Што е предикативна вештачка интелигенција?

Предвидливата вештачка интелигенција звучи фантастично, но идејата е едноставна: користете минати податоци за да претпоставите што веројатно ќе се случи следно. Од тоа кој клиент би можел да се откаже до кога на машината ѝ е потребен сервис, станува збор за претворање на историските обрасци во сигнали насочени кон иднината. Не е магија - туку математика што се среќава со хаотичната реалност, со малку здрав скептицизам и многу итерации.

Подолу е практичен, лесен за преглед објаснување. Ако дојдовте овде прашувајќи се што е предикативна вештачка интелигенција? и дали е корисна за вашиот тим, ова ќе ве одведе од „што е во ред“ до „ох“ со едно седење.☕️

Статии што можеби ќе ве интересираат по оваа:

🔗 Како да ја вклучите вештачката интелигенција во вашиот бизнис
Практични чекори за интегрирање на алатки за вештачка интелигенција за попаметен раст на бизнисот.

🔗 Како да користите вештачка интелигенција за да бидете попродуктивни
Откријте ефикасни работни процеси со вештачка интелигенција кои заштедуваат време и ја зголемуваат ефикасноста.

🔗 Што се вештини за вештачка интелигенција
Научете ги клучните компетенции за вештачка интелигенција кои се неопходни за професионалци подготвени за иднината.

Што е предикативна вештачка интелигенција? Дефиниција 🤖

Предикативната вештачка интелигенција користи статистичка анализа и машинско учење за да пронајде шеми во историските податоци и да ги предвиди веројатните исходи - кој купува, што не успева, кога побарувачката се зголемува. Малку попрецизно, таа ги спојува класичните статистики со алгоритмите за машинско учење за да ги процени веројатностите или вредностите во блиската иднина. Ист дух како и предикативната аналитика; различна етикета, иста идеја за предвидување на она што следува [5].

Ако сакате формални референци, телата за стандардизација и техничките прирачници го толкуваат предвидувањето како извлекување сигнали (тренд, сезонност, автокорелација) од временски подредени податоци за да се предвидат идните вредности [2].

Што ја прави предикативната вештачка интелигенција корисна ✅

Краток одговор: тоа ги движи одлуките, а не само контролните табли. Доброто доаѓа од четири особини:

• Акционерност - прикажува мапа за следните чекори: одобрување, насочување, порака, проверка.

• Веројатносно свесен - добивате калибрирани веројатности, а не само вибрации [3].

• Повторливи - откако ќе се распоредат, моделите работат постојано, како тивок колега кој никогаш не спие.

• Мерливо - лифт, прецизност, RMSE - што и да посакате - успехот е квантифицирачки.

Да бидеме искрени: кога предикативната вештачка интелигенција е добро изведена, се чувствува речиси здодевно. Пристигнуваат известувања, кампањите се таргетираат себеси, планерите нарачуваат залихи порано. Досадното е убаво.

Кратка анегдота: видовме тимови од среден пазар како испорачуваат мал модел со зголемување на градиентот кој едноставно го оценува „ризикот од недостиг на залихи во следните 7 дена“ користејќи заостанувања и функции на календарот. Без длабоки мрежи, само чисти податоци и јасни прагови. Победата не беше моментална - туку помалку непредвидливи повици во операциите.

Предвидувачка вештачка интелигенција наспроти генеративна вештачка интелигенција - брзата поделба ⚖️

• Генеративната вештачка интелигенција создава нова содржина - текст, слики, код - преку моделирање на дистрибуцијата на податоци и земање примероци од нив [4].

• Предвидливата вештачка интелигенција ги предвидува резултатите - ризик од одлив, побарувачка следната недела, веројатност за неплаќање - преку проценка на условните веројатности или вредности од историските шеми [5].

Замислете го генеративното како креативно студио, а предвидливото како услуга за временска прогноза. Иста алатка (ML), различни цели.

Значи… што е предикативна вештачка интелигенција во пракса? 🔧

1. Соберете етикетирани историски податоци - резултати што ви се важни и влезните податоци што би можеле да ги објаснат.

2. Инженерски карактеристики - претворање на суровите податоци во корисни сигнали (заостанувања, статистики за движење, вградувања на текст, категорично кодирање).

3. Обучете алгоритми за прилагодување на моделот кои учат врски помеѓу влезните податоци и резултатите.

4. Евалуирајте - потврдете ги задржаните податоци со метрики што ја одразуваат деловната вредност.

5. Распоредување - испраќање предвидувања во вашата апликација, работен тек или систем за известување.

6. Следење - следење на перформансите, следење на од податоци / концепти и одржување на преквалификација/рекалибрација. Водечките рамки експлицитно ги наведуваат отстапувањата, пристрасноста и квалитетот на податоците како тековни ризици што бараат управување и следење [1].

