പ്രവചനാത്മക AI എന്താണ്?

പ്രവചനാത്മക AI കേൾക്കുമ്പോൾ അതിശയകരമായി തോന്നുമെങ്കിലും, ആശയം ലളിതമാണ്: അടുത്തതായി എന്ത് സംഭവിക്കുമെന്ന് ഊഹിക്കാൻ പഴയ ഡാറ്റ ഉപയോഗിക്കുക. ഒരു മെഷീനിന് സേവനം ആവശ്യമുള്ളപ്പോൾ ഉപഭോക്താവ് ഏത് രീതിയിൽ ചിന്തിച്ചേക്കാം എന്നതിൽ നിന്ന്, ചരിത്രപരമായ പാറ്റേണുകളെ ഭാവിയിലേക്കുള്ള സിഗ്നലുകളാക്കി മാറ്റുന്നതിനെക്കുറിച്ചാണ് ഇത്. ഇത് മാന്ത്രികമല്ല - ആരോഗ്യകരമായ സംശയങ്ങളും ധാരാളം ആവർത്തനങ്ങളും ഉള്ള, കുഴപ്പം പിടിച്ച യാഥാർത്ഥ്യവുമായി ഗണിതശാസ്ത്രം കണ്ടുമുട്ടുന്നതാണ്.

പ്രായോഗികവും ലളിതവുമായ ഒരു വിശദീകരണം താഴെ കൊടുക്കുന്നു. പ്രവചനാത്മക AI എന്താണെന്നും അത് നിങ്ങളുടെ ടീമിന് ഉപയോഗപ്രദമാണോ എന്നും അറിയാൻ നിങ്ങൾ ഇവിടെ വന്നിട്ടുണ്ടെങ്കിൽ, ഇത് ഒറ്റയിരിപ്പിൽ തന്നെ നിങ്ങളെ 'ഓ-ഓ' എന്നതിലേക്ക് എത്തിക്കും.☕️

ഇതിനു ശേഷം നിങ്ങൾക്ക് വായിക്കാൻ ഇഷ്ടപ്പെട്ടേക്കാവുന്ന ലേഖനങ്ങൾ:

🔗 നിങ്ങളുടെ ബിസിനസ്സിൽ AI എങ്ങനെ ഉൾപ്പെടുത്താം
മികച്ച ബിസിനസ് വളർച്ചയ്ക്കായി AI ഉപകരണങ്ങൾ സംയോജിപ്പിക്കുന്നതിനുള്ള പ്രായോഗിക ഘട്ടങ്ങൾ.

🔗 കൂടുതൽ ഉൽപ്പാദനക്ഷമത കൈവരിക്കാൻ AI എങ്ങനെ ഉപയോഗിക്കാം
സമയം ലാഭിക്കുകയും കാര്യക്ഷമത വർദ്ധിപ്പിക്കുകയും ചെയ്യുന്ന ഫലപ്രദമായ AI വർക്ക്ഫ്ലോകൾ കണ്ടെത്തുക.

🔗 AI കഴിവുകൾ എന്തൊക്കെയാണ്?
ഭാവിയിലേക്ക് തയ്യാറുള്ള പ്രൊഫഷണലുകൾക്ക് അത്യാവശ്യമായ പ്രധാന AI കഴിവുകൾ പഠിക്കുക.

പ്രവചനാത്മക AI എന്താണ്? ഒരു നിർവചനം 🤖

പ്രവചിക്കുന്നതിനും പ്രവചിക്കുന്ന AI സ്റ്റാറ്റിസ്റ്റിക്കൽ വിശകലനവും മെഷീൻ ലേണിംഗും ഉപയോഗിക്കുന്നു. കുറച്ചുകൂടി കൃത്യമായി പറഞ്ഞാൽ, സമീപ ഭാവിയെക്കുറിച്ചുള്ള സാധ്യതകളോ മൂല്യങ്ങളോ കണക്കാക്കാൻ ഇത് ക്ലാസിക്കൽ സ്റ്റാറ്റിസ്റ്റിക്സിനെ ML അൽഗോരിതങ്ങളുമായി സംയോജിപ്പിക്കുന്നു. പ്രവചന വിശകലനത്തിന്റെ അതേ മനോഭാവം; വ്യത്യസ്ത ലേബൽ, അടുത്തതായി എന്ത് സംഭവിക്കുമെന്ന് പ്രവചിക്കുന്നതിനുള്ള അതേ ആശയം [5].

