Beth yw AI Rhagfynegol?

Mae AI rhagfynegol yn swnio'n ffansi, ond mae'r syniad yn syml: defnyddiwch ddata'r gorffennol i ddyfalu beth sy'n debygol o ddigwydd nesaf. O ba gwsmer allai droi i pryd mae angen gwasanaeth ar beiriant, mae'n ymwneud â throi patrymau hanesyddol yn signalau sy'n edrych ymlaen. Nid hud mohono - mae'n fathemateg yn cwrdd â realiti anhrefnus, gydag ychydig o amheuaeth iach a llawer o ailadrodd.

Isod mae esboniad ymarferol, hawdd ei ddarllen. Os daethoch chi yma'n pendroni Beth yw Deallusrwydd Artiffisial Rhagfynegol? ac a yw'n ddefnyddiol i'ch tîm, bydd hyn yn eich cael chi o 'ha' i 'o-iawn' mewn un eisteddiad.☕️

Erthyglau y gallech fod eisiau eu darllen ar ôl yr un hon:

🔗 Sut i ymgorffori AI yn eich busnes
Camau ymarferol i integreiddio offer AI ar gyfer twf busnes mwy craff.

🔗 Sut i ddefnyddio AI i fod yn fwy cynhyrchiol
Darganfyddwch lifau gwaith AI effeithiol sy'n arbed amser ac yn hybu effeithlonrwydd.

🔗 Beth yw sgiliau AI
Dysgwch gymwyseddau allweddol AI sy'n hanfodol ar gyfer gweithwyr proffesiynol sy'n barod ar gyfer y dyfodol.

Beth yw AI Rhagfynegol? Diffiniad 🤖

AI rhagfynegol yn defnyddio dadansoddiad ystadegol a dysgu peirianyddol i ddod o hyd i batrymau mewn data hanesyddol a rhagweld canlyniadau tebygol - pwy sy'n prynu, beth sy'n methu, pryd mae'r galw'n codi'n sydyn. Mewn termau ychydig yn fwy manwl gywir, mae'n cyfuno ystadegau clasurol ag algorithmau dysgu peirianyddol i amcangyfrif tebygolrwyddau neu werthoedd am y dyfodol agos. Yr un ysbryd â dadansoddeg ragfynegol; label gwahanol, yr un syniad o ragweld beth sy'n dod nesaf [5].

Os ydych chi'n hoffi cyfeiriadau ffurfiol, mae cyrff safonau a llawlyfrau technegol yn fframio rhagweld fel tynnu signalau (tuedd, tymhoroldeb, cydberthynas awtomatig) o ddata wedi'i drefnu yn ôl amser i ragweld gwerthoedd yn y dyfodol [2].

Beth sy'n Gwneud Deallusrwydd Artiffisial Rhagfynegol yn Ddefnyddiol ✅

Yr ateb byr: mae'n sbarduno penderfyniadau, nid dangosfyrddau yn unig. daioni o bedwar nodwedd:

• Gweithredadwyedd - mae allbynnau'n mapio i'r camau nesaf: cymeradwyo, llwybro, negesu, archwilio.

• Ymwybodol o debygolrwydd - rydych chi'n cael tebygolrwyddau wedi'u graddnodi, nid dim ond dirgryniadau [3].

• Ailadroddadwy - ar ôl eu defnyddio, mae modelau'n rhedeg yn gyson, fel cydweithiwr tawel nad yw byth yn cysgu.

• Mesuradwy - codiad, cywirdeb, RMSE - enwwch ef - mae llwyddiant yn fesuradwy.

Gadewch i ni fod yn onest: pan fydd AI rhagfynegol yn cael ei wneud yn dda, mae bron yn teimlo'n ddiflas. Mae rhybuddion yn cyrraedd, mae ymgyrchoedd yn targedu eu hunain, mae cynllunwyr yn archebu rhestr eiddo yn gynharach. Mae diflas yn brydferth.

Anecdot bach: rydyn ni wedi gweld timau canol-farchnad yn llongio model bach sy'n hybu graddiant a oedd yn syml yn sgorio "risg stoc allan yn y 7 diwrnod nesaf" gan ddefnyddio oediadau a nodweddion calendr. Dim rhwydi dwfn, dim ond data glân a throthwyon clir. Nid oedd y fuddugoliaeth yn fflach - roedd yn llai o alwadau sgramblo mewn gweithrediadau.

Deallusrwydd Artiffisial Rhagfynegol vs Deallusrwydd Artiffisial Cynhyrchiol - y rhaniad cyflym ⚖️

• AI cynhyrchiol yn creu cynnwys-testun, delweddau, cod newydd trwy fodelu dosraniadau data a samplu ohonynt [4].

