wa data wa kisasa.

• Amazon Forecast inaangazia upelekaji wa kiwango kikubwa, na uthibitishaji sanifu na metrics za usahihi unaweza kuvuta kupitia API, ambayo husaidia na utawala na dashibodi [3].

Njia yoyote inapunguza boilerplate. Weka tu jicho moja kwenye gharama na lingine kwenye ukoo wa data. Macho mawili ni magumu lakini yanawezekana.

Mwelekeo wa Kesi Ndogo: kutoka kwa mibofyo ghafi hadi ishara inayovuma 🧭✨

Hebu fikiria unatabiri kujisajili kila siku kwa programu ya freemium:

1. Data : kuvuta usajili wa kila siku, matumizi ya matangazo kulingana na kituo, kukatika kwa tovuti na kalenda rahisi ya matangazo.

2. Vipengele : ucheleweshaji 1, 7, 14; wastani wa siku 7 za kuzungusha; bendera za siku ya wiki; bendera ya promosheni ya binary; muhula wa msimu wa Fourier; na salio la msimu lililooza ili modeli iangazie sehemu isiyojirudia. Uozo wa msimu ni hatua ya kawaida katika takwimu rasmi jina la kuchosha, faida kubwa [1].

3. Mfano : anza na kirejeshi kilichoimarishwa gradient kama kielelezo cha kimataifa katika jiografia zote.

4. Backtest : asili inayozunguka na mikunjo ya kila wiki. Boresha WAPE kwenye sehemu yako ya msingi ya biashara. Majaribio ya nyuma yanayoheshimu muda hayawezi kujadiliwa kwa matokeo ya kuaminika [2].

5. Eleza : kagua sifa za vipengele kila wiki ili kuona kama bendera ya ofa inafanya chochote zaidi ya kuonekana vizuri kwenye slaidi.

6. Fuatilia : ikiwa athari ya ofa itafifia au mwelekeo wa siku za wiki ukibadilika baada ya mabadiliko ya bidhaa, anzisha mafunzo upya. Drift si mdudu-ni Jumatano [5].

Matokeo: utabiri wa kuaminika wenye bendi za kujiamini, pamoja na dashibodi inayosema ni nini kilihamisha sindano. Mijadala michache, hatua zaidi.

Mitego na Hadithi za Kuepuka Kimya Kidogo 🚧

• Hadithi: vipengele zaidi daima ni bora. Hapana. Vipengele vingi sana visivyo na maana hualika kufaa kupita kiasi. Weka kile kinachosaidia backtest na kupatana na maana ya kikoa.

• Hadithi: nyavu za kina hupiga kila kitu. Wakati mwingine ndiyo, mara nyingi hapana. Ikiwa data ni fupi au yenye kelele, mbinu za kitamaduni hushinda kwa uthabiti na uwazi.

• Shimo: kuvuja. Kuruhusu maelezo ya kesho katika mafunzo ya leo kwa bahati mbaya kutaboresha vipimo vyako na kuadhibu uzalishaji wako [2].

• Shimo: kufukuza desimali ya mwisho. Ikiwa msururu wako wa ugavi ni donge, kubishana kati ya makosa ya asilimia 7.3 na 7.4 ni ukumbi wa michezo. Zingatia vizingiti vya maamuzi.

• Hadithi: sababu kutoka kwa uwiano. Majaribio ya Granger hukagua manufaa ya ubashiri, si ukweli wa kifalsafa-zitumie kama njia za ulinzi, si injili [4].

Orodha ya Utekelezaji unaweza kunakili-kubandika 📋

• Bainisha upeo, viwango vya kujumlisha, na uamuzi utakaosimamia.

• Unda faharasa ya wakati safi, jaza au uripoti mapengo, na ulandanishe data ya kigeni.

• Ufundi umechelewa, takwimu zinazoendelea, alama za msimu, na vipengele vichache vya kikoa unavyoamini.

• Anza na msingi thabiti, kisha rudia muundo changamano zaidi ikihitajika.

• Tumia majaribio ya kurudi nyuma yenye kipimo kinacholingana na biashara yako [2][3].

• Ongeza vipindi vya utabiri - sio hiari.

• Safiri, fuatilia kwa ajili ya kuteleza, na ujifunze upya kwa ratiba pamoja na arifa [5].

Muda Mrefu, Sikuisoma - Maelezo ya Mwisho 💬

Ukweli rahisi kuhusu jinsi AI Predict Trends: haihusu algoriti za kichawi na zaidi kuhusu muundo wenye nidhamu na unaojua wakati. Pata data na vipengele kwa usahihi, tathmini kwa uaminifu, eleza kwa urahisi, na ubadilishe hali halisi inavyobadilika. Ni kama kurekebisha redio yenye vifundo vya mafuta kidogo-ya kutetemeka kidogo, wakati mwingine tuli, lakini wakati stesheni inapoingia, ni wazi kwa kushangaza.

Ukiondoa jambo moja: heshimu wakati, thibitisha kama mtu mwenye shaka, na uendelee kufuatilia. Zingine ni zana tu na ladha.

Marejeleo

1. Ofisi ya Sensa ya Marekani - Programu ya Marekebisho ya Msimu ya X-13ARIMA-SEATS . Kiungo

2. Hyndman & Athanasopoulos - Utabiri: Kanuni na Mazoezi (FPP3), §5.10 Uthibitishaji wa mfululizo wa muda . Kiungo

3. Huduma za Wavuti za Amazon - Kutathmini Usahihi wa Utabiri (Utabiri wa Amazon) . Kiungo

4. Chuo Kikuu cha Houston - Granger Causality (maelezo ya mihadhara) . Kiungo

5. Gama na wenzake. - Utafiti juu ya Urekebishaji wa Dhana ya Drift (toleo la wazi). Kiungo

Pata AI ya Hivi Punde kwenye Duka Rasmi la Msaidizi wa AI

Kuhusu Sisi