Како вештачката интелигенција ги предвидува трендовите?

Вештачката интелигенција може да забележи шеми што голото око ги пропушта, прикажувајќи сигнали што на прв поглед изгледаат како шум. Ако се направи правилно, неуредното однесување се претвора во корисна предвидливост - продажба следниот месец, сообраќај утре, одлив подоцна во овој квартал. Ако се направи погрешно, тоа е самоуверено кревање раменици. Во ова упатство, ќе разгледаме ја точната механика на тоа како вештачката интелигенција ги предвидува трендовите, од каде доаѓаат победите и како да избегнеме да бидеме измамени од убави графикони. Ќе го задржам практичното, со неколку моменти на вистински разговор и повремено кревање веѓи 🙃.

Статии што можеби ќе ве интересираат по оваа:

🔗 Како да се измери ефикасноста на вештачката интелигенција
Клучни метрики за оценување на точноста, ефикасноста и сигурноста на системите со вештачка интелигенција.

🔗 Како да разговарате со вештачка интелигенција
Практични совети за комуникација со вештачка интелигенција за подобрување на квалитетот на одговорот.

🔗 Што е поттикнување од вештачка интелигенција
Јасно објаснување за тоа како потсетниците влијаат на однесувањето и резултатите од вештачката интелигенција.

🔗 Што е означување на податоци со вештачка интелигенција
Вовед во ефикасното етикетирање на податоци за обука на модели за машинско учење.

Што прави добро предвидување на трендовите со вештачка интелигенција ✅

Кога луѓето прашуваат како вештачката интелигенција ги предвидува трендовите, тие обично мислат: како предвидува нешто неизвесно, но сепак повторувачко. Доброто предвидување на трендовите има неколку здодевни, но убави состојки:

• Податоци со сигнал - не можете да исцедите сок од портокал од камен. Потребни ви се минати вредности и контекст.

• Карактеристики што ја одразуваат реалноста - сезонски карактер, празници, промоции, макро контекст, дури и временска прогноза. Не сите, само оние што ве движат во игра.

• Модели што одговараат на часовникот - методи свесни за времето што ги почитуваат подредувањето, празнините и поместувањето.

• Евалуација што го отсликува распоредувањето - повратни тестови што симулираат како навистина ќе предвидите. Без ѕиркање [2].

• Мониторинг за промени - светот се менува; и вашиот модел треба да го стори тоа [5].

Тоа е скелетот. Останатото се мускули, тетиви и малку кофеин.

Основниот цевковод: како вештачката интелигенција ги предвидува трендовите од сурови податоци до прогнози 🧪

1. Собери и усогласи податоци.
   Собери ги целните серии плус егзогените сигнали. Типични извори: каталози на производи, трошоци за реклами, цени, макро индекси и настани. Усогласи ги временските ознаки, справи со недостасувачките вредности, стандардизирај ги единиците. Не е гламурозно, но е критично.

2. Карактеристики на инженерот
   Создавајте заостанувања, ротирачки средни вредности, подвижни квантили, ознаки за денот од неделата и индикатори специфични за доменот. За сезонско прилагодување, многу практичари ја разложуваат серијата на трендовски, сезонски и преостанати компоненти пред моделирањето; програмата X-13 на Бирото за попис на САД е канонска референца за тоа како и зошто ова функционира [1].

3. Изберете модел на семејство.
   Имате три големи кофи:

• Класична статистика : ARIMA, ETS, простор на состојби/Калман. Интерпретабилна и брза.

• Машинско учење : засилување на градиент, случајни шуми со временски свесни функции. Флексибилно низ многу серии.

• Длабоко учење : LSTM, временски CNN, трансформатори. Корисно кога имате многу податоци и комплексна структура.

4. Правилно тестирање наназад
   Вкрстената валидација на временските серии користи подвижен почеток, така што никогаш не тренирате за иднината додека го тестирате минатото. Тоа е разликата помеѓу искрена точност и желба за размислување [2].