നിങ്ങൾക്ക് ഔപചാരിക റഫറൻസുകൾ ഇഷ്ടമാണെങ്കിൽ, സ്റ്റാൻഡേർഡ് ബോഡികളും സാങ്കേതിക കൈപ്പുസ്തകങ്ങളും ഭാവി മൂല്യങ്ങൾ പ്രവചിക്കുന്നതിനായി സമയക്രമീകരിച്ച ഡാറ്റയിൽ നിന്ന് സിഗ്നലുകൾ (ട്രെൻഡ്, സീസണാലിറ്റി, ഓട്ടോകോറിലേഷൻ) വേർതിരിച്ചെടുക്കുന്നതായി പ്രവചനം രൂപപ്പെടുത്തുന്നു [2].

പ്രവചനാത്മക AI-യെ ഉപയോഗപ്രദമാക്കുന്നത് എന്താണ് ✅

ചുരുക്കത്തിൽ: അത് ഡാഷ്‌ബോർഡുകളെ മാത്രമല്ല, തീരുമാനങ്ങളെയും നയിക്കുന്നു. നാല് ഗുണങ്ങളിൽ നിന്നാണ് നല്ലത്

• പ്രവർത്തനക്ഷമത - അടുത്ത ഘട്ടങ്ങളിലേക്ക് മാപ്പ് ഔട്ട്പുട്ട് ചെയ്യുന്നു: അംഗീകരിക്കുക, റൂട്ട് ചെയ്യുക, സന്ദേശം നൽകുക, പരിശോധിക്കുക.

• സാധ്യതാ അവബോധം - വൈബുകൾ മാത്രമല്ല, കാലിബ്രേറ്റ് ചെയ്ത സാധ്യതകളും നിങ്ങൾക്ക് ലഭിക്കും [3].

• ആവർത്തിക്കാവുന്നതാണ് - ഒരിക്കൽ വിന്യസിക്കപ്പെട്ടാൽ, മോഡലുകൾ നിരന്തരം ഓടുന്നു, ഒരിക്കലും ഉറങ്ങാത്ത ശാന്തനായ ഒരു സഹപ്രവർത്തകനെപ്പോലെ.

• അളക്കാവുന്നത് - ലിഫ്റ്റ്, കൃത്യത, ആർ‌എം‌എസ്‌ഇ - നിങ്ങൾ എന്ത് പറഞ്ഞാലും - വിജയം അളക്കാവുന്നതാണ്.

സത്യം പറഞ്ഞാൽ: പ്രവചനാത്മക AI നന്നായി ചെയ്യുമ്പോൾ, അത് മിക്കവാറും വിരസമായി തോന്നുന്നു. അലേർട്ടുകൾ എത്തുന്നു, കാമ്പെയ്‌നുകൾ സ്വയം ലക്ഷ്യമിടുന്നു, പ്ലാനർമാർ നേരത്തെ ഇൻവെന്ററി ഓർഡർ ചെയ്യുന്നു. വിരസത മനോഹരമാണ്.

ഒരു ചെറിയ ഉദാഹരണം: ലാഗുകളും കലണ്ടർ സവിശേഷതകളും ഉപയോഗിച്ച് "അടുത്ത 7 ദിവസത്തെ സ്റ്റോക്ക്ഔട്ട് റിസ്ക്" സ്കോർ ചെയ്യുന്ന ഒരു ചെറിയ ഗ്രേഡിയന്റ്-ബൂസ്റ്റിംഗ് മോഡൽ മിഡ്-മാർക്കറ്റ് ടീമുകൾ പുറത്തിറക്കുന്നത് നമ്മൾ കണ്ടിട്ടുണ്ട്. ആഴത്തിലുള്ള നെറ്റ്‌കളില്ല, ക്ലീൻ ഡാറ്റയും വ്യക്തമായ ത്രെഷോൾഡുകളും മാത്രം. വിജയം മിന്നൽപ്പിണരായിരുന്നില്ല - ഓപ്‌സുകളിൽ സ്‌ക്രാംബിൾ-കോളുകൾ കുറവായിരുന്നു.

പ്രവചന AI vs ജനറേറ്റീവ് AI - ദ്രുത വിഭജനം ⚖️

• ജനറേറ്റീവ് AI പുതിയ ഉള്ളടക്ക-ടെക്സ്റ്റ്, ഇമേജുകൾ, കോഡ്-ബൈ മോഡലിംഗ് ഡാറ്റ വിതരണങ്ങൾ, അവയിൽ നിന്നുള്ള സാമ്പിളുകൾ എന്നിവ നിർമ്മിക്കുന്നു [4].

• ചരിത്രപരമായ പാറ്റേണുകളിൽ നിന്നുള്ള സോപാധിക സാധ്യതകളോ മൂല്യങ്ങളോ കണക്കാക്കുന്നതിലൂടെ പ്രവചനാത്മക AI

ജനറേറ്റീവ് എന്നത് ഒരു ക്രിയേറ്റീവ് സ്റ്റുഡിയോ ആയും, പ്രവചനം എന്നത് ഒരു കാലാവസ്ഥാ സേവനമായും കരുതുക. ഒരേ ടൂൾബോക്സ് (ML), വ്യത്യസ്ത ലക്ഷ്യങ്ങൾ.

