AI трендтерді қалай болжайды?

Жасанды интеллект көзге көрінбейтін үлгілерді анықтай алады, алғашқы көзқараста шу сияқты көрінетін сигналдарды пайда етеді. Дұрыс жасалса, ретсіз мінез-құлықты пайдалы болжамға айналдырады - келесі айда сатылым, ертең трафик, осы тоқсанның соңында ағын. Дұрыс жасалмаса, бұл сенімді иығыңыздың қисаюы. Бұл нұсқаулықта біз жасанды интеллекттің трендтерді қалай болжайтынының, жеңістердің қайдан келетінінің және әдемі диаграммаларға алданып қалмауының нақты механикасын қарастырамыз. Мен оны практикалық түрде сақтаймын, бірнеше нақты әңгімелесу сәттері мен кейде қастарыңызды көтерумен 🙃.

Осыдан кейін оқуға болатын мақалалар:

🔗 AI өнімділігін қалай өлшеуге болады
Жасанды интеллект жүйелерінің дәлдігін, тиімділігін және сенімділігін бағалаудың негізгі көрсеткіштері.

🔗 AI-мен қалай сөйлесуге болады
Жауап беру сапасын жақсарту үшін жасанды интеллектпен байланысудың практикалық кеңестері.

🔗 AI не шақырады
Сұраулардың жасанды интеллекттің мінез-құлқы мен өнімділігіне қалай әсер ететінін анық түсіндіру.

🔗 AI деректерін таңбалау дегеніміз не
Машиналық оқыту модельдерін оқыту үшін деректерді тиімді таңбалауға кіріспе.

Жасанды интеллект трендін жақсы болжауға не себеп болады ✅

Адамдар жасанды интеллект трендтерді қалай болжайтынын сұрағанда, олар әдетте мынаны білдіреді: ол белгісіз, бірақ қайталанатын нәрсені қалай болжайды? Жақсы трендті болжау бірнеше скучно, бірақ әдемі ингредиенттерден тұрады:

• Сигналы деректер - тастан апельсин шырынын сығып ала алмайсыз. Өткен мәндер мен контекст қажет.

• Шындықты көрсететін мүмкіндіктер - маусымдық, мерекелер, жарнамалық акциялар, макроконтекст, тіпті ауа райы. Барлығы емес, тек сіздің инеңізді қозғайтындар ғана.

• Сағатқа сәйкес келетін модельдер - реттілікті, олқылықтарды және ауытқуларды ескеретін уақытты ескеретін әдістер.

• Орналастыруды көрсететін бағалау - сіздің шынымен қалай болжайтыныңызды модельдейтін кері сынақтар. Қарап шығудың қажеті жоқ [2].

• Өзгерістерді бақылау - әлем өзгереді; сіздің моделіңіз де өзгеруі керек [5].

Бұл қаңқа. Қалғаны бұлшықет, сіңірлер және аздап кофеин.

Негізгі құбыр: жасанды интеллект шикі деректерден болжамға дейінгі үрдістерді қалай болжайды 🧪

1. Деректерді жинау және туралау
   Мақсатты қатарлар мен экзогендік сигналдарды біріктіріңіз. Әдеттегі дереккөздер: өнім каталогтары, жарнама шығындары, бағалар, макро индекстер және оқиғалар. Уақыт белгілерін туралаңыз, жоқ мәндерді өңдеңіз, бірліктерді стандарттаңыз. Бұл жағымсыз, бірақ маңызды.

2. Инженерлік мүмкіндіктер
   Кешігулерді, жылжымалы құралдарды, қозғалатын квантилдерді, апта күніне арналған жалаушаларды және доменге тән индикаторларды жасаңыз. Маусымдық түзету үшін көптеген мамандар модельдеу алдында серияны трендтік, маусымдық және қалдық компоненттеріне бөледі; АҚШ халық санағы бюросының X-13 бағдарламасы бұл қалай және неге жұмыс істейтіні туралы канондық анықтама болып табылады [1].