• Mae AI rhagfynegol yn rhagweld canlyniadau - risg churn, galw yr wythnos nesaf, tebygolrwydd diofyn - trwy amcangyfrif tebygolrwyddau amodol neu werthoedd o batrymau hanesyddol [5].

Meddyliwch am gynhyrchiol fel stiwdio greadigol, a rhagfynegol fel gwasanaeth tywydd. Yr un blwch offer (ML), amcanion gwahanol.

Felly… beth yw AI Rhagfynegol yn ymarferol? 🔧

1. Casglwch ddata hanesyddol wedi'i labelu - canlyniadau sy'n bwysig i chi a'r mewnbynnau a allai eu hesbonio.

2. Nodweddion peiriannu - troi data crai yn signalau defnyddiol (oedi, ystadegau treigl, mewnosodiadau testun, amgodiadau categoraidd).

3. Hyfforddi algorithmau sy'n addas ar gyfer modelau sy'n dysgu perthnasoedd rhwng mewnbynnau a chanlyniadau.

4. Gwerthuso - dilysu data sydd wedi'i ddal allan gyda metrigau sy'n adlewyrchu gwerth busnes.

5. Defnyddio -anfon rhagfynegiadau i'ch ap, llif gwaith, neu system rhybuddio.

6. Monitro - olrhain perfformiad, gwylio am ddrifft data / , a chynnal ailhyfforddi/ail-raddnodi. Mae fframweithiau blaenllaw yn nodi'n benodol ddrifft, rhagfarn, ac ansawdd data fel risgiau parhaus sydd angen llywodraethu a monitro [1].

Mae algorithmau'n amrywio o fodelau llinol i ensembles coed i rwydweithiau niwral. Mae dogfennau awdurdodol yn catalogio'r amheuwyr arferol - atchweliad logistaidd, coedwigoedd ar hap, hybu graddiant, a mwy - gyda chyfaddawdau wedi'u hesbonio ac opsiynau calibradu tebygolrwydd pan fydd angen sgoriau sy'n ymddwyn yn dda arnoch [3].

Y blociau adeiladu - data, labeli, a modelau 🧱

• Data - digwyddiadau, trafodion, telemetreg, cliciau, darlleniadau synhwyrydd. Mae tablau strwythuredig yn gyffredin, ond gellir trosi testun a delweddau yn nodweddion rhifol.

• Labeli - yr hyn rydych chi'n ei ragweld: wedi'i brynu vs. heb ei brynu, dyddiau tan fethiant, doleri o alw.

• Algorithmau

  • Dosbarthiad pan fo'r canlyniad yn churn categoraidd ai peidio.

  • Atchweliad pan fo'r canlyniad yn rhifol - faint o unedau a werthwyd.

  • Cyfres amser pan fo trefn yn bwysig - rhagweld gwerthoedd ar draws amser, lle mae angen trin tueddiadau a thymhoroldeb yn benodol [2].

Mae rhagweld cyfres amser yn ychwanegu tymhoroldeb a thuedd i'r dulliau cymysg fel llyfnhau esbonyddol neu fodelau teulu ARIMA yn offer clasurol sy'n dal i ddal eu tir fel llinellau sylfaen ochr yn ochr â ML modern [2].

Achosion defnydd cyffredin sy'n cludo mewn gwirionedd 📦

• Refeniw a thwf

  • Sgorio arweinwyr, cynnydd mewn trosiadau, argymhellion personol.

• Risg a chydymffurfiaeth

  • Canfod twyll, risg credyd, baneri AML, canfod anomaledd.

• Cyflenwad a gweithrediadau

  • Rhagweld galw, cynllunio'r gweithlu, optimeiddio rhestr eiddo.

• Dibynadwyedd a chynnal a chadw

  • Cynnal a chadw rhagfynegol ar offer - gweithredu cyn methiant.

• Gofal iechyd ac iechyd y cyhoedd

  • Rhagfynegi aildderbyniadau, brys dosbarthu cleifion, neu fodelau risg clefydau (gyda dilysu a llywodraethu gofalus)

Os ydych chi erioed wedi cael neges destun “mae'r trafodiad hwn yn edrych yn amheus”, rydych chi wedi dod ar draws deallusrwydd artiffisial rhagfynegol yn y gwyllt.