അപ്പോൾ... പ്രായോഗികമായി പ്രവചന AI എന്താണ്? 🔧

1. നിങ്ങൾക്ക് താൽപ്പര്യമുള്ള ലേബൽ ചെയ്ത ചരിത്ര ഡാറ്റ - ഫലങ്ങളും അവ വിശദീകരിക്കുന്ന ഇൻപുട്ടുകളും ശേഖരിക്കുക

2. എഞ്ചിനീയർ സവിശേഷതകൾ - അസംസ്കൃത ഡാറ്റ ഉപയോഗപ്രദമായ സിഗ്നലുകളാക്കി മാറ്റുക (ലാഗുകൾ, റോളിംഗ് സ്ഥിതിവിവരക്കണക്കുകൾ, ടെക്സ്റ്റ് എംബെഡിംഗുകൾ, വർഗ്ഗീകരണ എൻകോഡിംഗുകൾ).

3. ഇൻപുട്ടുകളും ഫലങ്ങളും തമ്മിലുള്ള ബന്ധം പഠിക്കുന്ന ഒരു മോഡൽ-ഫിറ്റ് അൽഗോരിതങ്ങൾ പരിശീലിപ്പിക്കുക

4. ബിസിനസ് മൂല്യം പ്രതിഫലിപ്പിക്കുന്ന മെട്രിക്സുകൾ ഉപയോഗിച്ച് ഹോൾഡ്ഔട്ട് ഡാറ്റ വിലയിരുത്തുക

5. നിങ്ങളുടെ ആപ്പിലേക്കോ, വർക്ക്ഫ്ലോയിലേക്കോ, അലേർട്ടിംഗ് സിസ്റ്റത്തിലേക്കോ പ്രവചനങ്ങൾ അയയ്ക്കുക - വിന്യസിക്കുക

6. നിരീക്ഷിക്കുക ഡാറ്റ / കൺസെപ്റ്റ് ഡ്രിഫ്റ്റ് നിരീക്ഷിക്കുക , റീട്രെയിനിംഗ് / റീകാലിബ്രേഷൻ നിലനിർത്തുക. മുൻനിര ഫ്രെയിംവർക്കുകൾ ഡ്രിഫ്റ്റ്, ബയസ്, ഡാറ്റ ഗുണനിലവാരം എന്നിവ ഭരണവും നിരീക്ഷണവും ആവശ്യമുള്ള തുടർച്ചയായ അപകടസാധ്യതകളായി വ്യക്തമായി വിളിക്കുന്നു [1].

ലീനിയർ മോഡലുകൾ മുതൽ ട്രീ എൻസെംബിൾസ്, ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ വരെ അൽഗോരിതങ്ങൾ ഉൾപ്പെടുന്നു. നിങ്ങൾക്ക് നന്നായി പെരുമാറുന്ന സ്കോറുകൾ ആവശ്യമുള്ളപ്പോൾ ട്രേഡ്-ഓഫുകൾ വിശദീകരിച്ച് പ്രോബബിലിറ്റി കാലിബ്രേഷൻ ഓപ്ഷനുകൾ ഉപയോഗിച്ച് ആധികാരിക ഡോക്‌സ് സാധാരണ സംശയാസ്പദമായവയെ പട്ടികപ്പെടുത്തുന്നു - ലോജിസ്റ്റിക് റിഗ്രഷൻ, റാൻഡം ഫോറസ്റ്റുകൾ, ഗ്രേഡിയന്റ് ബൂസ്റ്റിംഗ്, കൂടാതെ മറ്റു പലതും. [3].

ബിൽഡിംഗ് ബ്ലോക്കുകൾ - ഡാറ്റ, ലേബലുകൾ, മോഡലുകൾ 🧱

• ഡാറ്റ - ഇവന്റുകൾ, ഇടപാടുകൾ, ടെലിമെട്രി, ക്ലിക്കുകൾ, സെൻസർ റീഡിംഗുകൾ. ഘടനാപരമായ പട്ടികകൾ സാധാരണമാണ്, പക്ഷേ വാചകവും ചിത്രങ്ങളും സംഖ്യാ സവിശേഷതകളിലേക്ക് പരിവർത്തനം ചെയ്യാൻ കഴിയും.

• ലേബലുകൾ - നിങ്ങൾ പ്രവചിക്കുന്നത്: വാങ്ങിയതും അല്ലാത്തതും, പരാജയപ്പെടുന്നതുവരെയുള്ള ദിവസങ്ങൾ, ആവശ്യക്കാരുടെ എണ്ണം.

