Predictive AI ni nini?

Utabiri wa AI unasikika kuwa mzuri, lakini wazo ni rahisi: tumia data ya zamani kukisia nini kitatokea baadaye. Kutoka kwa mteja gani anaweza kubadilika hadi wakati mashine inahitaji huduma, ni kuhusu kubadilisha ruwaza za kihistoria kuwa mawimbi ya kutazama mbele. Si uchawi-ni hesabu inayokutana na hali halisi iliyochafuka, yenye mashaka kidogo yenye afya na marudio mengi.

Ifuatayo ni kielezi kinachoweza kueleweka. Ikiwa ulikuja hapa unashangaa Je! Utabiri wa AI ni nini? na kama ni muhimu kwa timu yako, hii itakufanya utoke huh hadi oh-ok kwa muda mmoja.☕️

Makala unayoweza kupenda kusoma baada ya hii:

🔗 Jinsi ya kuingiza AI katika biashara yako
Hatua za vitendo za kuunganisha zana za AI kwa ukuaji bora wa biashara.

🔗 Jinsi ya kutumia AI kuwa na tija zaidi
Gundua mtiririko mzuri wa kazi wa AI ambao huokoa wakati na kuongeza ufanisi.

🔗 Ujuzi wa AI ni nini
Jifunze ujuzi muhimu wa AI muhimu kwa wataalamu walio tayari siku zijazo.

Predictive AI ni nini? Ufafanuzi 🤖

Predictive AI hutumia uchanganuzi wa takwimu na ujifunzaji wa mashine kupata ruwaza katika data ya kihistoria na kutabiri matokeo yanayoweza kutokea-nani ananunua, nini kitashindikana, mahitaji yanapoongezeka. Kwa maneno sahihi zaidi, inachanganya takwimu za awali na algoriti za ML ili kukadiria uwezekano au thamani kuhusu siku za usoni. Roho sawa na uchanganuzi wa utabiri; lebo tofauti, wazo sawa la kutabiri kitakachofuata [5].

Iwapo unapenda marejeleo rasmi, mashirika ya viwango na utabiri wa sura za vitabu vya kiufundi kama kutoa mawimbi (mwenendo, msimu, uunganisho otomatiki) kutoka kwa data iliyoagizwa na wakati ili kutabiri thamani za siku zijazo [2].

Ni Nini Hufanya AI ya Kutabiri Kuwa Muhimu ✅

Jibu fupi: inaendesha maamuzi, sio tu dashibodi. Nzuri hutoka kwa sifa nne :

• Utendaji - ramani ya matokeo kwa hatua zinazofuata: kupitisha, njia, ujumbe, kagua.

• Uwezekano-ufahamu - unapata uwezekano uliorekebishwa, sio mitetemo tu [3].

• Inaweza kurudiwa - mara tu inapotumwa, modeli huendesha kila wakati, kama mfanyakazi mwenzako ambaye halali kamwe.

• Inaweza kupimika - kuinua, usahihi, RMSE-unayoipa jina-mafanikio yanaweza kukadiriwa.

Wacha tuwe waaminifu: wakati AI ya utabiri inafanywa vizuri, inahisi karibu kuchosha. Arifa hufika, kampeni zinajilenga, wapangaji huagiza hesabu mapema. Boring ni nzuri.

Hadithi ya haraka: tumeona timu za soko la kati zikisafirisha muundo mdogo wa kukuza gradient ambao ulipata "hatari ya kuisha siku 7 zijazo" kwa kutumia ucheleweshaji na vipengele vya kalenda. Hakuna nyavu za kina, safisha tu data na futa vizingiti. Ushindi haukuwa mwepesi-ilikuwa simu chache za kinyang'anyiro katika ops.

Utabiri wa AI dhidi ya AI ya Kuzalisha - mgawanyiko wa haraka ⚖️

• AI inayozalisha hutengeneza maandishi mapya ya maudhui, picha, msimbo-kwa kuiga usambazaji wa data na sampuli kutoka kwao [4].

• Utabiri wa AI hutabiri matokeo-kukabiliana na hatari, mahitaji wiki ijayo, uwezekano chaguo-msingi-kwa kukadiria uwezekano wa masharti au thamani kutoka kwa mifumo ya kihistoria [5].