Tabl Cymharu - offer ar gyfer AI Rhagfynegol 🧰

Nodyn: mae'r prisiau'n fras - mae ffynhonnell agored yn rhad ac am ddim, mae'r cwmwl yn seiliedig ar ddefnydd, mae menter yn amrywio. Mae ychydig bach o chwilfrydedd wedi'i adael i mewn er mwyn realaeth…

Sut mae AI Rhagfynegol yn cymharu â ragnodol 🧭

Mae rhagfynegiad yn ateb beth sy'n debygol o ddigwydd . rhagnodol yn mynd ymhellach - beth ddylem ni ei wneud amdano , gan ddewis camau gweithredu sy'n optimeiddio canlyniadau o dan gyfyngiadau. Mae cymdeithasau proffesiynol yn diffinio dadansoddeg ragnodol fel defnyddio modelau i argymell camau gweithredu gorau posibl, nid rhagolygon yn unig [5]. Yn ymarferol, mae rhagfynegiad yn bwydo rhagnodol.

Gwerthuso modelau - metrigau sy'n bwysig 📊

Dewiswch fetrigau sy'n cyd-fynd â'r penderfyniad:

• Dosbarthiad

  • Manwl gywirdeb i osgoi canlyniadau positif ffug pan fydd rhybuddion yn ddrud.

  • Cofiwch ddal mwy o ddigwyddiadau gwir pan fydd methiannau'n gostus.

  • AUC-ROC i gymharu ansawdd safle ar draws trothwyon.

• Atchweliad

  • RMSE/MAE ar gyfer maint cyffredinol y gwall.

  • MAPE pan fydd gwallau cymharol yn bwysig.

• Rhagolygon

  • MASE, sMAPE ar gyfer cymhariaeth cyfresi amser.

  • Cwmpas ar gyfer cyfnodau rhagfynegi - a yw eich bandiau ansicrwydd yn cynnwys gwirionedd mewn gwirionedd?

Rheol gyffredinol rwy'n ei hoffi: optimeiddio'r metrig sy'n cyd-fynd â'ch cyllideb os yw'n anghywir.

Realiti defnyddio - drifft, rhagfarn, a monitro 🌦️

Mae modelau'n diraddio. Mae data'n symud. Mae ymddygiad yn newid. Nid methiant yw hyn - mae'n golygu bod y byd yn symud. Mae fframweithiau blaenllaw yn annog monitro parhaus ar gyfer drifft data a drifft cysyniadau , yn tynnu sylw at ragfarn a risgiau ansawdd data, ac yn argymell dogfennaeth, rheolaethau mynediad, a llywodraethu cylch bywyd [1].

• Drifft cysyniad - mae perthnasoedd rhwng mewnbynnau a thargedau yn esblygu, felly nid yw patrymau ddoe bellach yn rhagweld canlyniadau yfory yn dda iawn.

• Drifft model neu ddata - mae dosraniadau mewnbwn yn newid, mae synwyryddion yn newid, mae ymddygiad defnyddwyr yn trawsnewid, mae perfformiad yn dirywio. Canfod a gweithredu.

Llawlyfr ymarferol: monitro metrigau mewn cynhyrchiad, cynnal profion drifft, cynnal cyflymder ailhyfforddi, a chofnodi rhagfynegiadau yn erbyn canlyniadau ar gyfer profion ôl-weithredol. Mae strategaeth olrhain syml yn curo un gymhleth nad ydych chi byth yn ei rhedeg.

Llif gwaith cychwynnol syml y gallwch ei gopïo 📝

1. Diffiniwch y penderfyniad - beth fyddwch chi'n ei wneud gyda'r rhagfynegiad ar drothwyon gwahanol?

2. Casglu data - casglu enghreifftiau hanesyddol gyda chanlyniadau clir.

3. Hollti - hyfforddi, dilysu, a phrawf gwirioneddol dal allan.

4. Sylfaen - dechreuwch gydag atchweliad logistaidd neu ensemble coeden fach. Mae sylfaeni'n dweud gwirioneddau anghyfforddus [3].

5. Gwella - peirianneg nodweddion, croes-ddilysu, rheoleiddio gofalus.

6. Llong - pwynt terfyn API neu swydd swp sy'n ysgrifennu rhagfynegiadau i'ch system.

7. Gwylio - dangosfyrddau ar gyfer ansawdd, larymau drifft, sbardunau ailhyfforddi [1].

Os yw hynny'n swnio fel llawer, mae'n wir - ond gallwch chi ei wneud mewn camau. Mae enillion bach yn cynyddu.

Mathau data a phatrymau modelu - canlyniadau cyflym 🧩

• Cofnodion tablaidd - y maes cartref ar gyfer hybu graddiant a modelau llinol [3].

• Cyfresi amser - yn aml yn elwa o ddadelfennu i duedd/tymhoroldeb/gweddillion cyn ML. Mae dulliau clasurol fel llyfnhau esbonyddol yn parhau i fod yn llinellau sylfaen cryf [2].

• Testun, delweddau - mewnosod i fectorau rhifiadol, yna rhagfynegi fel tablau.