• അൽഗോരിതങ്ങൾ

  • ഫലം വ്യക്തമാകുമ്പോൾ വർഗ്ഗീകരണം - മാറ്റമോ അല്ലാതെയോ .

  • ഫലം സംഖ്യാമാകുമ്പോൾ റിഗ്രഷൻ

  • സമയ ശ്രേണി - സമയത്തിലുടനീളം മൂല്യങ്ങൾ പ്രവചിക്കുന്നു, ഇവിടെ പ്രവണതയ്ക്കും ഋതുഭേദത്തിനും വ്യക്തമായ പരിഗണന ആവശ്യമാണ് [2].

എക്സ്പോണൻഷ്യൽ സ്മൂത്തിംഗ് അല്ലെങ്കിൽ ARIMA-ഫാമിലി മോഡലുകൾ പോലുള്ള മിക്സ്-മെത്തോഡുകളിലേക്ക് ടൈം-സീരീസ് പ്രവചനം സീസണാലിറ്റിയും ട്രെൻഡും ചേർക്കുന്നു, അവ ആധുനിക ML [2] നൊപ്പം ഇപ്പോഴും അടിസ്ഥാനമായി നിലനിൽക്കുന്ന ക്ലാസിക് ഉപകരണങ്ങളാണ്.

ഷിപ്പ് ചെയ്യുന്ന സാധാരണ ഉപയോഗ കേസുകൾ 📦

• വരുമാനവും വളർച്ചയും

  • ലീഡ് സ്കോറിംഗ്, പരിവർത്തന ഉയർച്ച, വ്യക്തിഗതമാക്കിയ ശുപാർശകൾ.

• അപകടസാധ്യതയും അനുസരണവും

  • തട്ടിപ്പ് കണ്ടെത്തൽ, ക്രെഡിറ്റ് റിസ്ക്, AML ഫ്ലാഗുകൾ, അപാകത കണ്ടെത്തൽ.

• വിതരണവും പ്രവർത്തനങ്ങളും

  • ഡിമാൻഡ് പ്രവചനം, തൊഴിൽ ശക്തി ആസൂത്രണം, ഇൻവെന്ററി ഒപ്റ്റിമൈസേഷൻ.

• വിശ്വാസ്യതയും പരിപാലനവും

  • ഉപകരണങ്ങളുടെ പ്രവചനാതീതമായ അറ്റകുറ്റപ്പണികൾ - പരാജയപ്പെടുന്നതിന് മുമ്പുള്ള പ്രവർത്തനം.

• ആരോഗ്യ സംരക്ഷണവും പൊതുജനാരോഗ്യവും

  • വീണ്ടും പ്രവേശനം, ട്രയേജ് അടിയന്തിരാവസ്ഥ, അല്ലെങ്കിൽ രോഗസാധ്യതാ മോഡലുകൾ (ശ്രദ്ധാപൂർവ്വമായ സാധൂകരണവും ഭരണവും ഉപയോഗിച്ച്) പ്രവചിക്കുക

"ഈ ഇടപാട് സംശയാസ്പദമായി തോന്നുന്നു" എന്നൊരു SMS നിങ്ങൾക്ക് എപ്പോഴെങ്കിലും ലഭിച്ചിട്ടുണ്ടെങ്കിൽ, നിങ്ങൾ അപ്രതീക്ഷിതമായി പ്രവചനാത്മക AI-യെ കണ്ടുമുട്ടിയിട്ടുണ്ട്.

താരതമ്യ പട്ടിക - പ്രവചന AI-യ്ക്കുള്ള ഉപകരണങ്ങൾ 🧰

കുറിപ്പ്: വിലകൾ വളരെ വിശാലമാണ് - ഓപ്പൺ സോഴ്‌സ് സൗജന്യമാണ്, ക്ലൗഡ് ഉപയോഗത്തെ അടിസ്ഥാനമാക്കിയുള്ളതാണ്, എന്റർപ്രൈസ് വ്യത്യാസപ്പെടുന്നു. യാഥാർത്ഥ്യത്തിന് ഒരു ചെറിയ അല്ലെങ്കിൽ രണ്ട് പ്രത്യേകതകൾ അവശേഷിക്കുന്നു..