Алгоритмите се движат од линеарни модели до ансамбли од дрвја и невронски мрежи. Авторитетните документи ги каталогизираат вообичаените осомничени - логистичка регресија, случајни шуми, зголемување на градиентот и друго - со објаснети компромиси и опции за калибрација на веројатноста кога ви се потребни добро одбрани резултати [3].

Градежните блокови - податоци, етикети и модели 🧱

• Податоци - настани, трансакции, телеметрија, кликови, сензорски отчитувања. Структурираните табели се вообичаени, но текстот и сликите можат да се конвертираат во нумерички елементи.

• Ознаки - што предвидувате: купено наспроти некупено, денови до неуспех, долари побарувачка.

• Алгоритми

  • Класификација кога исходот е категорично-одлив или не.

  • Регресија кога резултатот е нумерички - колку единици се продадени.

  • Временски серии кога редоследот е важен - предвидување на вредностите низ времето, каде што трендот и сезонското влијание бараат експлицитен третман [2].

Прогнозирањето на временски серии додава сезонност и тренд во методите на мешање како што се експоненцијалното измазнување или моделите на семејството ARIMA, кои се класични алатки кои сè уште се користат како основни линии заедно со современото ML [2].

Чести случаи на употреба што всушност се испорачуваат 📦

• Приход и раст

  • Бодување на потенцијални клиенти, зголемување на конверзијата, персонализирани препораки.

• Ризик и усогласеност

  • Детекција на измами, кредитен ризик, знамиња за спречување перење пари, откривање на аномалии.

• Снабдување и операции

  • Прогнозирање на побарувачката, планирање на работната сила, оптимизација на залихите.

• Сигурност и одржување

  • Предвидувачко одржување на опремата - дејствувајте пред дефект.

• Здравствена заштита и јавно здравје

  • Предвидете ги повторните приеми, итноста при тријажа или моделите на ризик од болести (со внимателна валидација и управување)

Ако некогаш сте добиле СМС-порака со порака „оваа трансакција изгледа сомнително“, тогаш сте сретнале предикативна вештачка интелигенција во дивината.

Табела за споредба - алатки за предикативна вештачка интелигенција 🧰

Забелешка: цените се општи - отворениот код е бесплатен, облакот е базиран на употреба, претпријатијата се разликуваат. Малку или две необичности се оставени за реализам…

Како предикативната вештачка интелигенција се споредува со прескриптивната аналитика 🧭

Предвидливото одговара на тоа што е веројатно да се случи . Прескриптивното оди понатаму - што треба да направиме во врска со тоа , избирајќи активности што ги оптимизираат резултатите под ограничувања. Професионалните здруженија ја дефинираат прескриптивната аналитика како користење модели за препорачување оптимални активности, а не само прогнози [5]. Во пракса, предвидувањето го поттикнува рецептот.

Евалуација на модели - метрики кои се важни 📊

Изберете метрики што одговараат на одлуката:

• Класификација

  • Прецизност за да се избегнат лажно позитивни резултати кога предупредувањата се скапи.

  • Потсетете се да фатите повеќе вистински настани кога промашувањата чинат скапо.

  • AUC-ROC за споредување на квалитетот на рангирањето низ праговите.

• Регресија

  • RMSE/MAE за вкупната големина на грешката.

  • MAPE кога релативните грешки се важни.

• Прогнозирање

  • MASE, sMAPE за споредливост на временски серии.

  • Покриеност за интервали на предвидување - дали вашите опсези на неизвесност всушност содржат вистина?

Едно правило што ми се допаѓа: оптимизирајте ја метриката што се совпаѓа со вашиот буџет за да не биде погрешна.

Реалност на распоредувањето - отстапување, пристрасност и следење 🌦️

Моделите се деградираат. Промени во податоците. Промени во однесувањето. Ова не е неуспех - светот се движи. Водечките рамки бараат континуирано следење на отстапувањата од податоците и отстапувањата од концептите , ги истакнуваат пристрасностите и ризиците од квалитетот на податоците и препорачуваат документација, контрола на пристапот и управување со животниот циклус [1].

• Поместување на концептите - односите помеѓу влезните податоци и целта еволуираат, така што вчерашните обрасци повеќе не ги предвидуваат добро утрешните исходи.

• Промена на моделот или податоците - распределбата на влезните податоци се менува, сензорите се менуваат, однесувањето на корисниците се менува, перформансите се намалуваат. Детектирајте и дејствувајте.

Практичен прирачник: следете ги метриките во продукцијата, спроведувајте тестови за дрифт, одржувајте каденца за преквалификација и евидентирајте ги предвидувањата наспроти резултатите за тестирање наназад. Едноставна стратегија за следење е подобра од комплицирана стратегија што никогаш не ја користите.