5. Прогнозирајте, квантификувајте ја неизвесноста и испраќајте ги
   предвидувањата за враќање со интервали, следете ја грешката и преквалификувајте се како што светот се менува. Управуваните услуги најчесто ги прикажуваат метриките за точност (на пр., MAPE, WAPE, MASE) и ги тестираат прозорците веднаш, што го олеснува управувањето и контролните табли [3].

Кратка воена приказна: во едно лансирање, потрошивме дополнителен ден на функции во календарот (регионални празници + промотивни знамиња) и значително повеќе ги намаливме грешките во раниот хоризонт отколку со менувањето модели. Квалитетот на функциите ја победи новоста на моделите - тема што ќе ја видите повторно.

Табела за споредба: алатки што ѝ помагаат на вештачката интелигенција да ги предвиди трендовите 🧰

Намерно несовршена - вистинска маса со неколку човечки необичности.

Да, формулацијата е нерамномерна. Тоа е реалниот живот.

Функционален инженеринг кој всушност ја движи иглата 🧩

Наједноставниот корисен одговор за тоа како вештачката интелигенција ги предвидува трендовите е овој: ја претвораме серијата во табела за надгледувано учење што го памти времето. Неколку основни потези:

• Заостанувања и прозорци : вклучуваат y[t-1], y[t-7], y[t-28], плус средства за тркалање и стандарден отстапување. Го доловува импулсот и инерцијата.

• Сигнали за сезонност : месец, недела, ден од неделата, час од денот. Фуриеовите членови даваат мазни сезонски криви.

• Календар и настани : празници, лансирања на производи, промени на цени, промоции. Ефектите за празници во стилот на пророк се само карактеристики со претходни содржини.

• Декомпозиција : одземете сезонска компонента и моделирајте го остатокот кога шемите се силни; X-13 е добро тестирана основна линија за ова [1].

• Надворешни регресори : временска прогноза, макро индекси, прегледи на страници, интерес за пребарување.

• Совети за интеракција : едноставни вкрстувања како promo_flag × day_of_week. Елегантно е, но често функционира.

Ако имате повеќе поврзани серии - да речеме илјадници SKU - можете да споделувате информации меѓу нив со хиерархиски или глобални модели. Во пракса, модел со глобален градиент засилен со временски свесни карактеристики честопати е поефикасен.

Избор на семејства-модели: пријателска тепачка 🤼♀️

• на ARIMA/ETS
  : интерпретабилни, брзи, солидни основни линии. Недостатоци: подесувањето по серија може да биде незгодно во размер. Делумната автокорелација може да помогне во откривањето на редоследите, но не очекувајте чуда.

• Засилување на градиентот
  Предности: се справува со табеларни карактеристики, робусно на мешани сигнали, одлично со многу поврзани серии. Недостатоци: мора добро да ги конструирате временските карактеристики и да ја почитувате каузалноста.

• Длабоко учење
  Предности: ги доловува нелинеарноста и шемите на вкрстени серии. Недостатоци: е гладен за податоци, потешко е да се дебагираат. Кога имате богат контекст или долга историја, може да блесне; во спротивно, тоа е спортски автомобил во сообраќајот во шпицот.

• Хибридни и ансамбли
  Да бидеме искрени, комбинирањето на сезонска основна линија со градиентен засилувач и мешање со лесен LSTM не е невообичаено виновно задоволство. Се имам повлекло на „чистотата на еден модел“ повеќе пати отколку што признавам.

Каузалност наспроти корелација: ракувајте со внимание 🧭

Само затоа што две линии се нишаат заедно не значи дека едната ја движи другата. Грејнџеровата каузалност тестира дали додавањето на кандидат-двигател го подобрува предвидувањето за целта, со оглед на неговата сопствена историја. Станува збор за предвидлива корисност под линеарни авторегресивни претпоставки, а не за филозофска каузалност - суптилна, но важна разлика [4].