പ്രിസ്ക്രിപ്റ്റീവ് പ്രെഡിക്റ്റീവ് AI എങ്ങനെ താരതമ്യം ചെയ്യുന്നു 🧭

സംഭവിക്കാൻ സാധ്യതയുള്ള കാര്യങ്ങൾക്ക് പ്രവചനാത്മകമായ ഉത്തരം നൽകുന്നു . പ്രിസ്ക്രിപ്റ്റീവ് കൂടുതൽ മുന്നോട്ട് പോകുന്നു - നമ്മൾ എന്തുചെയ്യണം . പ്രൊഫഷണൽ സമൂഹങ്ങൾ പ്രവചനങ്ങൾ മാത്രമല്ല, ഒപ്റ്റിമൽ പ്രവർത്തനങ്ങൾ ശുപാർശ ചെയ്യുന്നതിനായി മോഡലുകൾ ഉപയോഗിക്കുന്നതായി പ്രിസ്ക്രിപ്റ്റീവ് അനലിറ്റിക്സിനെ നിർവചിക്കുന്നു [5]. പ്രായോഗികമായി, പ്രവചനം കുറിപ്പടി നൽകുന്നു.

മൂല്യനിർണ്ണയ മോഡലുകൾ - പ്രാധാന്യമുള്ള മെട്രിക്കുകൾ 📊

തീരുമാനവുമായി പൊരുത്തപ്പെടുന്ന മെട്രിക്കുകൾ തിരഞ്ഞെടുക്കുക:

• വർഗ്ഗീകരണം

  • മുന്നറിയിപ്പുകൾ ചെലവേറിയതായിരിക്കുമ്പോൾ തെറ്റായ പോസിറ്റീവുകൾ ഒഴിവാക്കാനുള്ള കൃത്യത

  • നഷ്ടപ്പെടുത്തലുകൾ ചെലവേറിയതായിരിക്കുമ്പോൾ കൂടുതൽ യഥാർത്ഥ സംഭവങ്ങൾ പകർത്താൻ ഓർമ്മിക്കുക

  • പരിധികളിലുടനീളം റാങ്ക്-നിലവാരം താരതമ്യം ചെയ്യാൻ AUC-ROC

• റിഗ്രഷൻ

  • മൊത്തത്തിലുള്ള പിശക് വ്യാപ്തിക്ക് RMSE/MAE

  • ആപേക്ഷിക പിശകുകൾ പ്രാധാന്യമുള്ളപ്പോൾ MAPE

• പ്രവചനം

  • സമയ ശ്രേണി താരതമ്യത്തിനായി MASE, sMAPE

  • കവറേജ് - നിങ്ങളുടെ അനിശ്ചിതത്വ ബാൻഡുകളിൽ യഥാർത്ഥത്തിൽ സത്യം അടങ്ങിയിട്ടുണ്ടോ?

എനിക്ക് ഇഷ്ടപ്പെട്ട ഒരു പ്രധാന നിയമം: നിങ്ങളുടെ ബജറ്റുമായി പൊരുത്തപ്പെടുന്ന മെട്രിക് തെറ്റാണെന്ന് ഉറപ്പുവരുത്താൻ ഒപ്റ്റിമൈസ് ചെയ്യുക.

വിന്യാസ യാഥാർത്ഥ്യം - ഡ്രിഫ്റ്റ്, ബയസ്, മോണിറ്ററിംഗ് 🌦️

മോഡലുകൾ നശിക്കുന്നു. ഡാറ്റാ മാറ്റങ്ങൾ. പെരുമാറ്റ മാറ്റങ്ങൾ. ഇത് പരാജയമല്ല - ലോകം ചലിക്കുന്നതാണ്. ഡാറ്റാ ഡ്രിഫ്റ്റിനും ആശയ ഡ്രിഫ്റ്റിനും , ഡാറ്റാ ഗുണനിലവാര അപകടസാധ്യതകൾ എന്നിവ ഉയർത്തിക്കാട്ടൽ, ഡോക്യുമെന്റേഷൻ, ആക്‌സസ് നിയന്ത്രണങ്ങൾ, ലൈഫ് സൈക്കിൾ ഗവേണൻസ് എന്നിവ ശുപാർശ ചെയ്യുന്ന മുൻനിര ഫ്രെയിംവർക്കുകൾ [1].

• ആശയ ചലനം - ഇൻപുട്ടുകളും ലക്ഷ്യവും തമ്മിലുള്ള ബന്ധങ്ങൾ വികസിക്കുന്നു, അതിനാൽ ഇന്നലത്തെ പാറ്റേണുകൾ നാളത്തെ ഫലങ്ങൾ നന്നായി പ്രവചിക്കുന്നില്ല.

• മോഡൽ അല്ലെങ്കിൽ ഡാറ്റ ഡ്രിഫ്റ്റ് - ഇൻപുട്ട് വിതരണങ്ങൾ മാറുന്നു, സെൻസറുകൾ മാറുന്നു, ഉപയോക്തൃ പെരുമാറ്റ രൂപാന്തരങ്ങൾ, പ്രകടനത്തിലെ അപചയം. കണ്ടെത്തി പ്രവർത്തിക്കുക.