Fikiria uzalishaji kama studio ya ubunifu, na ubashiri kama huduma ya hali ya hewa. Sanduku la zana sawa (ML), malengo tofauti.

Kwa hivyo… AI ya Kutabiri ni nini kwa vitendo? 🔧

1. Kusanya matokeo ya data ya kihistoria unayojali na maingizo ambayo yanaweza kuyafafanua.

2. Vipengele vya mhandisi -geuza data mbichi kuwa ishara muhimu (kucheleweshwa, takwimu zinazozunguka, upachikaji wa maandishi, usimbaji wa kitengo).

3. Funza algoriti zinazolingana na modeli ambazo hujifunza uhusiano kati ya pembejeo na matokeo.

4. Tathmini -thibitisha kwenye data ya kutolipa pesa kwa kutumia vipimo vinavyoonyesha thamani ya biashara.

5. Tumia -tuma ubashiri katika programu yako, mtiririko wa kazi, au mfumo wa arifa.

6. Fuatilia utendakazi wa wimbo, tazama data / dhana drift , na udumishe mafunzo upya/urekebishaji upya. Mifumo inayoongoza inataja kwa uwazi upotovu, upendeleo, na ubora wa data kama hatari zinazoendelea zinazohitaji utawala na ufuatiliaji [1].

Algorithms hutofautiana kutoka kwa miundo ya mstari hadi vikundi vya miti hadi mitandao ya neva. Hati zinazoidhinishwa huweka katalogi ya urejeshaji wa kawaida wa washukiwa, misitu nasibu, kuongeza kasi, na zaidi-pamoja na mabadiliko yaliyofafanuliwa na chaguzi za urekebishaji za uwezekano unapohitaji alama za tabia njema [3].

Vizuizi vya ujenzi - data, lebo na miundo 🧱

• Data - matukio, shughuli, telemetry, kubofya, usomaji wa sensorer. Jedwali zilizopangwa ni za kawaida, lakini maandishi na picha zinaweza kubadilishwa kuwa vipengele vya nambari.

• Lebo - unachotabiri: kununuliwa dhidi ya sivyo, siku hadi kutofaulu, dola za mahitaji.

• Algorithms

  • Uainishaji wakati matokeo ni ya kategoria au la.

  • Rejesha wakati matokeo ni nambari - ni vitengo ngapi vilivyouzwa.

  • Mfululizo wa wakati unapoagiza maadili ya utabiri wa mambo katika wakati wote, ambapo mwenendo na msimu unahitaji matibabu dhahiri [2].

Utabiri wa mfululizo wa saa huongeza msimu na mtindo katika mbinu mchanganyiko kama vile ulainishaji wa hali ya juu au miundo ya familia ya ARIMA ni zana za kawaida ambazo bado zinajisimamia kama msingi pamoja na ML ya kisasa [2].

Kesi za matumizi ya kawaida ambazo husafirishwa 📦

• Mapato na ukuaji

  • Alama ya kuongoza, kuinua ubadilishaji, mapendekezo yaliyobinafsishwa.

• Hatari na kufuata

  • Utambuzi wa ulaghai, hatari ya mkopo, alama za AML, utambuzi wa hitilafu.

• Ugavi na uendeshaji

  • Utabiri wa mahitaji, upangaji wa wafanyikazi, uboreshaji wa hesabu.

• Kuegemea na matengenezo

  • Matengenezo ya utabiri wa kifaa - kitendo kabla ya kushindwa.

• Afya na afya ya umma

  • Bashiri urejeshaji tena, uharaka wa tatu, au mifano ya hatari ya ugonjwa (kwa uthibitisho wa uangalifu na utawala)

Ikiwa umewahi kupata SMS ya "muamala huu inaonekana ya kutiliwa shaka", umekutana na AI ya ubashiri porini.

Jedwali la Kulinganisha - zana za Utabiri wa AI 🧰

Kumbuka: bei ni pana-chanzo wazi ni bure, wingu inategemea matumizi, biashara inatofautiana. Kitu kidogo au mbili zimesalia kwa uhalisia...