3. Үлгі отбасын таңдаңыз
   Сізде үш үлкен шелек бар:

• Классикалық статистика : ARIMA, ETS, күй-кеңістік/Кальман. Түсіндірілетін және жылдам.

• Машиналық оқыту : градиентті күшейту, уақытты ескеретін мүмкіндіктері бар кездейсоқ ормандар. Көптеген сериялар бойынша икемді.

• Терең оқыту : LSTM, уақытша CNN, трансформаторлар. Деректеріңіз көп және құрылымыңыз күрделі болған кезде пайдалы.

4. Дұрыс кері тексеру
   Уақыт қатарларын айқас тексеру өткенді тексерген кезде болашаққа ешқашан жаттығу жасамайтындай етіп, жылжымалы бастапқы нүктені пайдаланады. Бұл шынайы дәлдік пен армандаған ойлаудың айырмашылығы [2].

5. Болжам жасаңыз, белгісіздікті сандық түрде бағалаңыз және
   қайтару болжамдарын аралықпен жіберіңіз, қателерді бақылаңыз және әлем өзгерген сайын қайта оқытыңыз. Басқарылатын қызметтер әдетте дәлдік көрсеткіштерін (мысалы, MAPE, WAPE, MASE) және кері тестілеу терезелерін дайын түрде көрсетеді, бұл басқару мен бақылау тақталарын жеңілдетеді [3].

Қысқаша соғыс оқиғасы: бір іске қосуда біз күнтізбелік мүмкіндіктерге (аймақтық мерекелер + промо-жалаушалар) қосымша бір күн жұмсадық және модельдерді ауыстырудан гөрі ерте кезеңдегі қателіктерді айтарлықтай азайттық. Мүмкіндік сапасы модельдің жаңалығынан асып түсті - сіз тағы да көретін тақырып.

Салыстыру кестесі: жасанды интеллектке трендтерді болжауға көмектесетін құралдар 🧰

Әдейі мінсіз емес - адамға тән бірнеше ерекшеліктері бар нағыз үстел.

Иә, сөз тіркесі біркелкі емес. Бұл шынайы өмір.

Инені шынымен қозғалтатын ерекшелік инженериясы 🧩

Жасанды интеллекттің трендтерді қалай болжайтынына ең қарапайым пайдалы жауап мынада: біз серияны уақытты есте сақтайтын бақыланатын оқу үстеліне айналдырамыз. Бірнеше маңызды қадамдар:

• Кешіктірулер мен терезелер : y[t-1], y[t-7], y[t-28], сондай-ақ айналдыру құралдары мен std dev қамтиды. Ол импульс пен инерцияны көрсетеді.

• Маусымдық сигналдар : ай, апта, апта күні, тәулік сағаты. Фурье мүшелері тегіс маусымдық қисықтарды береді.

• Күнтізбе және іс-шаралар : мерекелер, өнімдердің тұсаукесерлері, бағалардың өзгеруі, акциялар. Пайғамбар стиліндегі мерекелік эффектілер - бұл тек алдыңғы нұсқалары бар мүмкіндіктер.

• Ыдырау : маусымдық компонентті алып тастаңыз және үлгілер күшті болған кезде қалғанын модельдеңіз; X-13 бұл үшін жақсы тексерілген базалық сызық болып табылады [1].

• Сыртқы регрессорлар : ауа райы, макро индекстер, бетті қарау саны, іздеу қызығушылығы.

• Өзара әрекеттесу бойынша кеңестер : promo_flag × day_of_week сияқты қарапайым айқас белгілер. Бұл қиын, бірақ көбінесе жұмыс істейді.

Егер сізде бірнеше байланысты сериялар болса, айталық, мыңдаған SKU-лар болса, сіз олардың арасындағы ақпаратты иерархиялық немесе жаһандық модельдермен біріктіре аласыз. Іс жүзінде, уақытты ескеретін мүмкіндіктері бар жаһандық градиентпен күшейтілген модель көбінесе өз салмағынан асып түседі.