പ്രായോഗിക പ്ലേബുക്ക്: ഉൽപ്പാദനത്തിലെ മെട്രിക്സ് നിരീക്ഷിക്കുക, ഡ്രിഫ്റ്റ് ടെസ്റ്റുകൾ നടത്തുക, ഒരു പുനർപരിശീലന കാഡൻസ് നിലനിർത്തുക, ബാക്ക് ടെസ്റ്റിംഗിനായി പ്രവചനങ്ങൾ vs ഫലങ്ങൾ രേഖപ്പെടുത്തുക. ലളിതമായ ഒരു ട്രാക്കിംഗ് തന്ത്രം നിങ്ങൾ ഒരിക്കലും പ്രവർത്തിപ്പിക്കാത്ത സങ്കീർണ്ണമായ ഒന്നിനെ മറികടക്കുന്നു.

നിങ്ങൾക്ക് പകർത്താൻ കഴിയുന്ന ഒരു ലളിതമായ സ്റ്റാർട്ടർ വർക്ക്ഫ്ലോ 📝

1. തീരുമാനം നിർവചിക്കുക - വ്യത്യസ്ത പരിധികളിലെ പ്രവചനം ഉപയോഗിച്ച് നിങ്ങൾ എന്തു ചെയ്യും?

2. ഡാറ്റ കൂട്ടിച്ചേർക്കുക - വ്യക്തമായ ഫലങ്ങളോടെ ചരിത്രപരമായ ഉദാഹരണങ്ങൾ ശേഖരിക്കുക.

3. സ്പ്ലിറ്റ് -ട്രെയിൻ, സാധൂകരണം, ഒരു യഥാർത്ഥ ഹോൾഡ്ഔട്ട് ടെസ്റ്റ്.

4. ബേസ്‌ലൈൻ - ലോജിസ്റ്റിക് റിഗ്രഷൻ അല്ലെങ്കിൽ ഒരു ചെറിയ ട്രീ എൻസെംബിളിൽ നിന്ന് ആരംഭിക്കുക. ബേസ്‌ലൈനുകൾ അസുഖകരമായ സത്യങ്ങൾ പറയുന്നു [3].

5. മെച്ചപ്പെടുത്തുക - ഫീച്ചർ എഞ്ചിനീയറിംഗ്, ക്രോസ്-വാലിഡേഷൻ, ശ്രദ്ധാപൂർവ്വം ക്രമീകരിക്കൽ.

6. ഷിപ്പ് - നിങ്ങളുടെ സിസ്റ്റത്തിലേക്ക് പ്രവചനങ്ങൾ എഴുതുന്ന ഒരു API എൻഡ്‌പോയിന്റ് അല്ലെങ്കിൽ ബാച്ച് ജോലി.

7. വാച്ച് - ഗുണനിലവാരത്തിനായുള്ള ഡാഷ്‌ബോർഡുകൾ, ഡ്രിഫ്റ്റ് അലാറങ്ങൾ, പുനർപരിശീലന ട്രിഗറുകൾ [1].

അത് ഒരുപാട് ആണെന്ന് തോന്നുകയാണെങ്കിൽ, അങ്ങനെയാണ് - പക്ഷേ നിങ്ങൾക്ക് അത് ഘട്ടങ്ങളായി ചെയ്യാൻ കഴിയും. ടൈനി കോമ്പൗണ്ട് നേടുന്നു.

ഡാറ്റ തരങ്ങളും മോഡലിംഗ് പാറ്റേണുകളും - ക്വിക്ക് ഹിറ്റുകൾ 🧩

• ടാബുലാർ റെക്കോർഡുകൾ - ഗ്രേഡിയന്റ് ബൂസ്റ്റിംഗിനും ലീനിയർ മോഡലുകൾക്കുമുള്ള ഹോം ടർഫ് [3].

• സമയ പരമ്പര - പലപ്പോഴും ML-ന് മുമ്പുള്ള ട്രെൻഡ്/समानी/അവശിഷ്ടങ്ങളിലേക്കുള്ള വിഘടനത്തിൽ നിന്ന് പ്രയോജനം നേടുന്നു. എക്‌സ്‌പോണൻഷ്യൽ സ്മൂത്തിംഗ് പോലുള്ള ക്ലാസിക്കൽ രീതികൾ ശക്തമായ അടിസ്ഥാനരേഖകളായി തുടരുന്നു [2].

• വാചകം, ചിത്രങ്ങൾ - സംഖ്യാ വെക്റ്ററുകളിൽ ഉൾച്ചേർക്കുക, തുടർന്ന് പട്ടിക പോലെ പ്രവചിക്കുക.