Во продукција, сè уште ја проверувате вашата разумност со познавање на доменот. Пример: ефектите од работните денови се важни за малопродажбата, но додавањето на кликовите во рекламите од минатата недела може да биде излишно ако трошењето е веќе во моделот.

Тестирање наназад и метрики: каде се кријат повеќето грешки 🔍

За да оцените како вештачката интелигенција реално ги предвидува трендовите, имитирајте го начинот на кој ќе прогнозирате во дивината:

• Вкрстена валидација со ролачко потекло : постојано тренирање на претходни податоци и предвидување на следниот дел. Ова го почитува временскиот редослед и спречува идно истекување [2].

• Метрики за грешки : изберете што одговара на вашите одлуки. Процентните метрики како MAPE се популарни, но пондерираните метрики (WAPE) или оние без скала (MASE) честопати се однесуваат подобро за портфолија и агрегати [3].

• Интервали на предвидување : не давајте само поен. Комуницирајте за неизвесност. Раководителите ретко ги сакаат растојанијата, но сакаат помалку изненадувања.

Мала забелешка: кога ставките можат да бидат нула, процентните метрики стануваат чудни. Претпочитајте апсолутни или скалирани грешки или додадете мало поместување - само бидете доследни.

Се случува отстапување: откривање и прилагодување кон промените 🌊

Пазарите се менуваат, преференциите се менуваат, сензорите стареат. Преминувањето на концептите е сеопфатно кога односот помеѓу влезните податоци и целта еволуира. Можете да го следите отстапувањето со статистички тестови, грешки во лизгачкиот прозорец или проверки на дистрибуцијата на податоци. Потоа изберете стратегија: пократки периоди за обука, периодична преквалификација или адаптивни модели што се ажурираат онлајн. Анкетите на терен покажуваат повеќе видови отстапувања и политики за прилагодување; ниедна единствена политика не одговара на сите [5].

Практичен прирачник: поставете прагови на алармирање при грешка во прогнозата во живо, преквалификувајте се според распоредот и одржувајте подготвена резервна основна линија. Не е гламурозно - многу е ефикасно.

Објаснување: отворање на црната кутија без да се скрши 🔦

Заинтересираните страни прашуваат зошто прогнозата се зголемила. Разумно. Алатките што не се осамостојуваат на моделот, како што е SHAP, припишуваат предвидување на карактеристиките на теоретски заснован начин, помагајќи ви да видите дали сезонноста, цената или промотивниот статус ја зголемиле бројката. Тоа нема да докаже каузалност, но ја подобрува довербата и дебагирањето.

Во моето сопствено тестирање, неделните сезонски и промотивните ознаки имаат тенденција да доминираат во краткорочните прогнози за малопродажба, додека долгорочните се поместуваат кон макро прокси. Вашата километража ќе варира - пријатно.

Облак и MLOps: прогнози за испорака без селотејп 🚚

Ако преферирате управувани платформи:

• Google Vertex AI Forecast нуди воден работен тек за внесување временски серии, извршување на AutoML прогнозирање, тестирање на позадината и распоредување на крајни точки. Исто така, добро се вклопува со модерен стек на податоци.

• Amazon Forecast се фокусира на распоредување во голем обем, со стандардизирани метрики за тестирање наназад и точност што можете да ги извлечете преку API, што помага со управувањето и контролните табели [3].

И двата начина го намалуваат стандардното. Само едното око внима на трошоците, а другото на податоците. Сосема две очи - незгодно, но изводливо.

Мини-предмет на упатство: од сурови кликови до сигнал за тренд 🧭✨

Да замислиме дека предвидувате дневни регистрации за фримиум апликација:

1. Податоци : собирање дневни регистрации, трошоци за реклами по канал, прекини на страницата и едноставен промотивен календар.

2. Карактеристики : заостанувања 1, 7, 14; 7-дневна подвижна средна вредност; ознаки за денот од неделата; бинарно промотивно ознака; сезонски термин на Фурие; и декомпониран сезонски остаток, така што моделот се фокусира на делот што не се повторува. Сезонското декомпозиција е класичен потег во официјалната статистика - досадно име, голема добивка [1].