Үлгі отбасыларды таңдау: достық төбелес 🤼♀️

• ARIMA/ETS
  артықшылықтары: түсіндіруге болатын, жылдам, берік базалық сызықтар. Кемшіліктері: серия бойынша баптау масштабта қиын болуы мүмкін. Ішінара автокорреляция тәртіптерді ашуға көмектеседі, бірақ кереметтер күтпеңіз.

• Градиентті күшейту
  Артықшылықтары: кестелік ерекшеліктерді өңдейді, аралас сигналдарға берік, көптеген байланысты сериялармен тамаша жұмыс істейді. Кемшіліктері: уақыт ерекшеліктерін жақсы жобалау және себептілікті құрметтеу керек.

• Терең оқыту
  Артықшылықтары: сызықтық емес және қатараралық үлгілерді түсіреді. Кемшіліктері: деректерге бай, жөндеу қиынырақ. Бай контекст немесе ұзақ тарих болған кезде, ол жарқырай алады; әйтпесе, ол кептеліс кезіндегі спорттық көлікке айналады.

• Гибридті және ансамбльдер
  Шынын айтсам, маусымдық базалық сызықты градиент күшейткішімен біріктіру және жеңіл LSTM-мен араластыру сирек кездесетін кінәлі ләззат. Мен мойындағанымнан гөрі «бір модельдің тазалығынан» бірнеше рет бас тарттым.

Себеп-салдарлық және корреляция: абайлап әрекет етіңіз 🧭

Екі сызықтың бір-біріне тірелуі біреуі екіншісін басқаратынын білдірмейді. Грейнджер себептілік байланысы кандидат драйверді қосу нысанаға болжамды жақсарта ма, жоқ па, соны тексереді, оның өзіндік тарихын ескере отырып. Бұл философиялық себептілік туралы емес, сызықтық авторегрессивті болжамдар кезіндегі болжамды пайдалылық туралы - нәзік, бірақ маңызды айырмашылық [4].

Өндірісте сіз әлі де домендік біліммен ақыл-ойдың дұрыстығын тексересіз. Мысал: жұмыс күнінің әсерлері бөлшек сауда үшін маңызды, бірақ егер шығындар модельде бұрыннан бар болса, өткен аптадағы жарнаманы басу артық болуы мүмкін.

Кері тестілеу және көрсеткіштер: көптеген қателіктер жасырынатын жер 🔍

Жасанды интеллекттің трендтерді қалай шынайы болжайтынын бағалау үшін, табиғатта қалай болжайтыныңызды қайталаңыз:

• Айналмалы бастапқы айқас валидация : алдыңғы деректер бойынша бірнеше рет жаттығу және келесі бөлікті болжау. Бұл уақыт тәртібін сақтайды және болашақта ағып кетудің алдын алады [2].

• Қателік көрсеткіштері : шешімдеріңізге сәйкес келетінін таңдаңыз. MAPE сияқты пайыздық көрсеткіштер танымал, бірақ салмақталған көрсеткіштер (WAPE) немесе масштабталмаған көрсеткіштер (MASE) портфолиолар мен агрегаттар үшін көбінесе жақсырақ жұмыс істейді [3].

• Болжам аралықтары : тек ұпай беріп қана қоймаңыз. Белгісіздік туралы айтыңыз. Басшылар диапазондарды сирек жақсы көреді, бірақ олар тосынсыйларды аз жақсы көреді.

Кішкентай түсініксіз жайт: элементтер нөлге тең болған кезде, пайыздық көрсеткіштер таңқаларлық болып кетеді. Абсолютті немесе масштабталған қателерді қалаймын немесе шағын ауытқуды қосыңыз - тек тұрақты болыңыз.

Дрифт болады: өзгерісті анықтау және бейімделу 🌊

Нарықтардың ауысуы, қалаулардың ауытқуы, сенсорлардың ескіруі. Тұжырымдама ауытқуы - кірістер мен мақсат арасындағы байланыс дамыған кездегі ең маңызды нәрсе. Статистикалық тесттер, сырғымалы терезе қателері немесе деректерді таратуды тексеру арқылы ауытқуды бақылауға болады. Содан кейін стратегияны таңдаңыз: қысқартылған оқыту терезелері, мерзімді қайта даярлау немесе онлайн режимінде жаңартылатын бейімделгіш модельдер. Саладағы сауалнамалар бірнеше ауытқу түрлері мен бейімделу саясатын көрсетеді; бірде-бір саясат барлығына сәйкес келмейді [5].