Jinsi Predictive AI inalinganishwa na wa maagizo 🧭

Majibu ya kutabiri kile kinachowezekana kutokea . Maagizo yanaenda mbele zaidi- tufanye nini kuhusu hilo , tukichagua vitendo vinavyoboresha matokeo chini ya vikwazo. Jumuiya za kitaalamu hufafanua uchanganuzi elekezi kama kutumia modeli ili kupendekeza vitendo bora, si utabiri tu [5]. Katika mazoezi, utabiri feeds dawa.

Kutathmini miundo - vipimo muhimu 📊

Chagua vipimo vinavyolingana na uamuzi:

• Uainishaji

  • Usahihi wa kuepuka chanya za uwongo wakati arifa ni ghali.

  • Kumbuka ili kupata matukio ya kweli zaidi wakati makosa ni ya gharama kubwa.

  • AUC-ROC ili kulinganisha ubora wa kiwango katika viwango vyote.

• Kurudi nyuma

  • RMSE/MAE kwa ukubwa wa makosa ya jumla.

  • MAPE wakati makosa ya jamaa ni muhimu.

• Utabiri

  • MASE, sMAPE kwa ulinganifu wa mfululizo wa saa.

  • Utoaji wa vipindi vya utabiri-je, bendi zako za kutokuwa na uhakika zina ukweli?

Sheria ya gumba ninayopenda: boresha kipimo ambacho kinalingana na bajeti yako kwa kuwa sio sahihi.

Hali halisi ya utumiaji - kuteleza, kuegemea upande wowote, na ufuatiliaji 🌦️

Mifano hupunguza. Mabadiliko ya data. Mabadiliko ya tabia. Hii sio kushindwa - ni ulimwengu unasonga. Mifumo inayoongoza inahimiza ufuatiliaji unaoendelea wa upotoshwaji wa data na dhana , kuangazia upendeleo na hatari za ubora wa data, na kupendekeza uhifadhi wa nyaraka, vidhibiti vya ufikiaji na usimamizi wa mzunguko wa maisha [1].

• Dhana ya kuteleza - uhusiano kati ya pembejeo na lengo hubadilika, kwa hivyo mifumo ya jana haitabiri tena matokeo ya kesho vizuri.

• Muundo au mteremko wa data - mabadiliko ya usambazaji wa pembejeo, vitambuzi hubadilika, mabadiliko ya tabia ya mtumiaji, kuharibika kwa utendaji. Gundua na uchukue hatua.

Kitabu cha kucheza kinachotumika: fuatilia vipimo katika toleo la umma, fanya majaribio ya kuteleza, dumisha mwako wa kujizoeza upya, na utabiri wa kumbukumbu dhidi ya matokeo ya kujaribu tena. Mbinu rahisi ya kufuatilia inashinda ile ngumu ambayo hujawahi kukimbia.

Mtiririko rahisi wa kuanza unaweza kunakili 📝

1. Fafanua uamuzi - utafanya nini na utabiri katika vizingiti tofauti?

2. Kusanya data - kukusanya mifano ya kihistoria na matokeo wazi.

3. Gawanya - treni, uthibitishaji, na jaribio la kushikilia kabisa.

4. Msingi - anza na urekebishaji wa vifaa au mkusanyiko mdogo wa mti. Misingi husema ukweli usiostarehesha [3].

5. Boresha - uhandisi wa kipengele, uthibitishaji wa msalaba, urekebishaji wa uangalifu.

6. Ship - mwisho wa API au kazi ya kundi ambayo huandika utabiri kwa mfumo wako.

7. Tazama - dashibodi za ubora, kengele za kuteleza, vichochezi vya kujizoeza tena [1].

Ikiwa hiyo inaonekana kama nyingi, ni-lakini unaweza kuifanya kwa hatua. Vidogo vinashinda kiwanja.

Aina za data na miundo ya uundaji - vibonzo vya haraka 🧩

• Rekodi za jedwali - uwanja wa nyumbani wa kukuza gradient na mifano ya mstari [3].

• Mfululizo wa saa - mara nyingi hunufaika kutokana na mtengano kuwa mtindo/msimu/mabaki kabla ya ML. Mbinu za kitamaduni kama vile ulainishaji wa kielelezo hubakia kuwa misingi imara [2].