• Graffiau - rhwydweithiau cwsmeriaid, perthnasoedd dyfeisiau - weithiau mae model graff yn helpu, weithiau mae'n or-beiriannu. Rydych chi'n gwybod sut mae hi.

Risgiau a rheiliau gwarchod - oherwydd mae bywyd go iawn yn flêr 🛑

• Rhagfarn a chynrychiolaeth - mae cyd-destunau heb gynrychiolaeth ddigonol yn arwain at wallau anwastad. Dogfennu a monitro [1].

• Gollyngiad - nodweddion sy'n cynnwys dilysu gwenwyn gwybodaeth yn y dyfodol ar ddamwain.

• Cydberthnasau ffug - mae modelau'n glynu wrth lwybrau byr.

• Gor-ffitio - gwych ar hyfforddiant, trist mewn cynhyrchu.

• Llywodraethu - olrhain llinach, cymeradwyaethau, a rheoli mynediad - diflas ond hanfodol [1].

Os na fyddech chi'n dibynnu ar y data i lanio awyren, peidiwch â dibynnu arno i wrthod benthyciad. Gor-ddweud bach, ond rydych chi'n deall yr ysbryd.

Plymio dwfn: rhagweld pethau sy'n symud ⏱️

Wrth ragweld galw, llwyth ynni, neu draffig gwe, cyfres amser yn bwysig. Mae gwerthoedd wedi'u trefnu, felly rydych chi'n parchu strwythur amserol. Dechreuwch gyda dadelfennu tueddiadau tymhorol, rhowch gynnig ar lyfnhau esbonyddol neu linellau sylfaen teulu ARIMA, cymharwch â choed wedi'u hybu sy'n cynnwys nodweddion oedi ac effeithiau calendr. Gall hyd yn oed llinell sylfaen fach, wedi'i thiwnio'n dda, berfformio'n well na model fflachlyd pan fydd data'n denau neu'n swnllyd. Mae llawlyfrau peirianneg yn mynd trwy'r hanfodion hyn yn glir [2].

Geirfa fach tebyg i Gwestiynau Cyffredin 💬

• Beth yw Deallusrwydd Artiffisial Rhagfynegol? ML ynghyd ag ystadegau sy'n rhagweld canlyniadau tebygol o batrymau hanesyddol. Yr un ysbryd â dadansoddeg ragfynegol, wedi'i chymhwyso mewn llif gwaith meddalwedd [5].

• Sut mae'n wahanol i AI cynhyrchiol? Creu vs rhagweld. Mae cynhyrchiol yn creu cynnwys newydd; mae rhagfynegol yn amcangyfrif tebygolrwyddau neu werthoedd [4].

• Oes angen dysgu dwfn arnaf? Nid bob amser. Mae llawer o achosion defnydd ROI uchel yn rhedeg ar goed neu fodelau llinol. Dechreuwch yn syml, yna ehangwch [3].

• Beth am reoliadau neu fframweithiau? Defnyddiwch fframweithiau dibynadwy ar gyfer rheoli risg a llywodraethu - maen nhw'n pwysleisio rhagfarn, symudiadau, a dogfennu [1].

Rhy hir. Wnes i ddim darllen!🎯

Nid yw AI rhagfynegol yn ddirgelwch. Mae'n arfer disgybledig o ddysgu o ddoe i weithredu'n ddoethach heddiw. Os ydych chi'n gwerthuso offer, dechreuwch gyda'ch penderfyniad, nid yr algorithm. Sefydlwch linell sylfaen ddibynadwy, defnyddiwch lle mae'n newid ymddygiad, a mesurwch yn ddi-baid. A chofiwch - mae modelau'n heneiddio fel llaeth, nid gwin - felly cynlluniwch ar gyfer monitro ac ailhyfforddi. Mae ychydig o ostyngeiddrwydd yn mynd yn bell.

Cyfeiriadau

1. NIST - Fframwaith Rheoli Risg Deallusrwydd Artiffisial (AI RMF 1.0). Cyswllt

2. NIST ITL - Llawlyfr Ystadegau Peirianneg: Cyflwyniad i Ddadansoddi Cyfresi Amser. Cyswllt

3. scikit-learn - Canllaw Defnyddiwr Dysgu dan Oruchwyliaeth. Dolen

4. NIST - Fframwaith Rheoli Risg AI: Proffil Cynhyrchiol AI. Cyswllt

5. INFORMS - Ymchwil a Dadansoddeg Gweithrediadau (trosolwg o fathau o ddadansoddeg). Cyswllt

Dewch o hyd i'r AI Diweddaraf yn y Siop Swyddogol ar gyfer Cynorthwywyr AI

Amdanom Ni