Едноставен почетен работен тек што можете да го копирате 📝

1. Дефинирајте ја одлуката - што ќе правите со предвидувањето при различни прагови?

2. Соберете податоци - собирајте историски примери со јасни исходи.

3. Сплит - воз, валидација и вистински тест за задржување.

4. Основна состојба - започнете со логистичка регресија или мал ансамбл од дрвја. Основните вредности кажуваат непријатни вистини [3].

5. Подобрување - инженерство на карактеристики, вкрстена валидација, внимателна регуларизација.

6. Испорака - крајна точка на API или групна задача што запишува предвидувања на вашиот систем.

7. Набљудување - контролни табли за квалитет, аларми за поместување, активирања за преквалификација [1].

Ако тоа звучи како многу, така е - но можете да го направите тоа во фази. Мали победи се комбинираат.

Типови на податоци и шеми на моделирање - брзи прегледи 🧩

• Табеларни записи - основа за модели со градиентно засилување и линеарни модели [3].

• Временски серии - често имаат корист од распаѓање на трендови/сезонски вредности/остатоци пред ML. Класичните методи како експоненцијалното измазнување остануваат силни основни линии [2].

• Текст, слики - вградување во нумерички вектори, потоа предвидување како табеларно.

• Графикони - мрежи на клиенти, односи меѓу уредите - понекогаш графичкиот модел помага, понекогаш е претерано инженерско. Знаете како е.

Ризици и заштитни огради - затоа што реалниот живот е неуреден 🛑

• Пристрасност и репрезентативност - недоволно застапените контексти водат до нееднаква грешка. Документирајте и следете [1].

• Протекување - карактеристики кои случајно вклучуваат идна валидација на информациите.

• Лажни корелации - моделите се закачуваат за кратенки.

• Претерување - одлично за тренинг, тажно во производство.

• Управување - следење на потеклото, одобренијата и контролата на пристапот - здодевно, но критично [1].

Ако не би се потпирале на податоците за слетување на авион, не се потпирајте на нив за да одбиете заем. Малку претерување, но го разбирате духот.

Длабоко нурнување: предвидување на нештата што се движат ⏱️

При предвидување на побарувачката, енергетското оптоварување или веб сообраќајот, за временски серии е важно. Вредностите се подредени, така што се почитува временската структура. Започнете со декомпозиција на сезонски трендови, обидете се со експоненцијално измазнување или основни линии на семејството ARIMA, споредете со засилени дрвја кои вклучуваат заостанати карактеристики и календарски ефекти. Дури и мала, добро подесена основна линија може да надмине впечатлив модел кога податоците се ретки или бучни. Прирачниците за инженерство јасно ги објаснуваат овие основи [2].

Мини речник со често поставувани прашања 💬

• Што е предикативна вештачка интелигенција? Машинска машинска технологија плус статистика што ги предвидува веројатните исходи од историските шеми. Ист дух како предикативната аналитика, применета во софтверските работни процеси [5].

• По што се разликува од генеративната вештачка интелигенција? Креирање наспроти предвидување. Генеративното креира нова содржина; предикативното проценува веројатности или вредности [4].

• Дали ми е потребно длабинско учење? Не секогаш. Многу случаи на употреба со висок поврат на инвестицијата работат на дрвја или линеарни модели. Започнете едноставно, а потоа ескалирајте [3].

• А што е со регулативите или рамките? Користете доверливи рамки за управување со ризици и управување - тие нагласуваат пристрасност, отстапување и документација [1].

Предолго. Не прочитав!🎯

Предвидувачката вештачка интелигенција не е мистериозна. Тоа е дисциплинирана практика на учење од вчера за да се дејствува попаметно денес. Ако оценувате алатки, започнете со вашата одлука, а не со алгоритмот. Воспоставете сигурна почетна линија, распоредете ја таму каде што го менува однесувањето и мерете немилосрдно. И запомнете - моделите стареат како млеко, а не вино - затоа планирајте следење и преквалификација. Малку понизност многу помага.

Референци

1. NIST - Рамка за управување со ризици од вештачка интелигенција (AI RMF 1.0). Линк

2. NIST ITL - Прирачник за инженерска статистика: Вовед во анализата на временски серии. Линк

3. scikit-learn - Упатство за корисници за надгледувано учење. Линк

4. NIST - Рамка за управување со ризик од вештачка интелигенција: Генеративен профил на вештачка интелигенција. Линк

5. INFORMS - Операциски истражувања и аналитика (преглед на видови аналитика). Линк

Пронајдете ја најновата вештачка интелигенција во официјалната продавница за асистенти за вештачка интелигенција

За нас