• Maandishi, picha - kupachikwa kwa vekta za nambari, kisha ubashiri kama jedwali.

• Grafu - mitandao ya wateja, uhusiano wa kifaa-wakati mwingine muundo wa grafu husaidia, wakati mwingine ni uhandisi wa kupita kiasi. Unajua jinsi ilivyo.

Hatari na njia za ulinzi - kwa sababu maisha halisi ni ya fujo 🛑

• Upendeleo na uwakilishi - miktadha ambayo haijawakilishwa kidogo husababisha hitilafu zisizo sawa. Hati na ufuatiliaji [1].

• Uvujaji - vipengele ambavyo vinajumuisha kwa bahati mbaya uthibitishaji wa sumu ya habari ya baadaye.

• Uunganisho wa uwongo - mifano hushikamana na njia za mkato.

• Overfitting - kubwa juu ya mafunzo, huzuni katika uzalishaji.

• Utawala - kufuatilia ukoo, vibali, na udhibiti wa ufikiaji unaochosha lakini muhimu [1].

Ikiwa haungetegemea data kutua ndege, usitegemee kukataa mkopo. Kuzidisha kidogo, lakini unapata roho.

Kupiga mbizi kwa kina: kutabiri mambo yanayosonga ⏱️

Wakati wa kutabiri mahitaji, mzigo wa nishati, au trafiki ya wavuti, ya mfululizo wa saa ni muhimu. Maadili yameagizwa, kwa hiyo unaheshimu muundo wa muda. Anza na mtengano wa mtindo wa msimu, jaribu kulainisha kwa kasi zaidi au misingi ya ARIMA-familia, linganisha na miti iliyoboreshwa inayojumuisha vipengele vilivyochelewa na madoido ya kalenda. Hata msingi mdogo, uliopangwa vizuri unaweza kushinda mfano wa kuvutia wakati data ni nyembamba au yenye kelele. Vitabu vya uhandisi hupitia misingi hii kwa uwazi [2].

FAQ-ish mini faharasa 💬

• Predictive AI ni nini? ML pamoja na takwimu zinazotabiri matokeo yanayoweza kutokea kutoka kwa mifumo ya kihistoria. Roho sawa na uchanganuzi wa ubashiri, unaotumika katika utendakazi wa programu [5].

• Je, ni tofauti gani na AI ya kuzalisha? Uumbaji dhidi ya utabiri. Uzalishaji hutengeneza maudhui mapya; makadirio ya kutabiri uwezekano au maadili [4].

• Je, ninahitaji kujifunza kwa kina? Si mara zote. Kesi nyingi za matumizi ya juu-ROI huendeshwa kwenye miti au mifano ya mstari. Anza rahisi, kisha ongeza kasi [3].

• Vipi kuhusu kanuni au mifumo? Tumia mifumo inayoaminika kwa udhibiti wa hatari na utawala-wanasisitiza upendeleo, kuteleza, na uhifadhi wa hati [1].

Mrefu Sana. Sikusoma!🎯

Utabiri wa AI sio fumbo. Ni mazoezi ya nidhamu ya kujifunza kutoka jana ili kutenda nadhifu leo. Ikiwa unatathmini zana, anza na uamuzi wako, sio kanuni. Weka msingi unaotegemeka, tumia pale inapobadilisha tabia, na upime bila kuchoka. Na kumbuka-miundo ya uzee kama maziwa, sio mvinyo-hivyo panga ufuatiliaji na mafunzo upya. Unyenyekevu kidogo huenda mbali.

Marejeleo

1. NIST - Mfumo wa Usimamizi wa Hatari wa Ujasusi Bandia (AI RMF 1.0). Kiungo

2. NIST ITL - Kitabu cha Takwimu za Uhandisi: Utangulizi wa Uchambuzi wa Msururu wa Muda. Kiungo

3. scikit-learn - Mwongozo wa Mtumiaji wa Kujifunza Unaosimamiwa. Kiungo

4. NIST - Mfumo wa Usimamizi wa Hatari wa AI: Wasifu Unaozalisha wa AI. Kiungo

5. TAARIFA - Utafiti wa Uendeshaji na Uchanganuzi (aina za muhtasari wa uchanganuzi). Kiungo

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

Kuhusu Sisi