Практикалық нұсқаулық: нақты болжам қателігі бойынша ескерту шегін орнату, кесте бойынша қайта жаттығу және резервтік базаны дайын ұстау. Керемет емес - өте тиімді.

Түсіндірмелілік: қара жәшікті сындырмай ашу 🔦

Мүдделі тараптар болжамның неліктен жоғарылағанын сұрайды. Ақылға қонымды. SHAP болжамды ерекшеліктерге теориялық тұрғыдан негізделген түрде жатқызады, бұл маусымдықтың, бағаның немесе промо-мәртебенің санды көтергенін көруге көмектеседі. Бұл себепті байланысты дәлелдемейді, бірақ сенімділік пен қателерді түзетуді жақсартады.

Менің жеке сынақтарым бойынша, апталық маусымдық және промо-бағдарлар қысқа мерзімді бөлшек сауда болжамдарында басым болады, ал ұзақ мерзімді болжамдар макропроксилерге қарай ауысады. Сіздің жүрісіңіз жағымды түрде өзгереді.

Бұлт және MLOps: скотчсыз жеткізу болжамдары 🚚

Басқарылатын платформаларды қаласаңыз:

• Google Vertex AI Forecast уақыттық қатарларды қабылдау, AutoML болжамын іске қосу, кері тестілеу және соңғы нүктелерді орналастыру үшін басқарылатын жұмыс процесін ұсынады. Сондай-ақ, ол заманауи деректер стегімен жақсы жұмыс істейді.

• Amazon Forecast кең ауқымды орналастыруға бағытталған, стандартталған кері тестілеу және дәлдік көрсеткіштерін API арқылы алуға болады, бұл басқару мен бақылау тақталарына көмектеседі [3].

Екі тәсіл де стандартты төмендетеді. Бір жағынан шығындарға, екінші жағынан деректер тізбегіне назар аударыңыз. Екі тәсіл де өте қиын, бірақ орындалуы мүмкін.

Шағын кейс бойынша шолу: шикі шертулерден бастап тренд сигналына дейін 🧭✨

Сіз freemium қолданбасына күнделікті тіркелу санын болжап отырсыз деп елестетіп көріңіз:

1. Деректер : күнделікті тіркелулерді, арна бойынша жарнама шығындарын, сайттың жұмыс істемеуін және қарапайым промо-күнтізбені алыңыз.

2. Ерекшеліктері : 1, 7, 14 лагтары; 7 күндік орташа айналмалы мән; апта күнінің жалаушалары; екілік промо жалаушасы; Фурье маусымдық мүшесі; және ыдыраған маусымдық қалдық, сондықтан модель қайталанбайтын бөлікке назар аударады. Маусымдық ыдырау - ресми статистикадағы классикалық қадам, жұмысты жалықтыратын атау, үлкен пайда [1].

3. Модель : барлық географиялық аймақтарда жаһандық модель ретінде градиентпен күшейтілген регрессордан бастаңыз.

4. Артқы тест : апта сайынғы бүктемелермен бастапқы кодты жылжыту. Негізгі бизнес сегментіңізде WAPE-ті оңтайландыру. Сенімді нәтижелер үшін уақытты ескеретін артқы тесттер талқыланбайды [2].

5. Түсіндіріңіз : жарнамалық жалауша слайдтарда керемет көрінуден басқа ештеңе істемейтінін білу үшін мүмкіндік атрибуцияларын апта сайын тексеріп отырыңыз.

6. Бақылау : егер өнім өзгергеннен кейін промо-әсер әлсіресе немесе жұмыс күндері өзгерсе, қайта оқытуды бастаңыз. Дрифт қате емес - бүгін сәрсенбі [5].

Нәтиже: сенімділік белдеулері бар сенімді болжам, сонымен қатар иненің қозғалысын көрсететін бақылау тақтасы. Аз пікірталас, көбірек әрекет.