3. Модел : започнете со регресор засилен со градиент како глобален модел низ сите географски површини.

4. Тестирање наназад : тркалачко потекло со неделни превиткувања. Оптимизирајте го WAPE на вашиот примарен деловен сегмент. Тестовите за наназад што го почитуваат времето не се предмет на преговори за веродостојни резултати [2].

5. Објаснете : проверувајте ги атрибуциите на карактеристиките неделно за да видите дали промотивното означено обележје всушност прави нешто друго освен што изгледа одлично на слајдовите.

6. Мониторирање : ако влијанието на промоцијата се намали или шемите во текот на работната недела се променат по промената на производот, активирајте преквалификација. Отстапувањето не е грешка - туку среда [5].

Резултатот: веродостојна прогноза со опсези на доверба, плус контролна табла што кажува што ја поместило стрелката. Помалку дебати, повеќе акција.

Стапици и митови за тивко избегнување 🚧

• Мит: повеќе функции се секогаш подобри. Не. Премногу ирелевантни функции предизвикуваат претерување. Задржете го она што помага при тестирањето на позадината и е во согласност со чувството за домен.

• Мит: длабоките мрежи победуваат сè. Понекогаш да, честопати не. Ако податоците се кратки или бучни, класичните методи победуваат поради стабилноста и транспарентноста.

• Стапица: протекување. Случајното вклучување на утрешните информации во денешната обука ќе ги порамни вашите метрики и ќе го казни вашето производство [2].

• Стапица: бркање на последната децимала. Ако вашиот синџир на снабдување е нерамномерен, тврдењето за грешка помеѓу 7,3 и 7,4 проценти е театар. Фокусирајте се на праговите на донесување одлуки.

• Мит: каузалност од корелација. Грејнџеровите тестови ја проверуваат предвидливата корисност, а не филозофската вистина - ги користат како заштитни огради, а не како евангелие [4].

Контролна листа за имплементација што можете да ја копирате и залепите 📋

• Дефинирајте хоризонти, нивоа на агрегација и одлуката што ќе ја донесете.

• Изградете чист временски индекс, пополнете ги или означете ги празнините и усогласете ги егзогените податоци.

• Заостанувања во занаетчиството, статистика за промена, сезонски знамиња и малкуте функции на доменот на кои им верувате.

• Започнете со силна основна линија, а потоа преминете на посложен модел доколку е потребно.

• Користете backtests со ролинг-потекло со метриката што одговара на вашиот бизнис [2][3].

• Додај интервали за предвидување - не е опционално.

• Испраќај, следи за отстапување и преквалификувај според распоред плус известувања [5].

Предолго, не го прочитав - Заклучоци 💬

Едноставната вистина за тоа како вештачката интелигенција ги предвидува трендовите: помалку се работи за магични алгоритми, а повеќе за дисциплиниран, временски свесен дизајн. Добијте ги податоците и функциите правилно, евалуирајте искрено, објаснете едноставно и адаптирајте се како што се менува реалноста. Тоа е како да подесувате радио со малку мрсни копчиња - малку нејасни, понекогаш статични, но кога ќе се појави станицата, изненадувачки е јасна.

Ако земете предвид едно нешто: почитувајте го времето, потврдувајте како скептик и продолжете да следите. Останатото е само алатки и вкус.

Референци

1. Биро за попис на САД - Програма за сезонско прилагодување X-13ARIMA-SEATS . Линк

2. Хајндман и Атанасопулос - Прогнозирање: Принципи и пракса (FPP3), §5.10 Вкрстена валидација на временски серии . Линк

3. Amazon Web Services - Проценка на точноста на предвидувачите (Amazon Forecast) . Линк

4. Универзитет во Хјустон - Грејнџер Каузалност (белешки од предавањата) . Линк

5. Гама и др. - Истражување за адаптацијата на отстапувањето на концептите (отворена верзија). Линк

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

За нас