• ഗ്രാഫുകൾ - ഉപഭോക്തൃ നെറ്റ്‌വർക്കുകൾ, ഉപകരണ ബന്ധങ്ങൾ - ചിലപ്പോൾ ഒരു ഗ്രാഫ് മോഡൽ സഹായിക്കുന്നു, ചിലപ്പോൾ അത് അമിത എഞ്ചിനീയറിംഗ് ആണ്. അത് എങ്ങനെയാണെന്ന് നിങ്ങൾക്കറിയാം.

അപകടസാധ്യതകളും സംരക്ഷണ ഭിത്തികളും - കാരണം യഥാർത്ഥ ജീവിതം കുഴപ്പത്തിലാണ് 🛑

• പക്ഷപാതവും പ്രതിനിധാനവും - പ്രാതിനിധ്യം കുറവായ സന്ദർഭങ്ങൾ അസമമായ പിശകുകളിലേക്ക് നയിക്കുന്നു. ഡോക്യുമെന്റും മോണിറ്ററും [1].

• ചോർച്ച - ഭാവിയിലെ വിവര വിഷ സാധൂകരണം ആകസ്മികമായി ഉൾപ്പെടുന്ന സവിശേഷതകൾ.

• വ്യാജ പരസ്പരബന്ധങ്ങൾ - മോഡലുകൾ കുറുക്കുവഴികളിൽ ഒതുങ്ങി നിൽക്കുന്നു.

• ഓവർഫിറ്റിംഗ് - പരിശീലനത്തിൽ മികച്ചത്, നിർമ്മാണത്തിൽ ദുഃഖം.

• ഭരണം - വംശപരമ്പര, അംഗീകാരങ്ങൾ, ആക്‌സസ് നിയന്ത്രണം എന്നിവ ട്രാക്ക് ചെയ്യുക - വിരസമാണ്, പക്ഷേ നിർണായകമാണ് [1].

വിമാനം ലാൻഡ് ചെയ്യാൻ ഡാറ്റയെ ആശ്രയിക്കാൻ നിങ്ങൾക്ക് താൽപ്പര്യമില്ലെങ്കിൽ, വായ്പ നിഷേധിക്കാനും അതിനെ ആശ്രയിക്കരുത്. അല്പം അതിശയോക്തി കലർന്ന പ്രസ്താവന, പക്ഷേ നിങ്ങൾക്ക് മനസ്സിലാവും.

ആഴത്തിലുള്ള പഠനം: ചലിക്കുന്ന കാര്യങ്ങൾ പ്രവചിക്കുക ⏱️

ഡിമാൻഡ്, എനർജി ലോഡ്, അല്ലെങ്കിൽ വെബ് ട്രാഫിക് എന്നിവ പ്രവചിക്കുമ്പോൾ, സമയ-ശ്രേണി ചിന്ത പ്രധാനമാണ്. മൂല്യങ്ങൾ ക്രമീകരിച്ചിരിക്കുന്നു, അതിനാൽ നിങ്ങൾ താൽക്കാലിക ഘടനയെ ബഹുമാനിക്കുന്നു. സീസണൽ-ട്രെൻഡ് ഡീകോപോസിഷനിൽ നിന്ന് ആരംഭിക്കുക, എക്‌സ്‌പോണൻഷ്യൽ സ്മൂത്തിംഗ് അല്ലെങ്കിൽ ARIMA-ഫാമിലി ബേസ്‌ലൈനുകൾ പരീക്ഷിക്കുക, ലാഗ് ചെയ്ത സവിശേഷതകളും കലണ്ടർ ഇഫക്റ്റുകളും ഉൾപ്പെടുന്ന ബൂസ്റ്റഡ് ട്രീകളുമായി താരതമ്യം ചെയ്യുക. ഡാറ്റ നേർത്തതോ ശബ്ദായമാനമോ ആയിരിക്കുമ്പോൾ ചെറുതും നന്നായി ട്യൂൺ ചെയ്തതുമായ ഒരു ബേസ്‌ലൈനിന് പോലും ഒരു മിന്നുന്ന മോഡലിനെ മറികടക്കാൻ കഴിയും. എഞ്ചിനീയറിംഗ് ഹാൻഡ്‌ബുക്കുകൾ ഈ അടിസ്ഥാനകാര്യങ്ങളിലൂടെ വ്യക്തമായി കടന്നുപോകുന്നു [2].

പതിവ് ചോദ്യങ്ങൾക്കുള്ള മിനി ഗ്ലോസറി 💬

• പ്രവചനാത്മക AI എന്താണ്? ചരിത്രപരമായ പാറ്റേണുകളിൽ നിന്നുള്ള സാധ്യതയുള്ള ഫലങ്ങൾ പ്രവചിക്കുന്ന ML പ്ലസ് സ്റ്റാറ്റിസ്റ്റിക്സ്. സോഫ്റ്റ്‌വെയർ വർക്ക്ഫ്ലോകളിൽ പ്രയോഗിക്കുന്ന പ്രവചനാത്മക വിശകലനത്തിന്റെ അതേ മനോഭാവം [5].