Тыныш айналып өтуге болатын тұзақтар мен мифтер 🚧

• Миф: мүмкіндіктердің көп болуы әрқашан жақсы. Жоқ. Тым көп маңызды емес мүмкіндіктер шамадан тыс сәйкестендіруге әкеледі. Кері тестілеуге көмектесетін және домендік мағынаға сәйкес келетін нәрсені сақтаңыз.

• Миф: терең желілер бәрін жеңеді. Кейде иә, көбінесе жоқ. Егер деректер қысқа немесе шулы болса, классикалық әдістер тұрақтылық пен ашықтықта жеңіске жетеді.

• Қателік: ағып кету. Ертеңгі ақпаратты бүгінгі жаттығуға кездейсоқ енгізу көрсеткіштеріңізді жақсартады және өндірісіңізді төмендетеді [2].

• Қателік: соңғы ондық бөлшекті қуып жету. Егер жеткізу тізбегіңіз түйіршікті болса, 7,3 және 7,4 пайыз қателік туралы айту - бұл театр. Шешім қабылдау шегіне назар аударыңыз.

• Миф: корреляциядан туындайтын себептілік. Грейнджер тесттері философиялық шындықты емес, болжамдық пайдалылықты тексереді - оларды Інжіл емес, қорғаныс қоршауы ретінде пайдаланыңыз [4].

Көшіріп қоюға болатын іске асыру тізімі 📋

• Көкжиектерді, агрегация деңгейлерін және қабылдайтын шешіміңізді анықтаңыз.

• Таза уақыт индексін құрыңыз, олқылықтарды толтырыңыз немесе белгілеңіз және экзогендік деректерді туралаңыз.

• Қолөнердегі артта қалулар, айналым статистикасы, маусымдық белгілер және сіз сенетін бірнеше домендік мүмкіндіктер.

• Бастапқы деңгейді нақтылап бастаңыз, қажет болса, күрделірек модельге көшіңіз.

• Бизнесіңізге сәйкес келетін метрикамен бірге бастапқы бастапқы тестілерді пайдаланыңыз [2][3].

• Болжау аралықтарын қосу - міндетті емес.

• Кемені кесіп өтіңіз, дрейфті бақылаңыз және кесте бойынша, сондай-ақ ескертулер бойынша қайта оқытыңыз [5].

Тым ұзақ, оқымадым - Қорытынды ескертулер 💬

Жасанды интеллекттің трендтерді қалай болжайтыны туралы қарапайым шындық: бұл сиқырлы алгоритмдер туралы емес, тәртіпті, уақытты ескеретін дизайн туралы. Деректер мен мүмкіндіктерді дұрыс алыңыз, шынайы бағалаңыз, қарапайым түсіндіріңіз және шындық өзгерген сайын бейімделіңіз. Бұл радионы аздап майлы тұтқалармен баптау сияқты - сәл ыңғайсыз, кейде статикалық, бірақ станция қосылғанда, таңқаларлықтай анық болады.

Егер сіз бір нәрсені алып тастасаңыз: уақытты құрметтеу, күмәншіл сияқты тексеру және бақылауды жалғастыру. Қалғаны тек құрал-саймандар мен талғам.

Сілтемелер

1. АҚШ халық санағы бюросы - X-13ARIMA-SEATS маусымдық түзету бағдарламасы . Сілтеме

2. Хайндман және Атанасопулос - Болжау: Қағидаттар және тәжірибе (FPP3), §5.10 Уақыт қатарларының айқаспалы валидациясы . Сілтеме

3. Amazon Web Services - Болжамдық дәлдікті бағалау (Amazon болжамы) . Сілтеме

4. Хьюстон университеті - Грейнджер себептілігі (дәріс жазбалары) . Сілтеме

5. Гама және т.б. - Тұжырымдамалық дрейфке бейімделу бойынша шолу (ашық нұсқа). Сілтеме

Ресми AI көмекші дүкенінен ең соңғы AI-ді табыңыз

Біз туралы