• ജനറേറ്റീവ് AI-യിൽ നിന്ന് ഇത് എങ്ങനെ വ്യത്യാസപ്പെട്ടിരിക്കുന്നു? സൃഷ്ടി vs പ്രവചനം. ജനറേറ്റീവ് പുതിയ ഉള്ളടക്കം സൃഷ്ടിക്കുന്നു; പ്രവചനാത്മകമായ എസ്റ്റിമേറ്റ് സാധ്യതകൾ അല്ലെങ്കിൽ മൂല്യങ്ങൾ [4].

• എനിക്ക് ആഴത്തിലുള്ള പഠനം ആവശ്യമുണ്ടോ? എല്ലായ്‌പ്പോഴും അല്ല. പല ഉയർന്ന ROI ഉപയോഗ കേസുകളും മരങ്ങളിലോ ലീനിയർ മോഡലുകളിലോ പ്രവർത്തിക്കുന്നു. ലളിതമായി ആരംഭിക്കുക, തുടർന്ന് എസ്കലേറ്റ് ചെയ്യുക [3].

• നിയന്ത്രണങ്ങളോ ചട്ടക്കൂടുകളോ എന്താണ്? റിസ്ക് മാനേജ്മെന്റിനും ഭരണത്തിനും വിശ്വസനീയമായ ചട്ടക്കൂടുകൾ ഉപയോഗിക്കുക - അവ പക്ഷപാതം, ഡ്രിഫ്റ്റ്, ഡോക്യുമെന്റേഷൻ എന്നിവയ്ക്ക് പ്രാധാന്യം നൽകുന്നു [1].

വളരെ നീണ്ടതാണ്. വായിച്ചില്ല!🎯

പ്രവചനാത്മക AI നിഗൂഢമല്ല. ഇന്നലെയിൽ നിന്ന് ഇന്ന് കൂടുതൽ ബുദ്ധിപൂർവ്വം പ്രവർത്തിക്കാൻ പഠിക്കുന്നതിന്റെ അച്ചടക്കമുള്ള പരിശീലനമാണിത്. നിങ്ങൾ ഉപകരണങ്ങൾ വിലയിരുത്തുകയാണെങ്കിൽ, അൽഗോരിതം അല്ല, നിങ്ങളുടെ തീരുമാനത്തിൽ നിന്ന് ആരംഭിക്കുക. വിശ്വസനീയമായ ഒരു അടിസ്ഥാനരേഖ സ്ഥാപിക്കുക, അത് പെരുമാറ്റത്തെ മാറ്റുന്നിടത്ത് വിന്യസിക്കുക, നിരന്തരം അളക്കുക. ഓർമ്മിക്കുക-മോഡലുകൾ പാൽ പോലെയാണ് പഴക്കം ചെല്ലുന്നത്, വീഞ്ഞല്ല-അതിനാൽ നിരീക്ഷണത്തിനും പുനർപരിശീലനത്തിനും ആസൂത്രണം ചെയ്യുക. അൽപ്പം വിനയം വളരെ ദൂരം പോകും.

അവലംബം

1. NIST - ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് റിസ്ക് മാനേജ്മെന്റ് ഫ്രെയിംവർക്ക് (AI RMF 1.0). ലിങ്ക്

2. NIST ITL - എഞ്ചിനീയറിംഗ് സ്റ്റാറ്റിസ്റ്റിക്സ് ഹാൻഡ്‌ബുക്ക്: സമയ ശ്രേണി വിശകലനത്തിനുള്ള ആമുഖം. ലിങ്ക്

3. scikit-learn - സൂപ്പർവൈസ്ഡ് ലേണിംഗ് യൂസർ ഗൈഡ്. ലിങ്ക്

4. NIST - AI റിസ്ക് മാനേജ്മെന്റ് ഫ്രെയിംവർക്ക്: ജനറേറ്റീവ് AI പ്രൊഫൈൽ. ലിങ്ക്

5. ഇൻഫോർമുകൾ - ഓപ്പറേഷൻസ് റിസർച്ച് & അനലിറ്റിക്സ് (അനലിറ്റിക്സ് അവലോകനത്തിന്റെ തരങ്ങൾ). ലിങ്ക്

ഔദ്യോഗിക AI അസിസ്റ്റന്റ് സ്റ്റോറിൽ ഏറ്റവും പുതിയ AI കണ്ടെത്തുക

ഞങ്ങളേക്കുറിച്ച്